AAAIFeb, 2020

RiskOracle：一种以分钟级的频率预测城市交通事故的框架

PDF
TL;DR本文提出了一个基于 RiskOracle 框架的实时交通事故预测模型，采用 Differential Time-varying Graph 神经网络来捕捉交通状态的即时变化和动态子区域之间的相关性，采用多任务和区域选择方案来弥合偏见风险值和零散事故分布之间的差距，在两个真实数据集上进行的广泛实验表明了我们 RiskOracle 框架的有效性和可扩展性。
real-time traffic accident forecastingriskoracle frameworkdifferential time-varying graph neural networkmulti-task and region selection schemessporadic accident distribution
发现论文，激发创造
  • 基于上下文视觉转换器的交通事故风险预测

    本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

    Sep, 2022

  • 图神经网络用于道路安全建模：事故分析的数据集和评估

    本文通过构建一个大规模、统一的数据集，总计 900 万条交通事故记录，并结合道路网络和交通量报告，评估了现有的深度学习方法在预测道路上事故发生的准确性。研究发现，图神经网络（如 GraphSAGE）能够准确预测道路上事故的数量，平均绝对误差低于 22%（相对于实际计数），并且对于是否会发生事故的预测准确率高达 87% 以上（通过平均州统计）。通过多任务学习考虑州际变异性和迁移学习将交通量与事故预测相结合，取得这些结果。消融研究凸显了道路图结构特征的重要性。最后，讨论了分析的意义并开发了一个使用该数据集的便捷包。

    Oct, 2023

  • 基于序列的时空图卷积网络用于分钟级和道路级交通事故风险预测

    利用 GCN 和 LSTM 相结合的顺序空时图卷积网络（SST-GCN）预测首尔的道路数据集构建的分钟级和道路级交通事故，实验证明 SST-GCN 在分钟级预测方面胜过其他最先进的模型。

    May, 2024

  • 自然驾驶情境下的概率不确定性感知危险路段探测器

    本文提出了基于生存分析考虑的概率情况风险模型，并将其扩展到自然地结合感性、时间和行为不确定性的真实场景。结果风险点检测器 (RSD) 应用于真实驾驶数据，显示了路面重要性地图，相较于 Time Headway (TH) 和 Time-To-Contact (TTC), 我们的方法在预测风险方面更具有选择性和特异性。

    Mar, 2023

  • 时空图神经网络的不确定性量化用于交通事故风险预测

    在本研究中，我们引入了时空零膨胀 Tweedie 图神经网络 (STZITD-GNNs)，该模型将传统统计模型的可靠性与图神经网络的灵活性相结合，旨在准确量化与道路级交通事故风险相关的不确定性，并在捕捉数据集的倾斜分布方面起到了积极的作用，特别是对于罕见但具有影响力的严重事故。经过使用来自英国伦敦的真实交通数据的实证测试，证明了我们的模型在超过当前基准之上在短期（7 天）和长期（14 天）时间范围内的鲁棒预测能力。

    Sep, 2023

  • 多类实时碰撞风险预测：基于卷积神经网络的伊斯坦布尔案例研究

    该研究通过使用人工神经网络（ANN）来预测事故风险，在分析交通和天气数据后，选择相关特征作为输入数据，并使用卷积神经网络模型学习处理这些特征，最终表现出较其他模型更好的性能，建议将其作为多类别预测模型来实时预测事故风险。

    Feb, 2024

  • 交通事故持续时间预测的双层框架：在实用的优化管道中充分利用天气和道路状况数据

    本研究使用多种机器学习模型来预测交通事故对道路交通的短期或长期影响，并确定事故的精确持续时间，结果显示天气条件、风寒和风速是决定交通事故持续时间最有影响力的因素。

    Nov, 2023

  • TAP: 道路网络交通事故预测的综合数据存储库

    本研究旨在构建一个基于图形结构的交通事故预测数据仓库并评估不同机器学习方法的效果，通过将图形神经网络等特殊的机器学习算法应用于交通事故预测问题中，本研究展示了交通事故预测与道路网络的关系。

    Apr, 2023

  • 基于不确定性的时空关系学习在交通事故预测中的应用

    本研究提出了一个基于不确定性的事故预测模型，其中利用图卷积和循环神经网络进行关系特征学习，利用贝叶斯神经网络处理潜在关系表示的本质变异性，并使用新的 CCD 数据集验证了该模型在普通和新编译数据集上的表现优越性。

    Aug, 2020

  • 以代理人为中心的风险评估：事故预测和危险区域定位

    提出了一种基于软关注机制的循环神经网络模型，用于分析事故的发生概率和发生位置，实验证明该方法在两个数据集上均优于其他基准模型。

    May, 2017