Không cần chờ tai nạn xảy ra: Công nghệ mới muốn phát hiện những giao lộ nguy hiểm trước khi có người gặp nạn

Một giao lộ chỉ được coi là nguy hiểm sau khi đã có ba, năm hay mười vụ tai nạn nghiêm trọng nghe có vẻ giống một nghịch lý của an toàn giao thông.

Trong nhiều thập kỷ, dữ liệu tai nạn là một trong những nguồn thông tin quan trọng nhất để cơ quan quản lý xác định “điểm đen”: nơi xảy ra nhiều va chạm sẽ được ưu tiên thay đổi đèn tín hiệu, bố trí làn đường, giảm tốc độ hoặc cải tạo hình học.

Cách làm này có một nhược điểm rất khó chấp nhận: muốn có bằng chứng thống kê, tai nạn phải xảy ra trước.

Một giao lộ mới mở có thể có thiết kế khiến ô tô thường xuyên cắt mặt người đi xe đạp. Người đi bộ có thể liên tục phải nhảy lùi lại vì xe rẽ phải không nhường đường. Tài xế có thể thường xuyên phanh gấp khi đèn chuyển pha. Nhưng nếu mọi người đều may mắn tránh được nhau trong vài giây cuối cùng, cơ sở dữ liệu tai nạn gần như không ghi nhận gì.

Công nghệ giao thông mới đang cố biến chính những tình huống “suýt xảy ra” đó thành dữ liệu.

Camera, LiDAR, radar, dữ liệu phanh gấp và các mô hình AI có thể theo dõi quỹ đạo của xe, xe đạp và người đi bộ, tính khoảng cách cũng như thời gian giữa những quỹ đạo giao nhau, rồi tìm ra nơi xuất hiện nhiều traffic conflicts – xung đột giao thông – dù chưa có va chạm thật.

Mục tiêu không phải dự đoán rằng một tai nạn chắc chắn sẽ xảy ra vào ngày nào. Nó thực tế hơn: phát hiện các điều kiện nguy hiểm đủ sớm để thành phố sửa đường trước khi một sai sót nhỏ biến thành thương tích hoặc tử vong.

Tai nạn là dữ liệu quan trọng, nhưng là dữ liệu đến quá muộn

Tai nạn nghiêm trọng tương đối hiếm tại một vị trí cụ thể. Đó là điều tốt cho cộng đồng, nhưng lại tạo ra một vấn đề thống kê.

Nếu một giao lộ chỉ có một hoặc hai vụ va chạm mỗi năm, rất khó biết sự khác biệt giữa “thiết kế thực sự nguy hiểm” và biến động ngẫu nhiên. Để có mẫu đủ lớn, nhà phân tích có thể phải gom dữ liệu qua nhiều năm.

Trong thời gian đó, cấu trúc giao thông cũng thay đổi. Một khu chung cư mới xuất hiện. Trường học mở cửa. Lưu lượng xe tăng. Người đi xe đạp nhiều hơn. Tốc độ xe có thể thay đổi sau khi đường được mở rộng.

Vì vậy, dữ liệu tai nạn có ba điểm yếu: hiếm, trễ và không hoàn toàn ổn định theo thời gian.

Federal Highway Administration (FHWA) của Mỹ đã nghiên cứu “surrogate safety measures” – các chỉ số thay thế cho tai nạn – từ nhiều năm trước. Thay vì chỉ hỏi “bao nhiêu xe đã đâm nhau?”, phương pháp này hỏi “bao nhiêu lần hai xe tiến tới tình huống mà nếu không đổi tốc độ hoặc hướng, chúng sẽ va vào nhau?”.

FHWA phát triển Surrogate Safety Assessment Model (SSAM) để tự động tìm và phân loại những xung đột như vậy trong quỹ đạo phương tiện mô phỏng. Khái niệm không mới. Điều mới là camera độ phân giải cao, AI thị giác máy tính và cảm biến 3D đang cho phép thu những quỹ đạo tương tự từ giao thông thật ở quy mô lớn.

Một cú “suýt đâm” có thể đo được bằng số

Con người nhìn video và khá dễ nhận ra một tình huống nguy hiểm: chiếc xe lao qua trước đầu người đi bộ, hai ô tô cùng phanh gấp hoặc xe rẽ trái cắt ngang xe chạy thẳng.

