该研究使用机器学习、计量经济学和统计方法研究了英国的道路交通事故严重程度，通过对历史数据进行相关性分析、回归模型、GMM 分析解决误差项问题以及 VAR 和 ARIMA 模型的时间序列预测等技术和方法，我们的研究方法在 MASE 指标为 0.800，ME 指标为 - 73.80 时相对于朴素预测具有更好的性能，此外我们构建了一个随机森林分类器，分类准确性达到了 73%，召回率为 78%，F1 得分为 73%，使用 H2O AutoML 优化后得到的 XGBoost 模型的 RMSE 为 0.176，MAE 为 0.087，因子分析确认了重要变量，并且应用 SHAP 可解释的人工智能方法，对 Driver_Home_Area_Type 和 Road_Type 等有影响的因素进行了突出显示，这项研究加深了对事故严重程度的理解并为基于证据的道路安全政策提供了洞见。

Sep, 2023

此研究通过对最近在交通事故分析和预测中应用机器学习技术的全面回顾，解决了道路安全领域中对先进预测方法的需求。通过分析 191 项研究，重点关注预测事故风险、频率、严重程度、持续时间以及事故数据的统计分析，该研究展示了整合多样化数据源和先进机器学习技术以提高预测准确性并处理交通数据复杂性的有效性。该综述是首次提供如此全面的回顾，概述了与事故分析和预测相关的广泛领域最新研究现状。通过绘制当前研究格局并鉴别文献中的不足，该研究旨在引导未来研究，实现到 2030 年显著减少与交通相关的死亡和伤害目标，与世界卫生组织（WHO）的目标相一致。

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

这项研究调查了使用随机森林机器学习算法预测事故严重程度的有效性，在大型都市地区的事故记录数据集上训练模型并使用各种指标进行评估，结果显示随机森林模型能够有效地预测事故严重程度，准确率超过 80%，并确定了模型中最重要的变量，包括风速、气压、湿度、可见度、晴朗状况和云量，这些结果表明，提出的模型在解释目标变量 —— 事故严重程度类别方面具有更高的性能，因此可以帮助减少美国道路事故造成的死亡和伤害数量。

Oct, 2023

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

本研究关注应用先进的技术方法提高交通事故的检测，通过引入一种创新的综合数据集来增强智能城市中的计算机视觉和动作识别系统，旨在填补现有研究的空白，提供用于交通事故检测的基准数据集，以推动学术研究并提升实时事故检测应用，从而实现更安全、更高效的智能城市环境的发展。

Jan, 2024

本文提出了 DeepAccident 数据集，据此可以直接评估不同自动驾驶算法的事故预测能力，这个数据集包含了多种真实世界中常见的事故场景，并提供了可用于感知和预测任务的多视角数据，并展示了基于 V2X 的运动和事故预测任务及 3D 物体检测的基准模型 V2XFormer。

Apr, 2023

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

通过对脆弱道路用户的分类不平衡、性能评估和偏见影响评估进行研究，我们提出了一种模型优化和偏见缓解的方法，包括数据增强、重采样和度量特定学习，以改善自动驾驶中感知系统的准确性和公正性。

Jan, 2024

本研究使用机器学习方法，通过分析巴西联邦区交通事故数据并结合当地天气条件，成功预测事故热点区域，并表明事故位置比天气参数对事故发生的影响更为重要，强调地方干预对减少事故数量的重要性。

Dec, 2023