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

Elk jaar, wanneer de seizoenen draaien en weerpatronen verschuiven, worden de wegen die we afleggen geconfronteerd met onzichtbare dreigingen. Zware regen kan een glad snelwegdek veranderen in een ondiep meer, terwijl verzengende hitte en droge winden langs de wegbranden kunnen veroorzaken. Deze gebeurtenissen, bekend als onveilige wegomstandigheden, zorgen voor meer dan alleen verkeershinder; ze kunnen de weg zelf beschadigen, bestuurders in gevaar brengen en de systemen die onze steden in beweging houden onder druk zetten. Naarmate het klimaat verandert, worden deze extreme weerevenementen frequenter en intenser, waardoor wegbeheerders voor een moeilijke vraag komen te staan: waar en wanneer zal het volgende probleem zich voordoen? Om dit te beantwoorden, hebben wetenschappers zich tot data gewend, op zoek naar patronen in de geschiedenis van wegincidenten om toekomstige gevaren te voorspellen. Het doel is niet alleen om te reageren op een crisis, maar om de specifieke combinatie van weer en lokale wegkenmerken te begrijpen die tot problemen leidt, zodat autoriteiten kwetsbare plekken kunnen inspecteren en repareren voordat een ramp toeslaat.

Een team onderzoekers aan de Technische Universiteit Delft in Nederland begon te testen hoe goed verschillende methoden voor machine learning deze specifieke weggevaren konden voorspellen. Ze richtten zich op het Nederlandse snelwegennetwerk, een uitgestrekt systeem van snelwegen dat belangrijke steden en regio's met elkaar verbindt. Met behulp van een database van bijna 4.700 geregistreerde incidenten van 2014 tot 2022, onderzochten zij vijf verschillende soorten problemen: waterophoping op de weg, branden in de bermvegetatie, gladde oppervlakken, schade aan de weginfrastructuur en andere weersgerelateerde oorzaken. Voor elk van deze gebeurtenissen verzamelden de onderzoekers twee soorten informatie: de weersomstandigheden op het moment zelf, zoals hoeveel regen er in het uur voorafgaand aan het incident was gevallen en de maximumtemperatuur van de dag, en details over de directe omgeving van de weg, waaronder de nabijheid van de berm, vegetatie en waterbeheersystemen.

De onderzoekers lieten vervolgens vijf verschillende soorten computermodellen tegen elkaar strijden om te zien welke het beste uit deze geschiedenis kon leren en de toekomst kon voorspellen. Aan de ene kant stonden traditionele machine learning-tools, die lijken op ervaren analisten die patronen zoeken in een spreadsheet met feiten. Aan de andere kant stonden complexere deep learning-modellen, ontworpen om de manier waarop het menselijk brein sequenties van gebeurtenissen in de tijd of relaties tussen verschillende locaties verwerkt, na te bootsen. Sommige van deze geavanceerde modellen waren gebouwd om de volgorde waarin incidenten plaatsvonden te begrijpen, terwijl andere waren ontworpen om in kaart te brengen hoe incidenten in het ene gebied gerelateerd kunnen zijn aan nabijgelegen gebieden. Het team trainde deze modellen op historische data en testte ze vervolgens op een volledig onbekende periode om te zien of ze nauwkeurig konden identificeren welk type wegprobleem waarschijnlijk als volgende zou optreden.

De resultaten boden een verrassende wending voor degenen die wellicht zouden verwachten dat de meest complexe technologie zou winnen. De simpelere, traditionele machine learning-modellen, met name de modellen die werken door het bouwen van veel kleine beslissingsbomen en het combineren van hun antwoorden, bleken de meest betrouwbare voorspellers te zijn. Ze presteerden consequent beter dan de geavanceerde deep learning-netwerken die ontworpen waren om tijd en ruimte te volgen. Hoewel de geavanceerde modellen enige capaciteit toonden om te leren, leverden ze geen significante verbetering in nauwkeurigheid op ten opzichte van de simpelere tools. Sterker nog, de studie vond dat de toegevoegde complexiteit van deze deep learning-systemen niet vertaalde naar betere voorspellingen bij dit specifieke type schaarse, gebeurtenisgebaseerde data. De onderzoekers concludeerden dat voor deze specifieke taak de rechtstreekse aanpak van het analyseren van het weer en de wegkenmerken van een enkel incident effectiever was dan het proberen te modelleren van de complexe geschiedenis van eerdere gebeurtenissen of de geografie van het gehele netwerk.

