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

每天，都有数百万人从路缘石跨步踏入街道，信任着司机能够看到他们并停下脚步。然而，在美国各地的城市中，这种信任经常被打破。当行人不在等待安全间隙的情况下过马路，或者忽视了信号灯，而车辆未能让行时，其结果往往是悲剧。这些“未让行”事件并非随机发生的事故；它们基于行人站立的位置、一天中的时间以及驾驶员的身份，遵循着特定的模式。几十年来，安全专家一直试图通过手动审查警察报告或观看视频资料来理解这些瞬间，但这些方法速度缓慢，且难以处理如今庞大的数据量。问题在于：我们能否利用海量的交通记录档案来揭示支配这些危险交互的隐藏规则，并且我们能否以一种不仅解释发生了什么、更解释了为什么会发生碰撞的方式来实现这一点？

德克萨斯州立大学的研究小组致力于通过转向一种新型的计算机智能来回答这个问题。他们收集了来自美国致命交通事故详细记录的国家数据库——致命事故分析报告系统（FARS）的数据，涵盖了2016年至2023年间美国境内每一场致命交通事故。研究人员并没有试图预测一个单一的数字（如死亡总数），而是要求计算机根据撞击瞬间行人的移动方式将这些悲剧事件分为特定的类别。他们使用了一种被称为“行人与自行车碰撞分析工具”的分类系统，该系统将碰撞细分为不同的类型，例如从左侧穿越、从右侧穿越、以异常方向穿越或以未知方向穿越。通过将这些数据输入到一个名为AutoGluon的自动化机器学习系统中，研究人员让计算机构建自己的模型，以寻找区分这些不同碰撞类型最准确的方法。

计算机并非仅仅在猜测，它在学习。在测试了数十种不同的数学方法后，系统最终选择了名为LightGBM的方法，证明其最为准确。该模型在对其测试的致命案例中，正确识别了接近80%的行人动作类型。更重要的是，研究人员没有将计算机作为一个仅给出答案而不提供解释的“黑箱”。他们使用了一种名为SHAP的技术，该技术就像一个放大镜，用于观察模型内部并查看哪些因素在推动预测向某一方向偏移。这揭示了发生碰撞的年份、行人的精确位置、道路类型以及驾驶员的年龄是决定碰撞如何发生的关键线索。

当研究人员仔细观察结果时，不同的故事浮现了出来。对于行人从左侧穿越的碰撞，计算机显示最关键的因素是行人的位置。这些事件与人们在街区中间（远离标记的人行横道）穿越密切相关，在那里，驾驶员并不会预料到他们的出现。分析还强调，老年驾驶员在这些场景中尤其脆弱，这可能是因为面对突然且意想不到的侧向出现的人时，他们的反应时间会变慢。

对于涉及行人从右侧穿越的碰撞，情况则有所不同。在这里，驾驶员的年龄再次发挥了重要作用，但车辆类型和一天中的时间也同样重要。数据表明，这些碰撞通常发生在驾驶员进行右转时，这种操作需要同时观察多个方向。计算机的分析指出，驾驶员往往未能扫描行人可能出现的区域，尤其是当视线被汽车自身的支柱遮挡，或者道路设计包含允许车辆无需完全停止即可转弯的匝道时。在这种情况下，驾驶员的注意力被分散，行人直到为时已晚才出现在盲区中。

对于最令人困惑的类别，即行人方向不明或异常的情况，模式指向了高龄行人以及低能见度。这些碰撞频繁发生在深夜或恶劣天气下，且通常远离任何指定的过街点。数据显示，这类事件在冬季月份更为常见，并且往往涉及像SUV这样的大型车辆，这类车辆会阻挡驾驶员观察地面上行人的视线。计算机学到，当行人以不可预测的方式穿越时，黑暗、天气和车辆尺寸的结合构成了一场导致致命错误的“完美风暴”。

这些发现挑战了“所有行人碰撞都是同类事件”的观点。相反，它们表明每种类型的穿越失败都有其独特的诱因。由街区中间的乱穿马路者引起的碰撞，其驱动因素与由右转时出现的行人引起的碰撞截然不同。这种区分对于安全规划者至关重要。它表明，单一的解决方案（如绘制更多的人行横道）并不能解决所有问题。为了真正挽救生命，城市可能需要重新设计特定的交叉路口以改善转弯驾驶员的视线，安装更好的夜间过街照明，并为可能难以快速应对意外行人的老年驾驶员提供针对性的教育计划。

通过利用自动化学习来筛选多年的致命碰撞数据，这项研究已经超越了简单的统计学，揭示了危险的具体机制。它证明了借助正确的工具，我们可以理解导致悲剧发生的精确条件。这项研究并不提供魔术般的解决方案，但它提供了一张清晰的风险地图。它表明，安全不仅仅是遵守规则，更是要理解在碰撞发生前的刹那间，人类行为、车辆设计和道路几何结构之间复杂的舞蹈。凭借这些知识，工程师和决策者终于可以开始建造不仅能保障日常平均水平安全，而且在情况出错时仍能保护最脆弱人群的韧性街道。