Máy tính cần một định nghĩa chính xác hơn.

Một trong những chỉ số phổ biến là Time to Collision (TTC) – thời gian còn lại trước va chạm nếu các phương tiện tiếp tục chuyển động theo trạng thái hiện tại.

Nếu hai xe đang lao về cùng một điểm và TTC còn rất nhỏ, tình huống có thể được đánh dấu là xung đột nghiêm trọng. Trong nghiên cứu SSAM của FHWA, ngưỡng TTC dưới 1,5 giây từng được sử dụng để nhận diện một nhóm xung đột.

Một chỉ số khác là Post-Encroachment Time (PET). Hãy tưởng tượng một người đi bộ vừa rời khỏi điểm giao cắt, rồi chưa đầy một giây sau ô tô chạy qua đúng điểm đó. Hai người không ở đó cùng lúc nên không có tai nạn, nhưng PET rất thấp cho thấy biên an toàn nhỏ.

Hệ thống cũng có thể đo tốc độ tiếp cận, gia tốc âm khi phanh, góc xung đột, khoảng cách nhỏ nhất, thời gian vượt đèn đỏ hoặc việc phương tiện có phải đánh lái né tránh hay không.

Không có một ngưỡng duy nhất biến mọi “near-miss” thành nguy hiểm. Một PET 1,5 giây trong bãi đỗ xe tốc độ thấp khác hoàn toàn PET 1,5 giây ở giao lộ nơi xe chạy 60 km/h. Vì vậy, các chỉ số phải được đọc cùng tốc độ, loại phương tiện, góc va chạm tiềm năng và bối cảnh đường.

Camera giao thông có thể trở thành một cảm biến an toàn

Nhiều thành phố đã có camera tại giao lộ để giám sát ùn tắc hoặc điều hành tín hiệu. Trước đây, phần lớn video chỉ được con người xem trực tiếp hoặc mở lại sau một sự cố.

Computer vision thay đổi giá trị của luồng hình ảnh đó.

Một pipeline điển hình bắt đầu bằng mô hình nhận diện xe con, xe tải, xe máy, xe đạp và người đi bộ trong từng frame. Hệ thống sau đó theo dõi từng đối tượng qua thời gian để tạo trajectory – chuỗi vị trí của đối tượng khi nó đi qua giao lộ.

Vì camera nhìn đường ở góc xiên, tọa độ pixel phải được chuyển sang một hệ quy chiếu gần với mặt đường. Khi đã biết quỹ đạo và thời gian, phần mềm có thể tính TTC, PET, tốc độ và những lần hai dòng giao thông tiến quá gần nhau.

Kết quả cuối không nhất thiết là một danh sách hàng nghìn video. Nó có thể là một bản đồ nhiệt rủi ro: góc đông nam của giao lộ thường xuất hiện xung đột xe rẽ phải–người đi bộ; làn rẽ trái tạo PET thấp vào giờ cao điểm; hoặc phương tiện từ hướng bắc thường vượt vạch khi đèn chuyển đỏ.

Nhà quản lý từ đó biết phải xem lại hình học, thời gian đèn hay tốc độ ở đâu thay vì chờ một vụ tai nạn chỉ ra vấn đề.

Bellevue đã thử nhìn an toàn qua hàng nghìn giờ video

Bellevue, bang Washington, là một trong những thành phố Mỹ sớm sử dụng phân tích video để hỗ trợ chương trình Vision Zero.

Một dự án phân tích mạng lưới của thành phố đã sử dụng video tại 75 giao lộ để đo lưu lượng, tốc độ và near-miss. Các xung đột được đánh giá bằng những chỉ số như PET, cho phép kỹ sư so sánh rủi ro giữa các địa điểm mà không chỉ dựa vào lịch sử tai nạn.

FHWA sau đó giới thiệu Bellevue như một ví dụ về cách traffic conflict analysis kết hợp cloud computing, AI và video analytics có thể cung cấp tín hiệu dự báo cho nơi tai nạn có khả năng xuất hiện. Năm 2021, thành phố bắt đầu mở rộng cách tiếp cận này sang các hành lang thuộc High Injury Network.

