本文介绍了一种使用混合方法通过对语义交通场景图进行推理来预测多模态轨迹的方法 SemanticFormer。该方法从知识图谱中提取语义元路径的高级信息，并通过多个注意机制的新型流水线对其进行处理，以预测准确的轨迹。所提出的架构包括一个分层异构图编码器，可以捕捉代理之间及代理与道路元素之间的时空和关系信息，以及一个使用概率融合不同编码并解码轨迹的预测器。最后，一个改进模块评估轨迹和速度配置文件的准许元路径，以获得最终的预测轨迹。与现有方法相比，对 nuScenes 基准测试的评估显示出改进的性能。

Apr, 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

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

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

在现代网络物理系统和智能交通系统中，提高道路安全和交通管理已成为一个重要的关注领域。通过引入一种新的基于 transformer 的方法 —VT-Former，并结合 Graph Attentive Tokenization (GAT) 模块，我们提出了一种精确的车辆轨迹预测方法。在三个基准数据集上的研究表明，VT-Former 在车辆轨迹预测方面具有最先进的性能，并且具有普适性和鲁棒性。我们还评估了 VT-Former 在嵌入式板上的效率，并探讨了其作为样本应用的车辆异常检测潜力，展示了其广泛的适用性。

Nov, 2023

该研究提出了一种基于时间嵌入的注意力机制的 Transformer 模型，用于实时预测交叉口事故可能性，并通过与其他已建立的深度学习模型的比较证实了该模型的可行性。

Jul, 2023

本文提出了一种新的预测驾驶行为的框架，称为 “跨视图情节记忆变换器 (CEMFormer)”，能够通过时空变换器来学习驾驶员行为的一致内部表现，集成车内外摄像头信息和历史数据，利用提出的上下文一致损失作为辅助监督信号来改善预测性能，使用 Brain4Cars 数据集的广泛实验表明 CEMFormer 在驾驶员意图预测方面始终优于现有最先进的方法。

May, 2023

本文提出了一种基于注意力机制的动作预测体系结构，并探讨了不同融合方法的有效性。结果表明，相比于其他模态融合方法，早期融合的模态无关架构在 Waymo Open MotionDataset (WOMD) 和 Argoverse 排行榜中都有着最优秀的表现。

Jul, 2022

通过使用机器学习技术，结合交通事故和气象数据，该研究旨在预测交通事故的严重程度并减少交通事故。

Jun, 2022

论文提出了一个新的 Transformer 模型 AgentFormer，该模型可以联合模拟时间和社交两个维度，用于预测多智能体行为，同时考虑了多智能体的影响以及不确定性。该模型具有良好的性能，并在公共数据集上取得了 state-of-the-art 的结果。

Mar, 2021