💻 computer science

Predicting Traffic Accidents and Fatalities with Transformer-Based Models and Big Data for Enhanced Policy and Safety Insights

Cette étude propose un cadre évolutif, piloté par les mégadonnées, utilisant un Transformer Parallèle Spatio-Temporel (STPT) et des techniques de partitionnement afin de prédire avec précision les accidents de la route et les décès à Bangkok, permettant ainsi des interventions politiques fondées sur des données probantes pour améliorer la sécurité routière urbaine.

Auteurs originaux : Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

Publié 2026-07-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez les routes de Bangkok comme une immense et chaotique partie de chat jouée par des millions de voitures, de motos et de piétons chaque jour. Parfois, le jeu se déroule parfaitement ; d'autres fois, les joueurs s'entrechoquent et, malheureusement, certains ne se relèvent pas. Une équipe de chercheurs a décidé d'arrêter de jouer à « devine qui » et a plutôt construit un détective numérique super intelligent pour comprendre exactement quand et où ces accidents sont les plus susceptibles de se produire, et à quel point ils pourraient être graves.

La boîte à outils du détective : Une boule de cristal faite de mathématiques
Au lieu de simplement regarder une carte et de deviner, l'équipe a nourri son détective avec un buffet massif de données : 10 163 dossiers d'accidents de 2019 à 2024, des comptages de trafic provenant de 387 points différents, des rapports météorologiques et même les types spécifiques de véhicules impliqués. Ils n'ont pas utilisé qu'un seul cerveau ; ils ont construit toute une équipe de cerveaux numériques.

Le joueur vedette était un nouveau type d'IA appelé Transformer (plus précisément, un Transformer Parallèle Spatio-Temporel, ou STPT). Pensez à ce modèle comme à un bibliothathe super organisé capable de lire tous les livres de la bibliothèque en même temps, remarquant comment une histoire dans une section se connecte à une autre histoire située à des kilomètres de là. Il a examiné à la fois le temps (quand l'accident s'est produit) et l' espace (où il s'est produit) simultanément.

La grande révélation : Ce que les données disent réellement
Les résultats étaient assez cool, mais ils s'accompagnaient de quelques réserves importantes.

Le meilleur détective : Le modèle Transformer était le meilleur pour prédire le nombre d'accidents et de décès, faisant le moins d'erreurs par rapport aux anciennes méthodes comme les équations mathématiques standards ou les IA plus simples. Cependant, l'article note que comme les accidents mortels sont rares (comme trouver une aiguille dans une botte de foin), le modèle sous-estimait parfois le nombre de décès. Il est excellent pour dire « rien de mal ne va arriver », mais un peu timide lorsqu'il s'agit de prédire les grands désastres rares.
Le dauphin : Un modèle appelé Gradient Boosting était également un sérieux concurrent. Il était très bon pour distinguer un accrochage mineur d'un accident grave, agissant comme un arbitre au regard aiguisé.
Ce qu'ils ont écarté : L'étude a explicitement montré que les modèles plus anciens et plus simples (comme la régression linéaire de base) n'étaient pas aussi performants pour repérer les schémas complexes dans ces données désordonnées. Ils ont également découvert que regarder uniquement le volume de trafic ne suffisait pas ; il fallait mélanger l' endroit où se trouvait la route, la météo et qui conduisait.

Les « zones chaudes » : Là où se cache le danger
En regroupant la ville en 10 différents « clusters de densité de trafic » (comme trier une pièce en désordre en 10 piles différentes), les chercheurs ont découvert des schémas surprenants :

Le piège du « faible trafic » : On pourrait penser que les routes très fréquentées sont les plus dangereuses, mais le deuxième taux d'accident le plus élevé s'est produit sur des routes calmes et méconnues avec très peu de trafic. Ici, le principal coupable était la vitesse. Les conducteurs sur ces routes droites et plates semblaient se dire : « Personne ne regarde, alors je fonce ! ». Cela a entraîné beaucoup de collisions par l'arrière, impliquant particulièrement des motos.
La zone des « camions de marchandises » : Un autre point chaud était un itinéraire spécifique où les camions de collecte de marchandises étaient les principaux fauteurs de troubles. La cause ? Brûler les feux rouges et ignorer les panneaux de signalisation sur des routes droites.
Le facteur de « mortalité » : Lorsqu'il s'agissait des endroits les plus mortels, le schéma changeait. Les taux de mortalité prédits les plus élevés se trouvaient sur les routes rurales impliquant des motos et de la vitesse. Le deuxième plus élevé était en ville, et cette fois, il s'agissait de piétons renversés, souvent à cause de la conduite en état d'ivresse ou de personnes coupant la route aux voitures.

