STARN-GAT：用于事故严重程度预测的多模态时空图注意力网络
人工智能
2025-07-29 v1
摘要
精准预测交通事故严重程度对于提高道路安全、优化应急响应策略以及制定更安全的交通设施具有重要意义。然而，现有方法往往难以有效建模支配事故结果的空间、时间和情境变量之间的复杂相互作用。本研究引入 STARN-GAT（Multi-Modal Spatio-Temporal Graph Attention Network），它利用自适应图构建和模态感知注意力机制来捕获这些复杂关系。与传统方法不同，STARN-GAT 将道路网络拓扑、时序交通模式和环境情境整合到统一的注意力框架中。该模型在 Fatality Analysis Reporting System (FARS) 数据集上进行评估，在严重事件预测中达到 Macro F1 分数 85%、ROC-AUC 为 0.91 和召回率 81%。为确保该方法在南亚地区的可推广性，STARN-GAT 还在 ARI-BUET 交通事故数据集上进行了验证，在该数据集上实现了 Macro F1 分数 0.84、召回率 0.78 和 ROC-AUC 0.89。这些结果表明该模型在识别高风险案例方面具有有效性，并具有在实际中等风险交通管理系统中部署的潜力。此外，基于注意力的架构增强了可解释性，提供了关于贡献因素的见解，支持 AI 辅助决策中的可信度。总体而言，STARN-GAT 弥合了先进图神经网络技术与实际道路安全分析应用之间的差距。
引用
@article{arxiv.2507.20451,
title = {STARN-GAT: A Multi-Modal Spatio-Temporal Graph Attention Network for Accident Severity Prediction},
author = {Pritom Ray Nobin and Imran Ahammad Rifat},
journal= {arXiv preprint arXiv:2507.20451},
year = {2025}
}
备注
10 pages