面向交通安全建模的集成因果推断框架及语义街景视觉特征
计算机视觉与模式识别
2026-02-17 v1 人工智能
摘要
宏观交通安全建模旨在识别区域性事故的关键风险因素，从而为安全改进提供有针对性的政策干预。然而，当前方法高度依赖静态的人口学特征和基础设施指标，常常忽视驾驶员对驾驶环境视觉感知的影响。尽管已发现视觉环境特征对驾驶和交通事故有影响，但现有证据主要是观察性的，无法在复杂的空间环境下为交通政策评估建立稳健的因果关系。为填补这一空白，我们对谷歌街景图像进行语义分割，提取视觉环境特征，并提出一种双机器学习框架来量化其对区域性事故的因果效应。同时，我们利用 SHAP 值来表征模型中混杂变量的非线性影响机制，并应用因果森林来估计条件平均处理效应。基于佛罗里达州迈阿密大都会地区的事故记录和 22 万张街景图像，证据显示，绿化比例对交通事故具有显著且稳健的负因果效应（平均处理效应 = -6.38，p = 0.005）。这种保护效应呈现空间异质性，在人口稠密且社会上有缺口的城市核心地区最为显著。虽然绿化显著减轻了角向和后方事故，但其对易感道路使用者 (VRUs) 的保护效应有限。我们的发现为绿化作为潜在安全干预提供了因果证据，重点关注有风险的视觉环境，同时突显为保护 VRUs 所需的不同设计优化。
引用
@article{arxiv.2602.13339,
title = {An Integrated Causal Inference Framework for Traffic Safety Modeling with Semantic Street-View Visual Features},
author = {Lishan Sun and Yujia Cheng and Pengfei Cui and Lei Han and Mohamed Abdel-Aty and Yunhan Zheng and Xingchen Zhang},
journal= {arXiv preprint arXiv:2602.13339},
year = {2026}
}
备注
34 pages, 13 figures