基于混合时空深度学习框架和信道重分配技术的高速公路实时碰撞风险等级预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Real-time Crash Risk Level Prediction of Freeways Based on a Hybrid Spatiotemporal Deep Learning Framework with Channel Redistribution

　　**郑泽阳|李佳璐|布阿迪马鲁安|张林|董春娇**
合肥工业大学汽车与交通工程学院，中国合肥230009

**摘要**
从海量交通数据中准确预测碰撞风险已成为提高道路安全的关键挑战。为了提升实时碰撞风险预测能力，本文提出了一种结合卷积神经网络（CNN）、Transformer和Star Aggregate-Redistribute（STAR）模块的新型混合深度学习框架（即CNN-Transformer-STAR）。利用NGSIM数据集中的高分辨率车辆轨迹数据，该模型提取复杂的时空交互特征，将碰撞风险分为三类：低级、中级和高级。具体而言，CNN分支用于捕捉局部时空动态和跨特征耦合关系，而Transformer模型则处理全局时空依赖性。此外，STAR模块实现了一种集中式方案以提取全局潜在表示，然后将其重新分配到特征通道中以优化通道间交互。对比实验表明，所提出的框架取得了0.90的卓越AUC，优于基线模型。通过外部数据集验证了该预测框架的通用性，其在不同高速公路场景中表现出良好的鲁棒性（AUC=0.86）。这些结果为高速公路交通安全管理提供了政策指导。

**引言**
根据世界卫生组织（WHO）的数据，快速的机动化导致了严重的全球交通安全问题，每年因此造成的死亡人数超过135万。在中国，高速公路事故占每年2万起交通事故的很大比例，情况同样严峻。高速公路事故通常导致严重的人员伤亡和大规模延误，其特征是高速度、高交通需求和复杂的运行环境。尽管在碰撞风险缓解方面进行了大量研究[[1], [2], [3]]，但在高速公路交通安全管理中，有效识别碰撞前兆以进行实时预测仍然是一个紧迫的需求。

**早期方法探索**
早期在碰撞风险预测方面的方法探索主要依赖于统计模型，如逻辑回归。研究人员调整这些模型以评估在不同交通和天气条件下的实时碰撞风险，使用了贝叶斯随机截距（Xu等人，[4]）等技术，或评估特定高速公路场景，如变道（SEA，[5]）和驾驶状态（Yan等人，[6]）。为了处理复杂的交通变量，最近的研究将逻辑回归与特征选择技术（如随机森林（Guo等人，[7]）和SCAD框架（Wu等人，[8]）相结合，以识别关键风险因素及其交互作用。此外，这些统计方法在评估交通管理干预的安全影响方面也被证明是有价值的，例如变速限速（VSL）政策（Cheng等人，[9]）。

**技术进展**
随着领域的发展，机器学习模型被广泛用于预测碰撞风险的各种维度。早期应用依赖于标准分类器，如支持向量机（SVM）（Theofilatos等人，[10]）。然而，准确性和泛化能力受到数据量和特征选择的限制。为了提高预测性能，研究人员越来越多地转向集成学习技术。研究表明，基于树的集成模型（例如随机森林[11]、梯度提升树[12]、XGBoost[13]和LightGBM[14]）在预测准确性和召回率方面优于传统算法。除了纯预测之外，最近的研究还强调模型可解释性和因果推断。例如，SHAP方法已与集成模型（如HGBoost[15]和RF-IPW[16]）结合使用，以评估风险因素的具体贡献，而CF-DML框架（Guo等人，[17]）已被用于深度因果分析。为了克服单一模型的限制，学者们越来越多地探索混合框架。这些框架将高斯混合模型与SVC结合（Sangare等人，[18]），将树提升与高斯过程集成（LGPBoost[19]），并构建混合贝叶斯网络用于实时概率风险预测（Liu等人，[20]）。同时，数据挖掘技术（如关联规则挖掘[ARM]（Bairami-Khankandi等人，[21]）已被证明有效用于揭示事故数据库中的隐藏系统模式和时间趋势。

**深度学习的应用**
随着人工智能技术的不断发展，深度学习在碰撞风险预测方面受到了显著关注[22]。早期应用主要使用卷积神经网络（CNN）提取局部空间特征，模型从基本的多层架构（Gao等人，[23]）发展到增强注意力的框架（Hei等人，[24]）和并行1D/2D融合网络（Cui等人，[25]）。为了捕捉连续的时空动态，研究人员广泛应用了长短期记忆（LSTM）网络，并经常将其与梯度提升（Zhang等人，[26]）、优化算法（Hema和Kumar，[27]）或注意力机制（Xie等人，[28]）结合，以预测碰撞风险。然而，独立的LSTM模型难以充分探索交通状态的空间特性。为了克服这一限制，学者们越来越多地探索集成时空框架和非欧几里得图神经网络（GNN）。研究使用SGMN（Lai等人，[29]）、基于注意力的LSTMs（Jia等人，[30]）或多任务CNN-LSTM网络（Yang等人，[31]）等框架融合多源时空数据。为了解决非欧几里得交通网络问题，提出了基于GNN的模型，如DSTGCN（Yu等人，[32]）和STCAGNN-RNKDE（Gao等人，[33]），以联合建模空间相关性和时空动态。这些先进架构进一步通过物理信息GNN（Lin等人，[34]）进行了定制，以在极端天气下保持可靠性，并通过Gan等人（[35]）提取复杂的因果拓扑结构。尽管取得了这些进展，但有效整合和动态平衡时空信息仍然是一个关键挑战。

