Система прогнозирования тяжести ДТП на основе глубокого обучения

Участки дорожных работ — наиболее уязвимые участки дорог с точки зрения заторов и ДТП. Поэтому точное и своевременное прогнозирование тяжести ДТП в таких зонах необходимо для сокращения времени реагирования экстренных служб, в том числе медицинской помощи, повышения безопасности движения и уменьшения заторов. В предыдущих исследованиях для прогнозирования тяжести ДТП применяли различные статистические модели и методы машинного обучения, оценивая их главным образом по точности. Однако их результаты в целом были неудовлетворительными, особенно при прогнозировании ДТП со смертельным исходом и ДТП с пострадавшими. Кроме того, оценка только по точности может вводить в заблуждение. Цель настоящей работы — предложить новый подход на основе глубокого обучения с модифицированной функцией потерь на основе F1-меры для прогнозирования тяжести ДТП. Также результаты моделей глубокого обучения сравнивали с результатами моделей машинного обучения по двум показателям: точности и полноте. Для анализа использовали выборку ДТП, произошедших на участках дорожных работ в штате Луизиана в 2014–2018 годах. В набор данных вошли важные характеристики дороги, транспортных средств и участников движения, связанные с возникновением и тяжестью ДТП. Предложенный метод основан на преобразовании этих характеристик в изображения с помощью нелинейного метода снижения размерности t-SNE и алгоритма построения выпуклой оболочки. Для непосредственной оптимизации точности и полноты применяли сверточную нейронную сеть (CNN) с модифицированной функцией потерь. Глубокое обучение позволило повысить качество прогнозирования тяжести ДТП со смертельным исходом и ДТП с пострадавшими. Такой подход может способствовать повышению безопасности движения и уменьшению заторов на участках дорожных работ и, возможно, на других участках дорог.