基于交通违规事件的主动道路安全评估：一种空间异质对比多任务学习框架

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Proactive Road Safety Assessment Using Traffic Violation Events: A Spatially Heterogeneous Contrastive Multi-Task Learning Framework

　　

• 提出了一种基于违规事件的框架，用于主动道路安全评估。
• 提出了一种基于对比学习的分区方法，用于识别空间违规频率区域。
• 提出了一种多任务架构，通过自适应融合共享和区域特定动态来预测违规事件。
• 预测和解释结果支持差异化的执法策略。

引言

道路交通事故经常导致重大生命损失和显著的经济成本，到2030年将死亡和重伤人数减半的目标仍面临严峻挑战[20]。然而，事故记录通常是稀疏且结果导向的，而记录的交通违规则是更为频繁的先行事件，反映了事故发生前的不安全操作行为。先前的研究表明，驾驶员交通违规是道路交通事故的重要促成因素[11,13,17,53,62,63]，并且与事故发生具有强烈的时空关联[6,61]。尽管记录的交通违规不等同于事故，但可作为交通安全评估和早期预警的替代指标，尤其是在事故数据有限或存在延迟的情况下。在此背景下，准确的交通违规预测有助于在事故发生前识别热点区域和高峰时段，揭示其与交通状况、土地利用、路段条件及天气等影响因素之间的关联，并支持有针对性的执法策略，例如通过摄像头和测速设备进行自动执法，以及基于巡逻的执法。

鉴于记录的交通违规在相邻空间单元和相邻时间区间之间表现出强烈的时空相关性[27,30]，以及其影响因素之间存在交互作用[26]，近期研究采用了基于图注意力网络（GAT）或混合GAT–多层感知机（MLP）架构的时空深度学习框架来预测交通违规频率[50,66]。尽管这些方法提高了预测准确性，并为违规频率的预防和控制提供了洞察，但它们通常忽略了违规模式中的空间异质性。这种异质性体现在两个方面：(i) 因变量与其协变量之间的关系在不同空间单元之间有所变化，(ii) 因变量的分布在不同空间单元之间也存在差异[8]。在交通安全管理的背景下，这意味着具有不同建成形态、功能角色和违规分布的道路环境可能表现出不同的违规生成机制，因而需要差异化的执法策略。未能考虑这种异质性可能导致有偏的预测结果[46]，掩盖违规频率背后的局部机制，并导致巡逻部署低效和执法资源错配。

先分区后预测的范式在时空深度学习研究中日益受到关注[34,57]，因为它既允许空间异质性，又能提高预测性能。然而，它们通常仅依赖道路网络拓扑或主观规则，而非目标现象的潜在区域。此外，这些研究通常采用单任务学习，尽管建模了空间异质性，但可能无法捕获跨区域依赖关系和全局共享信息。因此，现有研究无法同时从特定于违规的时空模式识别潜在的交通违规频率区域，并在统一的预测框架内建模跨区域的共性和区域的特定动态。这些局限性共同降低了预测准确性，并阻碍了有效的区域特定巡逻部署和资源分配。近期，对比学习[16]和多任务学习[40]作为上述挑战的有效解决方案逐渐崭露头角。对比学习作为一种实例级表示学习范式，非常适合进行原则性的道路网络分区，因为它学习保留目标现象（例如记录的交通违规频率数据）时空相似性的路段嵌入，从而聚类形成潜在的交通违规频率区域。多任务学习则非常适合区域感知预测。在本框架中，每个交通违规频率区域被视为一个预测任务。这些任务是相关的，因为它们共享共同的网络级时空频率模式，但在主导的违规动态和上下文特征方面有所不同。联合学习因此允许模型在保留区域特定表示的同时，利用跨区域的共享信息来提高预测准确性。

鉴于上述局限性和挑战，本研究的贡献总结如下：

(a) 首先，本研究开发了一个基于违规事件的主动道路安全预测框架，将记录的交通违规作为高频替代安全事件，用于网络级安全监测。

(b) 其次，提出了一种基于对比学习的分区方法，通过从时间违规动态、空间聚类模式、道路网络拓扑和上下文影响因素中识别交通违规频率区域，来表征交通违规模式在整个道路网络中的广泛空间变化。

(c) 第三，开发了一种多任务预测架构，通过自适应门控机制联合学习共享的网络级时空频率动态和区域特定的时间表示。

(d) 第四，将预测和可解释性分析转化为差异化的执法和资源分配策略，将模型输出与安全关键决策支持联系起来。

段落摘要

记录的交通违规建模方法

道路安全评估和预测传统上依赖于交通事故记录[7,12,13,58,59,60]，因为事故是道路安全恶化的最直接结果。然而，事故是罕见且结果驱动的事件，获取足够的样本通常需要较长的观测期。因此，历史事故记录的稀疏性可能会限制细粒度空间和时间分辨率下安全评估的可靠性[1]。为了缓解这些局限性，替代…

问题定义

我们将道路网络表示为无向图G=(V,E,A)，其中V={v?,v?,…,v?}表示路段集合，E={e?,e?,…,e?}表示道路交叉口集合，A∈????是图G的邻接矩阵。具体而言，如果路段v?和v?相邻（即直接连接），则A??=1，否则A??=0。每个路段v?与两个特征向量相关联：x??∈????1，用于通过对比学习学习交通违规频率区域，以及x??∈??…

整体研究框架

所提方法的总体框架如图5所示，由两个阶段组成。这两个阶段形成一个顺序管道：阶段I为每个路段识别一个交通违规频率区域，阶段II则利用这些区域分配结果来定义预测任务。

阶段I专注于通过建模执法记录的交通违规频率模式中的空间异质性，来识别空间交通违规频率区域。具体而言，基于历史每日…

网络分区的基线模型

我们选择MLP和两个广泛使用的图神经网络GAT和GraphSAGE，作为对比学习框架中学习路段嵌入的基线编码器。MLP是一种前馈神经网络，通过堆叠的全连接层和激活函数捕获非线性关系，使其适合建模连续和密集特征。在GCN的基础上，GAT引入了自注意力机制并为边分配可学习权重，实现自适应…

对比学习参数敏感性分析

图8评估了ST-CLGCN对学习率、输出通道数和Type-I图卷积块数量的联合敏感性。时间与空间的相似度总和被用作分区质量的指标，较高的值表示分在同一区域内的路段表现出更一致的时间违规动态和空间聚类模式。在所测试的配置中，该指标的范围约为1.38至1.57…

实际意义

(1) 区域特定预测因素对针对性执法的意义

IG结果表明，道路、土地利用、气象和时间因素的贡献在不同交通违规频率区域中存在显著差异，不仅在幅度上有所变化，在方向上也存在差异。这表明交通违规管理应当超越统一的网络范围干预措施，而是考虑与每个区域记录的违规活动相关的特定上下文条件…

结论

本研究开发了一个空间异质性道路安全预测框架，使用记录的交通违规作为高频替代安全指标。该框架由两个阶段组成。阶段I采用时空对比学习，基于时间违规动态、空间聚类结构、道路网络拓扑和上下文因素对路段进行嵌入，随后使用K-Means聚类来识别具有相对一致的…

CRediT作者贡献声明

高鹏飞：撰写——初稿，可视化，方法论，形式分析，数据整理，概念化。曾强：撰写——审查与编辑，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，形式分析，概念化。李承炫：撰写——审查与编辑，监督，项目管理，调查，概念化。冯佳：资金获取，形式分析。陈天天：撰写…

高鹏飞｜曾强｜李承炫｜冯佳｜陈天天