Toen de onderzoekers dieper keken naar de specifieke soorten wegproblemen, kwam er een duidelijk patroon naar voren. De modellen waren zeer goed in het voorspellen van waterophoping op de weg en branden langs de wegkant. Deze gebeurtenissen zijn sterk verbonden met specifieke weersomstandigheden: zware regen leidt tot waterophoping, terwijl heet en droog weer leidt tot branden. Omdat deze verbanden direct zijn en de gebeurtenissen frequent genoeg voorkomen in de data, konden de modellen deze goed leren. De modellen hadden echter aanzienlijke moeite met het voorspellen van glad wegdek en schade aan de weginfrastructuur. Deze problemen zijn complexer en gevarieerder; een glad wegdek kan worden veroorzaakt door een dunne laag ijs, een plotselinge temperatuurdaling of een specifiek type wegdektextuur, zaken die niet volledig door de beschikbare data werden gevangen. Evenzo kan infrastructuurschade door vele verschillende oorzaken ontstaan, van erosie tot structureel falen, waardoor het voor een computer moeilijk is om de exacte trigger te pinpointen op basis van alleen het weer en de algemene locatie.

De studie onderzocht ook of weten over de omgeving van de weg even belangrijk was als weten over het weer. De onderzoekers voerden experimenten uit met alleen weerdata, alleen data over de omgeving van de weg, en beide gecombineerd. De bevindingen waren duidelijk: de weerdata bevatten bijna alle voorspellende kracht. Weten hoeveel regen er viel en wat de temperatuur was, stelde de modellen in staat bijna even goed te presteren als wanneer ze over alle informatie beschikten. In tegenstelling daarentegen, resulteerde het gebruik van enkel de details over de omgeving van de weg, zoals nabijgelegen vegetatie of watersystemen, in zeer slechte voorspellingen. Dit suggereert dat hoewel de lokale omgeving ertoe doet, de directe weersomstandigheden de primaire drijfveer zijn van deze wegincidenten. De onderzoekers merkten op dat de gebruikte data de omgeving in brede termen beschreef, zoals het percentage vegetatie binnen een bepaalde afstand, wat mogelijk niet gedetailleerd genoeg is om de specifieke nuances te vatten die voor gladde wegen of structurele schade zorgen.

Om deze bevindingen bruikbaar te maken voor wegbeheerders, creëerde het team visuele kaarten die lieten zien waar het best presterende model een hoog risico identificeerde voor elk type incident. Deze kaarten benadrukten specifieke trajecten, zoals de snelwegen rond Rotterdam en Utrecht, waar waterophoping regelmatig werd voorspeld, en andere stukken waar branden langs de weg een terugkerend probleem waren. Deze kaarten zijn geen perfecte kristallen bollen; ze garanderen niet dat er morgen een brand uitbreekt of dat een weg volgende week overstroomt. In plaats daarvan dienen ze als een screeningsinstrument dat functionarissen wijst op gebieden die een geschiedenis van kwetsbaarheid hebben getoond en een nadere inspectie verdienen. Door hun middelen te richten op deze hotspots, kunnen wegbeheerders onderhoud prioriteren, zoals het schoonmaken van afvoeren of het snoeien van vegetatie, voordat een klein probleem een grote verstoring wordt.

Uiteindelijk benadrukt dit onderzoek zowel het potentieel als de beperkingen van het gebruik van data om onze wegen veilig te houden. Het toont aan dat voor het voorspellen van weersgerelateerde weggevaren, eenvoudige, robuuste tools die zich richten op de directe weersomstandigheden momenteel effectiever zijn dan complexe, futuristische algoritmen. De studie laat ook zien dat hoewel we bepaalde soorten incidenten betrouwbaar kunnen voorspellen, andere ongrijpbaar blijven omdat de data die we hebben niet gedetailleerd genoeg zijn om het volledige plaatje te vatten. Om van deze verkennende kaarten naar een systeem te gaan dat risico's betrouwbaar kan voorspellen voor de dagelijkse operaties, zal toekomstig werk meer rijke data moeten verzamelen, inclusclusief continue weergegevens, verkeersstromen en gedetailleerde metingen van het wegdek zelf. Tot die tijd dienen deze modellen als een waardevolle gids die wegbeheerders helpt te navigeren door de onzekerheid van een veranderend klimaat door hen te laten zien waar de grond het meest waarschijnlijk zalsgeven.