基于深度学习的方法：用于车祸严重程度预测的混合CNN-RNN框架
机器学习
2025-10-07 v1
摘要
准确且及时地预测车祸严重程度对于减轻交通事故的严重后果至关重要。在为提供适当的医疗援助和交通服务方面，智能交通系统依赖于有效的预测方法。深度学习模型因能够捕捉变量之间的非线性关系而在该领域获得了流行。在本研究中，我们实现了一个用于车祸严重程度预测的混合CNN-RNN深度学习模型，并将其性能与广泛使用的统计和机器学习模型（如逻辑回归、贝叶斯分类器、K近邻（KNN）、决策树以及单独的深度学习模型：RNN和CNN）进行了比较。该研究采用一种考虑交通事故各种特征之间相互关系的方法。该研究使用一组为期七年（2015至2021年）在弗吉尼亚州高速公路I-64上收集的15,870条事故记录进行。研究结果表明，所提出的CNN-RNN混合模型在预测车祸严重程度方面优于所有基准模型。这一结果说明了混合模型的有效性，因为它结合了RNN和CNN模型的优势，以实现更高的预测准确性。
引用
@article{arxiv.2510.04316,
title = {Crash Severity Prediction Using Deep Learning Approaches: A Hybrid CNN-RNN Framework},
author = {Sahar Koohfar},
journal= {arXiv preprint arXiv:2510.04316},
year = {2025}
}