NsBM-GAT：用于通用交通碰撞风险预测的非平稳块极大值与图注意力框架
计算机视觉与模式识别
2025-03-07 v1
摘要
准确预测个体车辆的交通碰撞风险对于提升车辆安全至关重要。虽然交通碰撞风险预测受到了广泛关注，但现有研究面临两个主要挑战：第一，由于碰撞前个体车辆数据的稀缺性，大多数模型依赖于研究人员认为危险的假设场景，这引发了对其在实际碰撞前条件下适用性的质疑。第二，一些碰撞风险预测框架是从行车记录仪视频中学习的。尽管此类视频捕捉了个体车辆的碰撞前行为，但它们通常缺乏关于周围车辆运动的关键信息。然而，车辆与周围车辆之间的交互对碰撞发生具有高度影响力。为克服这些挑战，我们提出了一种新颖的非平稳极值理论（EVT），其中协变量函数通过图注意力网络以非线性方式进行优化。EVT组件通过概率分布纳入碰撞的随机性，从而增强了模型的可解释性。值得注意的是，非线性协变量函数使模型能够捕捉目标车辆与多个周围车辆之间的交互行为，从而促进不同驾驶任务中的碰撞风险预测。我们使用100组通过无人机在三年内从汇入和交织路段收集的真实碰撞前的车辆轨迹数据来训练和测试我们的模型。我们证明我们的模型成功学习了碰撞的微观前兆，并在非线性协变量函数的帮助下拟合了更准确的分布。我们在测试数据集上的实验表明，所提出的模型通过同时提供更准确的追尾和侧碰预测，优于现有模型。
引用
@article{arxiv.2503.04018,
title = {NsBM-GAT: A Non-stationary Block Maximum and Graph Attention Framework for General Traffic Crash Risk Prediction},
author = {Kequan Chen and Pan Liu and Yuxuan Wang and David Z. W. Wang and Yifan Dai and Zhibin Li},
journal= {arXiv preprint arXiv:2503.04018},
year = {2025}
}