💻 computer science

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

Este estudo propõe uma estrutura escalável e impulsionada por big data utilizando um Transformer Paralelo Espaço-Temporal (STPT) e técnicas de agrupamento para prever com precisão acidentes de trânsito e fatalidades em Bangkok, permitindo, assim, intervenções políticas baseadas em evidências para aumentar a segurança rodoviária urbana.

Autores originais: Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

Publicado 2026-07-14

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine as estradas de Bangkok como um jogo de pega-pega gigante e caótico, jogado por milhões de carros, motocicletas e pedestres todos os dias. Às vezes, o jogo corre perfeitamente; outras vezes, os jogadores colidem uns com os outros e, infelizmente, alguns não conseguem se levantar. Uma equipe de pesquisadores decidiu parar de jogar "quem é quem" e, em vez disso, construiu um detetive digital superinteligente para descobrir exatamente quando e onde esses acidentes têm maior probabilidade de acontecer e o quão graves eles podem ser.

O Kit de Ferramentas do Detetive: Uma Bola de Cristal Feita de Matemática
Em vez de apenas olhar para um mapa e adivinhar, a equipe alimentou seu detetive com um enorme banquete de dados: 10.163 registros de acidentes de 2019 a 2024, contagens de tráfego de 387 pontos diferentes, relatórios meteorológicos e até os tipos específicos de veículos envolvidos. Eles não usaram apenas um cérebro; construíram toda uma equipe de cérebros digitais.

O jogador estrela foi um novo tipo de IA chamada Transformer (especificamente, um Transformer Paralelo Espaço-Temporal, ou STPT). Pense neste modelo como um bibliotecário superorganizado que consegue ler todos os livros da biblioteca ao mesmo tempo, percebendo como uma história em uma seção se conecta a uma história em outra seção a quilômetros de distância. Ele olhou tanto para o tempo (quando o acidente aconteceu) quanto para o espaço (onde ele aconteceu) simultaneamente.

A Grande Revelação: O Que os Dados Realmente Dizem
Os resultados foram bem interessantes, mas vieram com algumas ressalvas importantes.

O Melhor Detetive: O modelo Transformer foi o melhor em prever o número de acidentes e fatalidades, cometendo menos erros em comparação com métodos mais antigos, como equações matemáticas padrão ou IAs mais simples. No entanto, o artigo observa que, como acidentes fatais são raros (como encontrar uma agulha no palheiro), o modelo às vezes subestimou o número de mortes. Ele é ótimo em dizer "nada de ruim vai acontecer", mas é um pouco tímido ao prever os desastres grandes e raros.
O Segundo Lugar: Um modelo chamado Gradient Boosting também foi um forte concorrente. Ele foi muito bom em distinguir entre uma batida leve e um acidente grave, agindo como um árbitro de olhos atentos.
O Que Eles Descartaram: O estudo mostrou explicitamente que modelos mais antigos e simples (como a Regressão Linear básica) não eram tão bons em detectar os padrões complexos nesses dados bagunçados. Eles também descobriram que olhar apenas para o volume de tráfego não era suficiente; era necessário misturar o onde a estrada estava, como estava o clima e quem estava dirigindo.

As "Zonas Quentes": Onde o Perigo se Esconde
Ao agrupar a cidade em 10 diferentes "clusters de densidade de tráfego" (como organizar um quarto bagunçado em 10 pilhas diferentes), os pesquisadores encontraram padrões surpreendentes:

A Armadilha do "Baixo Tráfego": Você pode pensar que as estradas movimentadas são as mais perigosas, mas a segunda maior taxa de acidentes ocorreu em estradas tranquilas e desconhecidas, com pouquíssimo tráfego. Aqui, o principal culpado era a velocidade excessiva. Motoristas nessas estradas retas e planas pareciam pensar: "Ninguém está vigiando, então vou acelerar!". Isso levou a muitos acidentes traseiros, especialmente envolvendo motocicletas.
A Zona do "Caminhão de Carga": Outro ponto crítico foi uma rota específica onde caminhões de coleta de carga eram os principais causadores de problemas. A causa? Avançar sinais vermelhos e ignorar placas de trânsito em estradas retas.
O Fator "Fatalidade": Quando se tratava dos locais mais mortais, o padrão mudava. As maiores taxas de fatalidade previstas ocorreram em estradas rurais envolvendo motocicletas e excesso de velocidade. A segunda mais alta foi na cidade, mas desta vez, tratava-se de pedestres sendo atropelados, frequentemente devido à direção sob efeito de álcool ou pessoas cortando a frente dos carros.

