预测 Powered Two-Wheeler 骑手的时间压力用于主动安全干预

时间压力在主动安全系统中对powered two-wheeler骑手的风险机动和崩溃风险具有关键影响，但其预测仍未得到充分探索。我们构建了一个包含129,000+个标记的多变量时间序列数据集，来自153次51名参与者的骑行，涵盖No、Low和High时间压力三种条件。每个序列包含63个特征，涉及车辆运动学、控制输入、行为违规及环境背景。我们的实证分析表明，与No时间压力相比，High时间压力导致速度提高48%，速度波动性增加36.4%，交叉口风险转向增加58%，急刹增加36%，后刹车力度提高50%。为评估该数据集，我们提出MotoTimePressure模型，结合卷积预处理、双阶段注意力机制和Squeeze-and-Excitation特征重校准，实现91.53%的准确率和98.93%的ROC AUC，超越六个基线模型，仅需172K参数、0.66 MB模型规模，CPU上推理仅需0.21 ms。由于时间压力无法在现实中实时测量，我们展示了其在碰撞预测和阈值确定中的实际用途。将MTPS预测的時間压力作为特征，可将Informers（91.25%→93.51%）和TimesNet（92.10%→93.90%）的碰撞风险准确率提升至接近oracle性能（93.72%和94.06%）。阈值化的时间压力状态捕捉骑手的认知压力，支持自适应警报、触觉反馈、V2I信号和速度引导等主动ITS干预，促进Safe System方法下更安全的两轮车出行。