Австралийские ученые научились предсказывать опасные участки дорог по данным подключенных автомобилей

Традиционно системы безопасности дорожного движения работают реактивно: анализируют статистику уже произошедших аварий, чтобы затем устанавливать знаки, камеры или ограничения скорости. Такой подход опаздывает — он фиксирует последствия, а не предотвращает их. Новое исследование группы австралийских ученых меняет парадигму. Используя данные подключенных автомобилей (Connected Vehicles, CV) и методы машинного обучения, они разработали модель, которая предсказывает так называемые «горячие точки» рискованного вождения — места, где с высокой вероятностью может произойти ДТП, ещё до того, как там случится первая авария.

Что произошло

В статье «Proactive Road Safety Intervention in Australia: Predicting Risky Driving Hotspots from Connected Vehicle Data» (arXiv:2608.16913v1) исследователи из Австралии представили методику, которая объединяет анонимизированные телематические данные тысяч подключенных автомобилей (скорость, ускорение, резкие торможения, углы поворота руля, рыскание) с географическими и временными метками. На основе этих данных алгоритм обучается распознавать паттерны агрессивного или небезопасного вождения, характерные для определённых участков дороги (например, слишком быстрое вхождение в поворот или частая смена полосы). Модель была протестирована на реальных данных из нескольких штатов Австралии и показала способность предсказывать будущие «горячие точки» (hotspots) с точностью до 85% по сравнению с последующими записями о ДТП.

Почему это важно

Возможность предвидеть опасные зоны до того, как в них произойдёт авария, кардинально меняет подход к дорожной безопасности. Вместо того чтобы ждать, пока на конкретном перекрёстке соберётся статистика смертельных случаев, дорожные службы могут заранее усилить инфраструктуру — установить дополнительные знаки, изменить разметку, улучшить освещение или скорректировать режим работы светофоров. Кроме того, такой проактивный мониторинг позволяет выявлять не только инфраструктурные проблемы, но и поведенческие факторы: например, водители могут систематически нарушать скоростной режим в определённое время суток на конкретном участке. Это делает возможным адресные информационные кампании или даже автоматическое адаптивное управление дорожным движением.

Что дальше

Исследователи подчёркивают, что их метод — лишь первый шаг. В планах — интеграция модели в реальные системы управления дорожным движением Австралии, а также адаптация алгоритма для других стран с учётом местных особенностей дорожной сети и стиля вождения. Дальнейшее развитие предполагает использование данных не только от автомобилей, но и от инфраструктурных датчиков (умные светофоры, камеры), а также внедрение элементов предиктивной аналитики в мобильные приложения для водителей. Если проект будет масштабирован, проактивная безопасность дорожного движения может стать стандартом для умных городов по всему миру.