Forecasting the Emergence and Evolution of Crash Hotspots: A Unified Deep Learning Framework for Proactive Traffic Safety

Resumo Técnico: Previsão da Emergência e Evolução de Pontos Críticos (Hotspots)

Definição do Problema
Acidentes de trânsito continuam sendo uma ameaça crítica à segurança pública, com danos desproporcionalmente concentrados em "pontos críticos" (hotspots). O gerenciamento tradicional da segurança no trânsito baseia-se em mapeamento retrospectivo (ex: estimativa de densidade de kernel), que agrega dados ao longo de horizontes temporais longos. Essa abordagem sofre de um atraso temporal: ela identifica onde os acidentes ocorreram, mas falha em antecipar onde os riscos estão emergindo ou como os pontos críticos existentes estão evoluindo. Além disso, os dados de acidentes são inerentemente esparsos, sobرdispersos e altamente desbalanceados, particularmente em áreas rurais, o que desestabiliza preditores ingênuos. Os modelos de aprendizado profundo existentes frequentemente otimizam campos de risco suavizados, apagando a estrutura geométrica dos pontos críticos, ou falham em fornecer o rastreamento interpretável do ciclo de vida (nascimento, crescimento, estabilidade, declínio, morte) necessário para intervenções proativas. O desafio central é desenvolver um framework unificado que detecte simultaneamente pontos críticos emergentes, foresteje sua distribuição espacial de curto prazo e rastreie sua evolução, mantendo a precisão tanto em regimes urbanos densos quanto em regimes rurais esparsos.

Metodologia: O Framework HERALD
Os autores propõem o HERALD (Hotspot Emergence, Risk Anticipation, and Life-cycle Dynamics), um framework de aprendizado profundo unificado projetado para operar como um modelo estadual único. O pipeline consiste em três estágios integrados:

1. Construção de Grade Espaço-Temporal:

   • Registros brutos de acidentes são discretizados em células de grade uniformes de $50 \times 50$ por condado.
   • Tensores de entrada são construídos empilhando as $k=4$ janelas semanais mais recentes.
   • A entrada multicanal inclui: (i) contagens de lesões estratificadas por severidade (níveis K, A, B, C, O); (ii) embeddings de ciclicidade temporal (hora do dia, dia da semana); (iii) um campo de cluster suavizado por Gauss derivado de DBSCAN; e (iv) um mapa de exposição estática baseado no histórico de acidentes de longo prazo.

2. Rede de Previsão Espaço-Temporal:

   • Encoder: Um codificador convolucional de squeeze-and-excitation (SE) extrai características locais de cada janela histórica.
   • Mecanismo de Atenção: Um transformador axial fatorado propaga o contexto espaço-temporal ao longo de linhas, colunas e passos de tempo separadamente, reduzindo a complexidade computacional de quadrática para linear em relação ao tamanho da grade.
   • Mistura de Especialistas Baseada em Regime (MoE): Um roteador leve direciona as características para uma rede especialista "urbana densa" ou "rural esparsa" com base na densidade local e nos embeddings do condado. Isso permite que um único modelo se especialize para diferentes regimes de acidentes sem necessidade de retreinamento por localidade.
   • Cabeça de Saída Estruturada: A rede prevê uma saída estruturada para a próxima semana, decompondo o campo de intensidade em:
     • Risco de Fundo: Ancorado multiplicativamente ao mapa de exposição estática do condado.
     • Autoexcitação: Um termo estilo Hawkes que captura o agrupamento de repetição próxima (near-repeat) de acidentes recentes.
     • Distribuição: Modelada via verossimilhança binomial negativa com inflação de zeros (ZINB) para lidar com a sobredispersão e esparsidade.
   • Cabeças Auxiliares: Cabeças dedicadas preveem centroides de hotspots, probabilidades de emergência por célula (para células historicamente silenciosas) e estados de mudança em nível de bloco (resfriamento, estável, aquecimento, emergência).

3. Rastreamento do Ciclo de Vida de Hotspots:

   • Um esquema de correspondência de custo mínimo (algoritmo de Hungarian) vincula clusters através de janelas temporais com base na distância do centroide e similaridade de Jaccard de invólucros convexos (convex hulls).
   • Clusters correspondidos são atribuídos a fases discretas do ciclo de vida: Nascimento, Crescimento, Estabilidade, Declínio ou Morte.
   • Isso transforma previsões brutas em trajetórias interpretáveis, distinguindo picos passageiros de ameaças sustentadas.

Principais Contribuições

• Arquitetura Unificada: O HERALD integra detecção, previsão e rastreamento de ciclo de vida em um único modelo, eliminando a fragmentação de ferramentas separadas.
• Especialização de Regime: O MoE roteado por regime permite que um único modelo estadual lide com a heterogeneidade de núcleos urbanos densos e corredores rurais esparsos de forma eficaz.
• Previsão Ancorada: Ao ancorar as previsões a um mapa de exposição estática e usar um termo de autoexcitação estilo Hawkes, o modelo garante plausibilidade física e captura o fenômeno de "repetição próxima" sem alucinar risco em áreas tranquilas.
• Interpretabilidade: O framework fornece saídas geométricas explícitas (centroides, clusters) e rótulos de ciclo de vida, indo além de pontuações de risco opacas para inteligência acionável.

Resultados Experimentais
O framework foi avaliado em um corpus de acidentes de três anos (2018–2020) em seis condados heterogêneos de Wisconsin (variando de alta densidade urbana em Milwaukee a esparsidade rural em Chippewa).

• Precisão de Previsão: O HERALD alcançou o menor erro em nível de grade (MAE: 0,0215, RMSE: 0,1703) entre cinco baselines treinados identicamente (CNN, RNN, LSTM, Transformer, GNN).
• Localização de Hotspots: Demonstrou localização superior de hotspots, alcançando o maior F1 score (0,409) e o menor deslocamento de centroide (0,644 km). Superou as baselines particularmente em condados urbanos densos (Dane e Milwaukee).
• Rastreamento de Ciclo de Vida: O modelo alcançou 62% de precisão na classificação de fases em pares de continuação correspondidos, superando todas as baselines. Mostrou força particular na identificação das fases estável e de declínio, que são críticas para o planejamento operacional.
• Valor Operacional: Em testes de "eficiência de patrulhamento", o HERALD capturou 62,8% das lesões da semana seguinte dentro dos 5% das células patrulhadas. Crucialmente, sua "cabeça de nascimento" sinalizou com sucesso 11,3% das lesões emergentes (ocorrendo em células anteriormente livres de acidentes) dentro do 1% superior de células classificadas, uma capacidade que mapas estáticos não possuem.

Significância e Alegações
O artigo afirma que o HERALD avança o gerenciamento da segurança no trânsito da mapeamento retrospectivo para a previsão proativa e interpretável de risco de acidentes. Ao unificar detecção, previsão e rastreamento, o framework aborda o atraso operacional inerente às práticas atuais. Os autores enfatizam que o modelo não apenas prevê a intensidade, mas fornece uma "conta do ciclo de vida" que separa picos passageiros de ameaças sustentadas, permitindo que os profissionais cronometrem as intervenções de forma eficaz. O framework é apresentado como uma solução escalável em nível estadual que permanece robusta através de diversos regimes geográficos e de tráfego, oferecendo um equilíbrio calibrado entre precisão de grade e sensibilidade de detecção com base nas prioridades de implementação. O trabalho posiciona-se como um passo em direção ao objetivo "Vision Zero" de antecipar e prevenir acidentes antes que o dano ocorra.