Recent Advances in Traffic Accident Analysis and Prediction: A Comprehensive Review of Machine Learning Techniques
George Mason University（乔治梅森大学）；Ohio State University（俄亥俄州立大学）
本文针对道路安全对先进预测方法的需求，全面综述近五年191项机器学习应用于交通事故分析与预测的研究，梳理前沿进展与研究空白，为实现WHO 2030年减少交通伤亡目标指引未来研究方向。
2024-06-20 cs.LG
HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident Forecasting on Heterogeneous Spatio-Temporal Data
University of Iowa（爱荷华大学）；Northern Illinois University（北伊利诺伊大学）；Worcester Polytechnic Institute（伍斯特理工学院）
交通事故预测是交通管理和公共安全的重要问题。然而，由于环境的空间异质性和事故在空间和时间上的稀疏性，这个问题是具有挑战性的。交通事故的发生受到时空特征之间复杂依赖关系的影响。最近的交通事故预测方法已经尝试使用深度学习模型来提高准确性。然而，大多数这些方法要么集中在小规模和均匀的地区，如人口稠密的城市，或简单地使用基于滑动窗口的集成方法，这是不足以处理大区域的异质性。为了解决这些局限性，本文提出了一种新的层次知识转移网络（HintNet）模型，以更好地捕捉不规则的异质性模式。HintNet执行多级空间分区，以分离具有不同风险的子区域，并使用时空和图形卷积为每个级别学习深度网络模型。通过跨级别的知识转移，HintNet实现了更高的准确性和更高的培训效率。对来自爱荷华州的真实事故数据集进行的大量实验表明，HintNet在空间异构和大规模区域上的表现优于最先进的方法。
2022-03-07 cs.LG
Injury risk prediction for traffic accidents in Porto Alegre/RS, Brazil
本研究描述了机器学习技术的实验应用，以建立预测模型，可以评估与交通事故相关的伤害风险。这项工作使用了2013年期间在阿雷格里港/RS（巴西）市发生的交通事故记录的免费数据集。这项研究还提供了一个分析的最重要的属性的交通事故，可能产生的结果，伤害的人在事故中。
2015-02-01 cs.AI cs.LG
TRACER: Training-Free Closed-Loop Structured Inference for Traffic Accident Reconstruction
State Key Laboratory of Internet of Things for Smart City（智能城市物联网国家重点实验室）
提出无训练框架TRACER，通过闭环结构化推理，在几何、运动学和交互约束下迭代优化事件锚定运动假设，实现与人类专家工作流一致的可解释交通事故重建。
2026-06-25 cs.LG
AI on the Road: A Comprehensive Analysis of Traffic Accidents and Accident Detection System in Smart Cities
University of Cincinnati（辛辛那提大学）；Central Michigan University（中央密歇根大学）
该研究基于美国NHTSA的CRSS数据对各地交通事故做综合分析，提出结合交通监控摄像头与动作识别系统的事故检测框架，可联动应急服务提升响应效率，为智慧城市交通管理和交通安全改善提供实用方案。
2023-07-22 cs.AI cs.CV cs.CY
TAP: A Comprehensive Data Repository for Traffic Accident Prediction in Road Networks
Illinois Institute of Technology（伊利诺伊理工学院）；National University of Singapore（新加坡国立大学）
本文构建了覆盖全国的图结构交通事故预测数据仓库TAP，并提出TRAVEL模型捕获路网角度与方向信息，在事故发生率与严重程度预测上优于多种GNN基线。
2023-04-17 cs.LG cs.SI
Learning physically grounded traffic accident reconstruction from public accident reports
State Key Laboratory of Internet of Things for Smart City（物联网智能城市国家重点实验室）；Department of Civil Engineering（土木工程系）；Department of Computer and Information Science（计算机与信息科学系）
本文提出基于公共报告和现场测量的参数化多模态学习框架，构建了6217个真实事故案例数据集CISS-REC，实现了交通事故重建的高保真度，优于现有基线方法。
2026-04-29 cs.CV cs.LG
Comparison Analysis of Tree Based and Ensembled Regression Algorithms for Traffic Accident Severity Prediction
Khwaja Fareed University of Engineering and Information Technology（哈瓦贾·法里德工程与信息技术大学）；Islamia University Bahawalpur（巴哈瓦尔布尔伊斯兰大学）
