基于 K 均值聚类和关联规则挖掘的 SAE 2 级和 4 级自动驾驶车辆崩溃模式数据驱动分析
机器学习
2026-01-05 v2
摘要
自动驾驶车辆 (AV) 有望减少或消除人为驾驶错误，提高交通安全，并支持可持续的交通出行。最近的崩溃数据显示，AV 行为可能偏离预期的安全结果，这引发对其在混合交通环境中安全性和运行可靠性的担忧。虽然过去的研究已探讨过 AV 崩溃，但大多数研究依赖小规模以加州为中心的数据集，且仅限于了解不同自动驾驶水平 (SAE Levels) 上的崩溃趋势。本研究分析来自美国国家高速公路交通安全管理局 (NHTSA) 的超过 2500 条 AV 崩溃记录，涵盖 SAE 2 级和 4 级，揭示潜在的崩溃动力学。开发了一个两阶段数据挖掘框架。首先应用 K 均值聚类将崩溃记录分为 4 个基于时间、空间和环境因素的行为簇。随后，使用关联规则挖掘 (ARM) 从每个簇中的崩溃模式及其贡献因素（包括照明条件、路面条件、车辆动力学和环境条件）中提取可解释的多变量关系。这些发现为 AV 开发商、安全监管机构和政策制定者在制定 AV 部署策略和最小化崩溃风险方面提供了可操作的指导。
引用
@article{arxiv.2512.22589,
title = {Data-Driven Analysis of Crash Patterns in SAE Level 2 and Level 4 Automated Vehicles Using K-means Clustering and Association Rule Mining},
author = {Jewel Rana Palit and Vijayalakshmi K Kumarasamy and Osama A. Osman},
journal= {arXiv preprint arXiv:2512.22589},
year = {2026}
}
备注
7 tables, 7 figures, 23 pages including references