Les données des véhicules connectés permettent la détection précoce des zones à risque d'accidents à Sydney

Des recherches récentes en Australie ont appliqué des données de véhicules connectés et des méthodes statistiques avancées pour identifier des lieux à Sydney présentant un risque élevé d'incidents de circulation avant que les accidents ne se produisent. Ces études se concentrent sur l'utilisation d'événements de quasi-accidents et de télémétrie de conduite à risque pour soutenir les efforts proactifs de sécurité routière.

Une étude a examiné les modèles spatiaux des événements de quasi-accidents et des points noirs d'accidents historiques à Sydney en utilisant des données de véhicules connectés. Les chercheurs ont appliqué des techniques statistiques spatiales pour déterminer où les clusters de quasi-accidents se chevauchaient avec des zones d'accidents fréquents, fournissant une méthode pour classer les lieux en fonction de l'occurrence conjointe d'événements à risque et d'accidents passés.

S'appuyant sur ce travail, une étude ultérieure a analysé la télémétrie de plus de 700 000 véhicules à travers la Nouvelle-Galles du Sud, collectée entre avril 2020 et décembre 2021. Les données comprenaient des mesures de freinages brusques, de virages serrés et d'accélérations rapides, avec les 1 % d'événements les plus extrêmes exclus pour maintenir la cohérence de l'analyse.

Cette recherche a catégorisé les zones en quatre types basés sur les comptes d'accidents et de quasi-accidents : Haut-Haut, Haut-Bas, Bas-Haut et Bas-Bas. Les études ont systématiquement identifié le quartier central des affaires de Sydney, Parramatta et Bankstown comme des lieux présentant des comportements de conduite à risque persistants.

Ce que les chiffres montrent

• La télémétrie de plus de 700 000 véhicules a été analysée pour des modèles de conduite à risque.
• Le freinage brusque a été défini comme des événements dépassant 0,6 g, les virages serrés au-dessus de 0,47 g, et l'accélération brusque au-dessus de 0,5 g.
• ARIMA a atteint une erreur absolue moyenne de 162,21 dans la prévision des comptes de quasi-accidents, suivi de près par LSTM à 163,92.

L'étude prédictive a comparé huit approches de modélisation, y compris des méthodes d'ensemble, l'apprentissage profond et des techniques classiques de séries temporelles. Les résultats ont montré que le modèle ARIMA avait la plus basse erreur absolue moyenne, avec des performances similaires à celles du modèle d'apprentissage profond LSTM et meilleures que celles des méthodes d'ensemble testées.

Des cartes de chaleur spatio-temporelles générées à partir des données ont mis en évidence des points chauds de conduite à risque récurrents dans les zones gouvernementales locales intérieures et occidentales de Sydney. Ces visualisations ont soutenu l'identification des zones où des interventions de sécurité proactives pourraient être prioritaires.

Des recherches antérieures ont établi un lien statistiquement significatif entre les clusters de quasi-accidents et les points noirs d'accidents officiels à Sydney. Cette découverte a validé l'utilisation de la télémétrie de g-force comme indicateur des lieux où des accidents sont plus susceptibles de se produire à l'avenir.

Les études ont conclu que la télémétrie des véhicules connectés peut être utilisée pour soutenir des stratégies proactives de sécurité routière. En identifiant les lieux à risque avant que les accidents ne se produisent, les autorités pourraient être en mesure de mettre en œuvre des interventions ciblées pour réduire les taux d'incidents.

* Cet article est basé sur des informations publiquement disponibles au moment de la rédaction.