- Sự kiện phanh gấp (HBE) được xác nhận có mối tương quan dương có ý nghĩa thống kê với tỷ lệ tai nạn trên các đoạn đường thực tế
- Trong khi thống kê tai nạn do cảnh sát báo cáo là chỉ báo thưa thớt và có độ trễ, HBE cung cấp dữ liệu liên tục với mật độ cao
- Kết quả phân tích dữ liệu trong 10 năm tại California và Virginia cho thấy số đoạn đường quan sát được HBE nhiều gấp 18 lần so với các đoạn có báo cáo tai nạn
- Thông qua phân tích hồi quy, ngay cả khi đã kiểm soát các biến như lưu lượng giao thông, loại đường, độ dốc và thay đổi số làn, mối tương quan nhất quán giữa tần suất HBE và tỷ lệ tai nạn vẫn được chứng minh
- Nghiên cứu này do nhóm Mobility AI của Google Research thực hiện, và dữ liệu HBE đang được tích hợp vào Roads Management Insights của Google Maps Platform để phục vụ quản lý an toàn giao thông mang tính chủ động
Giới hạn của việc đánh giá an toàn giao thông truyền thống
- Việc đánh giá an toàn giao thông từ trước đến nay chủ yếu dựa vào thống kê tai nạn do cảnh sát báo cáo
- Loại dữ liệu này được xem là “gold standard” vì liên quan trực tiếp đến tử vong, thương tích và thiệt hại tài sản
- Tuy nhiên, dữ liệu tai nạn là chỉ báo thưa thớt và có độ trễ, nên có giới hạn trong mô hình hóa dự báo
- Tiêu chuẩn báo cáo khác nhau theo từng khu vực, và ở một số tuyến đường tai nạn chỉ xảy ra vài năm một lần
- Vì vậy, cần có một chỉ báo dẫn dắt xuất hiện thường xuyên hơn tai nạn nhưng vẫn có tương quan với mức độ an toàn
Định nghĩa và ứng dụng của sự kiện phanh gấp (HBE)
- HBE được định nghĩa là một thao tác né tránh xảy ra khi gia tốc giảm theo phương tiến của xe đạt từ -3m/s² trở xuống
- HBE được thu thập dựa trên dữ liệu xe kết nối, nên có khả năng mở rộng cao hơn so với các chỉ báo dựa trên tiếp cận gần cần cảm biến cố định
- Nhóm nghiên cứu sử dụng dữ liệu HBE đã được ẩn danh và tổng hợp từ nền tảng Android Auto, rồi kết hợp phân tích với dữ liệu tai nạn công khai của Virginia và California
- Kết quả cho thấy mối tương quan dương có ý nghĩa giữa tần suất HBE và tỷ lệ tai nạn ở mọi mức độ nghiêm trọng của tai nạn
Phân tích mật độ dữ liệu
- Kết quả so sánh dữ liệu tai nạn công khai trong 10 năm với dữ liệu HBE cho thấy số đoạn đường quan sát được HBE nhiều gấp 18 lần so với các đoạn có báo cáo tai nạn
- Trong khi dữ liệu tai nạn ở một số khu vực phải mất nhiều năm mới quan sát được một sự kiện đơn lẻ, HBE cung cấp luồng dữ liệu liên tục với mật độ cao
- Nhờ đó, HBE đóng vai trò lấp đầy khoảng trống dữ liệu trên bản đồ an toàn đường bộ
Kiểm chứng thống kê
- Nhóm nghiên cứu sử dụng mô hình Negative Binomial Regression để kiểm chứng mối quan hệ giữa tần suất HBE và tỷ lệ tai nạn
- Đây là phương pháp tiêu chuẩn được sử dụng trong Highway Safety Manual(HSM)
- Mô hình kiểm soát các yếu tố gây nhiễu như lưu lượng giao thông, chiều dài đoạn đường, loại đường, độ dốc, sự hiện diện của đường nhánh nhập, thay đổi số làn
- Kết quả cho thấy đoạn đường có tần suất HBE càng cao thì tỷ lệ tai nạn càng cao ở cả hai bang
- Đặc biệt, các đoạn có đường nhánh nhập đều cho thấy rủi ro tai nạn cao hơn ở cả hai khu vực
Nghiên cứu tình huống: đoạn nhập làn rủi ro cao
