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

卡车司机的安全氛围对事故预防起着重要作用，通过聚类分析司机的安全氛围感知有助于组织更有针对性地干预。本研究提出了一个可解释的聚类方法来分析安全氛围，并比较了 5 种聚类算法。在收集了超过 7000 名美国卡车司机的数据基础上，研究发现监管照料在区分不同司机群体中起关键作用。

Oct, 2023

本研究介绍了如何利用人工神经网络技术对货物进行负载安全评估，该技术利用由卡车司机或货物管理员拍摄的货物照片，通过一种训练有素的两阶段人工神经网络分类算法将其分为三个不同的等级来进行评估，以减少不安全的负载造成的事故风险和罚款。

Jun, 2023

基于科学的认证方法，该研究提出了在未经训练的操作环境中评估预训练数据驱动模型可行性的方法，通过深入整合领域知识和数据驱动的人工智能模型，利用物理和相关学科的理论和分析模型，提供安全可靠的工程系统的决策支持，以提高人工智能模型在限制训练数据和动态不确定条件下的可靠性和安全性。

Mar, 2024

本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法，利用深度预测模型从传统视频流中预测即将到来的事故，并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型，实验表明当多个摄像头作为输入源时，该方法能够较为准确地预测即将发生的事故。

Nov, 2017

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

通过科学认证方法研究在新的工作环境中使用预训练数据驱动模型的可行性，该方法结合领域知识、理论模型和物理学等学科，提供一种安全工程系统开发工具，通过模拟结果量化预训练模型的物理不一致性，以评估在新的工作环境中使用预训练模型的适用性。

May, 2024

本文总结了基于因果推论对深度学习进行的可解释性和稳健性研究的最新进展，强调了交通运输领域深度学习基础的可解释性和稳健性问题，并提出发展因果学习模型应用于移动性分析的机遇。

Oct, 2022

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

应用迁移学习提高自主安全系统的安全验证效率，并通过学习的注意力权重将以前安全验证任务的知识转移到未来任务中以改进性能。

Dec, 2020