Neues XAI-Framework liefert Einblicke in Unfallschwere bei Kreisverkehren

Ein innovatives, erklärbares Analysemodell aus Ohio untersucht Unfälle an Kreisverkehren zwischen 2017 und 2021. Durch die Kombination von Cluster Correspondence Analysis (CCA) und einem baumbasierten Schweregradmodell werden vier typische Unfallmuster identifiziert und anschließend mit SHAP erklärt.

Die Ergebnisse zeigen, dass die Schwere von Unfällen steigt, wenn Dunkelheit, nasse Fahrbahnen und höhere Geschwindigkeiten gleichzeitig auftreten, insbesondere bei festen Hindernissen oder Winkelereignissen. Im Gegensatz dazu sind Unfälle bei klarer Sicht, niedriger Geschwindigkeit und trockenen Bedingungen weniger schwer.

Die Muster‑basierten Erklärungen verdeutlichen spezifische Unfallmechanismen: bei Einfahrten treten häufig Versäumnisse beim Einhalten von Vorfahrtsregeln und unzureichende Abstandnahme auf, im mehrspurigen Kreisverkehr führen falsche Manöver zu Gefahren, und beim Abbremsen entstehen häufig Auffahrunfälle.

Durch die Verknüpfung von Mustererkennung und Fall‑level‑Erklärungen bietet das Framework Entscheidungsträgern ein praktisches Werkzeug zur Standortbewertung, Auswahl von Gegenmaßnahmen und audit‑gerechten Berichterstattung. Es demonstriert, wie erklärbare KI in der öffentlichen Sicherheitsanalyse eingesetzt werden kann.