💻 computer science

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

Deze studie stelt een schaalbaar, op big data gebaseerd framework voor dat gebruikmaakt van een Spatio-Temporal Parallel Transformer (STPT) en clusteringtechnieken om verkeersongevallen en slachtoffers in Bangkok nauwkeurig te voorspellen, waardoor op bewijs gebaseerde beleidsinterventies mogelijk worden om de veiligheid op stedelijke wegen te verbeteren.

Oorspronkelijke auteurs: Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de wegen van Bangkok voor als een gigantisch, chaotisch spelletje tikkertje dat elke dag door miljoenen auto's, motorrijders en voetgangers wordt gespeeld. Soms verloopt het spel perfect; andere keren botsen spelers tegen elkaar op, en helaas komen sommigen niet meer overeind. Een team van onderzoekers besloot te stoppen met het spelen van "wie ben ik?" en bouwde in plaats daarvan een superintelligente digitale detective om precies uit te zoeken wanneer en waar deze crashes het meest waarschijnlijk zijn, en hoe ernstig ze zouden kunnen zijn.

De Gereedschapskist van de Detective: Een Glazen Bol van Wiskunde
In plaats van alleen maar naar een kaart te kijken en te gokken, voerde het team hun detective een enorme buffet aan data: 10.163 ongevalregistraties van 2019 tot 2024, verkeerstellingsmetingen van 387 verschillende plekken, weerberichten en zelfs de specifieke typen voertuigen die betrokken waren. Ze gebruikten niet slechts één brein; ze bouwden een heel team van digitale breinen.

De sterspeler was een nieuw soort AI genaamd een Transformer (specifiek een Spatio-Temporal Parallel Transformer, of STPT). Denk aan dit model als een supergeorganiseerde bibliothecaris die elk boek in de bibliotheek tegelijkertijd kan lezen en opmerkt hoe een verhaal in één sectie verbonden is met een verhaal in een andere sectie mijlenver verderop. Het keek naar zowel tijd (wanneer de crash gebeurde) als ruimte (waar de crash gebeurde) tegelijkertijd.

De Grote Onthulling: Wat de Data Eigenlijk Zegt
De resultaten waren behoorlijk cool, maar ze kwamen ook met een paar belangrijke kanttekeningen.

De Beste Detective: Het Transformer-model was het beste in het voorspellen van het aantal ongelukken en slachtoffers, waarbij het de minste fouten maakte vergeleken met oudere methoden zoals standaard wiskundige vergelijkingen of simpelere AI. De paper merkt echter op dat omdat dodelijke ongelukken zeldzaam zijn (zoals het zoeken naar een speld in een hooiberg), het model soms het aantal doden onderschatte. Het is geweldig in zeggen "er zal niets ergs gebeuren", maar een beetje verlegen als het gaat om het voorspellen van de echt grote, zeldzame rampen.
De Runner-up: Een model genaamd Gradient Boosting was ook een sterke contendent. Het was erg goed in het onderscheiden tussen een klein deukje en een ernstige crash, als een scherpziende scheidsrechter.
Wat Ze Uitsloten: De studie toonde expliciet aan dat oudere, simpelere modellen (zoals basis Lineaire Regressie) niet zo goed waren in het opsporen van de complexe patronen in deze rommelige data. Ze ontdekten ook dat het kijken naar enkel de verkeersintensiteit niet genoeg was; je moest ook de locatie van de weg, het weer en wie er reed, bij de formule optellen.

De "Hot Zones": Waar het Gevaar Schuilzit
Door de stad in 10 verschillende "verkeersdichtheid-clusters" te verdelen (zoals het sorteren van een rommelige kamer in 10 verschillende stapels), ontdekten de onderzoekers enkele verrassende patronen:

De "Lage Verkeer" Valstrik: Je zou denken dat drukke wegen het gevaarlijkst zijn, maar het op één na hoogste ongevalspercentage vond plaats op rustige, onbekende wegen met zeer weinig verkeer. Hier was de hoofdschuldige snelheid. Bestuurders op deze rechte, vlakke wegen leken te denken: "Niemand kijkt mee, dus ik ga even lekker hard!" Dit leidde tot veel achterop-botsingen, vooral met betrokkenheid van motorrijders.
De "Cargo Truck" Zone: Een ander hotspot was een specifieke route waar vrachtwagens voor goederenvervoer de grootste boosdoeners waren. De oorzaak? Het negeren van rode stoplichten en verkeersborden op rechte wegen.
De "Slachtoffer" Factor: Wanneer het ging om de meest dodelijke plekken, verschoof het patroon. De hoogst voorspelde sterftecijfers vonden plaats op landelijke wegen waarbij motorrijders en snelheid betrokken waren. De op één na hoogste was in de stad, maar dit keer draaide het allemaal om voetgangers die werden geraakt, vaak door dronken rijden of mensen die voor auto's afsnijden.

