Learning Pedestrian Failure-to-yield Maneuver Patterns from Fatal Crash Data: Evidence from Explainable AutoML

في كل يوم، يخطو ملايين الأشخاص من على الرصيف لعبور الشارع، واثقين في أن السائقين سيراهم ويتوقفون. ومع ذلك، في مدن عبر الولايات المتحدة، غالباً ما يُنتهك هذا الصدق. فعندما يعبر أحد المشاة دون انتظار فجوة آمنة أو يتجاهل إشارة المرور، وتفشل مركبة في إعطاء الأولوية، تكون النتيجة غالباً مأساوية. إن حوادث "الفشل في إعطاء الأولوية" هذه ليست حوادث عشوائية؛ بل تتبع أنماطاً محددة بناءً على مكان وقوف الشخص، والوقت من اليوم، ومن خلف المقود. لعقود من الزمن، حاول خبراء السلامة فهم هذه اللحظات من خلال المراجعة اليدوية للتقارير الشرطية أو مشاهدة لقطات الفيديو، لكن هذه الأساليب بطيئة وتكافح للتعامل مع الحجم الهائل من البيانات المتاحة اليوم. ويبقى السؤال: هل يمكننا استخدام الأرشيفات الضخمة لسجلات المرور للكشف عن القواعد الخفية التي تحكم هذه التفاعلات الخطيرة، وهل يمكننا فعل ذلك بطريقة تشرح لماذا وقع الحادث، وليس فقط أنه وقع؟

لقد سعى فريق من الباحثين في جامعة ولاية تكساس للإجابة على هذا السؤال من خلال اللجوء إلى نوع جديد من الذكاء الحاسوبي. فقد جمعوا بيانات من نظام تحليل حوادث الوفيات (FARS)، وهو قاعدة بيانات وطنية تحتوي على سجلات مفصلة لكل حادث مروري مميت في الولايات المتحدة بين عامي 2016 و2023. وبدلاً من محاولة التنبؤ برقم واحد، مثل إجمالي عدد الوفيات، طلبوا من الحاسوب تصنيف هذه الأحداث المأساوية إلى فئات محددة بناءً على كيفية حركة المشاة في لحظة الاصطدام. واستخدموا نظام تصنيف يُعرف باسم "أداة تحليل حوادث المشاة والدراجات الهوائية"، والذي يقسم الحوادث إلى أنواع مثل شخص يعبر من اليسار، أو يعبر من اليمين، أو يعبر في اتجاه غير معتاد، أو يعبر باتجاه غير معروف. ومن خلال تغذية هذه البيانات في نظام تعلم آلي مؤتمت يسمى (AutoGluon)، سمح الباحثون للحاسوب ببناء نماذجه الخاصة لإيجاد الطريقة الأكثر دقة للتمييز بين هذه الأنواع المختلفة من الحوادث.

لم يكن الحاسوب يخمن فحسب؛ بل تعلم. فبعد اختبار عشرات الأساليب الرياضية المختلفة، استقر النظام على طريقة تسمى (LightGBM)، والتي أثبتت أنها الأكثر دقة. وقد حدد هذا النموذج نوع مناورة المشاة بشكل صحيح في ما يقرب من 80 بالمائة من الحالات المميتة التي تم اختبارها عليه. والأهم من ذلك، لم يترك الباحثون الحاسوب كـ "صندوق أسود" يعطي إجابة فحسب دون تفسير؛ بل استخدموا تقنية تسمى (SHAP)، والتي تعمل مثل العدسة المكبرة، للنظر داخل النموذج ورؤية العوامل التي تدفع التنبؤ في اتجاه أو آخر. وقد كشف هذا أن السنة التي وقع فيها الحادث، والموقع الدقيق للمشاة، ونوع الطريق، وعمر السائق كانت هي الأدلة الأكثر قوة في تحديد كيفية وقوع الحادث.

وعندما نظر الباحثون عن كثب في النتائج، ظهرت قصص متميزة لكل نوع من أنواع العبور. فبالنسبة للحوادث التي عبر فيها مشاة من اليسار، أظهر الحاسوب أن العامل الأكثر حرجاً كان موقع المشاة. فقد ارتبطت هذه الحوادث بشدة بأشخاص يعبرون في منتصف الكتل السكنية، بعيداً عن ممرات المشاة المحددة، حيث لا يتوقع السائقون ظهورهم. كما سلط التحليل الضوء على أن السائقين الأكبر سناً كانوا عرضة للخطر بشكل خاص في هذه السيناريوهات، ربما لأن أوقات رد فعلهم تتباطأ عند مواجهة شخص مفاجئ وغير متوقع يخرج من الجانب.

