《Asian Transport Studies》:Prediction of expressway accident locations using contribution information from Grad-CAM
编辑推荐:
本文提出了一种利用卷积神经网络(CNN)和Grad-CAM可解释性技术预测高速公路事故地点的新方法。研究通过ETC 2.0探针数据生成车辆轨迹图,训练CNN模型预测未来30分钟的事故风险,并利用Grad-CAM提取时空贡献信息来定位高风险路段。验证结果表明,该方法在东海道高速公路15.34公里路段上的定位误差比基准方法降低约19%,且在多车事故和高流量条件下表现出更高准确性。这项研究为交通运营商实施精准的短期安全干预措施提供了有力支持。
高速公路上的交通事故每年都造成巨大的生命财产损失。在日本,自2019年以来,每年高速公路事故数量超过4000起,凸显了采取进一步措施减少事故的紧迫性。现有的交通安全措施主要分为两大类:“硬措施”涉及基础设施的物理改善,例如铺设高性能路面材料、设置高可视性道路标线,但这些项目成本高昂;“软措施”则侧重于信息发布等非结构性方法,例如通过可变信息板(Variable Message Signs)和高速公路广播提供实时路况信息。目前,结合“硬措施”与高效“软措施”,在有限的财政资源内提升安全性变得至关重要。一个关键方向是利用实时事故风险(一种评估交通事故可能性的定量指标)信息。例如,在高速公路信息板上显示事故风险以提高驾驶员警觉性,或在高风险区域部署引导车(pace cars)以防止超速。然而,要有效实施这些措施,不仅需要开发能够预测特定路段未来事故风险值的方法,还需要准确识别路段内事故最可能发生的具体位置。这正是本研究试图解决的问题。
此前,利用卷积神经网络(CNN)进行事故风险预测的模型开发工作已在日本东海道高速公路(Tomei Expressway)的特定路段取得进展。但之前的研究存在一个明显局限:模型输出缺乏空间粒度。例如,当CNN模型被设计用于预测长达15-20公里路段的事故风险时,其输出本身并不包含精细的空间信息。这使得交通管理者在考虑基于模型输出采取干预措施时,难以精确定位事故更可能发生的具体地点。这一局限性阻碍了针对性安全措施的有效实施。
为了突破这一瓶颈,来自日本爱媛大学的研究团队在《Asian Transport Studies》上发表了一项创新性研究。他们提出了一种名为“Prediction of expressway accident locations using contribution information from Grad-CAM”的新方法。该方法的核心思想是,利用神经网络可解释性(Interpretability)技术,特别是梯度加权类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM),从已训练好的CNN事故风险预测模型中“挖掘”出与高风险相关的时空信息,进而将这些信息转化为对未来事故地点的预测。
为了回答“如何精确定位未来高速公路事故地点”这一核心问题,研究团队在东海道高速公路爱着交流道(Atsugi IC,35.00 kp)至横滨町田交流道(Yokohama-Machida IC,19.66 kp)之间一段15.34公里的路段上展开了深入研究。他们采用了2020年至2021年为期两年的数据进行分析。研究主要利用了三种数据源:交通事故记录、ETC 2.0探针数据(ETC 2.0 probe data)和交通检测器数据。其中,ETC 2.0探针数据是关键,它记录了装备了ETC 2.0车载单元的车辆(称为探针车)以大约200米为间隔的位置、时间和速度信息。研究人员利用这些点序列数据重建了探针车的轨迹信息,并将其可视化为一种特殊的“轨迹图”(trajectory diagram)——一种时空图,其中纵轴代表空间位置(从上游到下游),横轴代表过去的时间(最右端是当前时刻),轨迹的颜色则编码了车速信息。每张轨迹图对应一个特定的“当前”时刻,并根据未来30分钟内该研究路段是否发生事故,被标记为“事故样本”或“非事故样本”。
