📩 Restez informé des tendances de l'industrie et des mises à jour des produits Vianova - inscrivez-vous à notre lettre d'information ici!

‍

Le défi de la réalisation de la Vision zéro

L'Union européenne a récemment publié ses statistiques sur les collisions en 2023, annonçant 20 400 décès sur la route, soit une baisse de 1 %. Si chaque décès est un décès de trop, il met en évidence un problème fondamental dans la planification de la sécurité routière : les collisions, bien que dévastatrices, sont des événements statistiquement rares par rapport aux billions de kilomètres parcourus.

‍

Cela pose un problème, car pour la plupart des planificateurs de la sécurité routière, les données sur les collisions représentent l'ensemble de données le plus complet disponible pour réaliser la Vision zéro. Les analyses des "points noirs", par exemple, impliquent généralement l'identification d'un groupe concentré de collisions sur une période de plusieurs années. Une fois identifié, le point noir est traité par une combinaison de changements physiques et comportementaux.

‍

Mais cette technique présente deux défauts fondamentaux:

‍

• Tout d'abord, elle attend que suffisamment d'événements se produisent pour déclencher une action. En d'autres termes, l'action n'est entreprise qu'après que plusieurs personnes ont été affectées. Cette technique est rarement satisfaisante dans d'autres secteurs : nous n'attendrions pas qu'un certain nombre de catastrophes maritimes ou aériennes se produisent avant de nous attaquer aux problèmes qui en sont la cause.

‍

• Deuxièmement, elle part du principe que le lieu des collisions passées est un indicateur important des collisions futures et que le meilleur endroit pour répartir les ressources est le lieu où les collisions se sont produites dans le passé.

‍

‍

Le potentiel des données des véhicules connectés

La promesse et le potentiel des données des véhicules connectés sont qu'au lieu de baser les décisions de planification sur les endroits où des événements critiques se sont produits, nous pouvons au contraire identifier les zones où ils ne se sont pas encore produits. Comprendre le comportement des conducteurs - leurs excès de vitesse, leurs embardées, leurs freinages rapides - nous donne un aperçu des types d'infrastructures et des conditions comportementales qui conduisent aux collisions et aux accidents mortels.

‍

‍

Analyse des données de freinage brutal à des fins de prédiction

L'utilisation des données des véhicules connectés peut-elle égaler ou dépasser la qualité d'une approche historique basée sur les collisions ? Nous avons effectué une analyse des données de collision et des types d'événements évités de justesse dans une zone du centre de Londres. Pour commencer, nous avons construit un modèle qui intègre 5 ans de données historiques sur les collisions, une période de trois mois de données sur le freinage brusque, puis un ensemble de données de "validation" de 9 mois sur les collisions. L'objectif est de simuler le processus de "prévision" des collisions en déterminant combien de points de données de l'ensemble de données de validation peuvent être identifiés à l'aide des ensembles de données historiques sur les collisions et le freinage brusque.

‍

‍

‍

‍

‍

‍

Notre analyse a porté sur trois mois de données de freinage brusque, en utilisant un algorithme de regroupement pour identifier les endroits où plusieurs véhicules ont soudainement freiné. Ce processus a révélé 2 031 centres de grappes, que nous avons considérés comme des lieux à risque distincts. Chaque grappe représente un cercle d'environ 75 mètres de diamètre, comparable à un pâté de maisons.

‍

‍

Ces groupes peuvent être comparés aux 6 624 collisions réelles enregistrées au cours des neuf mois suivants dans la même région. Si les collisions représentent les conséquences les plus graves, elles ne sont que la partie émergée de l'iceberg lorsqu'il s'agit de comprendre le risque routier. Les performances de ce modèle ont été comparées à celles de deux modèles basés sur les cinq années de collisions historiques. Le premier modèle a comparé un échantillon aléatoire de 2 031 collisions (c'est-à-dire le même nombre que celui des groupes de freinage brusque). La seconde approche a pris en compte l'ensemble des collisions survenues au cours des cinq dernières années.

‍

Les résultats ont démontré de manière irréfutable la valeur prédictive des données relatives au freinage brusque :

‍

• 39 % des collisions futures se sont produites dans un rayon de 75 mètres autour des zones de freinage brusque que nous avons identifiées. En d'autres termes, en utilisant seulement trois mois de données sur le freinage brusque, le modèle a pu identifier les zones où plus d'un tiers des futures collisions se produiraient.

‍

• Cette approche était 35% plus précise que la sélection d'un échantillon équivalent à partir des données historiques sur les collisions.