Le jeu du « Et si » (Et ce qu'il n'est pas)
Les chercheurs ont utilisé un « Arbre de décision » (qui est comme un organigramme de « Si ceci, alors cela ») pour déterminer exactement quelles conditions menaient à ces accidents. Par exemple, ils ont découvert que si une route est droite, sans pente et qu'une moto est impliquée, le risque d'accident grimpe en flèche.

Le verdict : Une carte, pas une baguette magique
L'article suggère que ce nouveau cadre est un outil puissant pour les urbanistes. Ce n'est pas une baguette magique qui arrête tous les accidents instantanément. C'est plutôt une carte de haute technologie qui dit : « Hé, si vous installez des radars de vitesse sur ces routes droites spécifiques, ou si vous apprenez aux motards à porter un meilleur équipement dans ces zones rurales spécifiques, vous pourriez sauver des vies. »

Les auteurs précisent que, bien que leur modèle soit meilleur que les anciens, il est encore en phase d'apprentissage. Ils suggèrent qu'à l'avenir, s'ils pouvaient ajouter des images vidéo des visages et des comportements des conducteurs, le détective deviendrait encore plus intelligent. Pour l'instant, cependant, ils ont prouvé qu'en mélangeant les données massives avec une IA sophistiquée, nous pouvons voir les schémas invisibles qui mènent aux accidents, nous donnant une meilleure chance de les corriger avant qu'ils ne surviennent.

Résumé Technique : Prédiction des accidents de la route et des décès à l'aide de modèles basés sur les Transformers et du Big Data

Énoncé du problème
La sécurité routière demeure un défi de santé publique critique, particulièrement dans les zones métropolitaines comme Bangkok, en Thaïlande, qui connaît des taux élevés d'accidents et de décès. Bien que le deep learning soit prometteur pour la prédiction des accidents, les modèles existants se concentrent souvent sur des types d'accidents spécifiques (par exemple, les collisions par l'arrière) ou ne parviennent pas à intégrer de manière adéquate l'hétérogénéité spatio-temporelle complexe. Il est nécessaire de disposer d'un cadre évolutif capable de prédire conjointement la fréquence des accidents et le nombre de décès en intégrant un large éventail de variables — incluant le volume de trafic, les conditions environnementales, le comportement des conducteurs et la composition des véhicules — afin de fournir une intelligence fondée sur des preuves pour des interventions politiques ciblées.

Méthodologie
L'étude propose un cadre complet intégrant l'analyse de données massives (big data) avec des architectures de deep learning avancées. La méthodologie comprend trois étapes principales :

Intégration et prétraitement des données :
- Jeux de données : L'étude combine un ensemble de données gouvernementales de 9 729 dossiers d'accidents de la route (janvier 2019 – juillet 2024) avec des données de volume de trafic provenant de 387 stations de surveillance.
- Caractéristiques : Le vecteur de prédicteurs ( $X_i$ ) comprend 37 dimensions classées en attributs temporels, informations spatiales/d'itinéraire, mesures d'implication des véhicules/humains et variables liées aux victimes.
- Clustering : Un partitionnement non supervisé par K-means est appliqué aux données de volume de trafic pour identifier 10 clusters de densité de trafic distincts. Cette étape capture l'hétérogénéité spatiale et permet l'analyse des modèles d'accidents sous diverses conditions de trafic.
Approches de modélisation :
L'étude évalue neuf modèles, en mettant l'accent sur deux architectures de deep learning novatrices :
- Transformer Parallèle Spatio-Temporel (STPT) : Cette architecture intègre des encodeurs Transformer et des réseaux de neurones convolutifs sur graphes (GCN) en parallèle. Elle utilise un mécanisme d'auto-attention pour capturer les dépendances temporelles à longue portée et des structures de graphes pour modéliser les corrélations spatiales entre les nœuds (par exemple, la proximité de la latitude/longitude). Le résultat est une fusion pondérée des caractéristiques spatiales et temporelles contrôlée par un coefficient apprenable $\alpha$ .
- Réseau de Neurones sur Graphe (GNN) : Ce modèle représente les segments de route comme des nœuds et apprend les relations via la transmission de messages sur un graphe défini par la proximité géographique ou la similitude du trafic. Il agrège les informations des nœuds voisins pour modéliser les dépendances spatiales localisées.
- Modèles de référence (Baselines) : Pour comparaison, l'étude inclut le Gradient Boosting, les arbres de décision, XGBoost, LightGBM, Random Forest, la régression linéaire, la régression par vecteurs de support (SVR) et les réseaux de neurones standards.
Analyse et interprétation :
- La performance des modèles est évaluée à l'aide de l'erreur quadratique moyenne (MSE), de l'erreur absolue moyenne (MAE) et de l'aire sous la courbe ROC (AUC-ROC).
- Une analyse par arbre de décision est employée sur les données regroupées pour identifier les conditions spécifiques (par exemple, volume de trafic, type de véhicule, géométrie de la route) menant à des taux élevés d'accidents et de décès.
- Une cartographie des points chauds géospatiaux est utilisée pour visualiser les corridors à haut risque.