研究采用的关键技术方法主要包括:1) 数据生成与处理:基于ETC 2.0探针数据生成车辆轨迹时空图作为模型输入,并通过随机抽样控制探针车渗透率的一致性,以提升模型训练效果。2) 模型架构与训练:构建了一个基于VGG16架构,并集成了批量归一化(Batch Normalization)和SE模块(Squeeze-and-Excitation block)的卷积神经网络(CNN)模型,用于预测未来30分钟内发生事故的可能性。模型使用F1分数(F1_score)作为主要评估指标进行训练和优化。3) 可解释性技术与定位预测:这是本研究的核心创新。研究人员将Grad-CAM应用于训练好的CNN模型。Grad-CAM通过计算模型输出相对于最后一个卷积层特征图的梯度,生成一个“时空贡献分布”图,该图量化了输入轨迹图中每个时空位置对模型预测“高事故风险”的贡献程度。通过沿时间维度聚合这个贡献分布,得到一个“空间贡献分布”,其中贡献值最大的路段被预测为未来30分钟最可能发生事故的“预测路段”。
4.1 事故风险预测模型的构建与评估
研究人员利用2020年全年的数据构建了样本集,并将其分为训练集、验证集和测试集。为了解决样本不平衡(事故样本远少于非事故样本)的问题,他们采用了过采样策略,发现当非事故样本的采样比例为8倍时,模型的F1分数最高。最终选定的模型在训练50个周期后停止,以防止过拟合,其F1分数达到了0.195,优于先前在同一路段研究中的模型性能。
4.2 事故地点预测方法的参数调整与构建
为了构建基于Grad-CAM的事故地点预测方法,研究人员需要确定一个关键参数:在计算时空贡献分布时,从哪个时间点开始向后(向“现在”方向)聚合贡献值。他们使用了2020年12月的120个事故样本进行参数调整。通过计算不同起始时间点对应的总交叉熵损失,他们发现当起始点对应于当前时刻前约54分钟(参数l=2)时,损失最小。因此,最终的事故地点预测方法采用了l=2作为聚合的起始点。
4.3 模型验证与应用性分析
使用2021年全年的1115个事故样本对提出的方法进行了验证。对于每个样本,方法都会计算出一个“预测路段”,然后计算其与实际事故路段(定义为事故发生路段的上游相邻路段)之间的误差。
- •
与基准方法的比较:研究将所提方法的预测精度与多种基准方法进行了比较。结果表明,所提方法的预测均方根误差(RMSE)为4.645公里,比“朴素预测”(随机猜测路段)的RMSE(5.741公里)降低了约19%。同时,它也优于三种基于交通检测器表格数据的经典树集成模型:随机森林(Random Forest, RMSE=5.269公里)、XGBoost(RMSE=5.016公里)和LightGBM(RMSE=4.737公里)。这证明了所提方法的有效性。
- •
不同事故类型下的准确性:研究进一步分析了预测精度与事故类型的关系。将事故分为多车事故(如碰撞、追尾)和单车事故(如撞击设施、翻车)。结果显示,所提方法对多车事故的预测精度(RMSE=4.362公里)明显高于对单车事故的预测精度(RMSE=5.967公里)。这表明车辆轨迹图中更能有效捕捉到多车事故发生前车辆群体的运动模式。
- •
不同交通流量下的准确性:研究还考察了交通流量对预测精度的影响。将样本按小时检测器交通量分为五组。结果显示,预测误差随着交通流量的增加而呈现降低趋势。在交通量大于等于3000辆/小时的高流量条件下,预测精度更高。这表明该方法在交通繁忙、更需要主动干预的场景下具有更好的应用潜力。
研究的结论与讨论部分明确指出,本研究成功开发并验证了一种基于Grad-CAM贡献信息的高速公路事故地点预测框架。该方法的核心优势在于,它不仅能够预测一段较长公路在未来时段的事故风险,还能通过模型的可解释性技术,将风险预测“转化”为具体的地理位置信息。实证验证表明,该方法显著降低了事故地点的预测误差,其性能超越了随机预测和多种代表性的机器学习基准模型。尤其值得注意的是,该方法对于多车事故以及在交通流量较高的条件下表现更为出色,而这恰恰是交通安全管理中最需要关注和资源投入的场景。
这项研究的重要意义在于,它将前沿的可解释深度学习技术(Explainable Deep Learning)与实际的交通运营安全管理需求紧密结合,为解决“在哪里干预”这一关键难题提供了新的技术路径。模型输出旨在支持交通运营商进行短期、针对具体位置的安全措施优先级排序,而不是预测单个碰撞事件本身。这有助于在资源有限的情况下,将巡逻车、可变信息板警示、或速度管控等“软措施”更精准地部署在风险最高的路段,从而实现更高效、更具针对性的交通安全干预。尽管目前的方法仅使用了车辆轨迹数据,未来通过整合道路几何、天气、环境等外生变量,有望进一步提升预测性能并增强模型的可解释性。总体而言,这项研究为利用智能、可解释的人工智能工具提升道路交通安全管理水平提供了有价值的范例。