本研究通过文本挖掘分析探索交通事故叙述，旨在为交通安全政策的制定和提升提供信息支持。该研究采用文本挖掘技术来揭示叙述中的关键主题和趋势，以深入了解交通事故的影响因素。研究收集了约旦五条重要高速公路的事故数据，涵盖了 2018 年至 2022 年的 7,587 条记录。采用无监督学习方法从事故数据中学习模式，同时运用主题建模、关键词提取和词共现网络等文本挖掘技术揭示了事故模式的共现情况。结果表明，文本挖掘分析是一种有前景的方法，强调了交通事故的多因素性质，包括人类决策与车辆状况的交织。所有分析中的反复主题突显了采取平衡的道路安全方法的重要性，融合积极和消极的措施。重视驾驶员教育和关于动物相关事件的意识是至关重要的。

Jun, 2024

本研究在大规模交通事故语言数据集 CrashEvent 的基础上，利用大型语言模型 CrashLLM 提出了一种新的交通事故特征学习方法，从复杂的、非结构化数据中解析和学习，预测交通事故的类型、严重程度和受伤人数，并通过学习的推理特征为交通安全分析提供有价值的洞见。

Jun, 2024

本研究通过在百余辆出租车上安装行车记录仪，建立了一个交通近失事故数据库（NIDB），用于帮助自动驾驶车辆和高级驾驶辅助系统（ADAS）自我学习，并开发了一种近失识别方法，其性能可与人类对近失事故的理解相媲美。

Apr, 2018

通过数据科学方法，将土耳其地区最近 5 年地震活动作为关联规则挖掘任务的基础，发现了各种距离地区之间的统计推断和地质证据，为未来基于机器学习算法的关联规则挖掘工作提供了统计依据。

Dec, 2023

本文使用多层 seq-2-seq 自动编码器以及分层聚类来进行精确的驾驶模式分析，得出特定训练数据集的可靠分类器。研究表明，该方法显著优于基准性能。

May, 2022

该研究提出了一种新颖的因果机器学习框架，用于准确估计高速公路不同类型车祸对交通速度的因果效应，该框架基于尼曼 - 鲁宾因果模型、条件 Shapley 值指数和结构因果模型，并结合双重稳健学习方法估算治疗效果。实验结果表明在不同的距离和持续时间下，追尾碰撞引起的拥堵更严重且持续时间更长，而侧面碰撞的延迟影响最长。此外，研究结果还显示夜间追尾碰撞对交通的影响较大，而在高峰时段碰撞到物体的影响最显著。通过统计假设检验、匹配的 “反事实结果” 的误差度量以及敏感性分析进行评估，结果验证了该方法的准确性和有效性。

Jan, 2024

通过使用无人机记录道路使用者的自然行为，我们提出了一个综合的，大规模的城市十字路口数据集，其中包含来自德国四个路口的超过 11500 个使用者，包括车辆，自行车手和行人。该数据集可用于非商业研究。

Nov, 2019

本文提出了一种全新的、结合了逻辑约束的自动驾驶数据集 ROad event Awareness Dataset with logical Requirements（ROAD-R），通过该数据集证明当前最先进的模型经常违反逻辑约束，并建立了能够更好地遵守逻辑约束的模型。

Oct, 2022

本研究旨在使用高校管理系统的事件数据分析高等教育学生的学习路径，为他们的学习规划提供有价值的指导。通过运用流程和数据挖掘技术探索所学课程序列对学业成功的影响，我们生成基于数据的决策树模型，用于学习规划，并与推荐的学习计划进行比较评估。评估侧重于 RWTH Aachen 大学计算机科学本科生，证明所提出的课程顺序特征能有效解释学业表现指标，并为进一步开发更具适应性的学习规划提出了建议。

Oct, 2023

使用多智能体仿真实现具有可信行为的道路用户模型的问题尚未解决。数据驱动方法是通过推断在真实情况中可能存在的行为，从大量观察中获取不同类型的轨迹，并使用其分类来训练能够推测这种行为的模型。该研究在考虑车辆和两种不同类型的弱势道路用户的基础上，提出了轨迹聚类方法，并评估了从原始数据中提取明确定义的轨迹类别的方法，同时将 “离奇” 或不完整的轨迹与在任何场景下都具有代表性和完整的轨迹分离开来。然后通过三个不同的交叉口和一个环形交叉口作为测试环境，使用开发的方法进行测试。所得到的轨迹簇可以用于预测或学习任务，或者如果由离群值组成则可以舍弃。

Jul, 2024