Categorising traffic accidents involving vulnerable road users with language technology: Technical summary of methods and implementation

Oskyddade trafikanter utgör en stor del av de allvarligt skadade i vägtrafiken. För att följa upp effekten av trafiksäkerhetsåtgärder behövs kunskap om vad som orsakar allvarliga olyckor. Tidigare VTI-studier har manuellt klassificerat cirka 3 000–4 000 olycksbeskrivningar per trafikantkategori frånolycksdatabasen Strada, en process som krävde manuellt arbete. Projektet syftar till att utveckla en prototyp för automatisk kategorisering av olycksbeskrivningar för oskyddade trafikanter (fotgängare, cyklister, mopedister och motorcyklister) med hjälp av språkteknologi och artificiell intelligens. Totalt ingick 15 221 tidigare manuellt klassificerade olycksbeskrivningar där 586 unika olyckskategorier framkommit och dessa användes som träningsdata. Tre olika typer av maskininlärningsmodeller utvecklades och jämfördes: (1) baslinjemodeller med Term Frequency-Inverse Document Frequency (TF-IDF)-representation och klassisk maskininlärning (logistisk regression, Random Forest), (2) hybridmodeller med förtränade Bidirectional Encoder Representations from Transformers (BERT)-embeddings kombinerat med traditionella klassificerare, och (3) fullständigt finjusterade BERT-modeller. Alla modeller kombinerade textanalys med strukturerade variabler som vägomständigheter, alkoholpåverkan och temporal information. Både unified-modeller för alla trafikantkategorier och kategorispecifika modeller utvärderades systematiskt. Resultaten visar att den fintränade modellen BERT unified uppnådde 48 procents noggrannhet över alla 586 klasser, en förbättring med 82 procent jämfört med bästa baslinjemodellen (TF-IDF + logistisk regression: 26 %). Hybridmodeller med frozen BERT embeddings misslyckades helt (7–9 % noggrannhet), vilket visar att uppgiftspecifik finjustering är att föredra. Kategorispecifika modeller presterade genomsnittligt bättre (53 % noggrannhet), med fotgängare-modellen som uppnådde exceptionella 85 procents noggrannhet över 36 klasser – ett resultat som är redo för praktisk implementation. Exploratorisk oövervakad klusteranalys av det fullständiga omärkta datasetet (~150,000 olycksbeskrivningar) visade svag naturlig separering, vilket bekräftar att övervakad inlärning med expert-annoterade data är nödvändig för meningsfull klassificering. Prototypen demonstrerar att automatisk klassificering är möjlig och praktiskt användbar för vissa kategorier. All datahantering följde GDPR-krav med tvåstegsanonymisering. Koden har släppts som öppen källkod (MIT-licens) för att möjliggöra vidareutveckling och implementation i Trafikverkets arbetsflöden.