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

Elke dag stappen miljoenen mensen van de stoep af om een straat over te steken, in het vertrouwen dat automobilisten hen zullen zien en zullen stoppen. Toch wordt dit vertrouwen in steden in de Verenigde Staten regelmatig geschonden. Wanneer een voetganger oversteekt zonder te wachten op een veilige opening of een signaal negeert, en een voertuig er niet voor wijkt, is het resultaat vaak een tragedie. Deze "falen-bij-voorrang-verlening"-incidenten zijn geen willekeurige ongelukken; ze volgen specifieke patronen op basis van waar de persoon staat, hoe laat het is en wie er achter het stuur zit. Decennialang hebben veiligheidsexperts geprobeerd deze momenten te begrijpen door handmatig politierapporten te beoordelen of videobeelden te bekijken, maar deze methoden zijn traag en worstelen met de enorme hoeveelheid gegevens die tegenwoordig beschikbaar is. De vraag blijft: kunnen we de enorme archieven van verkeersgegevens gebruiken om de verborgen regels te ontdekken die deze gevaarlijke interacties beheersen, en kunnen we dat doen op een manier die uitlegt waarom een ongeval plaatsvond, en niet alleen dat het gebeurde?

Een team van onderzoekers aan de Texas State University zette zich in om deze vraag te beantwoorden door over te stappen op een nieuwe vorm van computerintelligentie. Ze verzamelden gegevens uit het Fatality Analysis Reporting System, een nationale database met gedetailleerde gegevens van elk dodelijk verkeersongeval in de Verenigde Staten tussen 2016 en 2023. In plaats van te proberen één enkel getal te voorspellen, zoals het totaal aantal doden, vroegen ze de computer om deze tragische gebeurtenissen in specifie-ke categorieën in te delen op basis van hoe de voetganger bewoog op het moment van impact. Ze gebruikten een classificatiesysteem dat bekend staat als de Pedestrian and Bicycle Crash Analysis Tool, die crashes onderverdeelt in typen zoals een persoon die van links oversteekt, van rechts oversteekt, in een ongebruikelijke richting oversteekt, of met een onbekende richting oversteekt. Door deze gegevens in een geautomatiseerd machine learning-systeem genaamd AutoGluon te voeren, lieten de onderzoekers de computer zijn eigen modellen bouwen om de meest nauwkeurige manier te vinden om tussen deze verschillende soorten crashes te onderscheiden.

De computer gokte niet alleen; hij leerde. Na het testen van tientallen verschillende wiskundige benaderingen, koos het systeem voor een methode genaamd LightGBM, die het meest accuraat bleek te zijn. Dit model identificeerde het type voetgangersmanoeuvre correct in bijna tachtig procent van de gevallen waarbij de voetganger fataal werd getroffen in de tests. Belangrijker nog, de onderzoekers lieten de computer niet achter als een "black box" die simpelweg een antwoord geeft zonder uitleg. Ze gebruikten een techniek genaamd SHAP, die werkt als een vergrootglas om in het model te kijken en te zien welke factoren de voorspelling de ene of de andere kant op duwden. Dit onthulde dat het jaar waarin het ongeval plaatsvond, de exacte positie van de voetganger, het type weg en de leeftijd van de bestuurder de krachtigste aanwijzingen waren bij het bepalen van hoe een ongeval verliep.

Toen de onderzoekers nauwkeurig naar de resultaten keken, kwamen er duidelijke verhalen naar voren voor elk type oversteek. Voor crashes waarbij een voetganger van links overstak, toonde de computer aan dat de meest kritieke factor de positie van de voetganger was. Deze incidenten waren sterk verbonden met mensen die halverwege een blok overstaken, weg van gemarkeerde zebrapaden, waar automobilisten hen niet verwachten te zien. De analyse benadrukte ook dat oudere bestuurders bijzonder kwetsbaar waren in deze scenario's, waarschijnlijk omdat hun reactietijd vertraagt wanneer ze geconfronteerd worden met een plotselinge, onverwachte persoon die vanaf de zijkant tevoorschijn komt.

Het verhaal was anders voor crashes waarbij een voetganger van rechts overstak. Hier speelde de leeftijd van de bestuurder opnieuw een grote rol, maar ook het type voertuig en het tijdstip van de dag. De gegevens suggereerden dat deze crashes vaak gebeuren wanneer een bestuurder rechts afslaat, een manoeuvre die vereist dat men in meerdere richtingen tegelijk kijkt. De analyse van de computer gaf aan dat bestuurders vaak niet scannen in het gebied waar een voetganger kan verschijnen, vooral als het zicht wordt geblokkeerd door de eigen stijlen van de auto of als het wegontwerp slipbanen bevat waardoor auto's kunnen afslaan zonder volledig te stoppen. In deze gevallen is de aandacht van de bestuurder verdeeld, en is de voetganger verborgen in een dode hoek totdat het te laat is.

Voor de meest verwarrende categorie, waarbij de richting van de voetganger onbekend of ongebruikelijk was, wees het patroon op oudere voetgangers en slecht zicht. Deze crashes vonden vaak plaats midden in de nacht of bij slecht weer, vaak ver van een aangewezen oversteekplaats. De gegevens toonden aan dat deze incidenten gebruikelijker waren in de wintermaanden en vaak betrokken bij grotere voertuigen zoals SUV's, die het zicht van een bestuurder op een persoon op de grond kunnen blokkeren. De computer leerde dat wanneer een voetganger op een onvoorspelbare manier oversteekt, de combinatie van duisternis, weer en de omvang van het voertuig een perfecte storm creëert voor een fatale fout.

De bevindingen dagen het idee uit dat alle voetgangersongelukken hetzelfde zijn. In plaats daarvan laten ze zien dat elk type oversteekfout zijn eigen unieke set oorzaken heeft. Een crash veroorzaakt door een wildplasser in het midden van een blok wordt gedreven door andere factoren dan een crash veroorzaakt door een voetganger die tevoorschijn komt tijdens een rechtsafslag. Dit onderscheid is essentieel voor veiligheidsplanners. Het suggereert dat een enkele oplossing, zoals het meer schilderen van zebrapaden, niet elk probleem zal oplossen. Om echt levens te redden, moeten steden mogelijk specifieke kruispunten herontwerpen om het zicht voor afslaande bestuurders te verbeteren, betere verlichting installeren voor nachtelijke oversteken, en gerichte educatieprogramma's opzetten voor oudere bestuurders die moeite kunnen hebben met het snel reageren op onverwachte voetgangers.

Door automatisch leren te gebruiken om jaren aan dodelijke ongevalsgegevens te doorzoeken, is deze studie verder gegaan dan eenvoudige statistieken om de specifieke mechanica van gevaar te onthullen. Het bewijst dat we met de juiste instrumenten de precieze omstandigheden kunnen begrijpen die tot een tragedie leiden. Het onderzoek biedt geen magische oplossing, maar biedt een duidelijke kaart van waar de risico's liggen. Het laat zien dat veiligheid niet alleen gaat over het volgen van regels, maar over het begrijpen van de complexe dans van menselijk gedrag, voertuigontwerp en weggeometrie die plaatsvindt in de fractie van een seconde voor een ongeval. Met deze kennis kunnen ingenieurs en beleidsmakers eindelijk beginnen met het bouwen van straten die niet alleen veiliger zijn voor de gemiddelde dag, maar ook veerkrachtig genoeg zijn om de meest kwetsbaren te beschermen wanneer het misgaat.