将交通事故学习为语言：数据集、基准和假设因果分析
计算机视觉与模式识别
2024-06-18 v1
摘要
全球范围内不断上升的道路交通事故率不仅导致重大的生命损失，还给社会带来数十亿美元的财政负担。当前交通事故频率建模与分析的研究主要将该问题视为分类任务，侧重于基于学习的分类或集成学习方法。这些方法常常忽视了与交通事故和风险情况相关的复杂基础设施、环境、人为和情境因素之间的错综复杂关系。相比之下，我们首先提出了一个大规模交通事故语言数据集，名为CrashEvent，总结了19,340份真实世界的事故报告，并整合了华盛顿州的基础设施数据、环境和交通文本及视觉信息。利用这个丰富的数据集，我们进一步将事故事件特征学习表述为一个新颖的文本推理问题，并进一步微调各种大语言模型（LLM），以基于情境和环境因素预测详细的事故结果，例如事故类型、严重程度和受伤人数。所提出的模型CrashLLM与现有解决方案不同，它利用LLM固有的文本推理能力来解析和学习复杂的非结构化数据，从而能够对影响因素进行更细致的分析。我们的实验结果表明，我们基于LLM的方法不仅预测了事故的严重程度，还分类了不同类型的事故并预测了受伤结果，所有平均F1分数从34.9%提升到了53.8%。此外，CrashLLM可以利用学习到的推理特征，为许多开放世界中的假设情境感知交通安全分析提供有价值的见解，这是现有模型无法提供的。我们公开了我们的基准、数据集和模型，以供进一步探索。
引用
@article{arxiv.2406.10789,
title = {Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses},
author = {Zhiwen Fan and Pu Wang and Yang Zhao and Yibo Zhao and Boris Ivanovic and Zhangyang Wang and Marco Pavone and Hao Frank Yang},
journal= {arXiv preprint arXiv:2406.10789},
year = {2024}
}