随着时间的推移，城市道路交通量的快速增长已经改变了全球的交通状况。它还增加了道路事故的比例，在最坏的情况下，这些事故可能是严重和致命的。为了提高城市道路交通安全水平和管理水平，需要对事故严重程度进行预测。各种机器学习模型正在用于事故预测。在这项研究中，基于树的集成模型（随机森林，AdaBoost，额外的树，和梯度提升）和集成的两个统计模型（逻辑回归随机梯度下降）作为投票分类器进行比较，用于预测交通事故的严重程度。通过随机森林识别与事故严重程度强相关的重要特征。分析证明，随机森林是最好的性能模型与最高的分类结果为0.974的准确率，0.954的精度，0.930召回率和0.942 F-分数使用20个最显着的特征相比，其他技术的道路交通事故严重程度的分类。
2020-10-27 cs.LG cs.OH
An Explainable Machine Learning Approach to Traffic Accident Fatality Prediction
Institute of Information Technology（信息技术学院）；University of Dhaka（达卡大学）；Accident Research Institute（事故研究所）；Bangladesh University of Engineering and Technology（孟加拉工程技术大学）
本研究针对发展中国家道路交通事故致死预测需求，采用多类机器学习算法结合SHAP可解释性方法，基于达卡事故数据实现0.72的ROC-AUC得分，明确致死关键影响因素，为道路安全策略制定提供依据。
2024-09-18 cs.LG
Modeling Severe Traffic Accidents With Spatial And Temporal Features
New York University（纽约大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们提出了一种方法来估计交通事故的严重程度，在汇总（区域级）和分解（点级）的数据。探索空间特征，我们衡量道路网络的复杂性，使用几个区域级变量。还使用纽约市开放数据的时间和其他情景特征，我们使用梯度提升模型进行推理和测量特征重要性，以及高斯过程来建模数据中的空间依赖性。结果表明，聚合模型的复杂性以及预测中的其他特征具有重要意义，这可能有助于制定预防严重交通事故和伤害的政策和针对性干预措施。
2019-06-25 cs.LG stat.ML
Application of Time Series Analysis to Traffic Accidents in Los Angeles
Hangzhou Dianzi University（杭州电子科技大学）；University of California Riverside（加州大学河滨分校）
随着洛杉矶在许多方面的改善，越来越多的人倾向于居住或旅行到城市。本文的主要目的是应用一套方法对洛杉矶过去几年的交通事故进行时间序列分析。从2010年至2019年每月收集的交通事故数量显示，交通事故发生季节性，波动性增加。本文利用集成方法，结合几种不同的方法，从不同的角度来建模的数据，这可以导致更好的预测精度。IMA（1，1）、ETS（A，N，A）和两个带傅立叶项的模型在独立性假设检验中失败。然而，由集成方法生成的在线梯度下降（OGD）模型在数据建模中显示出完美的拟合，这是我们候选模型中最先进的模型。因此，通过我们的模型，可以更容易地根据以前的数据准确预测未来的交通事故，这可以帮助设计人员制定更好的计划。
2019-11-28 cs.LG stat.AP
AccidentGPT: Large Multi-Modal Foundation Model for Traffic Accident Analysis
Technology Innovation Institute（技术创新研究所）
本文提出交通事故分析基础模型AccidentGPT，结合多模态输入与边云分离架构，实现事故过程自动重建及多任务多模态分析，克服传统方法的主观性、单模态和隐私问题。
2024-01-05 cs.AI cs.CV cs.DC
Statistical and Machine Learning Analysis of Traffic Accidents on US 158 in Currituck County: A Comparison with HSM Predictions
Elizabeth City State University（埃里克森州立大学）
本研究利用统计与机器学习方法分析美国158号公路交通事故，通过随机森林预测受伤严重程度并验证热点区域，为提升交通安全性提供方法学支持。
2025-12-26 cs.LG
Application of the Affinity Propagation Clustering Technique to obtain traffic accident clusters at macro, meso, and micro levels
Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
事故分组是确定事故多发地点的关键步骤。在不同的事故分组模式中，聚类方法在发现事故在空间上的不同分布方面表现出优异的性能。这项工作介绍了相似性传播聚类（APC）方法分组交通事故的基础上，在空间中的数据点分布之间的相似性和相异性的标准。APC从实例之间的相似性矩阵提供了事件分布的更真实的表示。结果表明，当获得具有代表性的数据样本时，相似性偏好参数为模型的校准和根据期望特征生成聚类提供了必要的性能。此外，研究表明，偏好参数作为一个连续的参数，有利于校准和控制模型的收敛性，允许发现聚类模式与更少的努力和更大的控制结果
2022-02-09 cs.DC cs.LG
