通过再平衡动态与静态数据预测二次事故的时间空间分布——基于生成对抗网络的 VarFusiGAN-Transformer 模型
人工智能
2025-01-20 v1
摘要
数据不平衡是分析和预测突发交通事件的常见问题。二次事故仅占所有事故的一小比例，但这些由一次事故引发的二次事故会显著恶化交通拥堵并增加事故的严重程度。然而，二次事故数据严重不平衡对预测模型构成挑战，影响其泛化能力和预测准确性。现有方法未能充分解决交通事故数据的复杂性，尤其是动态特征与静态特征的共存问题，以及处理样本长度不同的难题。此外，大多数现有研究分别预测二次事故的发生概率和时空分布，缺乏综合性解决方案。为此，本文提出一种混合模型 VarFusiGAN-Transformer，旨在提高二次事故数据生成的保真度，并联合预测其发生情况和时空分布。VarFusiGAN-Transformer 模型运用长短期记忆网络（LSTM）来增强多变量长时间序列数据的生成，同时引入静态数据生成器和辅助判别器，以建模动态特征与静态特征的联合分布。此外，模型的预测模块实现了二次事故发生情况和时空分布的同步预测。与现有方法相比，本文提出的模型在生成高保真数据和提高预测准确性方面表现优异。
引用
@article{arxiv.2501.10041,
title = {Spatiotemporal Prediction of Secondary Crashes by Rebalancing Dynamic and Static Data with Generative Adversarial Networks},
author = {Junlan Chen and Yiqun Li and Chenyu Ling and Ziyuan Pu and Xiucheng Guo},
journal= {arXiv preprint arXiv:2501.10041},
year = {2025}
}