Spatiotemporal prediction of unsafe road conditions using weather and infrastructure proximity information - A comparative study across model learning paradigms

Jedes Jahr, wenn sich die Jahreszeiten ändern und die Wetterlagen umschlagen, sind die Straßen, auf denen wir reisen, unsichtbaren Bedrohungen ausgesetzt. Starkregen kann eine glatte Autobahn in einen flachen See verwandeln, während sengende Hitze und trockene Winde Brände entlang des Straßenrandes entfachen können. Diese Ereignisse, bekannt als unsichere Straßenverhältnisse, verursachen mehr als nur Verkehrsverzögerungen; sie können die Straße selbst beschädigen, Autofahrer gefährden und die Systeme belasten, die darauf ausgelegt sind, unsere Städte in Bewegung zu halten. Da sich das Klima verändert, werden diese extremen Wetterereignisse häufiger und intensiver, was Straßenverwalter vor eine schwierige Frage stellt: Wo und wann wird das nächste Problem auftreten? Um dies zu beantworten, haben sich Wissenschaftler der Daten zugewandt und nach Mustern in der Geschichte der Straßenvorfälle gesucht, um zukünftige Gefahren vorherzusagen. Das Ziel ist nicht nur, auf eine Krise zu reagieren, sondern die spezifische Mischung aus Wetter und lokalen Straßeneigenschaften zu verstehen, die zu Problemen führt, damit Behörden gefährdete Stellen inspizieren und reparieren können, bevor ein Unglück eintritt.

Ein Forschungsteam der Technischen Universität Delft in den Niederlanden setzte sich zum Ziel zu testen, wie gut verschiedene Methoden des maschinellen Lernens diese spezifischen Straßengefahren vorhersagen können. Sie konzentrierten sich auf das niederländische Autobahnnetz, ein riesiges System von Autobahnen, das wichtige Städte und Regionen verbindet. Unter Verwendung einer Datenbank mit fast 4.700 aufgezeichneten Vorfällen von 2014 bis 2022 untersuchten sie fünf verschiedene Arten von Problemen: Wasseransammlungen auf der Fahrbahn, Brände in der Vegetation am Straßenrand, rutschige Oberflächen, Schäden an der Straßeninfrastruktur und andere wetterbedingte Ursachen. Für jedes dieser Ereignisse sammelten die Forscher zwei Arten von Informationen: die Wetterbedingungen zum Zeitpunkt des Vorfalls, wie etwa die Menge des Regenfalles in der Stunde vor dem Vorfall und die Höchsttemperatur des Tages, sowie Details über die unmittelbare Umgebung der Straße, einschließlich der Nähe zu Pflasterflächen, Vegetation und Wasserwirtschaftssystemen.

Die Forscher ließen dann fünf verschiedene Arten von Computermodellen gegeneinander antreten, um zu sehen, welches am besten aus dieser Geschichte lernen und die Zukunft vorhersagen kann. Auf der einen Seite standen traditionelle Werkzeuge des maschinellen Lernens, die wie erfahrene Analysten funktionieren, die nach Mustern in einer Tabelle voller Fakten suchen. Auf der anderen Seite standen komplexere Deep-Learning-Modelle, die darauf ausgelegt sind, die Art und Weise nachzuahmen, wie das menschige Gehirn Sequenzen von Ereignissen über die Zeit oder Beziehungen zwischen verschiedenen Standorten verarbeitet. Einige dieser fortschrittlichen Modelle wurden entwickelt, um die Reihenfolge zu verstehen, in der Vorfälle auftraten, während andere darauf ausgelegt waren, abzubilden, wie Vorfälle in einem Gebiet mit benachbarten Gebieten zusammenhängen könnten. Das Team trainierte diese Modelle mit vergangenen Daten und testete sie dann an einem völlig ungesehenen Zeitraum, um zu sehen, ob sie genau identifizieren konnten, welche Art von Straßenproblemen wahrscheinlich als Nächstes auftreten würde.

Die Ergebnisse boten eine überraschende Wendung für diejenigen, die erwarten würden, dass die komplexeste Technologie gewinnt. Die einfacheren, traditionellen Modelle des maschinellen Lernens, insbesondere jene, die dadurch arbeiten, dass sie viele kleine Entscheidungsbäume aufbauen und deren Antworten kombinieren, erwiesen sich als die zuverlässigsten Prädiktoren. Sie übertrafen konsequent die hochentwickelten Deep-Learning-Netzwerke, die darauf ausgelegt waren, Zeit und Raum zu verfolgen. Obwohl die fortgeschrittenen Modelle eine gewisse Fähigkeit zum Lernen zeigten, boten sie keine signifikante Verbesserung der Genauigkeit gegenüber den einfacheren Werkzeugen. Tatsächlich fanden die Forscher heraus, dass die zusätzliche Komplexität dieser Deep-Learning-Systeme bei der Arbeit mit dieser spezifischen Art von spärlichen, ereignisbasierten Daten nicht in bessere Vorhersagen umschlug. Die Forscher kamen zu dem Schluss, dass für diese spezielle Aufgabe der direkte Ansatz der Analyse des Wetters und der Straßeneigenschaften eines einzelnen Vorfalls effektiver war als der Versuch, die komplexe Historie vorangegangener Ereignisse oder die Geografie des gesamten Netzwerks zu modellieren.

