在人类推理逻辑中的灵感:通过宏观微观集成自动推断和分析交通事故信息

科学领域:

• 人工智能的人工智能
• 自然语言处理自然语言处理.
• 数据科学数据科学数据科学

背景情况:

• 对交通事故报告的自动化分析对于了解事故动态至关重要.
• 由于注释成本高和文本结构复杂,现有的方法面临挑战.
• 传统方法在事故数据中的认知推理和信息转换方面扎.

研究的目的:

• 开发一种用于自动化交通事故信息分析的新方法.
• 在处理事故报告时提高自动化效率,推理准确度和类似人类的逻辑.
• 解决现有方法在处理复杂的语法结构和认知过程中的局限性.

主要方法:

• 一个双模型协作系统,LFBERT-ReasonSoT,集成潜伏迪里克莱特分配 (LDA) 和微调的变压器双向编码器表示 (BERT).
• LDA (模型1) 用于宏观主题识别和事故因果分析.
• 微调的BERT (模型2) 用于微观的上下文理解和事故严重程度的扣除,模仿人类推理逻辑.

主要成果:

• 与天真贝叶斯模型,RUSBoost模型和WNN模型相比,LFBERT-ReasonSoT模型表现出更高的性能.
• 获得了87.34%的准确性和87.81%的积极预测值.
• 在包括ACC,ER,TPR,TNR,PPV,FPR,F1,MCC和KAP在内的多个绩效指标中表现优于基线模型.

结论:

• 该系统有效地从复杂的,非结构化的事故文本中提取结构化和可推断的数据.
• 识别关键词,推理逻辑和语义关系,以便进行准确的上下文分析.
• 显著推进复杂的交通事故文本数据的自动处理,以确定原因和严重程度.