那些被平均值掩盖的死亡：AI找到了行人事故里最致命的隐藏规律

车越造越安全。

走路却反倒变得越来越危险。

这组真实数据，看完格外扎心。

每年都有超 4 万人死于车祸。

有一项数据却格外刺眼。

过去十年，驾乘人员死亡比例持续走低。

安全带、气囊、自动紧急制动确实起到作用。

可同一时间段，行人死亡人数逆势上涨 48%。

到 2022 年，行人死亡人数已经达到 7500 人。

汽车安全配置不断升级，步行出行却风险飙升。

这种矛盾，让交通安全研究者百思不解。

传统交通安全研究，只盯着最常见的事故场景。

行人事故大多发生在白天城市十字路口。

光线良好，道路通行条件也很正常。

这类事故虽然发生频次高。

但造成的伤害程度往往比较轻。

城市管理的整改措施，也全都集中在这些地方。

优化信号灯、改造斑马线、增设交通岛。

年复一年都在重复同类常规改造。

田纳西大学博士生和导师，发现了关键漏洞。

最常见的事故，并不是最致命的事故。

只针对常规场景做优化，根本救不了多少人。

专家举了很现实的例子。

深夜大雨天气，行人和司机都可能存在饮酒情况。

这类场景极易引发重大伤亡事故。

只因偏离日常平均事故特征太远。

直接被研究人员当成异常值剔除。

只为让整体数据趋势看起来更规整。

真正的问题就藏在这里。

为了数据清晰刻意删掉的异常值。

恰恰是造成人员死亡最多的高危场景。

科研团队用到全新研究方式。

采用无监督机器学习聚类算法分析数据。

录入一万多份警方交通事故报告。

每份报告包含限速、照明、路面状况。

还有行人位置等几十个关键变量。

算法不按人为预设标准硬性分类。

让数据自主梳理事故之间的相似性。

再根据和平均场景的差异，划分不同风险层级。

最终对比结果，看得人触目惊心。

常规典型事故的致死率只有 8%。

边缘偏离常态的事故，致死率高达 37%。

这些被视作罕见的特殊事故。

死亡概率直接是普通事故的近 5 倍。

研究人员坦言，罕见场景往往更致命。

必须深挖背后诱因，才能真正降低伤亡。

深入拆解高风险事故后，找到了共性规律。

大多集中在夜间无路灯路段、高速和郊区路肩。

往往都是多种风险条件叠加到一起。

这类事故需要多重不利条件同时出现。

日常发生概率偏低，可一旦出事生还率极低。

这项研究最大价值，是重新梳理整改优先级。

很多致命事故，都发生在没有人行道的路肩。

在这类路段增设人行道、加装路灯。

才能精准直击最致命的交通安全隐患。

反观设施完善的城市路口，继续优化收益极小。

这项研究对自动驾驶行业同样意义重大。

自动驾驶训练数据，大多都是日常常见路况。

极端恶劣场景样本太少，容易出现感知盲区。

研究识别出的各类高风险事故模式。

可以搭建专属极端场景测试库。

专门校验车辆在黑夜、恶劣天气下的应对能力。

以及郊区路肩行人识别等特殊路况表现。

相关教授也坦然承认，落地执行难度很大。

夜间公路、郊区路段的整改方式更复杂。

安全改造总偏爱聚焦大众化常规问题。

优化十字路口，预算清晰、整改效果直观。

在政绩呈现上也更好交代。

而给偏远公路装路灯、修建人行道。

成本分散，受益人群不够集中。

很难被纳入亮眼的政绩规划当中。

这份现实层面的考量与取舍。

比技术攻坚本身还要难以解决。

但至少如今已经看清真相。

那些看似极少发生的极端事故。

才是交通安全最该重点解决的问题。

单纯用平均数据来制定安全政策。

就是用正确的方式，去解决错误的问题。