O Jogo do "E Se" (E o Que Não É)
Os pesquisadores usaram uma "Árvore de Decisão" (que é como um fluxograma de "se isso, então aquilo") para descobrir exatamente quais condições levavam a esses acidentes. Por exemplo, descobriram que se uma estrada é reta, não tem inclinação e uma motocicleta está envolvida, o risco de acidente aumenta drasticamente.

O Veredito: Um Mapa, Não uma Varinha Mágica
O artigo sugere que este novo framework é uma ferramenta poderosa para planejadores urbanos. Não é uma varinha mágica que interrompe todos os acidentes instantaneamente. Em vez disso, é um mapa de alta tecnologia que diz: "Ei, se você colocar câmeras de velocidade nestas estradas retas específicas, ou se ensinar os motociclistas a usar equipamentos melhores nessas áreas rurais específicas, você pode salvar vidas".

Os autores são cuidadosos ao dizer que, embora seu modelo seja melhor que os antigos, ele ainda está aprendendo. Eles sugerem que, no futuro, se pudessem adicionar filmagens de rostos e comportamentos de motoristas, o detetive poderia ficar ainda mais inteligente. Por enquanto, porém, eles provaram que misturar big data com IA sofisticada pode nos ajudar a ver os padrões invisíveis que levam a acidentes, dando-nos uma chance melhor de corrigi-los antes que aconteçam.

Resumo Técnico: Predição de Acidentes de Trânsito e Fatalidades com Modelos Baseados em Transformer e Big Data

Definição do Problema
A segurança no trânsito rodoviário continua sendo um desafio crítico de saúde pública, particularmente em áreas metropolitanas como Bangkok, Tailândia, que apresenta altas taxas de acidentes e fatalidades. Embora o aprendizado profundo (deep learning) tenha mostrado potencial na predição de acidentes, os modelos existentes frequentemente focam em tipos específicos de acidentes (ex: conflitos de colisão traseira) ou falham em integrar adequadamente a heterogeneidade espacial e temporal complexa. Há uma necessidade de um framework escalável que preveja conjuntamente a frequência de acidentes e a contagem de fatalidades, incorporando uma ampla gama de variáveis — incluindo volume de tráfego, condições ambientais, comportamento do motorista e composição de veículos — para fornecer inteligência baseada em evidências para intervenções políticas direcionadas.

Metodologia
O estudo propõe um framework abrangente que integra análise de big data com arquiteturas avançadas de aprendizado profundo. A metodologia envolve três estágios primários:

Integração e Pré-processamento de Dados:
- Conjuntos de Dados: O estudo combina um conjunto de dados governamentais de 9.729 registros de acidentes de trânsito (janeiro de 2019 – julho de 2024) com dados de volume de tráfego de 387 estações de monitoramento.
- Recursos (Features): O vetor preditor ( $X_i$ ) inclui 37 dimensões categorizadas em atributos temporais, informações espaciais/de rota, medidas de envolvimento de veículos/humanos e variáveis relacionadas a vítimas.
- Agrupamento (Clustering): O agrupamento não supervisionado K-means é aplicado aos dados de volume de tráfego para identificar 10 clusters distintos de densidade de tráfego. Esta etapa captura a heterogeneidade espacial e permite a análise de padrões de acidentes sob variadas condições de tráfego.
Abordagens de Modelagem:
O estudo avalia nove modelos, com foco específico em duas arquiteturas inovadoras de aprendizado profundo:
- Transformer Paralelo Espaço-Temporal (STPT): Esta arquitetura integra codificadores Transformer e Redes Convolucionais de Grafos (GCNs) em paralelo. Utiliza um mecanismo de autoatenção para capturar dependências temporais de longo alcance e estruturas de grafos para modelar correlações espaciais entre nós (ex: proximidade de latitude/longitude). O resultado é uma fusão ponderada de características espaciais e temporais controlada por um coeficiente aprendível $\alpha$ .
- Rede Neural de Grafos (GNN): Este modelo representa segmentos de estrada como nós e aprende relações via passagem de mensagens em um grafo definido por proximidade geográfica ou similaridade de tráfego. Ele agrega informações de nós vizinhos para modelar dependências espaciais localizadas.
- Modelos de Referência (Baselines): Para comparação, o estudo inclui Gradient Boosting, Árvores de Decisão, XGBoost, LightGBM, Random Forest, Regressão Linear, Regressão de Vetores de Suporte (SVR) e Redes Neurais padrão.
Análise e Interpretação:
- O desempenho do modelo é avaliado usando Erro Quadrático Médio (MSE), Erro Absoluto Médio (MAE) e Área Sob a Curva de Característica de Operação do Receptor (AUC-ROC).
- A análise de Árvore de Decisão é empregada nos dados agrupados para identificar condições específicas (ex: volume de tráfego, tipo de veículo, geometria da estrada) que levam a altas taxas de acidentes e fatalidades.
- O mapeamento de hotspots geoespaciais é utilizado para visualizar corredores de alto risco.

