Il modello integra tecniche di machine learning e teoria dei valori estremi per analizzare le interazioni tra veicoli e pedoni, identificando quelle potenzialmente pericolose. Questo approccio potrebbe rivoluzionare le strategie di sicurezza stradale, consentendo di prevedere i rischi di incidente osservando il traffico per brevi periodi, anziché basarsi su statistiche pluriennali.
I ricercatori hanno raccolto dati video dei movimenti dei pedoni presso incroci semaforizzati di Brisbane, in Australia. Utilizzando l'intelligenza artificiale, hanno identificato le interazioni estreme tra veicoli e pedoni, classificandole in base alla potenziale gravità.
La professoressa Fizza Hussain, tra gli autori dello studio, ha dichiarato: "Abbiamo sviluppato un modello ibrido per stimare la frequenza degli incidenti pedonali per livelli di gravità, al fine di indagare i fattori determinanti".
Risultati e implicazioni
Il modello ha mostrato una notevole precisione nella stima degli incidenti. Su un periodo di cinque anni, a fronte di una media osservata di 2 incidenti gravi e 29 non gravi, il modello ha previsto rispettivamente 2,91 e 30,91 incidenti.
Il professor Shimul Haque ha sottolineato l'importanza di questi risultati: "In passato dovevamo basarci su statistiche di 3-5 anni per comprendere il livello di rischio di incidente di un'infrastruttura di trasporto. Questo studio dimostra che ora possiamo prevedere accuratamente i rischi osservando il traffico per circa una settimana".
Questa innovazione potrebbe consentire alle autorità stradali di sviluppare contromisure mirate per migliorare la sicurezza dei pedoni, prioritizzando gli interventi in base alla gravità prevista degli incidenti.
Il ruolo del machine learning
Lo studio ha evidenziato il potenziale del machine learning nell'analisi della sicurezza stradale. L'utilizzo di tecniche di intelligenza artificiale ha triplicato le prestazioni dei modelli di previsione del rischio di incidenti rispetto ai metodi convenzionali.
Il professor Yuefeng Li ha commentato: "Questi risultati suggeriscono la superiorità dell'applicazione del machine learning nella stima della frequenza degli incidenti pedonali per livelli di gravità. Speriamo che questa ricerca possa gettare solide basi per future applicazioni in scenari cruciali per la sicurezza dei pedoni".
Questo approccio innovativo potrebbe rappresentare un importante passo avanti nella gestione proattiva della sicurezza stradale, consentendo interventi preventivi basati su previsioni accurate dei rischi, senza dover attendere il verificarsi di incidenti reali.