迈向集成式跨城市事故预防系统：一种面向城市安全管理的多任务时空学习框架
机器学习
2026-01-12 v1
摘要
由于城市事故数据的异质性、报告不一致以及固有的聚集性、稀疏性、周期性和噪声特性，开发跨城市事故预防系统尤其具有挑战性。这些内在的数据属性，加上分散的治理和不兼容的报告标准，长期阻碍了集成式跨城市事故预防框架的创建。为解决这一空白，我们提出了 Mamba 局部注意力时空网络 MLA-STNet，这是一个将事故风险预测形式化为跨多个城市的多任务学习问题的统一系统。MLA-STNet 集成了两个互补模块：(i) 时空地理 Mamba-注意力模块，用于抑制不稳定的时空波动并增强长程时间依赖性；(ii) 时空语义 Mamba-注意力模块，通过共享参数设计联合训练所有城市，同时保留各自的语义表示空间，从而缓解跨城市异质性。我们使用来自纽约市和芝加哥的真实世界数据集，在全天和高频事故时段两种预测场景下，通过 75 个实验验证了所提出的框架。与最先进的基线相比，MLA-STNet 的 RMSE 降低了高达 6%，召回率提高了 8%，MAP 提高了 5%，同时在 50% 输入噪声下保持低于 1% 的性能变化。这些结果表明，MLA-STNet 在一个可扩展、鲁棒且可解释的跨城市事故预防系统中有效统一了异构城市数据集，为协调和数据驱动的城市安全管理铺平了道路。
引用
@article{arxiv.2601.05521,
title = {Toward an Integrated Cross-Urban Accident Prevention System: A Multi-Task Spatial-Temporal Learning Framework for Urban Safety Management},
author = {Jiayu Fang and Zhiqi Shao and Haoning Xi and Boris Choy and Junbin Gao},
journal= {arXiv preprint arXiv:2601.05521},
year = {2026}
}
备注
38pages, 18figures