Applying Deep Learning to Detect Traffic Accidents in Real Time Using Spatiotemporal Sequential Data
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
事故检测是交通安全的重要组成部分。许多道路使用者遭受交通事故，以及其后果，如延误，拥堵，空气污染等。在这项研究中，我们利用两种先进的深度学习技术，长短期记忆（LSTM）和门控循环单元（GRUs），检测芝加哥的交通事故。选择这两种技术是因为已知它们对顺序数据（即，时间序列）。完整的数据集包括241起事故和6,038起非事故案例，来自芝加哥高速公路，它包括交通时空数据，天气条件数据和拥堵状态数据。此外，由于数据集是不平衡的（即，数据集包含比事故案例多得多的非事故案例），采用合成少数过采样技术（SMOTE）。总体而言，这两个模型的表现非常好，曲线下面积（AUC）均为0.85。尽管如此，GRU模型在检测率方面的表现略好于LSTM模型。这两种模型的性能是类似的误报率。
2019-12-22 cs.LG eess.SP stat.ML
LISA: Learning-Integrated Space Partitioning Framework for Traffic Accident Forecasting on Heterogeneous Spatiotemporal Data
Harbin Institute of Technology（哈尔滨工业大学）；University of Iowa（爱荷华大学）；Northern Illinois University（北伊利诺伊大学）；Massachusetts Institute of Technology（麻省理工学院）；Logistics and Supply Chain MultiTech R&D Centre（物流及供应链多元技术研发中心）
提出LISA框架，在训练模型的同时学习空间划分，以预测精度指导划分过程，解决交通事故预测中的空间异构性问题，平均提升基线网络13.0%。
2024-12-19 cs.LG
AITP: Traffic Accident Responsibility Allocation via Multimodal Large Language Models
Global Institute of Future Technology（未来技术全球研究院）
本文提出AITP模型，结合多模态链式推理和法律知识检索，解决交通事故责任分配问题，并构建DecaTARA基准测试集，验证模型在责任分配、事故检测和理解任务中的领先性能。
2026-04-11 cs.CL cs.CV cs.LG
Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis
Northeastern University（东北大学）
针对交通事故预测缺乏统一公开数据集的问题，本文构建含900万条记录的大规模数据集，并评估发现GraphSAGE结合多任务与迁移学习可高精度预测事故数量及发生情况。
2025-10-21 cs.LG cs.SI
Clustering Algorithms to Analyze the Road Traffic Crashes
University of Asia Pacific（亚太大学）；West Chester University（西切斯特大学）；King Saud University（沙特国王大学）
选择一个合适的聚类方法，以及在道路事故数据的最佳数量的集群有时是混乱和困难的。本文分析了不同的现有技术适用于集群事故易发区的缺点，并建议使用基于密度的空间聚类的应用程序与噪声（DBSCAN）和排序点，以确定聚类结构（OPTICS），以克服它们。比较性能分析的基础上记录的情况下，在北卡罗来纳州的道路交通事故的真实数据，也表明这些算法实现了更有效性和效率。
2021-08-07 cs.LG
Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark
本文介绍了一个新的数据集，以评估机器学习算法在交通事故中的伤害严重性的预测性能。该数据集是通过聚合来自英国交通部的公开数据集创建的，这些数据集严重不平衡，缺失的属性有时接近整体数据维度的50%。本文介绍了数据分析管道，从公开的道路交通事故数据开始，以可能的伤害及其严重程度的预测因素结束。它通过MissForest模型解决了公共数据的巨大不完整性。本文还介绍了两种基线方法来创建损伤预测：监督人工神经网络和强化学习模型。该数据集可以潜在地刺激不平衡数据集上机器学习研究的各个方面，当研究人员在该领域测试更先进的学习算法时，这两种方法可以用作基线参考。
2022-05-20 cs.AI cs.LG
Reinforcement Learning for Predicting Traffic Accidents
Korea Advanced Institute of Science and Technology（韩国科学技术院）
随着自动驾驶需求的增加，确保安全至关重要。最近，使用深度学习方法进行早期事故预测以提高驾驶安全性受到了广泛关注。在这项任务中，以仪表盘摄像头视频作为输入，确定早期事故预测和驾驶员应该查看的位置预测。我们建议利用双演员和正则化的批评（DARC）的方法，第一次，在这个事故预测平台。我们从DARC中获得灵感，因为它是目前最先进的连续动作空间上的强化学习（RL）模型，适用于事故预测。结果表明，通过利用DARC，我们可以使预测平均提前5\%，同时提高了多个指标的精度相比，现有的方法。结果表明，使用我们基于RL的问题制定可以显着提高自动驾驶的安全性。
2022-12-09 cs.AI cs.LG
Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction
