基于机器学习的雅典主干道安全分类研究：融合遥感数据与事故记录的城市道路风险评估新范式

《European Journal of Public Health》：OA2040. Machine Learning-based categorization of central roads in Athens

　　为应对城市道路交通事故(URTAs)对公共安全的威胁，本研究通过整合遥感数据(Telematics)、开放街道地图(OSM)与官方事故记录，开发了XGBoost机器学习模型对雅典道路进行安全分类。模型精确度达0.88（安全路段）和0.77（危险路段），为智慧城市背景下基于证据的交通安全决策提供了可推广的技术路径。

　　

在雅典这样人口密集的大都市，城市道路交通事故(URTAs)始终是悬在公共健康头顶的达摩克利斯之剑。传统道路安全评估严重依赖历史事故数据或人工勘察，不仅效率低下，更难以实现风险预警的前置化。当基础设施、环境条件与驾驶行为等多重因素在特定路段交汇，事故风险便会急剧攀升。如何精准识别这些高风险路段，从而有针对性地实施安全干预，成为城市规划者和交通管理部门面临的严峻挑战。

正是在这样的背景下，雅典国立理工大学交通规划与工程系的Stelios Peithis及其团队开展了一项创新研究。他们另辟蹊径，将数据科学与城市规划相结合，探索通过机器学习技术来系统评估城市道路的安全状况。这项发表于《European Journal of Public Health》的研究，旨在开发一种高效、可扩展且低成本的解决方案，为雅典乃至其他城市的交通安全管理提供科学依据。

研究团队采用了严谨的三阶段方法论。首先明确问题定义，聚焦于识别有事故记录的高风险城市路段。随后进行数据整合与预处理，创造性融合了三种异构数据源：量化驾驶行为的遥感数据（包括急刹车、急加速和超速行为）、来自OpenStreetMap(OSM)的道路基础设施数据以及希腊官方的事故报告。通过Python的OSMnx框架，研究人员将文本描述的事故地点与地理坐标精准匹配，构建了雅典地区完整的街道网络图。最终，研究从8个市政区的257名驾驶员共计2614次行程中，筛选出事故记录路段的遥感数据用于分析。在建模与分类阶段，团队选用XGBoost算法，以路段事故次数（≤2次为“安全”，>2次为“危险”）为标签，并应用SMOTE技术解决类别不平衡问题。

特征工程与分析

驾驶行为通过关键指标的比率进行量化——包括超速、急刹车和急加速，这些指标均根据每个路段的行程次数进行了归一化处理，以消除高流量道路带来的偏差。这种归一化使模型能够关注相对行为强度而非绝对计数。

可视化洞察

散点图展示了事故频率与归一化后的遥感行为指标之间的相关性，揭示了明显趋势。例如，较高的超速和急刹车比率与标记为“危险”的路段相关，表明这些指标对事故风险分类具有预测潜力。

模型性能与评估

XGBoost模型通过混淆矩阵和分类报告进行评估，表现出强大的泛化能力，能有效识别高风险路段且误分类极少。分析强调模型在预测危险路段时略显保守——即对“安全”类别的精确度更高。

研究结果与贡献

研究验证了即使没有大量的物理基础设施数据，遥感数据也能有效助力城市道路安全评估。该分类框架为识别危险城市路段提供了一种高效、可扩展且低成本的替代方案。决策者和交通部门可利用此模型优先进行干预、分配安全资源并在高风险区域部署预防措施。

研究结论明确指出，融合数据科学与城市规划对于应对日益增长的城市交通安全挑战具有重要价值。通过桥接事故记录与遥感衍生的行为数据，并应用机器学习，该研究为基于证据的决策提供了实用工具。研究成果不仅有助于雅典实现更安全的道路设计和交通管理，其方法论也具有高度的可复制性，可为其他寻求采用智能、主动式道路安全策略的城市中心提供参考。当然，研究也承认其局限性，未来可通过纳入天气条件、路面质量、照明和行人密度等更多背景变量来提升模型性能，并可扩展地理覆盖范围以进行外部验证和模型泛化。