Đến cuối năm 2024, Bellevue tiếp tục nhận tài trợ cho một dự án thu video vào mùa đông và mùa hè để ghi lại lưu lượng xe, người đi xe đạp, người đi bộ, tốc độ và các xung đột near-miss, rồi dùng chúng trong những đánh giá an toàn đường bộ.

Điểm quan trọng không nằm ở việc AI “tiên tri tai nạn”. Nó nằm ở tốc độ thu mẫu.

Một giao lộ có thể chỉ ghi nhận vài vụ tai nạn trong nhiều năm nhưng tạo ra hàng trăm hoặc hàng nghìn tương tác xe–người đi bộ mỗi tuần. Những tương tác đó chứa nhiều dữ liệu hơn về cách thiết kế đang vận hành trong đời thực.

Florida từng kết hợp video với dữ liệu phanh gấp

Một camera không phải nguồn dữ liệu duy nhất có thể cho thấy rủi ro.

Florida Department of Transportation từng triển khai dự án N-MISS tại 26 giao lộ ở Lakeland và West Palm Beach. Theo FHWA, dự án kết hợp dữ liệu phanh gấp với video để phân tích quỹ đạo xe, xe đạp và người đi bộ, nhằm xác định các vấn đề an toàn trước khi chúng tạo thành tai nạn.

Logic rất đơn giản.

Nếu hàng trăm phương tiện thường xuyên phải phanh đột ngột ở cùng một vị trí, có thể nơi đó tồn tại một điều kiện bất thường: tầm nhìn kém, pha đèn khó đoán, dòng nhập làn quá gấp hoặc người đi bộ xuất hiện ở nơi tài xế không kịp nhận ra.

Một lần phanh gấp có thể chỉ là ngẫu nhiên. Một mô hình lặp lại qua hàng nghìn lượt xe lại là tín hiệu đáng để điều tra.

Khi kết hợp nhiều nguồn – camera cho biết ai đang tương tác với ai, dữ liệu xe cho biết tài xế phản ứng mạnh đến đâu – hệ thống có thể xây một bức tranh rủi ro phong phú hơn chỉ dùng hồ sơ tai nạn.

LiDAR đang đưa giao lộ từ video 2D sang bản đồ chuyển động 3D

Camera rẻ và phổ biến, nhưng nó có những giới hạn quen thuộc: bóng tối, mưa, chói sáng và hiện tượng một xe tải che khuất người đi bộ phía sau.

LiDAR cung cấp một cách nhìn khác. Cảm biến phát xung laser và đo thời gian phản xạ để tạo đám mây điểm 3D của môi trường. Với một LiDAR đặt bên đường, hệ thống có thể đo vị trí và quỹ đạo của nhiều đối tượng theo không gian thực.

Một báo cáo nghiên cứu giao thông của Mỹ công bố năm 2025 đã thử sử dụng LiDAR để nhận diện near-miss, bao gồm cả hành vi vượt đèn đỏ, theo thời gian thực tại giao lộ có tín hiệu.

Đến năm 2026, một nghiên cứu khác trong kho tài liệu của U.S. DOT tiếp tục xem xét cách LiDAR kết hợp AI/ML có thể cải thiện khả năng quan sát người đi bộ, người đi xe đạp và các nhóm dễ tổn thương tại giao lộ. Báo cáo nhấn mạnh chính hạn chế của giám sát dựa vào tai nạn: nó khó nắm bắt những xung đột hành vi xảy ra trước tai nạn.

LiDAR không thay camera trong mọi tình huống. Nó đắt hơn và tạo ra bài toán hiệu chuẩn, lắp đặt, truyền dữ liệu riêng. Nhưng khi kết hợp camera, radar và thậm chí cảm biến nhiệt, giao lộ có thể được quan sát bằng nhiều modality giống cách xe tự lái sử dụng sensor fusion.

USDOT đã biến “giao lộ biết nhìn” thành một bài toán công nghệ quốc gia

Năm 2023, Bộ Giao thông Mỹ khởi động Intersection Safety Challenge, một cuộc thi nhiều giai đoạn nhằm phát triển các hệ thống có thể nhận diện, dự đoán và giảm điều kiện nguy hiểm liên quan tới phương tiện và những người tham gia giao thông dễ tổn thương.