University College London (UCL)（伦敦大学学院）；Peking University (PKU)（北京大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院）；University of Florida（佛罗里达大学）
本文提出首个道路级交通事故预测的不确定性感知概率图神经网络STZITDGNN，融合Tweedie统计模型与图神经网络，在伦敦真实数据上超越多个基线，提升事故风险预测与道路安全策略支持。
2024-07-27 cs.AI cs.CY cs.LG
Interpretable Traffic Event Analysis with Bayesian Networks
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
提出基于贝叶斯网络的可解释框架，通过保留关键信息的数据集构建流程，实现交通事故预测并揭示天气与交通事件的因果关系，为减少事故提供参考。
2023-10-10 cs.LG stat.AP
Enhancing Traffic Accident Classifications: Application of NLP Methods for City Safety
LMU Munich（慕尼黑大学）；City of Munich（慕尼黑市政府）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本研究针对慕尼黑交通事故分类问题，应用NLP方法发现标注不一致问题，构建的分类模型结合文本与表格特征，证实文本数据对事故分类的关键作用及transformer模型的潜力，助力城市安全提升。
2025-06-11 cs.CL cs.LG
Spatial-temporal Conv-sequence Learning with Accident Encoding for Traffic Flow Prediction
Wuhan University of Technology（武汉理工大学）；Huazhong University of Science and Technology（华中科技大学）；Hunan University（湖南大学）
在智能交通系统中，交通预测的关键问题是如何提取周期性的时间相关性和复杂的空间相关性。目前，用于预测交通流的最先进的方法是基于图架构和序列学习模型，但它们没有充分利用交通系统中的动态时空信息。具体来说，短期内的时间依赖性被递归神经网络稀释。此外，现有的序列模型也忽略了局部空间信息，因为它们的卷积操作使用全局平均池化。此外，在对象迁移过程中可能会发生意外事件，这将导致现实世界中的拥塞，进一步降低预测精度。为了克服这些挑战，我们提出了时空Conv-sequence学习（STCL），其中聚焦的时间块使用单向卷积来有效地捕获短期周期性时间依赖性，时空融合模块负责提取相互作用的依赖性并降低特征维数。此外，由于事故特征对局部交通拥堵有影响，我们采用位置编码来检测复杂交通情况下的异常。我们已经进行了大量的实验在现实世界的任务，并验证了我们提出的方法的有效性。
2022-02-27 cs.CY cs.LG
The Weather Paradox: Why Precipitation Fails to Predict Traffic Accident Severity in Large-Scale US Data
University of California San Diego（加州大学圣地亚哥分校）
本研究发现降水和能见度对交通事故严重性预测效果有限，可能由于驾驶员行为适应，需改进采样策略和特征工程以提升预测能力。
2026-01-01 cs.LG stat.AP
Hotspot Prediction of Severe Traffic Accidents in the Federal District of Brazil
Criminalistics Institute（刑事鉴定研究所）；Purdue University（普渡大学）；Federal District Civil Police（联邦区民事警察）
本研究利用巴西联邦区法医事故数据与天气数据，通过机器学习预测严重事故热点，发现随机森林准确率达98%，且事故地点比天气参数更重要，强调地方干预的必要性。
2023-12-28 cs.AI cs.LG
Risk Prediction on Traffic Accidents using a Compact Neural Model for Multimodal Information Fusion over Urban Big Data
Fudan University（复旦大学）；China University of Petroleum（中国石油大学）
交通事故风险图预测对于预防事故发生和应急响应的早期规划具有重要意义。在这方面，挑战在于城市大数据的多模式性质。我们提出了一个紧凑的神经集成模型，以减轻过度拟合融合多模态功能，并开发了一些新的功能，如分形测量的道路复杂性的卫星图像，出租车流量，POI，道路宽度和连通性的OpenStreetMap。该解决方案在性能上比基线方法和基于单模态数据的解决方案更有前途。通过微观可视化，揭示了高风险和低风险相关场景的视觉模式，为今后的道路设计提供借鉴。从城市的角度来看，预测的风险图接近地面实况，可以作为优化空间配置的基础，应急响应资源，报警标志。据我们所知，这是第一个工作，融合视觉和时空特征的交通事故预测，并提出了基于数据采掘的城市计算和计算机视觉的城市感知之间的差距。
2021-02-21 cs.CV cs.LG
Real-time Traffic Accident Risk Prediction based on Frequent Pattern Tree
University at Buffalo, the State University of New York（纽约州立大学布法罗分校）
