CrashFormer：一种预测事故风险的多模态架构

减少交通事故是至关重要的全球公共安全问题。事故预测是提高交通安全的关键，它能在事故发生前采取主动措施，并为安全政策、法规和针对性干预提供信息。尽管过去几十年有大量关于事故预测的研究，但由于输入数据或问题表述的限制，许多研究在泛化性、可复现性或实际应用的可行性方面存在局限。为了解决现有不足，我们提出了 CrashFormer，这是一种多模态架构，利用全面（但相对容易获取）的输入，如事故历史、天气信息、地图图像和人口统计信息。该模型以合理可接受的频率（即每六小时一次）预测面积为 5.161 平方公里的地理位置的未来事故风险。CrashFormer 由五个组件组成：一个用于利用历史事故和天气数据的序列编码器，一个用于利用地图图像数据的图像编码器，一个用于利用人口统计信息的原始数据编码器，一个用于聚合编码特征的特征融合模块，以及一个接受聚合数据并做出相应预测的分类器。在美国 10 个主要城市进行的大量真实世界实验结果表明，当使用“稀疏”输入数据时，CrashFormer 在 F1 分数上平均优于最先进的序列和非序列模型 1.8%。