Исследователи Санкт-Петербургского политехнического университета разработали программу, которая не только прогнозирует тяжесть последствий дорожно-транспортного происшествия, но и объясняет, почему модель пришла к такому выводу. Для каждого конкретного случая она показывает, как условия освещения, осадки и другие характеристики повлияли на оценку.
В основе программы лежит градиентный бустинг — метод машинного обучения, который строит множество решающих деревьев. Каждое дерево задаёт цепочку простых вопросов, например, был ли на участке свет, и последовательно уточняет прогноз. Такой подход позволяет учитывать сложные взаимосвязи между обстоятельствами аварии и её исходом.
Для объяснения прогнозов используются SHAP-значения — метод, заимствованный из теории игр. Он показывает вклад каждого признака (освещения, погоды и других) в итоговую оценку. Это помогает специалисту понять, на чём основан прогноз, и решить, какие условия требуют дополнительного изучения.
Работа с программой начинается с загрузки предварительно обработанных данных об авариях. Модель обучается на этих данных, а её качество проверяется с помощью кросс-валидации — тестирования на незнакомых примерах. Для каждого ДТП строятся графики, на которых видно, какие факторы повышают или снижают риск тяжёлых последствий.
Программа уже зарегистрирована в Федеральной службе по интеллектуальной собственности. Она адресована специалистам, отвечающим за безопасность дорожного движения и городскую инфраструктуру. Исследования аварийности в университете ведутся несколько лет, и новая разработка стала следующим шагом в анализе дорожных рисков.