交通事故数据通常含有噪声、缺失值和异质性。如何选择最重要的变量来改善实时交通事故风险预测已成为近年来许多研究关注的问题。提出了一种基于频繁模式树（FP树）算法的变量选择方法。首先，发现交通事故数据集中的所有频繁模式。然后，对于每一个频繁模式，一个新的标准，所谓的相对对象纯度比（ROPR），我们提出的，计算。该ROPR被添加到将一个频繁模式与其他模式区分开的变量的重要性分数中。为了测试所提出的方法，一个数据集编译从交通事故记录检测到只有一个检测器在弗吉尼亚州际公路I-64在2005年。然后将该数据集与其他变量相关联，例如实时交通信息和天气状况。所提出的方法基于FP树算法，以及广泛使用的随机森林方法，然后用于识别重要变量或弗吉尼亚数据集。结果表明，FP树法和随机森林法选择的重要变量之间存在一定的差异。在此之后，两个基线模型（即最近邻（k-NN）方法和贝叶斯网络）开发的基础上确定的变量的FP树方法和随机森林方法来预测事故风险。结果表明，基于FP树的变量选择模型在几种k-NN和贝叶斯网络模型中的表现优于基于随机森林方法的模型，其中基于FP树变量的贝叶斯网络模型的表现最好。该模型对事故的准确预测率为61.11%，误报率为38.16%。
2017-10-31 cs.LG stat.AP
Accident Impact Prediction based on a deep convolutional and recurrent neural network model
Department of Industrial Engineering, Sharif University of Technology（谢里夫理工大学工业工程系）；School of Industrial and System Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程学院）；Department of Computer Science and Engineering, Ohio State University（俄亥俄州立大学计算机科学与工程系）
针对现有事故预测模型依赖昂贵数据且缺乏准确衡量指标的问题，提出结合 LSTM 和 CNN 的 cascade model，利用现成数据预测事故后影响，实验表明其在预测不同影响程度时精确率和召回率更优。
2024-11-12 cs.LG
Prevent Car Accidents by Using AI
George Mason University（乔治梅森大学）
随着社会的发展，交通设施越来越发达，人们的出行需求越来越大，但随之而来的交通安全问题也越来越多。车祸是全世界的一个大问题。交通事故死亡和驾驶员受伤的费用对社会产生重大影响。机器学习技术在交通事故领域的应用越来越普遍。使用机器学习分类器而不是传统的数据采掘技术来产生更好的结果和准确性。因此，本课题利用机器学习对现有的事故预测相关工作进行研究。我们将使用碰撞数据和天气数据来训练机器学习模型，以预测碰撞严重程度并减少碰撞。
2022-06-19 cs.AI cs.LG
Learning Multimodal Embeddings for Traffic Accident Prediction and Causal Estimation
Northeastern University（东北大学）
本文通过结合道路网络数据与卫星图像，提出多模态学习方法，提升交通事故预测精度，并发现降水、高速道路和季节因素对事故率的影响。
2026-05-13 cs.CV cs.LG cs.SI
A Modular Zero-Shot Pipeline for Accident Detection, Localization, and Classification in Traffic Surveillance Video
Independent Researcher（独立研究员）
本文提出一种零样本流水线，通过三个独立模块分别实现交通事故的时间定位、位置确定和类型分类，无需真实世界标注数据。
2026-04-05 cs.CV cs.LG
MDAS-GNN: Multi-Dimensional Spatiotemporal GNN with Spatial Diffusion for Urban Traffic Risk Forecasting
University College London（伦敦大学学院）
针对传统事故预测模型忽略复杂时空依赖的问题，本研究提出MDAS-GNN多维时空图神经网络，融合多维风险特征与空间扩散机制，在多城市数据上实现低误差预测，为城市交通规划提供数据驱动的安全干预支持。
2025-10-31 cs.LG
MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction
Department of Computer Science and Engineering, School of Computing, Coimbatore, Amrita Vishwa Vidyapeetham, India（计算机科学与工程系，计算学院，科伊巴托尔，阿米特大学）
本文提出 MSGAT-GRU 模型，融合多尺度图注意力与 GRU 以捕捉时空依赖，在北京事故数据集上取得最优 RMSE 和 F1-score，并展现出良好的跨数据集迁移能力。
2025-09-22 cs.LG
Time delay estimation of traffic congestion propagation due to accidents based on statistical causality
Ulsan National Institute of Science and Technology（蔚山科学技术院）
