在数据受限场景中实现 CMF 估计：一种语义编码知识挖掘模型

精确估计碰撞修正因子（CMFs）是评估各类道路安全改善措施效果并据此优先安排基础设施投资的核心。尽管针对每个对策场景的定制化研究是理想的，传统的 CMF 估计方法严重依赖给定地点碰撞数据的可得性。这不仅使估计成本高昂，而且结果可迁移性较差，因为不同安全对策场景间的内在相似性未被充分挖掘。为填补此缺口，本研究引入了一种用于 CMF 预测的崭新知识挖掘框架。该框架深入探究现有对策间的联系，降低 CMF 估计对碰撞数据可得性与人工数据收集的依赖。具体而言，它从人类理解过程获得启发，引入先进的自然语言处理（NLP）技术，从现有 CMF 知识中提取复杂变异与模式。它有效将非结构化的对策场景编码为机器可读表示，并建模场景与 CMF 值间的复杂关系。这一新数据驱动框架提供了一种具成本效益且可适应的解决方案，补充了针对特定案例的 CMF 估计方法，在碰撞数据可得性或时间受限时尤为有益。使用真实世界 CMF Clearinghouse 数据的实验验证证明了该新方法的有效性，其相较基线方法展现出显著的精度提升。该方法为在各类应用中利用已积累的交通知识的新可能提供了见解。