基于逆碰撊概率建模的实时司机安全评分
机器学习
2026-04-01 v2 人工智能
分布式、并行与集群计算
新兴技术
摘要
道路碰撊仍是可预防死亡的主要原因。现有的预测模型主要产生二元结果，为实时司机反馈提供有限的可操作见解。这些方法常常缺乏连续的风险量化、可解释性，以及对 vulnerable road users（VRUs）如行人和自行车等的明确考虑。本研究引入 SafeDriver-IQ—a 一个将二元碰撊分类器转化为 0-100 分连续安全评分的框架，通过将全国碰撊统计数据与自动驾驶车辆的自然驾驶数据相结合来实现。该框架将国家高速公路交通安全管理局（NHTSA）碰撊记录与 Waymo Open Motion Dataset scenario 融合，工程师域内的特征工程，并纳入基于交通安全文献的校准层。通过 15 项互补分析的评估表明，该框架可靠地区分高风险和低风险驾驶情境，表现出强大的判别性能。进一步的发现表明，87% 的碰撊涉及多个共同发生的风险因素，呈现非线性的复合效应，将风险提高至基准水平的 4.5 倍。SafeDriver-IQ 为先进司机辅助系统（ADAS）、车队管理和城市基础设施规划提供了主动、可解释的安全情报。该框架将焦点从被动的碰撊计数转向实时的风险预防。
引用
@article{arxiv.2603.14841,
title = {Real-Time Driver Safety Scoring Through Inverse Crash Probability Modeling},
author = {Joyjit Roy and Samaresh Kumar Singh and Sushanta Das},
journal= {arXiv preprint arXiv:2603.14841},
year = {2026}
}
备注
10 pages, 13 figures, and 14 tables. Submitted in EIT 2026 Conference hosted by The University of Wisconsin-La Crosse and sponsored by IEEE Region 4 (R4)