Melhorando a segurança viária em cidades inteligentes usando técnicas de aprendizado de máquina

Por que ruas mais seguras importam para todos

Cada vez que saímos da calçada, pedalamos ou dirigimos por um cruzamento, entramos em um sistema onde pequenos erros podem ter consequências que mudam vidas. Este estudo faz uma pergunta simples, porém vital: podemos usar as ferramentas de dados modernas para prever quais situações viárias têm maior probabilidade de causar danos graves e então corrigi‑las antes que ocorram acidentes? Ao comparar registros reais de acidentes de Toronto, no Canadá, e Rawalpindi, no Paquistão, os autores mostram como ideias de cidades inteligentes e aprendizado de máquina podem transformar números brutos em mudanças práticas que salvam vidas.

Analisando de perto acidentes reais

Os pesquisadores reuniram duas grandes coleções de registros policiais e de emergência. Uma, de Toronto, acompanha milhares de colisões em que pessoas foram mortas ou gravemente feridas ao longo de mais de uma década. A outra, de Rawalpindi, cobre dezenas de milhares de acidentes relatados ao serviço de resgate da cidade durante o período da COVID‑19. Cada registro inclui detalhes como hora do dia, dia da semana, tipo de via, iluminação e clima, idades e papéis das pessoas (motorista, ciclista, pedestre) e o que ocorria pouco antes do impacto, como excesso de velocidade ou direção agressiva. Antes de qualquer modelagem, a equipe limpou os dados, tratou valores ausentes e converteu muitos campos de texto em forma numérica que os computadores podem entender.

Ensinando computadores a avaliar a gravidade dos acidentes

O primeiro objetivo foi prever o grau de lesão das pessoas em uma determinada colisão. Para isso, os autores testaram uma ampla gama de métodos de aprendizado de máquina, desde ferramentas clássicas como “florestas” de árvores de decisão até redes profundas mais complexas, frequentemente usadas em reconhecimento de voz ou imagem. Eles treinaram esses modelos em parte dos dados e verificaram sua capacidade no restante, pedindo a cada modelo que classificasse os acidentes em categorias como sem lesão, lesão leve, lesão grave ou fatal. Entre todas as abordagens, duas sobressaíram: XGBoost e Random Forest, ambas combinam muitas árvores de decisão simples em um “comitê” mais forte. Mesmo sem ajustes intensivos, esses modelos classificaram corretamente os níveis de lesão em cerca de três quartos dos casos de Toronto; após ajustes cuidadosos, o Random Forest em particular tornou‑se extremamente preciso nos dados de treinamento.

Descobrindo padrões ocultos por trás dos danos graves

A previsão por si só não diz aos responsáveis o que mudar no terreno, então o segundo objetivo foi identificar combinações de condições que aparecem repetidamente em acidentes graves. Para isso, a equipe usou mineração de regras de associação, uma técnica que vasculha os dados em busca de padrões do tipo “se‑isto‑então‑aquilo”. Em ambas as cidades, certos ingredientes surgiram repetidamente onde as pessoas se feriam gravemente: excesso de velocidade, direção agressiva ou negligente, perda de controle pelo motorista, desatenção e colisões envolvendo pedestres ou motociclistas. A ausência de controles de tráfego em vias principais e em cruzamentos movimentados também emergiu como um fator de risco chave. Nos dados de Rawalpindi, dirigir à noite, chuva e alto uso de motocicletas durante os fins de semana estavam especialmente ligados a fraturas simples e outras lesões; em Toronto, situações perigosas frequentemente se concentravam em determinados distritos e horários da semana.

Cidades diferentes, lições compartilhadas

Ao comparar uma cidade norte‑americana de alta renda com uma metrópole sul‑asiática em rápido crescimento, o estudo mostra tanto particularidades locais quanto problemas universais. Os registros do Paquistão revelam muitos acidentes graves entre condutores muito jovens que usam motocicletas como meio de transporte cotidiano, frequentemente sem capacete e em vias mal iluminadas. Os dados do Canadá, em contraste, apontam com mais força para as ameaças enfrentadas por quem anda a pé e de bicicleta em áreas urbanas, onde veículos fazendo conversões e direção agressiva em cruzamentos são comuns. Apesar dessas diferenças, ambos os países mostram benefícios claros ao focar no comportamento dos motoristas, em velocidades mais seguras e em travessias melhor projetadas para pedestres e ciclistas.

Transformando insights em jornadas mais seguras

Em termos práticos, o trabalho demonstra que computadores podem aprender com acidentes passados para sinalizar quando e onde a próxima lesão grave tem maior probabilidade de ocorrer e quais hábitos ruins ou pontos fracos na malha viária são responsáveis. Modelos de aprendizado de máquina como XGBoost e Random Forest podem ser integrados a sistemas de cidades inteligentes que monitoram o tráfego em tempo real, ajudam serviços de emergência a priorizar os incidentes mais perigosos e orientam planejadores para intervenções direcionadas, como semáforos, fiscalização de velocidade, iluminação e educação para motoristas jovens. Embora o estudo se limite a duas cidades e enfrente desafios como dados desbalanceados, oferece um roteiro prático: combine grandes registros de acidentes do mundo real com análises modernas de dados e use os resultados para projetar ruas e regras que nos protejam silenciosamente cada vez que viajamos.

Citação: Abid, M.S., Hussain, M., Nabi, S. et al. Improving road safety in smart cities using machine learning techniques. Sci Rep 16, 10793 (2026). https://doi.org/10.1038/s41598-026-36795-6

Palavras-chave: segurança viária, acidentes de trânsito, cidades inteligentes, aprendizado de máquina, predição de lesões