时间延迟的准确估计在交通拥堵分析中至关重要，因为这些信息可以用来解决有关交通拥堵的起源和传播的基本问题。然而，由于道路之间复杂的传播过程和未来行为的高度不确定性，在拥堵期间精确测量时间延迟仍然是一个挑战。为了克服这一挑战，我们提出了一种新的时间延迟估计方法，由于事故的传播，使用滞后特定的传输熵（TE）。该方法采用马尔可夫自举技术量化的时间延迟估计的不确定性。据我们所知，我们提出的方法是第一个估计相邻道路之间的因果关系的基础上的时间延迟。我们验证了该方法的有效性，使用模拟数据，以及从韩国的一个主要的GPS导航系统获得的真实用户轨迹数据。
2022-11-24 cs.LG cs.SY eess.SY
Accident Risk Prediction based on Heterogeneous Sparse Data: New Dataset and Insights
The Ohio State University（俄亥俄州立大学）
减少交通事故是一项重要的公共安全挑战，因此，在过去的几十年里，事故分析和预测一直是许多研究的主题。现有研究的主要缺点是使用覆盖范围有限的小规模数据集，依赖于广泛的数据集，不适用于实时目的。为了解决这些挑战，我们提出了一种使用易于获取但稀疏的数据进行实时交通事故预测的新解决方案。我们的解决方案依赖于深度神经网络模型（我们将其命名为DAP，用于深度事故预测）;该模型利用各种数据属性，如交通事件，天气数据，兴趣点和时间。DAP集成了多个组件，包括一个循环组件（用于时间敏感数据）、一个全连接组件（用于时间不敏感数据）和一个可训练的嵌入组件（用于捕获空间异质性）。为了填补这一数据空白，我们通过全面的数据汇集、整合和扩充过程，创建了一个名为“美国事故”的大型事故信息公开数据库。通过使用美国事故数据集，并通过在几个大城市进行广泛的实验，我们对几个基线进行了评估。我们的分析和结果表明，在预测罕见事故事件方面有了显着改进。此外，我们还展示了交通信息、时间和兴趣点数据对实时事故预测的影响。
2019-09-19 cs.DB cs.LG stat.ML
Enhancing Prediction and Analysis of UK Road Traffic Accident Severity Using AI: Integration of Machine Learning, Econometric Techniques, and Time Series Forecasting in Public Health Research
University of Leicester（莱斯特大学）
本研究整合机器学习、计量经济学与时间序列方法预测英国交通事故严重程度，并通过SHAP可解释分析识别关键因素，为道路安全政策提供证据支持。
2023-09-23 cs.AI cs.LG stat.ML
Traffic incident duration prediction via a deep learning framework for text description encoding
University of Technology, Sydney（悉尼科技大学）
预测交通事件持续时间是一个很难解决的问题，由于事件发生的空间和时间的随机性，在报告的交通中断开始时缺乏信息，以及缺乏先进的交通工程方法来从过去的事故中获得见解。本文提出了一种新的融合框架，用于通过将机器学习与交通流量/速度和事件描述集成为特征，通过几种深度学习方法（ANN自动编码器和字符级LSTM-ANN情感分类器）编码，从有限的信息中预测事件持续时间。本文构建了一种跨学科的交通和数据科学建模方法。与应用于基线事件报告的性能最佳的ML模型相比，该方法提高了事件持续时间预测的准确性。结果表明，与标准线性或支持向量回归模型相比，我们提出的方法可以通过$60\%$提高准确性，并且相对于混合深度学习自动编码的GBDT模型，$7\%$进一步改进，该模型似乎优于所有其他模型。应用区域是旧金山市，拥有丰富的交通事件日志（全国交通事故数据集）和过去的历史交通拥堵信息（来自Caltranss性能测量系统的5分钟精确测量）。
2022-09-19 cs.LG
A model for traffic incident prediction using emergency braking data
MBition GmbH（MBition有限公司）；Daimler AG（戴姆勒股份公司）；Imperial College London（伦敦帝国理工学院）
本文提出了一种交通事件预测模型。具体来说，我们通过在紧急制动事件而不是事故上训练我们的模型来解决道路交通事故预测中数据稀缺的根本问题。基于交通事故的相关风险因素和相应的数据类别，我们评估了不同的预处理方案稀疏数据和不同的机器学习模型。此外，我们提出了一个原型实现的交通事故预测模型，德国的紧急制动数据的基础上，从梅赛德斯-奔驰汽车以及天气，交通和道路数据，分别。经过模型评估和优化，我们发现在人工平衡（欠采样）数据上训练的随机森林模型在原始不平衡数据上提供了85%的最高分类准确率。最后，我们提出了我们的结论，并讨论了进一步的工作，从收集更多的数据在更长的时间内建立更强大的分类系统，以增加内部因素，如驾驶员的视觉和认知注意力。
2021-05-28 cs.CY cs.LG
Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior
Stanford University（斯坦福大学）；NVIDIA（英伟达）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
评估和改进自动驾驶汽车的规划需要可扩展的长尾交通场景生成。为了发挥作用，这些场景必须是现实的和具有挑战性的，但并非不可能安全驾驶。在这项工作中，我们介绍了一种自动生成具有挑战性的场景的方法，该场景会导致给定的计划器产生不期望的行为，如碰撞。为了保持场景的可扩展性，关键思想是以基于图的条件VAE的形式利用交通运动的学习模型。场景生成被制定为在这个交通模型的潜在空间中的优化，扰动初始现实世界的场景，以产生与给定的规划器碰撞的轨迹。随后的优化用于找到场景的“解决方案”，确保它对改进给定的计划器有用。进一步的分析根据碰撞类型对生成的场景进行聚类。我们攻击两个规划者，并表明，在这两种情况下，BETWEVE成功地产生现实的，具有挑战性的情况。此外，我们还“关闭循环”，并使用这些场景来优化基于规则的规划器的超参数。
