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

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

该研究论文主要介绍了交通预测的重要性和如何通过应用新兴技术以及人工智能等方法来改善交通预测。同时，该论文还着重总结了多元交通时间序列建模的数据预处理方法以及未来研究的主要挑战。

May, 2023

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

该研究综合分析了美国不同地区的交通事故，并提出了一个使用交通监控摄像头和动作识别系统进行事故检测和交通分析的框架，将该框架与紧急服务整合，以提高交通事故的响应效率并减少人为错误。此外，研究还探讨了智能交通事故检测系统在智能城市中的应用，旨在改善交通管理和减少交通事故的严重程度。

Jul, 2023

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

本文探讨用于交通视频分析的深度学习方法，着重强调自动驾驶车辆和人类驾驶车辆的行驶安全。提出一个典型的处理流程，可以通过提取操作安全指标和提供通用提示和指南来理解和解释交通视频。主要包括视频增强、视频稳定、语义和事件分割、目标检测和分类、轨迹提取、速度估计、事件分析、建模和异常检测等几个步骤。重点在于选择最佳步骤并提供缺少模块的新设计来引导交通分析师开发他们自己的自定义处理框架。还回顾了现有的开源工具和公共数据集，以帮助训练深度学习模型。此外，还调查了与驾驶员认知评估、基于众包的监测系统、路边基础设施中的边缘计算、配备自动驾驶系统的汽车等相关的研究领域的联系和缺失方面。最后，回顾了交通监控系统的商业实施、未来展望以及广泛使用此类系统所面临的开放性问题和挑战。

Mar, 2022

利用计算机视觉和机器学习的方法，本研究论文展示了如何创建强大的算法以识别不同的交通违规行为，包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头，本研究应用 YOLOv5 算法的检测模块来识别交通参与者，如汽车、行人和交通标志，以及 strongSORT 算法进行连续帧间追踪。进一步，通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为，同时，识别模块提取车辆 ID 信息（如车牌号），生成违规通知并发送给相关部门。

Nov, 2023

本文介绍了一种新的数据集，用于评估机器学习算法在交通事故中预测伤势严重性方面的表现。数据集通过聚合英国交通部的公开数据集来创建，这些数据集在数据维度上具有极度不平衡以及有时缺少高达 50％的属性，可以通过 MissForest 模型处理。本文还介绍了两种基准方法来创建伤害预测器：一种是监督的人工神经网络，另一种是强化学习模型。该数据集可以刺激机器学习研究在不平衡数据集方面的多个方面，并且这两种方法可以用作在这个领域测试更高级学习算法时的基准参考。

May, 2022

本文综述了自动驾驶车辆 (AD) 的轨迹预测方法，重点讨论了基于机器学习的方法，包括深度学习和强化学习。该文还研究了常用的数据集和评估指标，并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向，本综述在 AD 轨迹预测方面做出了重要贡献。

Jul, 2023