如果不使用实际碰撞数据，是否可以估计行人碰撞及其严重程度？
制定改善行人安全的对策，尤其是针对严重和非严重事故的针对性措施，对道路管理部门至关重要。然而，这些努力主要依赖于警方报告的事故数据，面临明显的道德问题，阻碍了主动的安全管理。虽然计算机视觉技术可以提供道路使用者的高分辨率轨迹数据，但根本的研究问题是“我们能否在不使用实际碰撞数据的情况下估计行人碰撞及其严重程度？”为了回答这个问题，澳大利亚昆士兰科技大学的研究人员收集了澳大利亚昆士兰州布里斯班信号交叉口的大量行人运动视频数据。
他们在《交通研究通讯》上发表了他们的研究成果。
“我们开发了一种混合模型，根据严重程度估计行人碰撞频率，以研究行人碰撞的决定因素。利用机器学习，通过极值理论识别极端的车辆与行人相互作用，并考虑到碰撞的严重和非严重性质，对其进行建模，”昆士兰科技大学土木与环境工程学院研究员 Fizza Hussain 说道。
评估行人碰撞事故的严重程度
在这项研究中，研究团队发现所开发的模型在按严重程度估计行人碰撞事故发生频率方面表现优异。例如，五年内观察到的平均严重碰撞事故和非严重碰撞事故分别为 2 起和 29 起，而最佳拟合模型的相应预测分别为 2.91 起和 30.91 起。
“过去，我们需要依靠 3 到 5 年的事故统计数据来了解交通设施的事故风险水平。这项研究的结果为我们提供了证据，表明我们现在只需观察一周左右的交通流量，就能准确预测交通设施的事故风险，”交通安全教授 Shimul (Md Mazharul) Haque 表示。
道路管理部门越来越有兴趣根据严重程度预测事故发生频率，以便制定有针对性的应对措施。例如，在信号交叉口，建议的建模结果将提供有关事故发生情况及其严重程度的见解，从而帮助道路管理部门根据严重程度确定其行动的优先顺序。
机器学习在按严重程度估算行人碰撞频率中的作用
机器学习越来越受到重视，但其在交通冲突中估算碰撞频率方面的应用却相当有限。这项研究表明，当使用机器学习来识别危险的行人互动时，碰撞风险预测模型的性能比使用传统（非机器学习）方法提高约三倍。
“这些结果表明，应用机器学习按严重程度估计行人碰撞频率具有优越性。我们希望这项研究能够为未来机器学习在行人安全等重要场景中的应用和制定对策奠定坚实的基础，”计算机科学教授李岳峰说。
页:
[1]