Des chercheurs développent un outil d'IA pour prédire le risque d'accidents de la route

Dans une étape importante vers l’amélioration de la sécurité routière, les chercheurs de l’Université Johns Hopkins ont développé un outil basé sur l’intelligence artificielle qui peut identifier les facteurs de risque contribuant aux accidents de voiture à travers les États-Unis et prédire avec précision les sites des incidents futurs.

L'outil, appelé SafeTraffic Copilot, vise à fournir aux experts des analyses et des prévisions d'accidents pour aider à réduire le nombre croissant de décès et de blessures qui surviennent sur les routes américaines chaque année.

Les travaux, dirigés par des chercheurs de l’Université Johns Hopkins, sont publiés dans Nature Communications .

Points clés à retenir - Le nombre de décès et de blessures sur les routes aux États-Unis est en augmentation. - Les nouvelles technologies permettent aux ingénieurs de la circulation de concevoir des systèmes plus sûrs. - Grâce à l’intelligence artificielle, SafeTraffic Copilot peut prédire les routes à risque.

« Le nombre de décès liés aux accidents de la route aux États-Unis continue d'augmenter, malgré des décennies de mesures préventives. Il s'agit d'événements complexes influencés par de nombreuses variables, telles que la météo, la circulation, la conception des routes et le comportement des conducteurs », a déclaré Hao « Frank » Yang , auteur principal et professeur adjoint de génie civil et des systèmes à l'université Johns Hopkins. « Avec SafeTraffic Copilot, notre objectif est de simplifier cette complexité et de fournir aux concepteurs d'infrastructures et aux décideurs politiques des informations fondées sur des données pour atténuer les accidents. »

L'équipe utilise un type d'IA appelé « grands modèles de langage », ou LLM, conçu pour traiter, comprendre et apprendre de vastes volumes de données. SafeTraffic Copilot a été entraîné à l'aide de textes tels que des descriptions de l'état des routes, des valeurs numériques comme le taux d'alcoolémie, des images satellite et des photographies prises sur le terrain. Le modèle de l'équipe permet également d'évaluer les facteurs de risque individuels et combinés, offrant ainsi une compréhension plus précise de la manière dont ces éléments interagissent pour influencer les accidents.

De par sa conception, SafeTraffic Copilot intègre une boucle d'apprentissage continu afin que les performances de prédiction s'améliorent à mesure que davantage de données relatives aux accidents sont saisies dans le modèle, ce qui le rend encore plus précis au fil du temps. Grâce aux LLM, les chercheurs peuvent quantifier la fiabilité des prédictions ; autrement dit, ils peuvent affirmer qu'une prédiction donnée sera précise à 70 % en situation réelle.

Image crédit: Université Johns Hopkins

« En recadrant la prédiction des accidents comme une tâche de raisonnement et en utilisant les LLM pour intégrer des données écrites et visuelles, les parties prenantes peuvent passer de statistiques globales et grossières à une compréhension affinée des causes d'accidents spécifiques », a déclaré Yang.

Ce modèle offre aux décideurs politiques et aux concepteurs de transports un outil fiable et interprétable pour identifier les combinaisons de facteurs qui augmentent le risque d'accident. Les données peuvent ensuite être utilisées pour mettre en œuvre des interventions fondées sur des données probantes et une planification plus efficace des infrastructures afin de sauver des vies et de réduire les blessures.

Les chercheurs voient le modèle comme un copilote de la prise de décision humaine.

« Plutôt que de remplacer les humains, les LLM devraient servir de copilotes – en traitant les informations, en identifiant les modèles et en quantifiant les risques – tandis que les humains restent les décideurs finaux », a déclaré Yang.

SafeTraffic Copilot a le potentiel de servir de modèle pour l'intégration responsable des modèles d'IA dans des domaines à enjeux élevés, comme la santé publique et la sécurité humaine. Les LLM fonctionnant comme de grands modèles boîte noire, les utilisateurs ignorent comment les prédictions sont générées, ce qui freine leur utilisation dans des scénarios décisionnels à haut risque. L'équipe prévoit de poursuivre ses recherches afin de mieux comprendre comment les modèles d'IA peuvent être utilisés de manière responsable dans ces contextes.

« L'objectif principal de nos recherches en cours est de trouver la meilleure façon de combiner les forces des humains et des LLM afin que les décisions dans les domaines à enjeux élevés soient non seulement fondées sur les données, mais également transparentes, responsables et alignées sur les valeurs sociétales », a déclaré Yang.

Les auteurs de l'étude incluent les candidats au doctorat de Johns Hopkins Yang Zhao, Pu Wang, l'étudiant en master Yibo Zhao et Hongru Du, professeur adjoint à l'Université de Virginie titulaire d'un doctorat du département de génie civil et des systèmes de Johns Hopkins.

https://hub.jhu.edu/2025/10/07/traffic-safety-artificial-intelligence-hopkins