ST-GraphNet：用于理解和预测自动驾驶车辆碰撞严重程度的时空图神经网络
机器学习
2025-12-12 v1
摘要
理解自动驾驶车辆（AV）碰撞严重程度的空间和时间动态对于推进城市交通安全和基础设施规划至关重要。本文引入了 ST-GraphNet，一个时空图神经网络框架，旨在建模和预测 AV 碰撞严重程度，同时使用细粒度和区域聚合后的空间图。我们使用来自德克萨斯州（2024 年）2352 条真实世界 AV 相关碰撞报告的平衡数据集，包括地理坐标、碰撞时间戳、SAE 自动化水平和叙述描述，构建了两种互补的图表示：（1）细粒度图，其中单个碰撞事件作为节点，边通过时空邻近性定义；（2）粗粒度图，其中碰撞聚合到基于 H3 的六边形层次空间索引格子中，通过六边形相邻性连接。图中每个节点都包含多模态数据，包括语义、空间和时间属性，以及来自预训练 Sentence-BERT 模型的碰撞叙述文本嵌入。我们评估了各种图神经网络（GNN）架构，如图卷积网络（GCN）、图注意力网络（GAT）和动态时空 GCN（DSTGCN），用于分类碰撞严重程度和预测高风险区域。我们的 proposed ST-GraphNet 在粗粒度 H3 图上采用 DSTGCN 主干，实现了 97.74% 的测试准确率，显著优于最佳细粒度模型（64.7% 测试准确率）。这些发现突显了空间聚合、动态消息传递和多模态特征集成在捕捉 AV 碰撞严重程度背后复杂时空模式方面的有效性。
引用
@article{arxiv.2506.08051,
title = {ST-GraphNet: A Spatio-Temporal Graph Neural Network for Understanding and Predicting Automated Vehicle Crash Severity},
author = {Mahmuda Sultana Mimi and Md Monzurul Islam and Anannya Ghosh Tusti and Shriyank Somvanshi and Subasish Das},
journal= {arXiv preprint arXiv:2506.08051},
year = {2025}
}