Het "Wat Als" Spel (En Wat Het Niet Is)
De onderzoekers gebruikten een "Decision Tree" (wat een stroomdiagram is van "als dit, dan dat") om precies uit te zoeken welke omstandigheden leidden tot deze crashes. Ze ontdekten bijvoorbeeld dat als een weg recht is, geen helling heeft en er een motorrijder bij betrokken is, het ongevalsrisico omhoog schiet.

Het Oordeel: Een Kaart, Geen Toverstaf
De paper suggereert dat dit nieuwe framework een krachtig hulpmiddel is voor stadsplanners. Het is geen toverstaf die alle crashes direct stopt. In plaats daarvan is het een high-tech kaart die zegt: "Hé, als je op deze specifieke rechte wegen snelheids-camera's plaatst, of als je motorrijders in deze specifieke landelijke gebieden leert om betere bescherming te dragen, kun je misschien levens redden."

De auteurs zijn voorzichtig in hun bewoordingen en zeggen dat hoewel hun model beter is dan de oude, het nog steeds leert. Ze suggereren dat als ze in de toekomst videobeelden van gezichten en gedrag van bestuurders zouden kunnen toevoegen, de detective nog slimmer zou kunnen worden. Voor nu hebben ze echter bewezen dat het combineren van big data met geavanceerde AI ons helpt de onzichtbare patronen die tot ongelukken leiden te zien, waardoor we een betere kans hebben om ze te oplossen voordat ze gebeuren.

Technische Samenvatting: Het voorspellen van verkeersongelukken en slachtoffers met Transformer-gebaseerde modellen en Big Data

Probleemstelling
Verkeersveiligheid op de weg blijft een kritieke uitdaging voor de volksgezondheid, met name in metropolen zoals Bangkok, Thailand, die te maken heeft met hoge aantallen ongevallen en slachtoffers. Hoewel deep learning veelbelovend is gebleken bij het voorspellen van ongevallen, richten bestaande modellen zich vaak op specifieke soorten ongevallen (bijv. achterbotsingen) of falen ze om complexe ruimtelijke en temporele heterogeniteit adequaat te integreren. Er is behoefte aan een schaalbaar kader dat zowel de frequentie van ongevallen als het aantal slachtoffers gezamenlijk voorspelt door een breed scala aan variabelen te integreren—inclusief verkeersvolume, omgevingsfactoren, menselijk gedrag en voertuigcompositie—om zo op bewijs gebaseerde intelligentie te bieden voor gerichte beleidsinterventies.

Methodologie
De studie stelt een uitgebreid kader voor dat big data-analyse integreert met geavanceerde deep learning-architecturen. De methodologie bestaat uit drie primaire fasen:

Data-integratie en Preprocessing:
- Datasets: De studie combineert een overheidsdataset van 9.729 gegevens over verkeersongevallen (januari 2019–juli 2024) met verkeersvolumegegevens van 387 meetstations.
- Kenmerken: De predictorvector ( $X_i$ ) bevat 37 dimensies, gecategoriseerd in temporele attributen, ruimtelijke/route-informatie, betrokkenheid van voertuigen/mensen en variabelen gerelateerd aan slachtoffers.
- Clustering: Ongesuperviseerde K-means clustering wordt toegepast op de verkeersvolumedata om 10 onderscheidende verkeersdichtheidclusters te identificeren. Deze stap legt de ruimtelijke heterogeniteit vast en maakt analyse van ongevallenpatronen onder variërende verkeersomstandigheden mogelijk.
Modelleringsbenaderingen:
De studie evalueert negen modellen, met een specifieke focus op twee nieuwe deep learning-architecturen:
- Spatio-Temporal Parallel Transformer (STPT): Deze architectuur integreert Transformer-encoders en Graph Convolutional Networks (GCN's) parallel. Het maakt gebruik van een self-attention mechanisme om langetermijn-temporele afhankelijkheden te vangen en grafische structuren om ruimtelijke correlaties tussen knooppunten (bijv. nabijheid van breedtegraad/lengtegraad) te modelleren. De output is een gewogen fusie van ruimtelijke en temporele kenmerken, gestuurd door een leerbare coëfficiënt $\alpha$ .
- Graph Neural Network (GNN): Dit model representeert wegsegmenten als knooppunten en leert relaties via message passing op een graaf die is gedefinieerd door geografische nabijheid of verkeersgelijkenis. Het aggregeert informatie van naburige knooppunten om gelokaliseerde ruimtelijke afhankelijkheden te modelleren.
- Baseline Modellen: Voor vergelijking bevat de studie Gradient Boosting, Decision Trees, XGBoost, LightGBM, Random Forest, Lineaire Regressie, Support Vector Regression (SVR) en standaard Neurale Netwerken.
Analyse en Interpretatie:
- De prestaties van het model worden geëvalueerd met behulp van Mean Squared Error (MSE), Mean Absolute Error (MAE) en Area Under the Receiver Operating Characteristic Curve (AUC-ROC).
- Decision Tree-analyse wordt toegepast op de geclusterde data om specifieke condities te identificeren (bijv. verkeersvolume, voertuigtype, weggeometrie) die leiden tot hoge ongevallen- en slachtofferaantallen.
- Geospatiale hotspot-mapping wordt gebruikt om risicovolle corridors te visualiseren.

