从叙事到概率推理：基于大语言模型预测与解释车辆事故中危险行为驱动因素
人工智能
2025-10-16 v1 机器学习
摘要
车辆事故涉及道路使用者之间的复杂互动、细秒级决策以及具备挑战性的环境条件。其中，两车事故最为常见，约占道路事故的70%，在交通安全方面构成重大挑战。识别驾驶员危险行为（Driver Hazardous Action, DHA）对于理解事故成因至关重要，但大规模数据库中DHA数据的可靠性受制于不一致且耗时的手动编码实践。本文提出一种创新框架，利用微调后的大语言模型自动从文本化事故叙述中推断DHA，从而提高DHA分类的有效性和可解释性。我们使用来自MTCF的五年两车事故数据，对Llama 3.2 1B模型进行微调，并将其性能与常规机器学习分类器（包括随机森林、XGBoost、CatBoost和神经网络）进行基准测试。微调后的大语言模型实现了80%的总体准确率，超越所有基线模型，在不平衡数据情景下表现尤为突出。为提升可解释性，我们发展了一种概率推理方法，分析模型输出在原始测试集和三个针对性对抗情景（驾驶员注意力分散与年龄变化）下的变化。我们的分析发现，为一名驾驶员引入注意力分散会显著增加“一般不安全驾驶”的可能性；两名驾驶员均被注意力分散会最大化“两名驾驶员均采取危险行为”的概率；分配给青少年驾驶员会显著提升“超速和停止违规”的可能性。我们的框架和分析方法为大规模自动化DHA检测提供了稳健且可解释的解决方案，为交通安全分析和干预提供了新的机遇。
引用
@article{arxiv.2510.13002,
title = {From Narratives to Probabilistic Reasoning: Predicting and Interpreting Drivers' Hazardous Actions in Crashes Using Large Language Model},
author = {Boyou Chen and Gerui Xu and Zifei Wang and Huizhong Guo and Ananna Ahmed and Zhaonan Sun and Zhen Hu and Kaihan Zhang and Shan Bao},
journal= {arXiv preprint arXiv:2510.13002},
year = {2025}
}