Neues GNN-Modell prognostiziert Verkehrsunfälle in Städten präziser

Verkehrsunfälle stellen weltweit ein ernstes Gesundheitsproblem dar und fordern jährlich mehr als 1,35 Millionen Menschenleben. Traditionelle Vorhersagemodelle betrachten Straßensegmente oft isoliert und vernachlässigen dabei die komplexen räumlichen Beziehungen und zeitlichen Abhängigkeiten in städtischen Verkehrsnetzen.

In einer aktuellen Studie wurde das Modell MDAS‑GNN entwickelt – ein Multi‑Dimensional Attention‑based Spatial‑Diffusion Graph Neural Network, das drei zentrale Risikodimensionen integriert: Verkehrssicherheit, Infrastruktur und Umweltfaktoren. Durch räumlich differenzierte Diffusionsmechanismen und mehrköpige zeitliche Aufmerksamkeit erfasst das System Abhängigkeiten über verschiedene Zeithorizonte hinweg.

Die Evaluation erfolgte anhand von Unfallstatistiken des britischen Department for Transport für zentrale London, Süd-Manchester und Südost-Birmingham. MDAS‑GNN übertraf etablierte Basismethoden in allen Zeitfenstern – kurz-, mittel- und langfristig – und zeigte besonders starke Leistungen bei langfristigen Prognosen.

Abschlusstests bestätigten, dass die Kombination mehrerer Risikodimensionen die Genauigkeit um bis zu 40 % verbessert im Vergleich zu Modellen, die nur einzelne Merkmale nutzen. Das Ergebnis liefert Ingenieuren und Stadtplanern ein leistungsfähiges Werkzeug, um Verkehrsnetzwerke datenbasiert zu optimieren, Infrastrukturressourcen gezielt zu verbessern und strategische Sicherheitsmaßnahmen in urbanen Entwicklungsprojekten zu planen.