inTformer：一种基于时间嵌入注意力的Transformer，利用网联车辆数据预测交叉口碰撞可能性
机器学习
2023-08-30 v4
摘要
实时碰撞可能性预测模型是主动式交通安全管理系统的核心组成部分。多年来，大量研究试图构建碰撞可能性预测模型以提升交通安全，但大多针对高速公路。在现有多数研究中，研究者主要采用基于深度学习的框架来识别碰撞潜力。近来，Transformer作为一种潜在的深度神经网络崭露头角，其从根本上通过基于注意力的机制运作。相较于LSTM、CNN等现有深度学习模型，Transformer具有若干功能优势。首先，Transformer能轻松处理数据序列中的长期依赖。其次，Transformer在训练时可并行处理数据序列中的所有元素。最后，Transformer不存在梯度消失问题。认识到Transformer的巨大潜力，本文提出inTersection-Transformer（inTformer），一种基于时间嵌入注意力的Transformer模型，可有效实时预测交叉口碰撞可能性。所提模型使用从Signal Analytics Platform提取的网联车辆数据进行了评估。鉴于交叉口交通运行机理复杂，本研究将交叉口区域划分为交叉口内与进口道两个不同区域，构建了区域特异性模型。在“交叉口内”和“进口道”区域的最佳inTformer模型分别取得了73%和70%的灵敏度。该区域级模型还与先前交叉口碰撞可能性预测研究以及在同一网联车辆数据集上训练的若干成熟深度学习模型进行了比较。
引用
@article{arxiv.2307.03854,
title = {inTformer: A Time-Embedded Attention-Based Transformer for Crash Likelihood Prediction at Intersections Using Connected Vehicle Data},
author = {B M Tazbiul Hassan Anik and Zubayer Islam and Mohamed Abdel-Aty},
journal= {arXiv preprint arXiv:2307.03854},
year = {2023}
}
备注
29 pages, 10 figures, 8 tables