Chương trình kết thúc vào tháng 1/2025. Trong quá trình đánh giá, các đội thử những công nghệ như machine vision, sensor fusion và ra quyết định thời gian thực.

Một tài liệu kỹ thuật công bố năm 2026 về cuộc thi cho biết giai đoạn đầu nhận 120 đề xuất, sau đó chọn 15 nhóm cho vòng tiếp theo. Bộ dữ liệu thử nghiệm bao gồm camera, LiDAR, radar và cảm biến nhiệt, với các kịch bản không xung đột, xung đột tiềm năng và va chạm được kiểm soát.

Mục tiêu cho thấy hướng phát triển đang vượt khỏi việc “đếm near-miss sau khi chúng xảy ra”.

Hệ thống giao lộ tương lai có thể cần ba cấp:

• Nhìn thấy: nhận diện chính xác xe, người đi bộ, xe đạp và trạng thái đèn.
• Dự đoán: ước lượng quỹ đạo vài giây tiếp theo và xác định khả năng hai đối tượng tiến vào cùng vùng không gian.
• Can thiệp: thay đổi tín hiệu, kéo dài pha đi bộ hoặc gửi cảnh báo tới phương tiện và người tham gia giao thông.

Đây là bước chuyển từ analytics sang active safety infrastructure.

Một giao lộ có thể cảnh báo trước khi hai người nhìn thấy nhau

Hãy tưởng tượng một xe tải đang rẽ phải. Người đi xe đạp tiến lên ở phía bên phải xe tải, trong vùng mà tài xế khó quan sát.

Camera hoặc LiDAR trên cột giao thông nhìn thấy cả hai. Mô hình dự đoán quỹ đạo nhận ra chúng có thể tiến vào cùng điểm trong hai giây tới.

Hệ thống có nhiều mức phản ứng khả thi.

Ở mức thụ động, nó chỉ lưu sự kiện để kỹ sư biết góc giao lộ này thường tạo xung đột.

Ở mức điều khiển, bộ tín hiệu có thể thay đổi pha hoặc giữ đèn đỏ lâu hơn trong một số điều kiện.

Ở mức connected vehicle, giao lộ có thể gửi cảnh báo V2X tới xe được trang bị phù hợp.

Ở mức giao diện cho người đi bộ, bảng hoặc tín hiệu phụ có thể cảnh báo rằng một phương tiện đang tiến tới.

FHWA đã thử nghiệm trong phòng lab các nguyên mẫu Intersection Safety System tích hợp cảnh báo vào tín hiệu dành cho người đi bộ để nghiên cứu liệu cảnh báo xung đột bổ sung có giúp người qua đường phản ứng an toàn hơn hay không.

Tuy nhiên, mọi can thiệp tự động phải được thiết kế rất cẩn thận. Một cảnh báo liên tục phát sai sẽ bị người dùng bỏ qua. Một thuật toán thay đổi đèn quá thường xuyên có thể làm giao thông khó đoán hơn. Hạ tầng an toàn không chỉ cần phát hiện tốt mà còn phải hiểu khi nào nên hành động.

Từ “điểm đen” sang “điểm gần xảy ra tai nạn”

Trong hệ thống truyền thống, bản đồ an toàn thường được tô màu theo số vụ tai nạn hoặc số người chết và bị thương.

Với dữ liệu conflict, thành phố có thể tạo một lớp bản đồ mới.

Một giao lộ chưa có tai nạn nghiêm trọng nhưng liên tục xuất hiện PET thấp giữa xe rẽ và người đi bộ có thể được xếp ưu tiên. Một điểm đã cải tạo có thể được theo dõi ngay sau vài tuần để xem near-miss giảm hay không thay vì chờ ba năm dữ liệu tai nạn.

Đây có thể là thay đổi lớn nhất về quy trình.

Giả sử thành phố thêm leading pedestrian interval – cho người đi bộ đèn xanh sớm vài giây trước dòng xe rẽ. Nếu chỉ dùng crash data, đánh giá hiệu quả có thể mất nhiều năm.

Nếu camera cho thấy sau cải tạo, số xung đột xe–người đi bộ PET thấp giảm mạnh và tốc độ rẽ giảm, kỹ sư có tín hiệu sớm rằng can thiệp đang đi đúng hướng.

