Tento přístup spoléhá na podrobné datové sady shromážděné z různých zdrojů, včetně senzorů, kamer a vstupů z propojených vozidel. Tyto datové toky jsou zpracovávány za účelem rekonstrukce pohybu vozidel, cyklistů a chodců přes křižovatky, přičemž zachycují nejen samotné kolize, ale také události, které incidentům předcházejí. Analýzou těchto interakcí je možné identifikovat rizikové faktory, které nemusí být patrné pouze z tradičních statistik nehodovosti.

Tento posun směrem k proaktivní analýze bezpečnosti mění způsob, jakým jsou dopravní systémy vyhodnocovány. Namísto reagování na zaznamenané incidenty mohou projektanti detekovat vznikající rizika a zasáhnout dříve, než dojde k nehodám. To je obzvláště důležité v komplexním městském prostředí, kde se kříží více druhů dopravy a chování účastníků je velmi proměnlivé.

Klíčovou roli v tomto procesu hrají simulace a modelování. Identifikované vzorce rizik lze replikovat v digitálních modelech a testovat tak potenciální opatření, jako jsou úpravy časování signálů, geometrické změny návrhu nebo úpravy dopravního toku. Tyto simulace umožňují projektantům vyhodnotit účinnost různých strategií při snižování rizika, aniž by je museli přímo zavádět v reálném provozu.

Systém také podporuje nepřetržité monitorování, kdy aktualizované datové kanály umožňují průběžný vývoj hodnocení rizik v čase. To umožňuje neustálou optimalizaci návrhu a provozu křižovatek na základě pozorovaného chování.

Tím, že se tento přístup zaměřuje na detailní analýzu založenou na chování, odráží širší přechod v dopravních systémech směrem k řízení bezpečnosti založeném na datech, kde se kombinují simulace a analytika v reálném čase pro zlepšení výsledků v nejkritičtějších bodech sítě.

Celý článek najdete zde. (ARMINAS, David. StreetVision: AI-Driven Risk Analysis for Safer Intersections [online]. 30. března 2026 [cit. 2026-04-15]. Dostupné z: https://www.itsinternational.com/products/streetvision-now-analyses-intersection-level-risks)

Obrázek: chat gpt