2022-03-28 cs.CV cs.LG cs.RO
An Adaptive Clustering Approach for Accident Prediction
L3S Research Center, Leibniz University Hannover（莱布尼茨汉诺威大学L3S研究中心）；Data Science & Intelligent Systems (DSIS) Research Group, University of Bonn（波恩大学数据科学与智能系统（DSIS）研究组）
交通事故预测是交通领域的一项重要任务。最先进的事故预测方法基于静态和统一的基于网格的地理空间聚合，限制了其细粒度预测的能力。这种特性在更复杂的地区（如城市中心）变得特别成问题。在这样的区域中，网格单元可以包含具有不同属性的子区域;此外，实际的事故易发区域可以任意地跨网格单元分割。提出了一种基于网格增长算法的自适应聚类事故预测方法。ACAP将自适应聚类应用于观察到的地理空间事故分布，并执行时间，事故相关和区域特征的嵌入，以提高预测精度。我们证明了所提出的ACAP方法的有效性，使用开放的真实世界的事故数据集，在德国的三个城市。我们证明，ACAP通过将地理空间聚合适应于底层时空事件的分布，在F1分数中将复杂区域的事故预测性能提高了2- 3%。我们的网格增长方法在F1得分方面平均比基于聚类的基线高出4%。
2021-08-27 cs.LG
Domain-Enhanced Dual-Branch Model for Efficient and Interpretable Accident Anticipation
State Key Laboratory of Internet of Things for Smart City（物联网智能城市国家重点实验室）；University of Macau（澳门大学）；Department of Civil Engineering（土木工程系）；Department of Computer and Information Science（计算机与信息科学系）；College of Transportation Engineering（交通工程学院）
本文提出一种领域增强的双分支事故预测框架，融合行车视频与事故报告文本，借助GPT-4o和Long-CLIP实现多模态特征聚合，在DAD、CCD和A3D基准上取得更优精度、更快响应和更低计算开销。
2025-07-17 cs.CV cs.LG
Crash Severity Prediction Using Deep Learning Approaches: A Hybrid CNN-RNN Framework
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本研究提出用于交通事故严重程度预测的CNN-RNN混合深度学习模型，基于弗吉尼亚I-64高速7年15870条事故数据验证，其性能优于传统统计、机器学习及单一深度学习模型。
2025-10-05 cs.LG
Driver Drowsiness Detection System: An Approach By Machine Learning Application
Meerut Institute of Engineering and Technology（密拉特工程技术学院）
大多数人的伤亡是由交通事故造成的。根据世界卫生组织的数据，全世界每年有100万人死于交通事故伤害。没有得到足够睡眠、休息或感到疲劳的驾驶员可能会在方向盘后面睡着，危及自己和其他道路使用者。关于道路事故的研究表明，重大道路事故的发生是由于驾驶时的困倦。这些天来，据观察，疲劳驾驶是发生困倦的主要原因。现在，困倦成为增加交通事故数量的主要原因。这成为世界上的一个重大问题，必须尽快解决。所有设备的主要目标是提高实时的检测困倦的性能。人们开发了许多设备来检测睡意，这些设备依赖于不同的人工智能算法。因此，我们的研究也涉及到驾驶员困倦检测，它可以通过识别人脸，然后通过眼动追踪来识别驾驶员的困倦。系统将提取的眼睛图像与数据集进行匹配。在数据集的帮助下，系统检测到如果眼睛在一定范围内闭合，它可以发出警报提醒驾驶员，如果眼睛在警报后睁开，那么它可以继续跟踪。如果眼睛是睁开的，那么我们设置的分数会降低，如果眼睛是闭着的，那么分数会增加。本论文的研究重点是解决驾驶员睡意检测的问题，准确率达到80%，有助于减少交通事故的发生。
2023-03-11 cs.LG
Geographical Information Alignment Boosts Traffic Analysis via Transpose Cross-attention
School of Computing, Clemson University（克莱姆森大学计算机学院）
本文提出即插即用的GIA模块，利用转置交叉注意力低成本融合节点特征与地理位置信息，显著提升交通事故发生及严重程度预测性能。
2024-12-03 cs.LG
AccidentBench: Benchmarking Multimodal Understanding and Reasoning in Vehicle Accidents and Beyond
UC Berkeley（伯克利大学）；Stanford（斯坦福大学）；UCL（伦敦大学学院）；Virginia Tech（弗吉尼亚理工学院）；Nvidia（英伟达公司）
.本研究提出大规模多模态基准AccidentBench，覆盖车辆事故及空、水安全场景的时空与意图推理任务，测试发现前沿模型在高难长视频任务上准确率仅约18%，可推动模型适配真实安全挑战。
2025-09-30 cs.LG