Belangrijkste Bijdragen

Toepassing van een Nieuwe Architectuur: De studie vult een onderzoeksgat door de Spatio-Temporal Parallel Transformer (STPT) toe te passen op het voorspellen van zowel het voorkomen van ongevallen als het aantal slachtoffers, waarmee het verder gaat dan enkelvoudige ongevallentypes.
Uitgebreide Integratie van Variabelen: In tegenstelling tot eerdere studies analyseert dit kader gezamenlijk 37 variabelen over ruimtelijke, temporele, gedragsmatige en omgevingsdimensies.
Inzicht op basis van Clustering: Door K-means clustering te integreren met voorspellende modellering, onthult de studie hoe ongevallenpatronen significant verschillen per verkeersdichtheidsniveau, waarbij specifieke clusters met abnormaal hoge ongevallen- of slachtofferaantallen worden geïdentificeerd.
Actiegericht Beleidskader: Het onderzoek vertaalt modeloutputs naar specifieke, gerichte mitigatiestrategieën voor geïdentificeerde hotspots, zoals snelheidshandhaving op rechte wegen of maatregelen voor voetveiligheid.

Resultaten

Voorspellende Prestaties: Het STPT-model behaalde de laagste Mean Squared Error (MSE = 0,0009) en presteerde beter dan alle andere modellen bij het voorspellen van het aantal slachtoffers. De auteurs merken echter op dat het model slachtoffers in zeldzame, ernstige gebeurtenissen onderschatte vanwege de klassenimbalans in de dataset.
Classificatievermogen: De Gradient Boosting Regressor vertoonde de hoogste onderscheidende kracht met een AUC van 0,8405, gevolgd door de GNN (AUC = 0,8103). Het STPT-model vertoonde een matig classificatievermogen (AUC = 0,7783).
Patroonontdekking:
- Temporele Trends: Ongevallenpercentages pieken tijdens de spits op werkdagen (8–9 AM, 4–5 PM) en tijdens vakantieperiodes (december/januari).
- Clusteranalyse: Clusters 5 en 6 vertoonden de hoogste ongevallenpercentages, terwijl Cluster 9 het hoogste aantal slachtoffers vertoonde.
- Hotspot Details:
  - Op één na hoogste ongevallenpercentage: Geassocieerd met laag verkeersvolume, onbekende routes, motorfietsen, te hoge snelheid en achterbotsingen op rechte wegen.
  - Hoogste slachtofferaantal: Gelinkt aan landelijke wegen, motorfietsen, te hoge snelheid en rechte wegen met hellingen.
  - Slachtoffers voetgangers: Gecorreleerd met rijden onder invloed, nalatigheid en botsingen met voertuigen met een laadbak op rechte wegen.

Significantie en Claims
Het artikel beweert dat het voorgestelde kader een overdraagbare en schaalbare aanpak biedt voor de beoordeling van de verkeersveiligheid in stedelijke gebieden. Door gebruik te maken van big data en deep learning, demonstreert de studie het vermogen om risicovolle condities en verborgen patronen te identificeren die traditionele statistische methoden mogelijk missen. De auteurs stellen dat deze op bewijs gebaseerde intelligentie gerichte interventies mogelijk maakt—zoals verbeteringen aan de infrastructuur, handhaving van snelheid en publieke bewustwordingscampagnes—wat uiteindelijk bijdraagt aan de vermindering van verkeersgerelateerd letsel en slachtoffers. De studie benadrukt dat hoewel de modellen een hoge voorspellende nauwkeurigheid vertonen, toekomstig werk zich moet richten op klassenimbalans en de integratie van multimodale data (bijv. visuele stromen) om proactieve veiligheidsmaatregelen verder te verbeteren.

Meer zoals dit