多模态交通分析：整合时间序列预测、事故预测与图像分类
机器学习
2025-04-25 v1
摘要
本研究提出了一种集成机器学习框架，用于先进的交通分析，结合了时间序列预测、分类和计算机视觉技术。该系统利用 ARIMA(2,0,1) 模型进行交通预测（MAE: 2.1），使用 XGBoost 分类器进行事故严重程度分类（在平衡数据上的准确率为100%），以及用于交通图像分类的卷积神经网络（CNN，准确率为92%）。在多样化数据集上测试，该框架的性能优于基线模型，并识别了影响事故严重程度的关键因素，包括天气和道路基础设施。其模块化设计支持在智能城市系统中部署，用于实时监控、事故预防和资源优化，为智能交通系统的演进做出了贡献。
引用
@article{arxiv.2504.17232,
title = {Multi-Modal Traffic Analysis: Integrating Time-Series Forecasting, Accident Prediction, and Image Classification},
author = {Nivedita M and Yasmeen Shajitha S},
journal= {arXiv preprint arXiv:2504.17232},
year = {2025}
}
备注
5 pages,10 figures