Bezpieczeństwo ruchu drogowego w dużym stopniu zależy od wpływu reklam przydrożnych na dyskomfort kierowców, ponieważ zbyt duże zmiany parametrów oświetleniowych reklam oraz kontrastu względem otoczenia mogą powodować zmęczenie wzroku oraz obniżać koncentrację kierującego pojazdem. Niniejsza praca uwzględnia istotne czynniki związane z luminancją reklam/otoczenia  i infrastrukturą drogową w celu przetestowania kilku modeli uczenia maszynowego do szacowania dyskomfortu kierowcy wywoływanego przez billboardy reklamowe. Przeprowadzono trening i ocenę czterech modeli klasyfikacyjnych — regresji logistycznej, drzewa decyzyjnego, lasu losowego oraz sieci neuronowej — z wykorzystaniem zbioru danych obejmującego pomiary luminancji reklam/otoczenia oraz charakterystykę dróg. Do oceny modeli wykorzystano dokładność, czułość, swoistość oraz pole pod krzywą ROC (AUC). Wydajność modeli zoptymalizowano metodami regularyzacji LASSO i ElasticNet, walidację modeli przeprowadzono metodą 10-krotnej walidacji krzyżowej. Sieć neuronowa wyróżniała się równowagą pomiędzy odsetkiem wyników fałszywie pozytywnych i fałszywie negatywnych, osiągając 93,18% dokładności, czułość na poziomie 96,97% oraz swoistość na poziomie 81,82%. Regresja logistyczna uzyskała dokładność 86,36%, lecz wykazała niższą swoistość (45,45%), co zwiększyło odsetek wyników fałszywie pozytywnych. Natomiast drzewo decyzyjne osiągnęło najniższą zdolność klasyfikacyjną (75,00% dokładności, 72,18% AUC), podczas gdy model lasu losowego wypadł dość dobrze (79,55% dokładności, 81,13% AUC). Głównymi czynnikami przewidującymi dyskomfort kierowcy były maksymalna luminancja reklamy, kontrast względem otoczenia oraz średnia luminancja reklam, natomiast charakterystyka drogi miała niewielki wpływ. W szczególności sieci neuronowe pokazują, że algorytmy uczenia maszynowego mogą z dużą precyzją oceniać poziom dyskomfortu kierowców wobec reklam w pasie drogowym. Wyniki te dostarczają informacji pomocnych przy formułowaniu zasad mających na celu zwiększenie bezpieczeństwa ruchu i optymalizację warunków oświetlenia w pasie drogowym. W przyszłych badaniach należy rozważyć zaawansowane konfiguracje głębokich sieci neuronowych oraz systemy wykrywania dyskomfortu w czasie rzeczywistym w dynamicznych warunkach jazdy.