Hybrid-Ansatz prognostiziert sekundäre Unfälle in Echtzeit ohne Nach-Unfall-Daten

Ein neues Forschungsprojekt aus dem Bereich der Verkehrssicherheit hat einen innovativen Ansatz entwickelt, um die Wahrscheinlichkeit von sekundären Unfällen in Echtzeit vorherzusagen – und zwar ohne auf Daten zuzugreifen, die erst nach einem Unfall verfügbar sind. Dieser Fortschritt ist besonders wichtig, weil herkömmliche Modelle stark von Post‑Crash‑Informationen wie Unfalltyp oder Schweregrad abhängen, die in der Praxis zu spät vorliegen.

Der vorgeschlagene hybride Rahmen nutzt ein dynamisches spatiotemporales Fenster, um aktuelle Verkehrsfluss‑ und Umweltparameter von Primärunfallstellen sowie deren vorgelagerte Abschnitte zu extrahieren. Dabei kommen drei spezialisierte Modelle zum Einsatz: ein Primärunfallmodell, das die Wahrscheinlichkeit eines sekundären Unfalls schätzt, und zwei sekundäre Modelle, die die Verkehrslage an der Unfallstelle und in den vorgelagerten Segmenten unter verschiedenen Vergleichsszenarien bewerten.

Zur Steigerung der Vorhersagekraft kombiniert das System sechs unterschiedliche Machine‑Learning‑Algorithmen in einer Ensemble‑Lernstrategie. Ein auf Abstimmung basierendes Verfahren bündelt die Ausgaben der drei Modelle, sodass die Endvorhersage sowohl robust als auch präzise wird. In umfangreichen Tests auf Florida‑Autobahnen konnte das hybride Modell 91 % der sekundären Unfälle korrekt identifizieren, während die Fehlalarmlage lediglich 0,20 % betrug.

Die Leistungskennzahlen zeigen einen deutlichen Fortschritt: Die Fläche unter der ROC‑Kurve (AUC) stieg von 0,654, 0,744 und 0,902 für die einzelnen Modelle auf beeindruckende 0,952 für das kombinierte System. Damit übertrifft die neue Methode frühere Ansätze deutlich und eröffnet neue Möglichkeiten für ein proaktives Verkehrsmanagement, das Unfälle schneller erkennt und verhindert.