I ett viktigt steg mot att förbättra trafiksäkerheten har forskare vid Johns Hopkins University utvecklat ett AI-baserat verktyg som kan identifiera riskfaktorer som bidrar till bilolyckor i USA och noggrant förutsäga framtida olyckor.
Verktyget, som kallas SafeTraffic Copilot, syftar till att förse experter med både olycksanalyser och olycksprognoser för att minska det ökande antalet dödsfall och skador som inträffar på amerikanska vägar varje år.
Arbetet, som leds av forskare vid Johns Hopkins University, har publicerats i Nature Communications.
”Trafikolyckorna i USA fortsätter att öka, trots årtionden av motåtgärder, och det är komplexa händelser som påverkas av många variabler, såsom väder, trafikmönster och förarbeteende”, säger seniorförfattaren Hao (Frank) Yang, professor i civil- och systemteknik. ”Med SafeTraffic Copilot är vårt mål att förenkla denna komplexitet och förse infrastrukturdesigners och beslutsfattare med databaserade insikter för att minska antalet olyckor.”
Teamet använder en typ av AI som kallas Large Language Models (LLM), som är utformade för att bearbeta, förstå och lära sig av stora mängder data. SafeTraffic Copilot tränades med hjälp av text (dvs. beskrivningar av vägförhållanden), numeriska värden (dvs. alkoholhalt i blodet), satellitbilder och fotografier tagna på plats. Teamets modell har också förmågan att utvärdera både enskilda och kombinerade riskfaktorer, vilket ger en mer detaljerad förståelse för hur dessa element interagerar och påverkar olyckor.
SafeTraffic Copilot är utformat med en kontinuerlig inlärningsloop så att förutsägelsernas precision förbättras i takt med att mer olycksrelaterad data matas in i modellen, vilket gör den ännu mer exakt med tiden. Ännu viktigare är att forskarna genom att använda LLM kan kvantifiera förutsägelsernas tillförlitlighet – med andra ord kan de säga att en given förutsägelse kommer att vara 70 % korrekt i ett verkligt scenario.
”Genom att omformulera olycksprognoser som en resonemangsuppgift och använda LLM för att integrera skriftlig och visuell data kan intressenterna gå från grova, aggregerade statistiska uppgifter till en finjusterad förståelse av vad som orsakar specifika olyckor”, säger Yang.
Modellen ger beslutsfattare och transportdesigners ett tillförlitligt och tolkningsbart verktyg för att identifiera kombinationer av faktorer som ökar olycksrisken. Data kan sedan användas för att genomföra evidensbaserade interventioner och mer effektiv infrastrukturplanering för att rädda liv och minska skador.
Forskarna ser modellen som en copilot för mänskligt beslutsfattande.
”I stället för att ersätta människor bör LLM fungera som copiloter – bearbeta information, identifiera mönster och kvantifiera risker – medan människor förblir de slutgiltiga beslutsfattarna”, säger Yang.
SafeTraffic Copilot har potential att bli en mall för ansvarsfull integration av AI-baserade modeller i områden med höga insatser, såsom folkhälsa och människors säkerhet. Eftersom LLM fungerar som stora black box-modeller vet användarna inte hur förutsägelserna genereras, vilket avskräcker dem från att använda dem i beslutsfattande scenarier med hög risk.
Teamet planerar att fortsätta sin forskning för att bättre förstå hur AI-modeller kan användas på ett ansvarsfullt sätt i dessa sammanhang.
”Det centrala fokuset för vår pågående forskning är att hitta det bästa sättet att kombinera människors och LLM:s styrkor så att beslut inom områden med höga insatser inte bara är datadrivna, utan också transparenta, ansvariga och i linje med samhällsvärden”, tillade han.
Studieförfattarna inkluderar Hongru Du, biträdande professor vid University of Virginia, och Johns Hopkins doktorander Yang Zhao, Pu Wang och Yibo Zhao.
Mer information: SafeTraffic Copilot: anpassning av stora språkmodeller för tillförlitliga trafiksäkerhetsbedömningar och beslutsinterventioner, Nature Communications (2025). www.nature.com/articles/s41467-025-64574-w