**Transformer模型的应用**
最近，Transformer模型因其强大的全局依赖性建模能力而成为处理时空数据的热门选择（Liu等人，[36]；Al Thani等人，[37]）。尽管Transformer在捕捉长期依赖性方面表现良好，但其提取局部特征的能力仍然有限。因此，研究人员提出了混合架构以提高复杂交通环境中的预测性能。Zhang等人[38]构建了一个HGAT-Transformer模型，从结构化数据中预测碰撞原因。Anik等人[39]开发了InTformer，通过时间嵌入的注意力机制预测交叉口碰撞概率并提供实时碰撞警告。Lu等人[40]将Transformer与GAN结合，以解决数据不平衡问题。其他方法通过将Transformer与CNN或预训练框架结合来融合多模态数据[[41], [42]]。尽管取得了这些进展，现有方法在实时碰撞风险预测方面仍面临关键挑战。传统自注意力机制的计算复杂性随序列长度增加而增加。此外，不同特征空间之间的固有异质性往往导致注意力权重分布不准确，这在并行处理过程中会导致显著的计算冗余，需要更高效的特征聚合和重分布机制在深度时空架构中。

**STAR模块的引入**
为了进一步优化预测性能，最近引入了Star Aggregate-Redistribute（STAR）模块。通过采用集中式聚合和分配策略，STAR简化了多通道信息交换，从而减少了计算冗余并提高了鲁棒性（Han等人，[43]）。Ma等人[44]构建了一个StarNet模型，通过逐元素乘法实现高维非线性特征映射。由于实时碰撞预测需要处理复杂的时空耦合，传统方法常常遭受计算滞后或特征稀释的问题。STAR模块通过保留关键信息同时减少计算开销，提供了一种高效且鲁棒的风险预测架构。表1总结了这些预测方法的发展。

**挑战与改进**
鉴于交通碰撞预测的时空耦合和实时性能等特点，传统方法在处理这些要求时常常因计算冗余或特征丢失而导致预测及时性下降。STAR模块可以更好地保留关键信息同时减少计算量，特别适用于深度学习中的通道处理，为构建同时考虑效率和鲁棒性的交通碰撞预测模型提供了新思路。总的来说，通过以往的工作取得了显著进展，产生了多种模型来预测不同道路场景中的交通碰撞风险。表1总结了以往研究中的主要方法学进展。

**存在的问题**
尽管现有研究在交通安全预测方面取得了一定进展，但仍存在一些局限性。首先，目前流行的架构（如CNN-LSTM和CNN-Transformer）在跨网络传输时空特征时容易丢失信息；其次，虽然提取了各种运动学特征，但许多传统预测框架缺乏针对复杂时空交互的动态特征重新校准机制。最后，现有方法在高效处理时空特征的层次解析需求方面仍面临挑战，导致预测结果与实际情况之间存在偏差。为了解决时空建模和准确碰撞风险分析的迫切需求，我们提出了一种结合CNN、Transformer和STAR模块的新型混合碰撞风险预测框架。这种集成模型不仅可以有效捕捉交通场景中的全局时空依赖性，还可以充分提取局部动态，从而提高整体预测准确性。主要贡献如下：
(1) 为了解决交通数据分布变化引起的适应性问题，我们将STAR模块嵌入到Transformer架构中。该组件位于多头注意力机制和随后的前馈神经网络之后，采用集中式策略跨通道聚合和重新分配全局序列信息。这种机制促进了通道间交互，减轻了对单个特征的过度依赖，使模型能够在复杂和动态的道路环境中检测到微妙的交通异常模式。
(2) 在传统的串行架构中，时空处理过程中空间特征往往被削弱。为了克服这一限制，我们将建模过程分为并行的事时空和空间分支。这种并行机制旨在捕捉长期时空动态和跨特征的空间交互，有效减少了时空信息的相互干扰。
(3) 我们的设计将CNN分支提取的局部时空特征输入到并行Transformer分支中，提高了其对局部细节的敏感性。此外，保留了CNN的原始输出用于最终特征融合。这种混合层次设计将短期局部模式与长期全局上下文结合，提高了碰撞风险预测的鲁棒性。

**讨论**
我们提出了一种高速公路碰撞风险等级预测架构。特征分析（图11，表4）确定CVS、CI和速度为主要风险决定因素。CVS显示出最高的比值比，表明速度波动是碰撞风险的核心因素；这一发现与Qin等人[61]的研究结果一致。CI显示出负效应，表明拥挤的环境可能与严重的碰撞概率呈负相关。速度显示出中等但显著的正面影响。

**政策建议**
基于识别的碰撞风险因素（表5）和预测的实时碰撞风险等级，我们提出了一个分层交通管理框架。该框架结合了微观车辆预警、宏观交通控制和协同系统控制，将安全管理从被动响应转变为主动预警。这一概念与Li等人[65]的研究类似。在微观层面，我们利用由高速公路部署的车辆自动化和通信系统（VACS）。

**结论**
本文提出了一种新型的混合CNN-Transformer-STAR模型，用于实时高速公路碰撞风险等级预测。通过将并行卷积神经网络（CNN）的局部模式挖掘能力与Transformer的长距离依赖性建模相结合，并利用STAR模块进行全局信息增强，所提出的方法能够有效地捕捉和建模复杂的时空交互特征。实证评估表明，CNN-Transformer-STAR模型在实时碰撞事件的责任归属分析中表现优异。

作者贡献声明：
程泽扬：撰写——初稿，研究方法指导，资金申请，概念性框架制定。
李家璐：撰写——初稿，研究方法指导，形式化分析，数据整理。
马拉万·布阿迪：撰写——审稿与编辑，形式化分析。
张琳：撰写——审稿与编辑，研究方法指导，概念性框架制定。
董春娇：撰写——审稿与编辑，研究方法指导，概念性框架制定。