‍

L'analyse indique que les données de freinage brusque présentent de réels avantages par rapport à certains modèles utilisant les données de collision. Cependant, nous voulions comparer les données de freinage brusque à une analyse plus réaliste basée sur les collisions. La plupart des planificateurs de la sécurité routière ne se concentrent pas sur la zone autour de chaque collision, ni ne choisissent les sites de collision au hasard. Ils se concentrent plutôt sur les zones où la densité des collisions est la plus élevée. Nous avons donc élargi notre analyse pour comparer les effets prédictifs d'un regroupement de freinages brusques par rapport à un regroupement de collisions.

‍

Lorsque nous avons étendu notre analyse en utilisant des unités géographiques standardisées (hexagones H3), les résultats étaient encore plus frappants. Les hexagones divisent la ville en zones géographiques de taille identique, ce qui permet de comparer le nombre de collisions et de freinages brusques dans des zones similaires. L'utilisation des seules données relatives aux freinages brusques a permis d'obtenir un taux de prédiction de 71,83 % et un taux de conversion particulièrement élevé de 57,28 %.

‍

Cependant, la combinaison des collisions historiques et des schémas de freinage brusque nous a permis de prédire 93,80 % des hexagones où se produiront de futures collisions. Plus important encore, nous avons identifié 138 zones hexagonales qui n'avaient pas d'historique de collisions mais qui présentaient des schémas de freinage brusque - et ces zones ont connu des collisions futures, ce qui représente 3 % des futures collisions H3 qui auraient été complètement ignorées par les méthodes d'analyse traditionnelles mais qui sont identifiables à l'aide des données de freinage brusque.

‍

Ce qui est peut-être le plus intrigant, c'est que nous avons constaté qu'un seul groupe de freinage brusque permettait souvent de prédire plusieurs lieux de collision futurs. Cela suggère que ces lieux représentent des facteurs de risque persistants plutôt que des incidents aléatoires, ce qui en fait des candidats de choix pour une intervention préventive.

‍

L'avantage le plus frappant des données comportementales apparaît lorsque l'on considère les exigences temporelles. Pour égaler le pouvoir prédictif de seulement 89 jours de données de freinage brusque, nous aurions besoin de 430 jours de données historiques sur les collisions pour la prédiction des collisions en général. De manière encore plus spectaculaire, pour les collisions graves et mortelles (KSI), nous aurions besoin de 2 400 jours (plus de 6,5 ans) de données historiques sur les collisions KSI pour obtenir le même pouvoir prédictif.

‍

Compte tenu de l'évolution des modes de déplacement et de la technologie des véhicules sur une période aussi longue, il serait difficile de se fier à la cohérence de données remontant aussi loin dans le temps. Mais le même niveau de prévisibilité pourrait être atteint avec une période de collecte de données beaucoup plus courte en travaillant avec les données des véhicules connectés. Cette différence spectaculaire - 89 jours contre 6,5 ans - montre pourquoi les données comportementales représentent une approche si révolutionnaire de la planification de la sécurité routière.

‍

‍

‍

Les avantages des données sur les véhicules connectés

Les avantages de cette approche basée sur les véhicules connectés vont au-delà de la simple prédiction. Les villes peuvent :

‍

• Identifier les zones à risque avant les collisions

‍

• Contrôler l'impact des interventions en temps quasi réel par le biais de changements dans le comportement des conducteurs

‍

• Cibler plus efficacement les ressources sur les lieux présentant des comportements à risque

‍

• Valider l'efficacité des améliorations de la sécurité sans attendre les statistiques sur les collisions

‍

Bien que les schémas de freinage brusque ne représentent qu'un type de données comportementales, nos recherches démontrent leur valeur significative dans la prédiction et la prévention des problèmes de sécurité routière. En combinant ces données avec d'autres flux de données de véhicules connectés, les villes peuvent construire des modèles de plus en plus sophistiqués pour une gestion proactive de la sécurité. Cette approche permet non seulement de réduire les dommages, mais aussi d'éviter qu'ils ne se produisent.

‍

‍

À propos de Vianova

Vianova est la solution d'analyse de données pour exploiter le monde de la mobilité. Notre plateforme exploite la puissance des véhicules connectés et des données IoT, afin de fournir des informations exploitables pour planifier des infrastructures de transport plus sûres, plus écologiques et plus efficaces.

‍

Qu'il s'agisse de permettre la régulation de la mobilité partagée, de transformer les livraisons du dernier kilomètre ou de cartographier les points chauds des routes, Vianova est au service de plus de 150 villes, opérateurs de flotte et entreprises à travers le monde pour changer la façon dont les personnes et les marchandises se déplacent.

‍

Vous voulez en savoir plus ? Visitez notre page pour nous contacter.

👉 Lisez notre blog précédent ici !