Principales contributions

Application d'une architecture novatrice : L'étude comble une lacune de recherche en appliquant le Transformer Parallèle Spatio-Temporel (STPT) pour prédire à la fois la survenue des accidents et les taux de mortalité, dépassant ainsi la prédiction d'un type unique d'accident.
Intégration exhaustive des variables : Contra-irement aux études précédentes, ce cadre analyse conjointement 37 variables à travers des dimensions spatiales, temporelles, comportementales et environnementales.
Aperçu basé sur le clustering : En intégrant le clustering K-means à la modélisation prédictive, l'étude révèle comment les modèles d'accidents diffèrent significativement selon les niveaux de densité de trafic, identifiant des clusters spécifiques présentant des taux anormalement élevés d'accidents ou de décès.
Cadre politique actionnable : La recherche traduit les résultats des modèles en stratégies de mitigation spécifiques et ciblées pour les points chauds identifiés, telles que le contrôle de la vitesse sur les routes droites ou les mesures de sécurité pour les piétons.

Résultats

Performance prédictive : Le modèle STPT a obtenu l'erreur quadratique moyenne la plus faible (MSE = 0,0009), surpassant tous les autres modèles dans la prédiction des taux de mortalité. Cependant, les auteurs notent que le modèle sous-estime les décès lors d'événements rares de haute gravité en raison du déséquilibre des classes dans le jeu de données.
Capacité de classification : Le Gradient Boosting Regressor a démontré le pouvoir discriminatif le plus élevé avec un AUC de 0,8405, suivi du GNN (AUC = 0,8103). Le modèle STPT a montré une performance de classification modérée (AUC = 0,7783).
Découverte de modèles :
- Tendances temporelles : Les taux d'accidents culminent pendant les heures de pointe en semaine (8–9 h, 16–17 h) et durant les périodes de vacances (décembre/janvier).
- Analyse de clusters : Les clusters 5 et 6 ont présenté les taux d'accidents les plus élevés, tandis que le Cluster 9 a montré le taux de mortalité le plus élevé.
- Spécificités des points chauds :
  - Deuxième taux d'accidents le plus élevé : Associé à un faible volume de trafic, des itinéraires inconnus, des motocyclettes, de la vitesse excessive et des collisions par l'arrière sur des routes droites.
  - Taux de mortalité le plus élevé : Lié aux routes rurales, aux motocyclettes, à la vitesse excessive et aux routes droites avec des pentes.
  - Décès de piétons : Corrélés à la conduite sous l'empire de l'alcool, à la négligence et aux collisions impliquant des camionnettes de transport de marchandises sur des routes droites.

Signification et affirmations
L'article affirme que le cadre proposé offre une approche transférable et évolutive pour l'évaluation de la sécurité routière urbaine. En exploitant le big data et le deep learning, l'étude démontre la capacité d'identifier des conditions à haut risque et des modèles cachés que les méthodes statistiques traditionnelles pourraient manquer. Les auteurs soutiennent que cette intelligence fondée sur des preuves permet des interventions ciblées — telles que l'amélioration des infrastructures, le contrôle de la vitesse et les campagnes de sensibilisation du public — contribuant ainsi à la réduction des blessures et des décès liés au trafic. L'étude souligne que, bien que les modèles présentent une haute précision prédictive, les travaux futurs devraient traiter le déséquilibre des classes et intégrer des données multimodales (par exemple, des flux visuels) pour renforcer davantage les mesures de sécurité proactives.

Articles similaires