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

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

该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

Mar, 2019

交通事故分析是提升公共安全和制定道路规章的关键。本文介绍了 AccidentGPT 的概念，它是一个交通事故分析的基础模型，可以通过多模态输入数据自动重建事故过程视频，并提供多任务分析和多模态输出。AccidentGPT 的设计包括多模态输入、任务导向的自适应性、标记和未标记数据的混合训练模式以及边缘 - 云拆分配置，以实现数据隐私保护。为了充分实现此模型的功能，我们提出了一些研究机会。本文作为填补传统交通事故分析方法的空白和引起研究界对自动、客观和隐私保护的交通事故分析的关注的基石。

Jan, 2024

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

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

本文提出了一个新的方法，即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN)，将时间信息嵌入节点嵌入向量中，取得了比现有的时间图方法更好的预测性能和在线推理延迟。

Apr, 2023

提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络（MA2GCN），通过将车辆轨迹数据转换为以网格形式的图结构化数据，提出了基于不同网格之间的移动性的车辆进出矩阵。同时，为了提高模型性能，还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息，并在上海出租车 GPS 轨迹数据集上表现出最佳性能。

Jan, 2024

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

通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

Sep, 2023