基于定制化大语言模型的可靠且可解释的交通事故模式预测与安全干预

预测碰撞事件对于理解碰撞分布及其促成因素至关重要，从而能够设计主动的交通安全政策干预。然而，现有方法难以解释交通事故数据各种来源之间的复杂相互作用，这些来源包括数值特征、文本报告、碰撞图像、环境条件和驾驶员行为记录。因此，它们往往无法捕捉这些多样化数据源中嵌入的丰富语义信息和错综复杂的相互关系，限制了其识别关键碰撞风险因素的能力。在本研究中，我们提出了 TrafficSafe，一个适配大语言模型（LLMs）将碰撞预测和特征归因重构为基于文本推理的框架。我们收集了一个包含 58,903 份真实世界报告以及相关基础设施、环境、驾驶员和车辆信息的多模态碰撞数据集，并将其文本化为 TrafficSafe 事件数据集。通过在该数据集上定制和微调大语言模型，TrafficSafe 大语言模型在 F1 分数上相比基线模型平均提升了 42%。为了解释这些预测并揭示促成因素，我们引入了 TrafficSafe Attribution，一个支持条件风险分析的句子级特征归因框架。研究结果表明，酒驾是严重碰撞事故的首要因素，攻击性行为和与驾驶能力受损相关的行为对严重碰撞的贡献几乎是其他驾驶员行为的两倍。此外，TrafficSafe Attribution 在模型训练过程中突出了关键特征，为迭代性能提升提供了战略性碰撞数据收集的指导。所提出的 TrafficSafe 为交通安全研究带来了变革性的飞跃，为将先进的人工智能技术转化为负责任、可操作且能挽救生命的成果提供了蓝图。