基于上下文视觉变换器的交通事故风险预测
计算机视觉与模式识别
2022-09-23 v1 人工智能
摘要
近来，由于对交通疏导的重要影响，交通事故风险预测问题正受到智能交通系统领域的关注。文献中该问题通常通过数据驱动方法处理，这类方法对空间和时间上的事故影响进行建模，因为已被证明其对交通事故风险预测问题至关重要。为此，多数方法构建不同架构以捕获时空相关特征，使其在大型交通事故数据集上效率低下。因此，本工作中我们提出一种新颖的统一框架，即上下文视觉变换器（contextual vision transformer），可通过端到端方式训练，有效推理该问题的空间与时间方面，同时提供准确的交通事故风险预测。我们在来自两个不同地理位置的两个大规模交通事故数据集上，将所提方法的性能与文献中的基线方法进行评估和比较。结果显示，与文献中先前的最优工作（SoTA）相比，RMSE 分数约有 2% 的显著提升。此外，所提方法在两个数据集上均优于 SoTA 技术，同时仅需要少 23 倍的计算资源。
引用
@article{arxiv.2209.11180,
title = {Traffic Accident Risk Forecasting using Contextual Vision Transformers},
author = {Khaled Saleh and Artur Grigorev and Adriana-Simona Mihaita},
journal= {arXiv preprint arXiv:2209.11180},
year = {2022}
}