وكانت القصة مختلفة بالنسبة للحوادث التي تنطوي على مشاة يعبرون من اليمين. هنا، لعب عمر السائق دوراً رئيسياً مرة أخرى، ولكن لعب نوع المركبة والوقت من اليوم دوراً أيضاً. وتشير البيانات إلى أن هذه الحوادث تحدث غالباً عندما يقوم السائق بالدوران جهة اليمين، وهي مناورة تتطلب النظر في اتجاهات متعددة في آن واحد. وأشار تحليل الحاسوب إلى أن السائقين غالباً ما يفشلون في مسح المنطقة التي قد يخرج منها أحد المشاة، خاصة إذا كان الرؤية محجوبة بأعمدة السيارة نفسها أو إذا كان تصميم الطريق يتضمن ممرات انزلاق تسمح للسيارات بالدوران دون التوقف تماماً. في هذه الحالات، ينقسم انتباه السائق، ويصبح المشاة مختفياً في نقطة عمياء حتى فوات الأوان.

أما بالنسبة للفئة الأكثر إرباكاً، حيث كان اتجاه المشاة غير معروف أو غير معتاد، فقد أشارت الأنماط نحو كبار السن وسوء الرؤية. فغالباً ما تضمنت هذه الحوادث أشخاصاً يعبرون في منتصف الليل أو في طقس سيء، وغالباً بعيداً عن أي نقطة عبور محددة. وأظهرت البيانات أن هذه الحوادث كانت أكثر شيوعاً في أشهر الشتاء وغالباً ما شملت مركبات كبيرة مثل السيارات الرياضية متعددة الاستخدامات (SUVs)، والتي يمكن أن تحجب رؤية السائق للشخص الموجود على الأرض. تعلم الحاسوب أنه عندما يعبر المشاة بطريقة غير متوقعة، فإن مزيج الظلام والطقس وحجم المركبة يخلق عاصفة مثالية لخطأ مميت.

تتحدى هذه النتائج الفكرة القائلة بأن جميع حوادث المشاة هي نفسها. بدلاً من ذلك، تظهر أن كل نوع من أنواع فشل العبور له مجموعة فريدة من الأسباب. فالحادث الناجم عن شخص يعبر بشكل غير قانوني في منتصف الكتل السكنية مدفوع بعوامل تختلف عن الحادث الناجم عن خروج مشاة أثناء دوران جهة اليمين. وهذا التمييز حيوي لمخططي السلامة؛ فهو يشير إلى أن حلاً واحداً، مثل طلاء المزيد من ممرات المشاة، لن يصلح كل مشكلة. ولإنقاذ الأرواح حقاً، قد تحتاج المدن إلى إعادة تصميم تقاطعات معينة لتحسين خطوط الرؤية للسائقين الذين يقومون بالدوران، وتثبيت إضاءة أفضل للعبور الليلي، وإنشاء برامج تعليمية مستهدفة للسائقين الأكبر سناً الذين قد يجدون صعوبة في التفاعل بسرعة مع المشاة غير المتوقعين.

من خلال استخدام التعلم المؤتمت لغربلة سنوات من بيانات الحوادث المميتة، انتقلت هذه الدراسة إلى ما وراء الإحصاءات البسيطة لتكشف عن الآليات المحددة للخطر. إنها تثبت أنه مع الأدوات المناسبة، يمكننا فهم الظروف الدقيقة التي تؤدي إلى المأساة. لا يقدم البحث حلاً سحرياً، ولكنه يوفر خريطة واضحة لأماكن تركز المخاطر. إنه يوضح أن السلامة لا تتعلق فقط باتباع القواعد، بل بفهم الرقصة المعقدة للسلوك البشري، وتصميم المركبات، وهندسة الطرق التي تحدث في جزء من الثانية قبل وقوع الحادث. ومع هذه المعرفة، يمكن للمهندسين وصناع السياسات البدء أخيراً في بناء شوارع ليست آمنة فقط لليوم العادي، بل قادرة على الصمود لحماية الفئات الأكثر ضعفاً عندما تسوء الأمور.