Nó chưa thay thế bằng chứng tai nạn dài hạn, nhưng giúp quá trình thử–đo–điều chỉnh nhanh hơn rất nhiều.

AI còn có thể phát hiện loại nguy hiểm mà thống kê tai nạn bỏ sót

Không phải mọi nguy cơ đều tạo ra cùng một loại tai nạn.

Một giao lộ có thể đặc biệt khó chịu với người ngồi xe lăn nhưng lưu lượng nhóm này thấp đến mức hồ sơ va chạm không đủ dữ liệu. Một góc đường có thể khiến người đi xe đạp phải né xe thường xuyên nhưng các near-miss không được báo cho cảnh sát. Một pha đèn có thể khiến tài xế liên tục vượt đỏ vài phần mười giây mà chưa ai bị đâm.

Video và cảm biến có thể cho phép phân tích hành vi ở mức chi tiết hơn:

• Xe có dừng trước vạch hay sau vạch?
• Tài xế rẽ phải có nhường người đi bộ không?
• Tốc độ rẽ thay đổi theo giờ nào?
• Người đi bộ có buộc phải chạy hoặc lùi lại?
• Xe đạp có thường xuyên rời làn để tránh vật cản?
• Điểm nào thường xuất hiện phanh gấp?
• Loại phương tiện nào tạo ra xung đột nghiêm trọng nhất?

Đó là dữ liệu về cơ chế tạo rủi ro, không chỉ kết quả cuối cùng.

Với nhà thiết kế đường, cơ chế thường quan trọng hơn con số tai nạn đơn thuần vì nó gợi ý cách sửa.

Nhưng near-miss không phải một “quả cầu tiên tri”

Hấp dẫn nhất cũng là nơi công nghệ dễ bị quảng cáo quá mức.

Một giao lộ có nhiều near-miss không đồng nghĩa chắc chắn sẽ có một vụ tai nạn nghiêm trọng vào tuần sau. Mối quan hệ giữa conflict và crash phụ thuộc vào hành vi, tốc độ, hình học và cách định nghĩa conflict.

Có những tương tác nhìn sát nhau nhưng được người tham gia kiểm soát tốt. Ngược lại, một tai nạn hiếm có thể đến từ tình huống đặc biệt mà dữ liệu near-miss quá khứ chưa từng quan sát.

Do đó, surrogate safety measures đúng như tên gọi: chỉ số thay thế, không phải bản sao hoàn hảo của tai nạn.

Chúng hữu ích nhất khi bổ sung cho crash history, tốc độ, lưu lượng, thiết kế đường, khiếu nại cộng đồng và đánh giá tại hiện trường.

FHWA từ lâu cũng coi conflict analysis là một cách bổ sung và tăng tốc đánh giá an toàn, không phải lý do để bỏ hoàn toàn dữ liệu tai nạn.

Computer vision vẫn có thể nhìn sai

Một hệ thống chỉ đáng tin nếu dữ liệu đầu vào đáng tin.

Camera có thể bị mưa che, ánh nắng chiếu thẳng, biển quảng cáo che khuất hoặc rung vì gió. Người đi xe đạp phía sau xe tải có thể biến mất khỏi khung hình trong vài giây. Ban đêm, quần áo tối màu làm việc nhận diện người đi bộ khó hơn.

Theo dõi đối tượng cũng có thể nhầm ID: AI tưởng một chiếc xe là hai xe khác nhau sau khi nó bị che khuất, khiến quỹ đạo bị đứt.

Sai số hiệu chuẩn hình học vài chục centimet có thể ảnh hưởng PET hoặc khoảng cách nhỏ nhất, đặc biệt khi phân tích giao cắt tốc độ cao.

LiDAR giải quyết một số vấn đề của camera nhưng tạo vấn đề khác. Radar đo tốc độ tốt nhưng thường ít chi tiết hình dạng hơn. Sensor fusion vì vậy hấp dẫn, nhưng nó làm hệ thống đắt và phức tạp hơn.

Không có cảm biến nào miễn nhiễm với lỗi.

Quyền riêng tư sẽ trở thành một phần của thiết kế giao lộ thông minh

Camera giao thông phân tích mọi người đi qua một khu vực công cộng tạo ra câu hỏi về quyền riêng tư.

