Оценка уровня ответственности в наездах на пешеходов с помощью алгоритмов машинного обучения

Почему это важно для тех, кто ходит пешком и ездит на машине каждый день

Переходить улицу или проезжать через город кажется рутиной, но когда происходит авария, жизнь может измениться в одно мгновение — и за этим следуют мучительные вопросы о том, кто виноват. В этом исследовании рассматриваются наезды на пешеходов в одном испанском городе и ставится вопрос, могут ли современные компьютерные инструменты помочь полиции и судьям более справедливо и последовательно определять ответственность, используя закономерности, скрытые в реальных данных об авариях.

Преобразование трагических аварий в полезные данные

Исследователи собрали подробную информацию о 510 реальных происшествиях в Бадахосе, Испания, по всем из которых были завершены полные судебные разбирательства. Для каждой аварии они зафиксировали, как в итоге распределялась ответственность между водителем и пешеходом по пяти категориям: от случаев, где полностью виноват водитель, до случаев с равным распределением вины. Параллельно были закодированы 14 простых «да/нет» фактов о каждом случае, сгруппированных в четыре области: поведение человека (например, алкоголь, наркотики, внимание, время реакции), технологии (технический осмотр автомобиля и видимость одежды пешехода), уличная среда (место и освещение) и правила дорожного движения (наличие прав, скорость и использование мобильного телефона).

Обучение компьютеров распознавать схемы вины

Имея этот набор данных, команда протестировала несколько методов машинного обучения — программ, которые изучают закономерности по примерам. Они сравнили известные подходы и сосредоточились на трёх, показавших наилучший результат для этой задачи: деревья решений, наивный Байес и метод опорных векторов. Каждая модель обучалась на 60% аварий, а затем проверялась на оставшихся 40%. Чтобы модели не «запоминали» данные, исследователи применяли методы кросс-валидации и тщательно уравновешивали менее распространённые категории, такие как случаи с точным разделением ответственности 50–50.

Очистка сигналов перед обращением к компьютеру

Больше информации не всегда лучше. Команда сначала проверила, не повторяют ли некоторые из 14 переменных одну и ту же информацию. Они обнаружили, что употребление алкоголя и наркотиков как водителями, так и пешеходами сильно перекрывается. Оставив только по одной переменной из каждой пары, число факторов сократилось до 12 различных показателей. Модели, обученные на этом более «чистом» наборе входных данных, показали лучшие результаты: удаление избыточной информации уменьшило шум и помогло алгоритмам яснее различать уровни ответственности.

Какая модель выиграла и какие факторы действительно важны

Во множестве тестов модель на основе дерева решений оказалась лидером. Она достигла примерно 78% общей точности при сокращённом наборе из 12 переменных и была быстрее и экономичнее по вычислительным ресурсам по сравнению с другими методами. У деревьев решений есть ещё одно преимущество: они наглядно показывают, какие элементы информации имеют наибольший вес в окончательном решении. В этом исследовании самым влиятельным фактором — почти половиной веса решения — оказалось наличие у водителя действительных водительских прав. Далее по важности шли место нахождения пешехода (особенно находился ли он на пешеходном переходе или рядом с ним), состояние водителя под влиянием алкоголя или наркотиков и отвлечение водителя смартфоном. Отвлечение пешеходов, видимость одежды и освещение также играли роль, но в меньшей степени.

От помощи в суде к более безопасным улицам

Некоторые ситуации оставались трудными для алгоритмов, особенно редкие случаи с точным равным распределением ответственности между водителем и пешеходом. Авторы утверждают, что такие пограничные ситуации всё ещё требуют внимательного рассмотрения экспертами-человеками. Даже так, разработанные инструменты могут поддерживать судей и дорожную полицию, предоставляя объективное, основанное на данных «второе мнение», указывая, когда текущие случаи соответствуют прошлым решениям, и освобождая специалистов для концентрации на наиболее сложных делах. Не менее важно, что результаты указывают на чёткие приоритеты в профилактике: соблюдение правил получения и проверки прав, борьба с управлением в состоянии алкогольного или наркотического опьянения, ограничение использования телефонов за рулём и защита пешеходов на переходах. Проще говоря, исследование показывает, что и более умные компьютеры, и более безопасное поведение могут помочь справедливее определять ответственность — и снизить число людей, попадающих в такие трагические ситуации вообще.

Цитирование: Moreno-Sanfélix, A., Gragera-Peña, F.C. & Jaramillo-Morán, M.A. Evaluation of the level of responsibility in pedestrian crashes using machine learning algorithms. Sci Rep 16, 12093 (2026). https://doi.org/10.1038/s41598-026-42875-4

Ключевые слова: безопасность пешеходов, дорожная ответственность, машинное обучение, деревья решений, дорожные аварии