Oct, 2023

图神经网络用于道路安全建模：事故分析的数据集和评估

PDF
TL;DR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。
traffic accident analysisdeep-learning methodsaccident occurrencesgraph neural networksmultitask learning
发现论文，激发创造
  • 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

  • 用图神经网络建模交通参与者交互

    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

  • 用于交通预测的图神经网络：综述

    本论文对交通预测问题中应用图神经网络（包括图卷积和图注意力网络）进行了全面的综述和研究，展示了其在不同交通预测问题方面，如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等，取得的最新成果。同时，还提供了每个问题的公开数据和资源列表，并提出了未来的研究方向。

    Jan, 2021

  • 大数据和深度学习在智慧城市中的应用：面向 AI 驱动的交通事故检测和计算机视觉系统的综合数据集

    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

  • 智能交通系统中应用门控图神经网络提高交通密度预测

    该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

    Oct, 2023

  • 预测城市变化对行人和道路安全的影响

    本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响，结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施，从而提高行人和车辆的安全性。

    Feb, 2022

  • 交通事故分析与预测的最新进展：机器学习技术的综合综述

    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

  • 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

  • 基于图的 U-Net 模型用于预测未知城市的交通

    本研究旨在结合 U-Net 架构与图层操作，以提高交通数据预测的精确度和空间泛化能力。模型表现证明了该方法比基础 U-Net 更适用于预测不同道路网络的交通状况。

    Feb, 2022

  • DeepAccident: V2X 自动驾驶运动与事故预测基准

    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