Als die Forscher genauer hinsahen, welche spezifischen Arten von Straßenproblemen vorlagen, zeichnete sich ein klares Muster ab. Die Modelle waren ziemlich gut darin, Wasseransammlungen auf der Straße und Brände entlang des Straßenrandes vorherzusagen. Diese Ereignisse sind stark an spezifische Wetterbedingungen gekoppelt: Starkregen führt zu Wasseransammlungen, während heißes, trockenes Wetter zu Bränden führt. Da diese Verbindungen direkt sind und die Ereignisse in den Daten häufig genug vorkommen, konnten die Modelle sie gut erlernen. Die Modelle hatten jedoch erhebliche Schwierigkeiten bei der Vorhersage von rutschigen Fahrbahnen und Schäden an der Straßeninfrastruktur. Diese Probleme sind komplizierter und vielfältiger; eine rutschige Straße könnte durch eine dünne Eisschicht, einen plötzlichen Temperaturabfall oder eine bestimmte Art von Fahrbahnoberfläche verursacht werden – Faktoren, die durch die verfügbaren Daten nicht vollständig erfasst wurden. Ähnlich verhält es sich mit Infrastrukturschäden, die durch viele verschiedene Ursachen entstehen können, von Erosion bis hin zu strukturellem Versagen, was es für einen Computer schwierig macht, den genauen Auslöser allein basierend auf dem Wetter und dem allgemeinen Standort zu bestimmen.

Die Studie untersuchte auch, ob das Wissen über die Umgebung der Straße ebenso wichtig war wie das Wissen über das Wetter. Die Forscher führten Experimente durch, indem sie nur Wetterdaten, nur Daten über die Umgebung der Straße und beide kombiniert verwendeten. Die Ergebnisse waren eindeutig: Die Wetterdaten trugen fast die gesamte Vorhersagekraft. Das Wissen über Regenfall und Temperatur ermöglichte es den Modellen, fast so gut zu performen wie mit allen Informationen. Im Gegensatz dazu führten die Verwendung von ausschließlich Details über die Umgebung der Straße, wie etwa die Nähe zu Vegetation oder Wassersystemen, zu sehr schlechten Vorhersagen. Dies deutet darauf hin, dass die lokale Umgebung zwar wichtig ist, die unmittelbaren Wetterbedingungen jedoch der primäre Treiber dieser Straßenereignisse sind. Die Forscher merkten an, dass die verwendeten Daten die Umgebung in groben Zügen beschrieben, wie etwa den Prozentsatz der Vegetation innerhalb eines bestimmten Abstands, was möglicherweise nicht detailliert genug ist, um die spezifischen Nuancen zu erfassen, die rutschige Straßen oder strukturelle Schäden verursachen.

Um diese Erkenntnisse für die Straßenbehörden nutzbar zu machen, erstellte das Team visuelle Karten, die zeigten, wo das leistungsfähigste Modell hohe Risiken für jede Art von Vorfall identifizierte. Diese Karten hoben spezifische Korridore hervor, wie etwa die Autobahnen rund um Rotterdam und Utrecht, wo Wasseransammlungen häufig vorhergesagt wurden, und andere Abschnitte, an denen Brände am Straßenrand ein wiederkehrendes Problem darstellten. Diese Karten sind keine perfekten Kristallkugeln; sie garantieren nicht, dass morgen ein Feuer ausbricht oder eine Straße nächste Woche überflutet wird. Stattdessen dienen sie als Screening-Werkzeug, das Beamte auf Gebiete hinweist, die eine Geschichte der Anfälligkeit gezeigt haben und eine genauere Inspektion verdienen. Durch die Konzentration ihrer Ressourcen auf diese Hotspots können Straßenverwalter Wartungsarbeiten, wie das Reinigen von Abflüssen oder das Beschneiden von Vegetation, priorisieren, bevor aus einem kleinen Problem eine große Störung wird.

Letztendlich verdeutlicht diese Forschung sowohl das Potenzial als auch die Grenzen der Nutzung von Daten, um unsere Straßen sicher zu halten. Sie zeigt, dass für die Vorhersage wetterbedingter Straßengefahren einfache, robuste Werkzeuge, die sich auf die unmittelbaren Wetterbedingungen konzentrieren, derzeit effektiver sind als komplexe, futuristische Algorithmen. Die Studie zeigt auch, dass wir zwar einige Arten von Vorfällen zuverlässig vorhersagen können, andere jedoch aufgrund der mangelnden Detailtiefe der vorhandenen Daten schwer fassbar bleiben. Um von diesen explorativen Karten zu einem System zu gelangen, das Risiken für den täglichen Betrieb zuverlässig prognostizieren kann, wird die zukünftige Arbeit darin bestehen, reichhaltigere Daten zu sammeln, einschließlich kontinuierlicher Wetteraufzeichnungen, Verkehrsflussinformationen und detaillierter Messungen der Straßenoberfläche selbst. Bis dahin dienen diese Modelle als wertvoller Leitfaden, der den Straßenbehörden hilft, die Unsicherheit eines sich ändernden Klimas zu navigieren, indem er ihnen zeigt, wo der Boden am wahrscheinlichsten nachgeben wird.