Data-driven road risk modeling via deep learning: the RoadSafeAI framework

Road safety remains a critical global challenge, with over 1.19 million fatalities each year (World Health Organisation data). Traditional accident-based analyses are often hindered by incomplete, inconsistent or scarce data, underscoring the need for alternative, scalable and data-efficient risk assessment methods. This thesis introduces RoadSafeAI, a novel data-driven framework that estimates road infrastructure-related risk using only topological map images, operating even in the complete absence of accident records. This represents a significant shift from conventional safety analysis, enabling proactive risk assessment where ground-truth data is limited or unavailable. The proposed method constructs a continuous road risk index derived from approximately 80,000 harsh-braking events collected from 10,000 real vehicles circulating in the city of Milan during 2024. Each risk value is associated with a 200 m x 200 m tile of the urban environment. A regression model based on a modified ResNet-18 (CNN) architecture is then trained to predict this index directly from high-resolution OpenStreetMap images. The model is quantitatively validated using spatial K-fold cross-validation within the Milan area and further assessed by generating high-resolution heat maps of predicted risk. To test its generalisation capability, RoadSafeAI is also deployed in urban areas outside Milan where it produces coherent and meaningful risk patterns. Overall this work demonstrates, for the first time at this scale, that deep convolutional networks can infer road risk solely from map topology, providing a scalable, transferable and data-efficient tool to support safety-orientated mobility and urban planning.

La sicurezza stradale è una sfida globale fondamentale, con oltre 1,19 milioni di vittime ogni anno (dati dell'Organizzazione Mondiale della Sanità). Le analisi tradizionali basate sugli incidenti sono spesso ostacolate da dati incompleti, incoerenti o scarsi, sottolineando la necessità di metodi di valutazione del rischio alternativi, scalabili ed efficienti dal punto di vista dei dati. Questa tesi introduce RoadSafeAI, un nuovo framework basato sui dati che stima il rischio legato alle infrastrutture stradali utilizzando solo immagini topologiche delle mappe, funzionando anche in completa assenza di registrazioni di incidenti. Ciò rappresenta un cambiamento significativo rispetto all'analisi di sicurezza convenzionale, consentendo una valutazione proattiva del rischio laddove i dati reali sul campo sono limitati o non disponibili. Il metodo proposto costruisce un indice di rischio stradale continuo derivato da circa 80.000 eventi di frenata brusca raccolti da 10.000 veicoli reali che circolano nella città di Milano nel 2024. Ogni valore di rischio è associato a una tessera di 200 m x 200 m dell'ambiente urbano. Viene quindi addestrato un modello di regressione basato su un'architettura ResNet-18 (CNN) modificata per prevedere questo indice direttamente dalle immagini ad alta risoluzione di OpenStreetMap. Il modello viene convalidato quantitativamente utilizzando la validazione incrociata spaziale K-fold nell'area di Milano e ulteriormente valutato generando mappe termiche ad alta risoluzione del rischio previsto. Per testarne la capacità di generalizzazione, RoadSafeAI viene implementato anche in aree urbane al di fuori di Milano, dove produce modelli di rischio coerenti e significativi. Nel complesso, questo lavoro dimostra, per la prima volta su questa scala, che le reti convoluzionali profonde possono dedurre il rischio stradale esclusivamente dalla topologia delle mappe, fornendo uno strumento scalabile, trasferibile ed efficiente in termini di dati per supportare la mobilità orientata alla sicurezza e la pianificazione urbana.