Förbättrad trafiksäkerhet i smarta städer med maskininlärning

Varför säkrare gator betyder något för alla

Varje gång vi kliver av en trottoar, cyklar eller kör genom en korsning går vi in i ett system där små misstag kan få livsavgörande konsekvenser. Den här studien ställer en enkel men avgörande fråga: kan vi använda moderna dataverktyg för att förutsäga vilka vägförhållanden som mest sannolikt leder till allvarlig skada, och därefter åtgärda dem innan kollisioner inträffar? Genom att jämföra faktiska olycksregister från Toronto i Kanada och Rawalpindi i Pakistan visar författarna hur smarta stadsideer och maskininlärning kan omvandla råa siffror till praktiska förändringar som räddar liv.

Noga granskning av verkliga kollisioner

Forskarna sammanställde två stora samlingar av polis- och räddningsrapporteringar. Den ena, från Toronto, följer tusentals kollisioner där människor dog eller skadades allvarligt under mer än ett decennium. Den andra, från Rawalpindi, täcker tiotusentals olyckor som rapporterades till stadens räddningstjänst under COVID‑19-perioden. Varje post innehåller detaljer som tid på dygnet, veckodag, vägtyp, belysning och väder, människors åldrar och roller (förare, cyklist, fotgängare) samt vad som hände strax före kollisionen, till exempel hastighetsöverträdelse eller aggressiv körning. Innan någon modellering rensade teamet data, hanterade saknade värden och konverterade många textfält till numerisk form som datorer kan tolka.

Att lära datorer bedöma krockars allvarlighetsgrad

Det första målet var att förutsäga hur allvarligt människor skulle skadas i en given kollision. För att göra detta testade författarna en rad maskininlärningsmetoder, från klassiska verktyg som beslutsträdsbaserade ”skogar” till mer komplexa djupa nätverk som ofta används vid tal‑ eller bildigenkänning. De tränade dessa modeller på en del av data och testade deras förmåga på resten, och bad varje modell att sortera krockar i kategorier som inga skador, lindriga skador, allvarliga skador eller dödliga skador. Bland alla metoder utmärkte sig två: XGBoost och Random Forest, båda kombinerar många enkla beslutsträd till en starkare ”kommitté.” Även utan omfattande finjustering klassificerade dessa modeller skadenivåer korrekt för omkring tre fjärdedelar av fallen i Toronto; efter noggrann justering blev särskilt Random Forest extremt träffsäker på träningsdata.

Att upptäcka dolda mönster bakom allvarliga skador

Endast prediktion säger inte åt beslutsfattare vad som ska ändras i praktiken, så det andra målet var att avslöja kombinationer av förhållanden som återkommande förekommer vid allvarliga kollisioner. För detta använde teamet association‑rule mining, en teknik som siktar igenom data efter ”om‑detta‑så‑det”‑mönster. I båda städerna återkom vissa ingredienser där människor skadades svårt: hastighetsöverträdelse, aggressiv eller oaktsam körning, förare som tappade kontrollen, ouppmärksamhet och kollisioner som involverade fotgängare eller motorcyklister. Avsaknad av trafikreglering på stora vägar och vid trafikerade korsningar framstod också som en nyckelriskfaktor. I Rawalpindis data var nattkörning, regnigt väder och hög motorcykelanvändning under helger särskilt kopplat till enstaka frakturer och andra skador; i Toronto klustrade farliga situationer ofta kring särskilda stadsdelar och tider på veckan.

Olika städer, gemensamma lärdomar

Genom att jämföra en höginkomststad i Nordamerika med en snabbväxande stad i Sydasien visar studien både lokala särdrag och universella problem. Pakistanska register visar många allvarliga kollisioner bland mycket unga som använder motorcyklar som vardagstransport, ofta utan hjälm och på dåligt belysta vägar. Kanadas data pekar i stället tydligare på de hot som fotgängare och cyklister möter i urbana områden, där svängande fordon och aggressiv körning i korsningar är vanliga. Trots dessa skillnader visar båda länderna tydliga fördelar av att fokusera på förarbeteende, säkrare hastigheter och bättre utformade övergångar för gående och cyklister.

Att omsätta insikter till säkrare resor

Enkelt uttryckt visar arbetet att datorer kan lära av tidigare kollisioner för att flagga när och var nästa allvarliga skada mest sannolikt inträffar, och vilka dåliga vanor eller svaga punkter i vägnätet som ligger bakom. Maskininlärningsmodeller som XGBoost och Random Forest kan byggas in i smarta stadssystem som övervakar trafiken i realtid, hjälper räddningstjänster att prioritera de farligaste incidenterna och vägleder planerare mot målinriktade åtgärder som trafikljus, hastighetsövervakning, belysning och utbildning för unga förare. Även om studien är begränsad till två städer och står inför utmaningar som obalanserad data, erbjuder den en praktisk mall: kombinera stora, verkliga olycksregister med modern dataanalys och använd resultaten för att utforma vägar och regler som tyst skyddar oss alla varje gång vi reser.

Citering: 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

Nyckelord: vägsäkerhet, trafikolyckor, smarta städer, maskininlärning, skadeprediktion