- Phân tích đoạn nhập kết nối Highway 101 và 880 tại California
- Tỷ lệ xuất hiện HBE ở đoạn này cao gấp 70 lần mức trung bình của đường cao tốc, và cứ khoảng 6 tuần lại xảy ra một vụ tai nạn
- Đoạn này thuộc top 1% theo tần suất HBE, và ngay cả khi không có hồ sơ tai nạn trong 10 năm vẫn có thể được xác định là đoạn nguy hiểm
- Điều này chứng minh HBE là một chỉ báo thay thế đáng tin cậy để phát hiện sớm các đoạn đường rủi ro cao ngay cả khi không có dữ liệu tai nạn dài hạn
Ứng dụng thực tế và mở rộng
- Việc kiểm chứng HBE đã giúp chuyển dữ liệu cảm biến thành một công cụ an toàn giao thông đáng tin cậy
- Nhóm Mobility AI của Google Research đã tích hợp dữ liệu này vào Roads Management Insights của Google Maps Platform
- Các cơ quan giao thông có thể sử dụng dữ liệu mật độ cao đã được ẩn danh để đánh giá an toàn đường bộ nhanh hơn và trên phạm vi rộng hơn
- Cách tiếp cận này cho phép xác định các đoạn rủi ro dựa trên chỉ báo dẫn dắt thay vì phụ thuộc vào hồ sơ tai nạn
Hướng nghiên cứu tiếp theo
- Dù HBE đã được xác nhận là một chỉ báo dẫn dắt mạnh mẽ của rủi ro tai nạn, nhóm nghiên cứu dự định tiếp tục tinh chỉnh tín hiệu thông qua giảm tác động của tính thưa thớt dữ liệu và phân cụm không gian
- Trong tương lai, mục tiêu là chuyển sang các can thiệp hạ tầng cụ thể như điều chỉnh thời gian tín hiệu, cải thiện biển báo, thay đổi thiết kế làn nhập
Nghiên cứu hợp tác và lời cảm ơn
- Nghiên cứu này là thành quả hợp tác giữa Google và các nhà nghiên cứu tại Virginia Tech
- Các thành viên tham gia gồm Shantanu Shahane, Shoshana Vasserman, Carolina Osorio, Yi-fan Chen, Ivan Kuznetsov, Kristin White, Justyna Swiatkowska, Feng Guo và những người khác
- Aurora Cheung, Andrew Stober, Reymund Dumlao, Nick Kan đã đóng góp cho giai đoạn ứng dụng thực tế của nghiên cứu
1 bình luận
Ý kiến trên Hacker News
Tôi từng dùng thiết bị theo dõi thói quen lái xe cắm vào cổng OBD2 do công ty bảo hiểm cung cấp
Ban đầu nó thường xuyên phát cảnh báo ‘phanh gấp’, và tôi không hiểu vì sao, nhưng rồi nhận ra chính thiết bị đó đã rèn lại tôi
Nguyên nhân không phải là tốc độ mà là không giữ đủ khoảng cách với xe trước. Vì bám xe trước quá sát nên tôi mới hay phải phanh gấp
Trong thời gian gắn thiết bị, tôi dần hình thành thói quen giữ khoảng cách một cách tự nhiên, và cảm giác ngồi xe cũng dễ chịu hơn. Phí bảo hiểm vẫn vậy, nhưng có lẽ xác suất tai nạn đã giảm
Khi xe trước cắt vào thì phải giảm tốc, rồi lại có xe khác chèn vào chỗ trống đó… chuyện này lặp đi lặp lại suốt quãng đường đi làm về
Đường trong đô thị thì khác, vấn đề nằm ở mật độ giao thông trên cao tốc
Nhờ vậy tôi có đủ thời gian giảm tốc và tránh được tai nạn
Sau khi xem sơ đồ này, cách tôi nghĩ về việc giữ khoảng cách đã thay đổi hoàn toàn
Cuối cùng tôi thấy hối hận vì đã cung cấp dữ liệu lái xe
Nghiên cứu về tai nạn đường bộ rất có giá trị nhưng lại hiếm
Chúng ta thường chỉ xem tai nạn đường bộ là lỗi của cá nhân, trong khi tai nạn hàng không lại được tiếp cận theo hướng tìm nguyên nhân mang tính hệ thống
Ngay cả lỗi của phi công cũng được phân tích để tìm hiểu vì sao sai lầm đó xảy ra. Trong khi đó, trên đường bộ, cùng một kiểu tai nạn vẫn lặp lại nhưng môi trường thì không đổi
