- Il a été confirmé que les événements de freinage brusque (HBE) présentent une corrélation positive statistiquement significative avec le taux d’accidents sur des segments routiers réels
- Les statistiques d’accidents issues des rapports de police sont des indicateurs rares et retardés, tandis que les HBE fournissent des données continues et à haute densité
- L’analyse de 10 ans de données en Californie et en Virginie montre que le nombre de segments routiers où des HBE ont été observés est 18 fois supérieur à celui des segments avec accidents signalés
- Une analyse de régression montre une corrélation cohérente entre la fréquence des HBE et le taux d’accidents, même après contrôle de variables comme le trafic, le type de route, la pente et les changements du nombre de voies
- Cette étude a été menée par l’équipe Mobility AI de Google Research, qui a intégré les données HBE à Roads Management Insights de Google Maps Platform pour les utiliser dans une gestion proactive de la sécurité routière
Limites de l’évaluation traditionnelle de la sécurité routière
- L’évaluation de la sécurité routière s’est traditionnellement appuyée sur les statistiques d’accidents issues des rapports de police
- Ces données sont directement liées aux décès, aux blessures et aux dommages matériels, et sont donc considérées comme le « gold standard »
- Cependant, les données d’accident sont des indicateurs rares et retardés, ce qui limite la modélisation prédictive
- Les critères de signalement varient selon les régions, et sur certaines routes, les accidents ne surviennent qu’une fois tous les plusieurs ans
- Il faut donc un indicateur avancé, plus fréquent que les accidents eux-mêmes, tout en restant corrélé à la sécurité
Définition et usage des événements de freinage brusque (HBE)
- Un HBE est défini comme une manœuvre d’évitement se produisant lorsque la décélération longitudinale du véhicule est inférieure ou égale à -3 m/s²
- Les HBE sont collectés à partir de données de véhicules connectés, ce qui les rend plus faciles à déployer à grande échelle que les indicateurs de proximité nécessitant des capteurs fixes
- Les chercheurs ont utilisé des données HBE anonymisées et agrégées de la plateforme Android Auto, puis les ont croisées avec des données publiques d’accidents en Virginie et en Californie
- Le résultat montre une corrélation positive significative entre la fréquence des HBE et le taux d’accidents, tous niveaux de gravité confondus
Analyse de la densité des données
- La comparaison de 10 ans de données publiques d’accidents et de données HBE montre que le nombre de segments routiers où des HBE ont été observés est 18 fois plus élevé que celui des segments avec accidents signalés
- Alors que l’observation d’un seul accident peut prendre des années dans certaines zones, les HBE fournissent un flux de données continu et à haute densité
- Ils contribuent ainsi à combler les zones blanches de données dans la cartographie de la sécurité routière
Validation statistique
- Les chercheurs ont utilisé un modèle de régression binomiale négative (Negative Binomial Regression) pour vérifier la relation entre fréquence des HBE et taux d’accidents
- Cette méthode correspond à l’approche standard utilisée dans le Highway Safety Manual (HSM)
- Le modèle contrôle des facteurs de confusion comme le volume de trafic, la longueur de la route, le type de route, la pente, la présence de bretelles et les changements du nombre de voies
- Les résultats montrent que, dans les deux États, plus la fréquence des HBE est élevée sur un segment routier, plus le taux d’accidents est élevé
- En particulier, les segments avec bretelles présentent un risque d’accident plus élevé dans les deux régions
Étude de cas : zone de fusion à haut risque
- Analyse d’une zone de fusion reliant les autoroutes 101 et 880 en Californie
- Le taux d’occurrence des HBE sur ce segment est 70 fois plus élevé que la moyenne des autoroutes, et un accident s’y produit environ toutes les 6 semaines
- Ce segment fait partie du top 1 % selon la fréquence des HBE, et peut être identifié comme zone à risque même sans 10 ans d’historique d’accidents
- Cela démontre que les HBE constituent un indicateur proxy fiable pour détecter précocement les segments à haut risque, même sans données d’accidents de long terme
Application concrète et extension
- La validation des HBE permet de transformer des données de capteurs en outil fiable pour la sécurité routière
- L’équipe Mobility AI de Google Research a intégré ces données dans Roads Management Insights de Google Maps Platform
- Les autorités de transport peuvent ainsi exploiter des données anonymisées à haute densité pour des évaluations de la sécurité routière plus rapides et plus larges
- Cette approche permet d’identifier les segments à risque à partir d’indicateurs avancés, sans dépendre des historiques d’accidents
Axes de recherche futurs
- Bien que les HBE aient été confirmés comme indicateur avancé puissant du risque d’accident, l’objectif est d’affiner encore le signal via une réduction de la rareté des données et une prise en compte du clustering spatial
- À terme, l’objectif est de déboucher sur des interventions concrètes sur les infrastructures, comme l’ajustement de la temporisation des feux, l’amélioration de la signalisation ou la modification de la conception des voies d’insertion
Recherche conjointe et remerciements
- Cette étude a été réalisée dans le cadre d’une collaboration entre Google et les chercheurs de Virginia Tech
- Ont participé à la recherche : Shantanu Shahane, Shoshana Vasserman, Carolina Osorio, Yi-fan Chen, Ivan Kuznetsov, Kristin White, Justyna Swiatkowska, Feng Guo
- Aurora Cheung, Andrew Stober, Reymund Dumlao et Nick Kan ont contribué à la phase d’application concrète de l’étude
Aucun commentaire pour le moment.