Một hệ thống an toàn về lý thuyết không cần biết người đi bộ tên gì hay biển số của chiếc xe là gì. Nó chỉ cần biết một đối tượng loại “pedestrian” đang ở tọa độ A và một đối tượng loại “car” đang tiến từ B với vận tốc nào.

Vì vậy, một kiến trúc bảo vệ quyền riêng tư có thể xử lý video ngay tại edge, chỉ lưu quỹ đạo ẩn danh và xóa hình ảnh thô sau một khoảng thời gian ngắn.

LiDAR cũng có lợi thế ở một số ứng dụng vì point cloud không tạo ra khuôn mặt dễ nhận diện như video RGB, dù dữ liệu vị trí và hành vi vẫn có thể nhạy cảm.

Điểm quan trọng là không nên coi privacy là thứ bổ sung sau khi hệ thống được triển khai. Nếu hàng nghìn giao lộ trở thành mạng cảm biến liên tục, quy tắc về lưu trữ, truy cập và mục đích sử dụng dữ liệu phải được thiết kế ngay từ đầu.

Thành phố có thể sửa gì khi AI chỉ ra một near-miss hotspot?

Phát hiện rủi ro chỉ có giá trị nếu dẫn đến hành động.

Nếu conflict analysis cho thấy xe rẽ trái thường xuyên cắt mặt xe chạy thẳng, giải pháp có thể là pha rẽ trái được bảo vệ riêng.

Nếu xe rẽ phải đi quá nhanh khi qua vạch người đi bộ, thành phố có thể thu nhỏ bán kính góc cua, dựng curb extension hoặc điều chỉnh tín hiệu.

Nếu người đi bộ thường bắt đầu qua đường nhưng không kịp hết giao lộ, thời gian pha có thể cần kéo dài.

Nếu near-miss tập trung vào ban đêm, chiếu sáng và khả năng nhìn thấy có thể là vấn đề.

Nếu tất cả dòng xe đều có tốc độ quá cao, giải pháp có thể nằm ở hình học và speed management chứ không phải thêm biển cảnh báo.

Trong năm 2026, chương trình Safe Streets and Roads for All của U.S. DOT liệt kê phân tích dữ liệu bằng AI để nhận diện các vấn đề như near-miss và đi ngược chiều tại giao lộ như một ví dụ hoạt động có thể được tài trợ trong các dự án lập kế hoạch và trình diễn.

Điều đó cho thấy near-miss analytics đang dịch chuyển từ công cụ nghiên cứu sang một thành phần của quy trình đầu tư an toàn công cộng.

Từ dữ liệu lịch sử tới “digital twin” của giao lộ

Bước tiếp theo có thể là kết hợp dữ liệu quan sát với mô phỏng.

Camera cho biết hành vi thật đang xảy ra: tốc độ, lưu lượng, quỹ đạo và phản ứng. Những dữ liệu đó có thể được dùng để hiệu chỉnh một mô hình số của giao lộ.

Sau đó, kỹ sư có thể thử thay đổi trước khi sơn lại đường thật.

Nếu thêm làn rẽ trái thì conflict giảm hay tăng?

Nếu cấm rẽ phải khi đèn đỏ thì ảnh hưởng tới người đi bộ thế nào?

Nếu đặt làn xe đạp bảo vệ ở phía trong xe đỗ, điểm giao cắt chuyển tới đâu?

Nếu chu kỳ tín hiệu thay đổi, dòng xe có tạo ra một loại xung đột mới không?

FHWA đã sử dụng SSAM cho chính logic này từ sớm: quỹ đạo từ mô phỏng được chuyển thành xung đột để đánh giá an toàn của thiết kế mà chưa cần xây nó ngoài đời.

AI và dữ liệu cảm biến hiện nay có thể làm vòng lặp đó chính xác hơn: quan sát giao lộ thật, hiệu chỉnh mô hình, thử can thiệp số, chọn phương án, triển khai ngoài đường rồi lại đo near-miss để xem kết quả.

Tương lai có thể là giao lộ tự đo độ an toàn mỗi ngày

Hiện nay, nhiều chương trình an toàn hoạt động theo chu kỳ tương đối chậm: thu dữ liệu, viết báo cáo, xin ngân sách, thi công rồi vài năm sau đánh giá.