Tai nạn đường bộ phần lớn là do một người vi phạm quy tắc gây ra
Dù vậy, NTSB đôi khi vẫn điều tra tai nạn ô tô dưới góc nhìn hệ thống
Sau khi đi làm về mất một tiếng rưỡi mỗi ngày, điều tôi nhận ra là cần giữ cho dòng xe mượt như “dòng chảy tầng (laminar)”
Phanh gấp biến năng lượng thành nhiệt và tạo ra làn sóng hỗn loạn ảnh hưởng đến cả xe phía sau
Vì vậy tôi luôn cố điều chỉnh tốc độ sao cho càng mượt càng tốt
Họ nghĩ nó chỉ chiếm không gian và kéo giảm tốc độ chung
Trên thực tế, ùn tắc thường sinh ra từ những sai lệch nhỏ tích tụ lại
Thông lượng tối đa của con đường được quyết định bởi khoảng cách giữa các xe (theo thời gian). Giữ khoảng cách 2 giây thì tương đương 0,5 xe mỗi giây; khoảng cách tăng lên thì thông lượng giảm xuống
Trong ngành bảo hiểm, phanh gấp từ lâu đã được biết đến là một chỉ báo rất mạnh về rủi ro tai nạn
Cambridge Mobile Telematics đã phát triển một ứng dụng phát âm báo khi có phanh gấp trong lúc lái xe. Chỉ riêng cảnh báo thôi cũng đủ tạo ra thay đổi hành vi
Nguyên nhân khác nhau, nhưng cả hai cách đều có thể tận dụng được
Rốt cuộc, điều cốt lõi có thể là học được thói quen lái xe phòng thủ một cách toàn diện
Điều thú vị trong nghiên cứu lần này của Google là sự chuyển dịch từ dữ liệu lấy người lái làm trung tâm sang dữ liệu lấy hạ tầng làm trung tâm
Việc xem phanh gấp không phải là chỉ báo rủi ro cá nhân mà là chỉ báo rủi ro của con đường là một ý tưởng mang tính đột phá
Tôi vẫn cho rằng Google Maps là một trong những sản phẩm Big Tech ấn tượng nhất về mặt kỹ thuật
Từ dữ liệu người dùng, họ có thể rút ra những insight không trực quan như mật độ đám đông hay rủi ro đường sá
Tôi nghĩ Google là một ví dụ tốt về việc sử dụng dữ liệu một cách có trách nhiệm
Những công ty như Google đã kiếm đủ tiền rồi, nên tôi mong họ công bố dữ liệu để đóng góp cho xã hội
Có người cho rằng nghiên cứu lần này thực ra không mang lại hiểu biết mới nào
Ví dụ, nút giao 880/101 ở San Jose từ lâu đã bị người dân địa phương xem là nút giao tệ nhất
Vấn đề không phải là thiếu dữ liệu, mà là các ràng buộc vật lý và giới hạn hành chính
Google gọi đây là machine learning, nhưng thực chất theo họ thì nó gần như chỉ là quảng bá
Liên kết tới bài viết liên quan và các nhà cung cấp dữ liệu hiện có: Mercury News, TomTom, Inrix, StreetLight
Dữ liệu phanh gấp dồi dào và tức thời hơn tai nạn rất nhiều
Ví dụ, nhận ra một giao lộ thường xuyên có mảnh vỡ sau tai nạn để chủ động thận trọng hơn
Tôi tò mò vì sao dữ liệu đường cao tốc ở Virginia lại khác các bang khác
Có thể là do khác biệt văn hóa hoặc yếu tố chính sách, cũng có thể dữ liệu đơn giản là bị hiển thị sai
Sẽ rất hay nếu khi lái xe có bản đồ nhiệt rủi ro trên HUD
Bình thường màu xanh, còn khi vào đoạn nguy hiểm thì chuyển sang màu đỏ
Những nguy cơ cố định thì cần biển báo vật lý hoặc cải tạo đường sá
Nếu thực sự có bản đồ chỉ số các đoạn đường nguy hiểm như vậy, tôi chắc chắn sẽ dùng khi lái xe ở nơi lạ
Với những tuyến đường đi thường xuyên thì tôi đã biết các điểm nguy hiểm, nhưng ở con đường đi lần đầu thì gợi ý trực quan sẽ rất hữu ích