TraffiDent：用于理解交通动态与事故相互作用的数据集
机器学习
2026-03-17 v2 人工智能
摘要
长期以来，关于交通与事故这两个高度相关轨迹的研究始终稀缺。交通轨迹会给深度学习模型带来复杂性挑战，例如通过提升预测准确率仅能增加几个百分点；而事故轨迹仅研究事故本身，例如推断事故风险。我们首次将两个轨迹在大规模区域(16,972 个交通节点)上进行年份跨度(2022-2024)的时空对齐：我们的 TraffiDent 数据集包括交通数据，即关于交通流、车道占用率和平均车速的时间序列指标，以及事故数据，其记录与交通数据在时空上对齐，并包含七种不同的事故类别。此外，每个节点还包含车道的详细物理和政策层面的元属性。以往的数据集通常仅包含交通或事故数据，限制了研究仅限于一般预测任务。TraffiDent 将两者集成，使能够进行交通事故相互作用和因果关系的详细分析。为展示其广泛适用性，我们设计：(1) 事后交通预测，用于量化不同事故对交通指标的影响；(2) 使用交通指标进行事故分类，以确定事故类型以制定预防措施；(3) 在交通指标、元属性和事故之间的全局因果分析，以提供各种因素间关系的高层指导；(4) 在路网节点内的局部因果分析，以检验不同事故如何影响路段关系。该数据集可在 https://xaitraffic.github.io 获取。
引用
@article{arxiv.2407.11477,
title = {TraffiDent: A Dataset for Understanding the Interplay Between Traffic Dynamics and Incidents},
author = {Xiaochuan Gou and Ziyue Li and Tian Lan and Junpeng Lin and Zhishuai Li and Bingyu Zhao and Chen Zhang and Di Wang and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2407.11477},
year = {2026}
}