通过使用基于自我注意的双向长期和短期记忆网络,以及异常检测学习和混合序列特征,开发一个总线实时碰撞风险预测框架
Ning Zhang1, Yiping Wu1, Aoran Yang2
1Beijing Key Laboratory of Traffic Engineering, Beijing University of Technology, Beijing, China.
Accident; analysis and prevention
|November 14, 2025
概括
这项研究引入了一种新的AI模型,用于实时预测公共汽车碰撞风险,通过学习正常的驾驶模式来检测异常来提高安全性. 优化的模型实现了超过96.5%的准确性,增强了公共汽车安全系统.
科学领域:
- 运输安全运输安全
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 实时碰撞风险预测准确性和预警时间对于公共汽车司机避开机动至关重要.
- 现有的方法在有限的碰撞数据和缺乏历史驾驶行为分析方面扎.
- 优化公共汽车碰撞预警时间对于满足驾驶员响应时间要求至关重要.
研究的目的:
- 为准确的实时公共汽车碰撞风险预测开发一个新的框架.
- 为了解决事故样本不足和历史驾驶模式被忽视的局限性.
- 为了确定最佳的碰撞预警时间,以便有效的驾驶员响应.
主要方法:
- 提出了一种基于自我注意的双向长期和短期记忆网络,具有异常检测学习和混合序列特征 (ADL-Mi-Att-Bi-LSTM).
- 重构了碰撞风险预测作为异常检测问题.
- 利用双嵌套的滑动时间窗口进行特征提取,并比较各种时间窗口组合.
主要成果:
- 通过ADL-Mi-Att-Bi-LSTM模型,在6秒的观察时间和1秒的间隔时间窗口 (3秒的警告时间) 中,实现了最佳性能 (精度,F1得分,AUC>96.5%).
- 拟议的模型显著优于传统的LSTM,XGBoost和随机森林模型,以及从废除试验中获得的模型.
- 确定了关键的影响因素,包括短暂序列特征,冲动效应和驾驶员操作统计数据.
结论:
- ADL-Mi-Att-Bi-LSTM框架为实时公共汽车撞车风险预测提供了一个强大的解决方案.
- 优化的预警时间提高了公共汽车避免碰撞系统的有效性.
- 这些发现支持制定有针对性的驾驶员安全培训计划和改进公共汽车安全机制.