📩 Bleiben Sie auf dem Laufenden über Branchentrends und Vianova Produkt-Updates - abonnieren Sie unseren Newsletter hier!

‍

Die Herausforderung, die Vision Zero zu erreichen

Die Europäische Union hat vor kurzem ihre Statistiken über Zusammenstöße im Jahr 2023 veröffentlicht und bekannt gegeben, dass 20.400 Menschen im Straßenverkehr ums Leben gekommen sind, was einem Rückgang von 1 % entspricht. Auch wenn jeder Todesfall einer zu viel ist, zeigt dies eine grundlegende Herausforderung bei der Planung der Straßenverkehrssicherheit auf: Kollisionen sind zwar verheerend, aber im Vergleich zu den Billionen von gefahrenen Kilometern statistisch gesehen ein seltenes Ereignis.

‍

Dies stellt ein Problem dar, denn für die meisten Verkehrssicherheitsplaner waren Kollisionsdaten der umfassendste Datensatz, der für die Verwirklichung der Vision Zero zur Verfügung stand. Bei "Black Spot"-Analysen beispielsweise wird in der Regel eine konzentrierte Häufung von Kollisionen über einen Zeitraum von mehreren Jahren ermittelt. Sobald die Stelle identifiziert ist, wird sie durch eine Kombination aus physischen und verhaltensbezogenen Veränderungen behandelt.

‍

Diese Technik hat jedoch zwei grundlegende Schwachstellen:

‍

• Erstens wartet sie, bis genügend Ereignisse eingetreten sind, um Maßnahmen auszulösen. Mit anderen Worten, es wird erst gehandelt, wenn mehrere Menschen betroffen sind. Diese Technik ist in anderen Branchen selten zufriedenstellend - wir würden nicht warten, bis sich eine Reihe von Katastrophen in der See- oder Luftfahrt ereignet, bevor wir die Probleme angehen, die sie verursachen.

‍

• Zweitens wird davon ausgegangen, dass der Ort vergangener Kollisionen ein starker Prädiktor für künftige Kollisionen ist und dass der beste Ort für die Zuteilung von Ressourcen der Ort ist, an dem in der Vergangenheit Kollisionen stattgefunden haben.

‍

‍

Das Potenzial von vernetzten Fahrzeugdaten

Das Versprechen und das Potenzial von vernetzten Fahrzeugdaten besteht darin, dass wir Planungsentscheidungen nicht mehr davon abhängig machen, wo kritische Ereignisse stattgefunden haben, sondern dass wir stattdessen Bereiche identifizieren können, in denen sie noch nicht stattgefunden haben. Wenn wir das Verhalten von Fahrern verstehen - ihre überhöhte Geschwindigkeit, ihr Ausweichen, ihr schnelles Bremsen - erhalten wir einen Einblick in die Arten von Infrastruktur und Verhaltensweisen, die zu Kollisionen und Todesfällen führen.

‍

‍

Analyse von Daten über starkes Bremsen zur Vorhersage

Kann die Verwendung von vernetzten Fahrzeugdaten die Qualität eines auf historischen Kollisionen basierenden Ansatzes erreichen oder übertreffen? Wir haben eine Analyse sowohl der Kollisionsdaten als auch der Arten von Beinaheunfällen in einem Gebiet im Zentrum Londons durchgeführt. Zu Beginn haben wir ein Modell erstellt, das 5 Jahre historischer Kollisionsdaten, einen dreimonatigen Zeitraum mit Daten zu Vollbremsungen und dann einen 9-monatigen "Validierungs"-Datensatz von Kollisionen enthält. Ziel war es, den Prozess der "Vorhersage" von Kollisionen zu simulieren, indem wir ermittelten, wie viele der Datenpunkte im Validierungsdatensatz anhand der historischen Datensätze von Kollisionen und Vollbremsungen identifiziert werden konnten.