Principais Contribuições

Aplicação de Arquitetura Inovadora: O estudo preenche uma lacuna de pesquisa ao aplicar o Transformer Paralelo Espaço-Temporal (STPT) para prever tanto a ocorrência de acidentes quanto as taxas de fatalidade, indo além da predição de um único tipo de acidente.
Integração Abrangente de Variáveis: Diferente de estudos anteriores, este framework analisa conjuntamente 37 variáveis através de dimensões espaciais, temporais, comportamentais e ambientais.
Insight Baseado em Clusters: Ao integrar o agrupamento K-means com a modelagem preditiva, o estudo revela como os padrões de acidentes diferem significativamente entre os níveis de densidade de tráfego, identificando clusters específicos com taxas anormalmente altas de acidentes ou fatalidades.
Framework de Políticas Acionáveis: A pesquisa traduz os outputs dos modelos em estratégias de mitigação específicas e direcionadas para os hotspots identificados, como fiscalização de velocidade em estradas retas ou medidas de segurança para pedestres.

Resultados

Desempenho Preditivo: O modelo STPT alcançou o menor Erro Quadrático Médio (MSE = 0,0009), superando todos os outros modelos na predição de taxas de fatalidade. No entanto, os autores observam que o modelo subestimou fatalidades em eventos raros de alta severidade devido ao desequilíbrio de classes no conjunto de dados.
Capacidade de Classificação: O Gradient Boosting Regressor demonstrou o maior poder discriminativo com um AUC de 0,8405, seguido pela GNN (AUC = 0,8103). O modelo STPT mostrou um desempenho de classificação moderado (AUC = 0,7783).
Descoberta de Padrões:
- Tendências Temporais: As taxas de acidentes atingem o pico durante os horários de pico dos dias úteis (8–9 AM, 4–5 PM) e períodos de feriados (dezembro/janeiro).
- Análise de Clusters: Os Clusters 5 e 6 exibiram as maiores taxas de acidentes, enquanto o Cluster 9 apresentou a maior taxa de fatalidade.
- Especificidades de Hotspots:
  - Segunda Maior Taxa de Acidentes: Associada a baixo volume de tráfego, rotas desconhecidas, motocicletas, excesso de velocidade e colisões traseiras em estradas retas.
  - Maior Taxa de Fatalidade: Ligada a estradas rurais, motocicletas, excesso de velocidade e estradas retas com declives.
  - Fatalidades de Pedestres: Correlacionadas com direção sob influência de álcool, negligência e colisões envolvendo caminhonetes de carga em estradas retas.

Significância e Alegações
O artigo afirma que o framework proposto oferece uma abordagem transferível e escalável para a avaliação da segurança rodoviária urbana. Ao alavancar big data e aprendizado profundo, o estudo demonstra a capacidade de identificar condições de alto risco e padrões ocultos que métodos estatísticos tradicionais podem perder. Os autores sustentam que esta inteligência baseada em evidências permite intervenções direcionadas — tais como melhorias de infraestrutura, fiscalização de velocidade e campanhas de conscientização pública — contribuindo, em última análise, para a redução de ferimentos e fatalidades relacionadas ao trânsito. O estudo enfatiza que, embora os modelos apresentem alta precisão preditiva, trabalhos futuros devem abordar o desequilíbrio de classes e integrar dados multimodais (ex: fluxos visuais) para aumentar ainda mais as medidas de segurança proativas.

Mais como este