从不平衡的数据中预测道路交通事故的严重程度,使用VAE注意力和GCN
Anqi Shangguan1, Nan Feng2, Xinhong Hei3
1School of Computer Science and Engineering, Xi'an University of Technology, Xi'an, China. sgaq@xaut.edu.cn.
Scientific reports
|October 2, 2025
概括
本研究引入了一种新的方法,用于使用变量自编码器 (VAE) 和图形卷积网络 (GCN) 预测交通事故严重程度. 该方法有效地解决了不平衡的数据,将严重事故预测准确度提高了20%.
科学领域:
- 道路安全和交通管理.
- 机器学习用于预测分析.
- 用于社会保障的数据科学.
背景情况:
- 交通事故带来了重大的社会保障风险,需要准确的严重程度预测.
- 不平衡的数据集,很少有重大事故样本,阻碍了有效的预测模型.
- 现有的方法难以捕捉少数样本在事故预测中的重要性.
研究的目的:
- 开发一种先进的交通事故严重程度预测方法.
- 为了应对事故预测中不平衡的样本数据的挑战.
- 提高预测严重交通事故的准确性和可靠性.
主要方法:
- 使用变量自编码器 (VAE) 来生成少数事故样本.
- 与VAE集成了一种自我注意机制,以捕获潜在的特征依赖.
- 用于拓结构和非线性特征提取的swish函数的使用图形卷积网络 (GCN).
- 应用了光滑L1损失函数,以改善整数事故数据的模型优化.
主要成果:
- 拟议的方法大大提高了20%的交通事故严重程度预测准确度.
- 在预测严重交通事故方面表现出高度准确性.
- 生成的合成数据与现实世界的事故特征保持一致.
结论:
- 基于VAE和GCN的方法为不平衡的交通事故数据提供了强大的解决方案.
- 可以实现严重事故的准确预测,有助于交通安全管理.
- 这些发现为交通安全系统和决策者提供了宝贵的见解.