Một giao lộ có cảm biến và analytics liên tục có thể tạo chu kỳ ngắn hơn.

Mỗi ngày hệ thống biết số người qua đường, tốc độ phân bố, số lần vượt đỏ, số conflict và những vùng PET thấp. Khi có thay đổi – chẳng hạn trường học bắt đầu năm học mới hoặc công trường làm lệch dòng xe – profile rủi ro có thể thay đổi chỉ trong vài ngày.

Một dashboard có thể cảnh báo kỹ sư rằng giao lộ trước đây bình thường đang xuất hiện nhiều phanh gấp và xung đột xe–người đi bộ hơn mức nền.

Đây là phiên bản an toàn giao thông gần với monitoring trong an ninh mạng hoặc vận hành máy móc: không chờ hệ thống hỏng rồi mới điều tra, mà theo dõi các chỉ báo dẫn trước của sự cố.

An toàn giao thông có thể chuyển từ “đếm nạn nhân” sang “đếm cơ hội xảy ra tai nạn”

Một vụ tai nạn thường là điểm cuối của một chuỗi điều kiện: tốc độ cao, tầm nhìn kém, thiết kế gây nhầm lẫn, timing không phù hợp và cuối cùng là một sai sót nhỏ của con người.

Trong hàng trăm lần trước đó, cùng chuỗi điều kiện có thể đã xuất hiện nhưng người tham gia giao thông kịp phanh, kịp né hoặc đơn giản là lệch nhau thêm nửa giây.

Nếu chỉ thống kê tai nạn, tất cả những lần may mắn đó gần như biến mất khỏi dữ liệu.

Near-miss analytics cố lấy chúng trở lại.

Nó không loại bỏ sự cần thiết của báo cáo tai nạn, điều tra hiện trường hay kiến thức kỹ thuật truyền thống. Nhưng nó bổ sung một lớp thông tin mà trước đây rất khó thu ở quy mô thành phố: bao nhiêu lần hệ thống giao thông đã tiến gần tới thất bại nhưng chưa thực sự thất bại.

Đó có thể là thay đổi quan trọng nhất.

Một giao lộ không nên phải chứng minh rằng nó nguy hiểm bằng thương tích của một người.

Nếu hàng nghìn quỹ đạo đã cho thấy xe và người đi bộ liên tục tiến vào cùng một điểm với biên an toàn quá nhỏ, thành phố đã có lý do để nhìn kỹ hơn.

Trong tương lai, điểm đen giao thông có thể được sửa trước khi nó kịp trở thành “điểm đen” trong cơ sở dữ liệu tai nạn.

Và thước đo thành công tốt nhất của công nghệ này sẽ là một thứ rất khó nhìn thấy:

những vụ tai nạn không bao giờ xảy ra.

Nguồn tham khảo

• Federal Highway Administration (FHWA), “Surrogate Safety Assessment Model and Validation”, FHWA-HRT-08-051.
• Federal Highway Administration, “Surrogate Safety Assessment Model Overview” và tài liệu SSAM.
• Federal Highway Administration, Safety Compass, nội dung về Bellevue Traffic Conflict Analysis và Florida N-MISS.
• City of Bellevue, “Networkwide Traffic Data and Safety Analysis in Bellevue” và các tài liệu Vision Zero về video analytics.
• City of Bellevue, “State and federal grants to advance Vision Zero road safety”, 12/12/2024.
• U.S. Department of Transportation, ITS Joint Program Office, “Intersection Safety Challenge”, cập nhật đến 2026.
• Goli M. và cộng sự, “Creating a Data Science Competition for AI-Based Intersection Safety Systems”, U.S. DOT, 2026.
• Li P.T. và cộng sự, “Identifying Near-Misses (Including Red-Light Running) and Pedestrian/Bicyclist Safety Issues at Signalized Intersections Using LiDAR”, 2025.
• Li Y. và cộng sự, “Investigation of Emerging Sensing and AI/ML Technologies to Enhance the Safety of Vulnerable Roadway Users at Signalized Intersection”, U.S. DOT, 2026.
• U.S. Department of Transportation, “Intelligent Transportation Systems Use Cases for SS4A” và các ví dụ hoạt động Planning and Demonstration, cập nhật 2026.