Beta-Verteilung: Neue KI bewertet Unfallrisiken zuverlässig

Verkehrsunfälle auf Straßen stellen weltweit eine Gesundheitskrise dar, mit über einer Million Todesfällen pro Jahr und Kosten von bis zu 3 % des Bruttoinlandsprodukts. Traditionelle Sicherheitsstudien analysieren Risikofaktoren oft isoliert und vernachlässigen dabei die räumliche Komplexität und die Wechselwirkungen im gebauten Umfeld.

Herkömmliche neuronale Netzwerke liefern meist nur punktuelle Schätzungen und geben keine Unsicherheit an, was ihre Nützlichkeit in kritischen Entscheidungsprozessen einschränkt. Um diese Lücken zu schließen, wurde ein neues geospatiales Deep‑Learning‑Framework entwickelt, das Satellitenbilder als umfassende räumliche Eingabe nutzt. Dadurch kann das Modell feine räumliche Muster und eingebettete Umweltfaktoren erfassen, die zu tödlichen Unfällen beitragen.

Statt einer einzigen deterministischen Ausgabe schätzt das Modell eine komplette Beta‑Verteilungsfunktion für das tödliche Unfallrisiko. Diese Ansatz liefert präzise, unsicherheitsbewusste Vorhersagen – ein entscheidendes Merkmal für vertrauenswürdige KI in sicherheitskritischen Anwendungen. Im Vergleich zu bestehenden Baselines erzielt das Modell eine Verbesserung der Rückrufrate um 17 – 23 % und bietet gleichzeitig eine überlegene Kalibrierung.

Durch die Bereitstellung zuverlässiger und interpretierbarer Risikoabschätzungen ausschließlich aus Satellitenbildern ermöglicht die Methode sicherere autonome Navigation und stellt ein hoch skalierbares Werkzeug für Stadtplaner und Entscheidungsträger dar, um die Straßenverkehrssicherheit gerecht und kosteneffizient zu erhöhen.