基于Beta分布学习的可靠道路崩溃风险评估

道路交通事故代表全球健康危机，每年导致超过百万人死亡，耗费不少国家高达GDP的3%。传统的交通安全研究常就风险因素进行单独分析，忽视建筑环境中固有的空间复杂性和情境相互作用。此外，常规的神经网络风险估计器通常生成点估计，而不传递模型不确定性，限制了其在关键决策中的实用性。为此，我们引入一种新型地理空间深度学习框架，利用卫星图像作为综合空间输入。该方法使模型能够捕捉贡献致命性交通事故风险的细微空间模式和嵌入的环境风险因素。与其生成单一确定性输出，我们的模型对致命性交通事故风险估计出完整的Beta概率分布，实现准确且具有不确定性感知的预测——这是可信赖AI在安全关键应用中的关键特性。我们的模型通过实现召回率提升17-23%（召回率是标记潜在危险的关键指标），实现了更好的校准。通过仅从卫星图像提供可靠且可解释的风险评估，我们的方法实现了更安全的自主导航，并为城市规划者和政策制定者提供了一种高可扩展、具成本效益的工具，以公平的方式提升道路安全。