在智慧城市中使用机器学习技术提升道路安全

为什么更安全的街道关系到每个人

每次我们走下路缘、骑车或驶过路口时，都会进入一个小错误也可能改变人生的系统。本研究提出了一个既简单又重要的问题：我们能否利用现代数据工具来预测哪些道路状况最有可能造成重伤，然后在事故发生前加以修正？通过比较加拿大多伦多和巴基斯坦拉瓦尔品第的真实事故记录，作者展示了智慧城市理念与机器学习如何将原始数据转化为能挽救生命的实际改进。

仔细审视真实事故

研究者汇集了两套大型的警察与应急记录。一套来自多伦多，记录了十多年间成千上万起造成死亡或重伤的碰撞事件；另一套来自拉瓦尔品第，涵盖疫情期间城市救援服务报告的数万起事故。每条记录都包含时间、星期几、道路类型、照明与天气、人员年龄与角色（司机、骑行者、行人）以及撞击前的情形（如超速或激进驾驶）等细节。在建模之前，团队对数据进行了清洗、处理缺失值，并将许多文本字段转换为计算机可处理的数值形式。

教会计算机评估伤害严重程度

第一个目标是预测给定碰撞中人们会受多重的伤害。为此，作者测试了广泛的机器学习方法，从像决策树“森林”这样的经典工具到常用于语音或图像识别的更复杂的深度学习网络。他们在部分数据上训练这些模型，并在剩余数据上检验其表现，要求每个模型将事故分类为无伤、轻伤、重伤或致命。在所有方法中，有两种表现突出：XGBoost 和随机森林，它们都将许多简单决策树组合成更强的“委员会”。即便在未经大量微调的情况下，这些模型也能对约四分之三的多伦多案例正确分类；经过仔细调整后，特别是随机森林在训练数据上变得非常准确。

发现导致重伤的隐藏模式

仅仅预测并不能告诉管理者应当在现场改变什么，因此第二个目标是找出反复出现在重伤事故中的条件组合。为此，团队使用了关联规则挖掘，这是一种在数据中筛选“如果……那么……”模式的技术。在两座城市中，某些因素在导致严重伤害的事故中反复出现：超速、激进或粗心驾驶、司机失控、分心，以及涉及行人或摩托车的碰撞。主干道和繁忙路口缺乏交通管控也被识别为关键风险因素。在拉瓦尔品第的数据中，夜间行驶、雨天以及周末摩托车使用率高与单侧骨折等伤害尤其相关；在多伦多，危险情形常集中在特定区域和周内特定时段。

不同城市，共享的教训

通过比较一座高收入的北美城市与一座快速增长的南亚城市，研究既呈现了本地差异，也揭示了普遍问题。巴基斯坦的记录显示，许多严重事故发生在把摩托车作为日常代步工具的非常年轻的骑乘者身上，他们常常不戴头盔且道路照明不足。相比之下，加拿大的数据更明显指向步行者和骑行者在城市街区面临的威胁，那里的转弯车辆和路口的激进驾驶更为常见。尽管存在这些差异，两国都显示出通过关注驾驶行为、更安全的车速以及为行人和骑行者设计更好的过街设施可以带来明显益处。

将洞见转化为更安全的出行

简单来说，这项工作表明计算机可以从过去的事故中学习，标记出下次严重伤害最可能何时何地发生，以及哪些不良习惯或道路薄弱环节应承担责任。像 XGBoost 和随机森林这样的机器学习模型可以被集成到实时监测交通的智慧城市系统中，帮助应急服务优先处理最危险的事件，并引导规划者采取有针对性的改进措施，例如交通信号、速度执法、照明和针对年轻司机的教育。尽管该研究仅限于两座城市且面临数据不平衡等挑战，但它提供了一个实用蓝图：将大量真实世界的事故记录与现代数据分析相结合，并用结果来设计保护我们出行安全的道路与规则。

引用: 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

关键词: 道路安全, 交通事故, 智慧城市, 机器学习, 伤害预测