‍

‍

‍

‍

‍

‍

Unsere Analyse untersuchte drei Monate lang Daten zu Vollbremsungen und verwendete einen Cluster-Algorithmus, um Orte zu identifizieren, an denen mehrere Fahrzeuge plötzlich bremsten. Dieser Prozess ergab 2.031 Clusterschwerpunkte, die wir als eindeutige Risikostandorte betrachteten. Jeder Cluster stellt einen Kreis mit einem Durchmesser von etwa 75 Metern dar, vergleichbar mit einem Stadtviertel.

‍

‍

Diese Häufungen können mit den 6.624 tatsächlichen Kollisionen verglichen werden, die in den folgenden neun Monaten in demselben Gebiet verzeichnet wurden. Kollisionen stellen zwar die schwerwiegendsten Folgen dar, sind aber nur die Spitze des Eisbergs, wenn es darum geht, das Risiko im Straßenverkehr zu verstehen. Die Leistung dieses Modells wurde mit zwei Modellen verglichen, die auf den fünf Jahren historischer Kollisionen basierten. Das erste Modell verglich eine Zufallsstichprobe von 2.031 Kollisionen (d. h. dieselbe Anzahl wie die Anzahl der Cluster mit scharfem Bremsen). Der zweite Ansatz untersuchte die Gesamtheit der Kollisionen der letzten fünf Jahre.

‍

Die Ergebnisse lieferten überzeugende Beweise für den Vorhersagewert von Daten über starkes Bremsen:

‍

• 39 % der künftigen Kollisionen ereigneten sich in einem Umkreis von 75 Metern um die von uns identifizierten Häufungen von Vollbremsungen. Mit anderen Worten: Mit nur drei Monaten an Daten über starkes Bremsen konnte das Modell die Bereiche identifizieren, in denen mehr als ein Drittel der zukünftigen Kollisionen stattfinden würden.

‍

• Der Ansatz war 35 % genauer als die Auswahl einer entsprechenden Stichprobe aus historischen Kollisionsdaten

‍

Die Analyse zeigt, dass die Daten einer Vollbremsung im Vergleich zu bestimmten Modellen, die Kollisionsdaten verwenden, echte Vorteile bieten. Wir wollten jedoch die Daten der Vollbremsung mit realistischeren kollisionsbasierten Analysen vergleichen. Die meisten Planer im Bereich der Straßenverkehrssicherheit konzentrieren sich nicht auf die Umgebung jedes Zusammenstoßes und wählen auch nicht willkürlich Kollisionsstellen aus. Stattdessen konzentrieren sie sich auf die Bereiche, die die höchste Kollisionsdichte aufweisen. Daher haben wir unsere Analyse erweitert, um die Vorhersageeffekte einer Gruppierung scharfer Bremsvorgänge mit denen einer Gruppierung von Kollisionen zu vergleichen.

‍

Als wir unsere Analyse auf standardisierte geografische Einheiten (H3-Hexagone) ausdehnten, waren die Ergebnisse noch auffälliger. Sechsecke unterteilen die Stadt in gleich große Gebiete - so können wir die Anzahl von Kollisionen und Vollbremsungen in ähnlichen Gebieten vergleichen. Die Verwendung von Daten zu Vollbremsungen allein ergab eine Vorhersagequote von 71,83 % mit einer bemerkenswert hohen Konvertierungsrate von 57,28 %.

‍

Mit der Kombination aus historischen Kollisionen und starken Bremsmustern konnten wir jedoch 93,80 % der Sechsecke mit zukünftigen Kollisionen vorhersagen. Am wichtigsten ist, dass wir 138 sechseckige Bereiche identifiziert haben, die keine historischen Kollisionen aufwiesen, aber ein starkes Bremsverhalten zeigten - und diese Bereiche erlebten dann zukünftige Kollisionen, was 3 % der zukünftigen Kollisionen H3 entspricht, die mit traditionellen Analysemethoden völlig übersehen worden wären, aber mit den Daten über starkes Bremsen identifiziert werden können.

