基于混合VAE扩散生成神经网络的提升多类型数据驱动的碰撞频率建模
人工智能
2025-09-25 v2 数据库
摘要
碰撞频率建模分析了交通量、道路几何和环境条件等因素对碰撞发生的影响。不准确的预测会扭曲我们对这些因素的理解，导致政策误导和资源浪费，进而危及交通安全。碰撞频率建模的一个关键挑战是大量零观测值的普遍存在，这些零观测值是由于报告不足、碰撞概率低以及数据收集成本高而引起的。这些零观测值常常降低模型准确性并引入偏差，使安全决策变得复杂。虽然已有方法，如统计方法、数据聚合和抽样，试图解决这一问题，但它们要么依赖限制性假设，要么会导致显著的信息丢失，扭曲碰撞数据。为克服这些限制，我们提出了一种混合VAE扩散神经网络，旨在减少零观测值并处理多类型表格碰撞数据 (计数、有序、名义和实值变量) 的复杂性。我们通过相似性、准确性、多样性和结构一致性等指标评估了该模型生成的合成数据质量，并将其预测性能与传统统计模型进行了比较。我们的发现表明，混合VAE扩散模型在所有指标上均优于基准模型，为增强碰撞数据和提高碰撞频率预测准确性提供了更有效的方法。该研究突显了合成数据在提高交通安全、改进碰撞频率建模和制定更佳政策方面的潜力。
引用
@article{arxiv.2501.10017,
title = {Enhancing Crash Frequency Modeling Based on Augmented Multi-Type Data by Hybrid VAE-Diffusion-Based Generative Neural Networks},
author = {Junlan Chen and Qijie He and Pei Liu and Wei Ma and Ziyuan Pu and Nan Zheng},
journal= {arXiv preprint arXiv:2501.10017},
year = {2025}
}