Badacze z Australii zaprezentowali nowe podejście do bezpieczeństwa drogowego, które przedtem incydentów zamiast analizować je po fakcie. System wykorzystuje dane z pojazdów połączonych z internetem w Greater Sydney do prognozowania niebezpiecznych sytuacji na drogach na poziomie lokalnych obszarów administracyjnych.
Ryzykowne zachowania kierowców definiowane są przez precyzyjne pomiary przyspieszenia: nagłe hamowanie powyżej 0,6g, ostre skręty powyżej 0,47g i gwałtowne przyspieszenia powyżej 0,5g. Badacze stworzyli mapy pokazujące strefy wysokiego ryzyka i testowali osiem różnych modeli predykcyjnych z trzech kategorii: algorytmy ensemble (Random Forests, XGBoost, LightGBM), sieci neuronowe (LSTM, N-BEATS) oraz klasyczne metody analizy szeregów czasowych (ARIMA, Exponential Smoothing, Prophet).
Wyniki były zaskakujące - tradycyjny model ARIMA osiągnął najlepszy wynik z średnim błędem bezwzględnym 162,21, niemal równy wynikowi zaawansowanej sieci LSTM (163,92) i znacznie lepszy niż modele ensemble. To pokazuje, że gdy dane treningowe są ograniczone, bardziej proste metody mogą być bardziej efektywne niż złożone sieci neuronowe. Badanie identyfikuje wewnętrzne i zachodnie obszary Sydney - CBD, Parramattę i Bankstown - jako strefy o konsekwentnie wysokim ryzyku. Potencjał danych z pojazdów połączonych może zmienić podejście do bezpieczeństwa na drogach, umożliwiając interwencje zanim dojdzie do wypadków i obrażeń.