‍

Am interessantesten ist vielleicht, dass wir feststellten, dass ein einzelnes starkes Bremsen oft mehrere zukünftige Kollisionsorte vorhersagte. Dies deutet darauf hin, dass diese Orte eher dauerhafte Risikofaktoren als zufällige Vorfälle darstellen, was sie zu erstklassigen Kandidaten für präventive Maßnahmen macht.

‍

Der auffälligste Vorteil von Verhaltensdaten zeigt sich bei der Betrachtung des Zeitbedarfs. Um die Vorhersagekraft von nur 89 Tagen scharfer Bremsdaten zu erreichen, bräuchten wir 430 Tage historischer Kollisionsdaten für die allgemeine Kollisionsvorhersage. Noch dramatischer ist, dass wir für schwere und tödliche Kollisionen (KSI) erstaunliche 2.400 Tage (über 6,5 Jahre) historischer KSI-Kollisionsdaten benötigen würden, um die gleiche Vorhersagekraft zu erreichen.

‍

Angesichts der Veränderungen im Reiseverhalten und in der Fahrzeugtechnologie über einen so langen Zeitraum wäre es schwierig, sich auf die Konsistenz von Daten zu verlassen, die so weit zurückreichen. Das gleiche Maß an Vorhersagbarkeit könnte jedoch mit einem viel kürzeren Datenerfassungszeitraum erreicht werden, wenn man mit vernetzten Fahrzeugdaten arbeitet. Dieser dramatische Unterschied - 89 Tage gegenüber 6,5 Jahren - zeigt, warum Verhaltensdaten einen so revolutionären Ansatz für die Planung der Verkehrssicherheit darstellen.

‍

‍

‍

Die Vorteile von vernetzten Fahrzeugdaten

Die Vorteile dieses auf vernetzten Fahrzeugen basierenden Ansatzes gehen über die reine Vorhersage hinaus. Die Städte können:

‍

• Identifizierung von Risikobereichen, bevor es zu Kollisionen kommt

‍

• Überwachen Sie die Auswirkungen von Maßnahmen in nahezu Echtzeit anhand von Änderungen im Fahrerverhalten

‍

• Effizientere Ausrichtung der Ressourcen auf Orte, die ein risikoreiches Verhaltensmuster aufweisen

‍

• Validierung der Wirksamkeit von Sicherheitsverbesserungen, ohne auf Kollisionsstatistiken warten zu müssen

‍

Auch wenn harte Bremsmuster nur eine Art von Verhaltensdaten darstellen, zeigt unsere Forschung ihren erheblichen Wert für die Vorhersage und Vermeidung von Verkehrssicherheitsproblemen. Durch die Kombination dieser Daten mit anderen vernetzten Fahrzeugdatenströmen können Städte immer ausgefeiltere Modelle für ein proaktives Sicherheitsmanagement entwickeln. Dieser Ansatz trägt nicht nur dazu bei, Schäden zu verringern, sondern auch zu verhindern, dass sie überhaupt erst entstehen.

‍

‍

Über Vianova

Vianova ist die Datenanalyselösung für den Betrieb der Mobilitätswelt. Unsere Plattform nutzt die Leistungsfähigkeit von vernetzten Fahrzeugen und IoT-Daten, um verwertbare Erkenntnisse für die Planung sicherer, umweltfreundlicher und effizienter Verkehrsinfrastrukturen zu liefern.

‍

Von der Regulierung der geteilten Mobilität über die Umgestaltung der letzten Meile bis hin zur Kartierung von Risikopunkten im Straßenverkehr - Vianova unterstützt mehr als 150 Städte, Flottenbetreiber und Unternehmen auf der ganzen Welt dabei, die Art und Weise zu verändern, wie sich Menschen und Güter bewegen.

‍

Möchten Sie mehr erfahren? Besuchen Sie unsere Seite und nehmen Sie Kontakt auf.

👉 Lesen Sie unseren vorherigen Blog hier!