Повышение безопасности на дорогах в умных городах с помощью методов машинного обучения

Почему безопасные улицы важны для всех

Каждый раз, когда мы сходи́м с тротуара, едем на велосипеде или проезжаем перекрёсток, мы оказываемся в системе, где небольшая ошибка может иметь судьбоносные последствия. В этом исследовании поставлен простой, но жизненно важный вопрос: можно ли с помощью современных инструментов работы с данными предсказать, какие дорожные ситуации наиболее вероятно приведут к тяжёлым травмам, и исправить их до того, как произойдут аварии? Сравнивая реальные записи о ДТП из Торонто (Канада) и Равалпинди (Пакистан), авторы показывают, как идеи умных городов и машинное обучение могут превратить сырые числа в практические меры, которые спасают жизни.

Тщательное изучение реальных аварий

Исследователи собрали две большие коллекции полицейских и экстренных записей. Одна, из Торонто, отражает тысячи столкновений, в которых люди погибли или получили серьёзные травмы на протяжении более чем десятилетия. Другая, из Равалпинди, охватывает десятки тысяч происшествий, зарегистрированных службой спасения города в период COVID‑19. Каждая запись содержит детали — время суток, день недели, тип дороги, освещение и погода, возраст и роль участников (водитель, велосипедист, пешеход), а также что происходило незадолго до удара, например превышение скорости или агрессивное вождение. Перед моделированием команда очистила данные, обработала пропуски и преобразовала многие текстовые поля в числовой формат, понятный компьютерам.

Обучение компьютеров оценивать тяжесть последствий ДТП

Первой целью было предсказать, насколько серьёзно пострадают люди в конкретном столкновении. Для этого авторы протестировали широкий набор методов машинного обучения — от классических инструментов вроде «лесов» решающих деревьев до более сложных глубоких сетей, часто используемых в распознавании речи или изображений. Они обучали эти модели на части данных и проверяли их качество на остальной части, прося каждую модель распределить аварии по категориям: без травм, лёгкие травмы, тяжёлые травмы или смертельный исход. Среди всех подходов выделились два: XGBoost и Random Forest, которые комбинируют множество простых деревьев решений в более сильный «комитет». Даже без глубокой настройки эти модели правильно классифицировали уровни травм примерно в трёх четвертях случаев в Торонто; после тщательной подгонки Random Forest в частности показал чрезвычайно высокую точность на обучающих данных.

Выявление скрытых закономерностей, приводящих к тяжёлым травмам

Само по себе предсказание не подсказывает, что именно нужно менять в реальной жизни, поэтому второй задачей было обнаружить сочетания условий, которые стабильно встречаются при серьёзных авариях. Для этого команда использовала майнинг ассоциативных правил — метод, который пробирается через данные в поисках шаблонов «если‑то». В обоих городах снова и снова появлялись одни и те же компоненты, связанные с тяжёлыми последствиями: превышение скорости, агрессивное или неосторожное вождение, потеря контроля водителем, невнимательность и столкновения с пешеходами или мотоциклистами. Отсутствие средств регулирования движения на магистралях и на оживлённых перекрёстках также проявлялось как ключевой фактор риска. В данных Равалпинди ночные поездки, дождливая погода и высокий процент использования мотоциклов в выходные были особенно связаны с переломами и другими травмами; в Торонто опасные ситуации часто сконцентрированы в определённых районах и в определённые дни недели.

Разные города, общие выводы

Сравнение города с высоким уровнем дохода в Северной Америке и быстрорастущего города в Южной Азии показывает как местные особенности, так и универсальные проблемы. В пакистанских записях видно много тяжёлых аварий с очень молодыми мотоциклистами, использующими мотоциклы как повседневный транспорт, часто без шлемов и на плохо освещённых дорогах. Канадские данные, напротив, сильнее указывают на угрозы для пешеходов и велосипедистов в городских районах, где поворачивающие автомобили и агрессивная манера вождения на перекрёстках распространены. Несмотря на эти различия, в обеих странах очевидна польза от фокуса на поведении водителей, безопасных скоростях и грамотной организации переходов для пешеходов и велосипедистов.

Перевод знаний в более безопасные поездки

Проще говоря, работа показывает, что компьютеры могут учиться на прошлых авариях, чтобы отмечать, где и когда наиболее вероятно произойдёт следующее серьёзное ранение, и какие плохие практики или уязвимости дорожной сети в этом виноваты. Модели машинного обучения, такие как XGBoost и Random Forest, можно встроить в системы умного города, которые в реальном времени отслеживают трафик, помогают экстренным службам приоритизировать самые опасные инциденты и направляют планировщиков к целевым решениям — светофорам, контролю скоростей, освещению и обучению молодых водителей. Хотя исследование ограничено двумя городами и сталкивается с проблемами, например несбалансированностью данных, оно предлагает практический план: объединять большие реальные записи о ДТП с современным анализом данных и использовать результаты для проектирования дорог и правил, которые незаметно защищают нас всех при каждой поездке.

Цитирование: 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

Ключевые слова: безопасность дорожного движения, дорожно-транспортные происшествия, умные города, машинное обучение, прогноз травм