学习几何感知的近失误差以实现实时崩溃发生风险预测：基于群组随机参数统一广义极值模型的走廊级联框架
应用统计
2026-02-23 v4 统计计算
摘要
实时走廊级联崩溃发生风险 (COR) 预测具有挑战性，因为现有的近失极值理论 (EVT) 模型常常过于简化碰撞几何、忽略了车辆-基础设施 (V-I) 互动，以及不充分考虑交通和道路条件中的空间异质性。本研究发展了几何感知的二维碰撞时间 (2D-TTC) 近失提取框架，并将其集成到分层贝叶斯群组随机参数统一广义极值模型 (HBSGRP-UGEV) 中，用于估计城市走廊的短期 COR。该框架建立在先前的群组 EVT 形式之上，显式地容纳了车辆-车辆 (V-V) 和车辆-基础设施 (V-I) 近失过程于统一的走廊级联建模结构中。对 Argoverse-2 数据集中的高分辨率轨迹进行分析，覆盖为迈阿密 Biscayne Boulevard 28 个地点的极端近失事件。该模型将车辆动力学和道路特征作为协变量，并通过分段和交叉口的部分池化来捕捉走廊级联的异质性。结果表明，HBSGRP-UGEV 框架优于固定参数 HBSFP-UGEV 模型，对于 V-V 互动将 BIC 降低最高可达 7.5%，对于 V-I 互动降低 3.1%。基于接收者运行特征曲线下面积 (ROC-AUC) 的预测验证显示分类性能良好，V-V 区域为 0.89，V-V 交叉口为 0.82，V-I 区域为 0.79，V-I 交叉口为 0.75。
引用
@article{arxiv.2509.02871,
title = {Learning from geometry-aware near misses to real-time COR: A corridor-wide grouped random parameters GEV framework},
author = {Mohammad Anis and Yang Zhou and Dominique Lord},
journal= {arXiv preprint arXiv:2509.02871},
year = {2026}
}
备注
13 figures, 8 Tables