基于致命事故报告数据分析的情境化时空注意力引导以支持计算机视觉致命事故风险感知

减少交通死亡和重伤是美国交通部的首要任务。基于计算机视觉（CV）的近碰撞阶段事故预判正受到越来越多的关注。更早感知致命事故风险的能力也至关重要，因其将提升事故预判的可靠性。然而，用于训练可靠AI模型以实现事故风险早期视觉感知的标注图像数据并不充足。致命事故分析报告系统（FARS）包含致命事故的大数据，是学习驾驶场景特征与致命事故之间关系以弥补CV局限性的可靠数据源。因此，本文从致命事故报告数据开发了一个称为情境化时空注意力引导的数据分析模型，该模型可根据检测对象的环境与上下文信息估计其与致命事故的相关性。首先，本文识别出五个稀疏变量，得以将5年致命事故数据集分解以开发情境化注意力引导。随后，对事故报告数据中位置与时间相关变量的探索性分析建议将致命事故归约为空间定义的组群。组群的时间模式是该组内致命事故相似性的指标。层次聚类与K-means聚类依据时间模式相似性将空间定义组群合并为六个簇。之后，关联规则挖掘为每个簇发现驾驶场景时间信息与事故特征间的统计关系。本文展示了所开发的注意力引导如何支持初步CV模型的设计与实现，该模型可依据环境与上下文信息识别可能卷入致命事故的对象。