Global Feature Aggregation for Accident Anticipation
KAIST（韩国科学技术院）
在自动驾驶和非自动驾驶车辆中提前预测事故有助于避免事故。为了识别视频序列中的异常事件，例如交通事故，网络考虑给定帧中对象的相互作用是重要的。我们提出了一种新的特征聚合（FA）块，通过计算帧中所有对象的特征的加权和来细化每个对象的特征。我们使用FA块和长短期记忆（LSTM）网络来预测视频序列中的事故。我们报告了街道事故（SA）数据集的平均精度（mAP）和平均事故时间（ATTA）。我们所提出的方法实现了最高的分数预测事故0.32秒和0.75秒之前的最佳结果相比，自适应损失和动态参数预测为基础的方法分别为风险预测。
2020-06-16 cs.AI cs.CV cs.LG
United States Road Accident Prediction using Random Forest Predictor
Computer Science and Engineering University at Buffalo（计算机科学与工程大学布法罗分校）
本文基于覆盖美国49州的多源交通数据，结合回归、时间序列分析及 Random Forest 等模型预测事故数量，并通过时空分析识别高风险区域，以支持资源配置和道路安全干预决策。
2025-04-28 cs.AI cs.CY cs.LG
Learning from the Unseen: Generative Data Augmentation for Geometric-Semantic Accident Anticipation
State Key Laboratory of Internet of Things for Smart City（物联网智能城市国家重点实验室）；University of Macau（澳门大学）；Department of Civil Engineering（土木工程系）；Department of Computer and Information Science（计算机与信息科学系）；Department of Automotive Engineering（汽车工程系）；Tsinghua University（清华大学）
本文提出双路径框架，通过视频合成和语义图神经网络提升事故预见能力，发布新基准数据集验证方法有效性，提升自动驾驶系统可靠性。
2026-04-29 cs.CV cs.LG
Utilizing Import Vector Machines to Identify Dangerous Pro-active Traffic Conditions
Central South University（中南大学）；Technical University of Munich（慕尼黑工业大学）
随着交通流量的增加，交通事故已成为大城市面临的一个严峻问题。探讨了近年来发展起来的机器学习技术--导入向量机（ImportVectorMachines，IVMs）在实时碰撞风险分析中的理论和应用。采用上海城市快速路系统的历史碰撞数据和相应的交通数据进行匹配。根据5分钟的平均速度、流量和占用率测量，交通状况被标记为危险（即可能导致撞车）和安全（即正常交通状况）。IVM算法进行训练，建立分类器，其性能进行比较，流行的和成功应用的技术支持向量机（SVM）。主要研究结果表明，IVM可以成功地用于实时识别危险的主动交通状况。此外，与SVM的“支持点”类似，IVM模型仅使用一小部分训练数据来索引核基函数，通常比SVM小得多，并且其分类率与SVM的分类率相似。这使得IVM在计算上优于SVM，特别是当训练数据集的大小很大时。
2021-01-19 cs.LG stat.AP stat.ML
Accident-Driven Congestion Prediction and Simulation: An Explainable Framework Using Advanced Clustering and Bayesian Networks
Aschaffenburg University of Applied Sciences（阿施法亨堡应用科学大学）；Centre Tecnològic de Telecomunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心（CTTC））
针对事故引发的城市交通拥堵问题，提出融合AutoML增强DEC聚类与贝叶斯网络的可解释预测框架，经SUMO仿真验证，模型准确率达95.6%，可靠性高。
2025-07-30 cs.AI cs.LG
CrashFormer: A Multimodal Architecture to Predict the Risk of Crash
Ohio State University（俄亥俄州立大学）；Circle Cardiovascular Imaging（Circle心血管影像公司）；Hamedan University of Technology（哈马丹理工大学）；Zoox Inc.（Zoox公司）
CrashFormer提出一种多模态架构，融合事故历史、天气、地图图像和人口数据，每六小时预测5.161平方公里区域的事故风险，在美国10城市实验中F1分数平均提升1.8%。
2024-02-07 cs.AI cs.LG
LSTM Network Analysis of Vehicle-Type Fatalities on Great Britain's Roads
University of Oxford（牛津大学）；Driver and Vehicle Standards Agency（驾驶员与车辆标准局）
本研究针对英国道路交通事故预测难题，利用LSTM网络，基于DfT提供的1926-2022年大规模事故数据，经严格预处理后开展事故分析与预测，为制定交通预防措施提供支撑。
2023-12-15 cs.AI cs.LG cs.SE
