一种基于贝叶斯深度学习的框架，结合非平稳广义极值参数化方法，用于基于冲突的实时碰撞风险预测

《Analytic Methods in Accident Research》：A Bayesian deep learning-driven framework integrating non-stationary generalized extreme value parameterization for coneflict-based real-time crash risk prediction

　　魏伟|赖正|冯竹|杨文晨|弗雷德·曼纳林中国哈尔滨工业大学交通科学与工程学院摘要通过评估交通冲突来预测事故风险，是交通安全领域的一项重要进展，它与传统的方法——等待事故发生后再识别存在问题的高速公路路段和交叉口——有了显著不同。这一思路促使人们发展出各种非平稳（使用随时间变化的协变量）的极值理论方法，利用交通冲突数据来估算事故风险。然而，这些极值理论应用往往受到固定函数关系、对先验假设的依赖、有限的协变量集合以及无法捕捉协变量间时间依赖性的限制。为克服这些局限，本研究提出了一种基于贝叶斯深度学习的广义极值框架，用于实时事故风险预测。该方法采用基于长短期记忆网络的架构，通过定制的映射函数从历史交通状况中动态生成广义极值分布参数，从而更准确地量化事故风险。此外，为考虑未观察到的异质性和预测不确定性，在输入层嵌入了随机生成器，并采用带有蒙特卡洛 Dropout的贝叶斯深度学习方法来实现有依据的数据驱动型不确定性量化。以一个信号化交叉口的追尾交通冲突数据为例，结果表明所提出的框架能够产生稳定且合理的广义极值参数估计，并具备适当的不确定性量化。负对数似然值和基于概率积分变换的诊断方法表明，该模型具有良好的分布拟合度，而敏感性分析则验证了贝叶斯组件、随机生成器、参数映射策略、滑动窗口长度以及损失函数中的惩罚项的有效性。最后，与传统的贝叶斯分层广义极值模型相比，所提出的BDL-GEV模型在分布拟合度和提前一个信号周期的事故风险预测方面都有所提升。引言交通冲突分析是主动式交通安全的基石，它能够在事故发生前识别出易发事故的地点。其核心思想是尽可能实时地评估交通冲突，从而根据当前的交通动态（道路使用者之间的相互作用）推断出事故发生的概率。如果能够实时进行冲突分析，就可以及时采取主动的安全干预措施，如向驾驶员发出实时警告、实施自适应信号控制以及提供车辆级速度建议（Essa和Sayed，2019；Ghoul和Sayed，2021）。这种方法与传统的安全分析方式形成了鲜明对比，后者依赖于基于事故的建模方法，即通过历史事故记录来推断事故概率（Hossain等人，2019）。不过，使用已观测到的事故数据存在诸多众所周知的局限性，包括较轻微事故的漏报、需要长时间收集数据才能获得足够样本量（这要求假设事故决定因素不会随时间变化）、存在未观察到的异质性、抽样非随机性（在已观测的事故数据中，易发事故的驾驶员占比过高）等等（Lord和Mannering，2010；Mannering和Bhat，2014；Mannering等人，2016；Mannering，2018；Islam等人，2023；Ali等人，2023a）。为了解决已观测事故数据存在的这些问题，交通冲突分析技术逐渐成为安全分析领域广泛认可的方法（Hou等人，2025）。在各种基于冲突的风险估算方法中，极值理论的应用越来越受到重视，该方法试图将观测到的交通冲突情况外推为事故概率（Ali等人，2023a）。Songchitruksa和Tarko在2006年最早将极值理论应用于事故风险估算，后续研究通过引入非平稳公式，纳入动态交通变量，使得极值分布能够随着交通状况的变化而变化，从而进一步拓展了这一方法的应用范围（Zheng等人，2019；Zheng和Sayed，2019a、2020；Ali等人，2023b、2023c；Kamel等人，2023）。例如，Zheng和Sayed在2020年提出了一个新的贝叶斯分层极值框架，该框架将动态交通特征作为协变量，用以描述非平稳性并解释事故风险的时间变化规律。后续还有Fu和Sayed在2022年、2023年的研究，他们采用了贝叶斯动态极值模型进行实时事故风险评估，通过基于时间序列的结构（时间趋势模型和动态线性模型）逐步更新模型参数。最近，Niu和Sayed在2025a、2025b年研究了基于条件极值理论的短期事故风险预测方法，他们通过贝叶斯推断，在带标记点过程框架下对极端交通冲突的时间依赖性进行了建模。尽管基于极值理论的事故风险建模已经取得了相当大的进展，但仍然存在一些重要的方法学挑战和问题。例如，协变量与极值分布参数之间的关系通常是通过链接函数来规定的，位置参数采用恒等链接函数，而尺度参数则采用指数链接函数（Songchitruksa和Tarko，2006；Ali等人，2022）。虽然这种方法便于模型的设定和推断，但当底层机制涉及非线性交互作用、高阶依赖关系或交通状况的复杂时间变化时，就会显得力不从心。另一个问题是，贝叶斯应用常常面临这样一个局限：缺乏关于分布参数与协变量之间关系的先验信息。为解决这一问题，人们通常会使用保守或信息量较弱的先验分布（回归参数使用方差较大的正态先验，随机误差项则使用较为宽泛的伽马先验，这可能会导致后验分布的探索速度变慢，参数估计的不确定性增加）（Zheng等人，2019；Zheng和Sayed，2019a、2020；Fu和Sayed，2022）。此外，现有的非平稳极值理论框架往往因为数据获取的限制以及确保模型收敛的实际需求，而受到协变量数量有限的制约。如表1所示，大多数以往的研究都仅依赖于少量与交通相关的变量，包括交通流量、冲击波特征、车队相关指标、速度相关参数或部分行人属性。虽然有一些研究指出，增加更多变量并不会显著提升模型的解释能力，但这一结论往往是在低维度建模环境下得出的（Fu等人，2025）。在大数据时代，开发一种能够容纳更多协变量，并有效整合它们那些虽规模较小但能相互补充的解释作用的建模框架，仍然是一个极具价值的研究方向，尤其是对于捕捉复杂且随时间变化的交通状况而言（Mannering等人，2020）。最后一个问题是，大多数现有的非平稳极值理论模型通常只依赖于当前或紧接前一个时间间隔内的协变量所对应的动态参数统计值，而忽略了多个更早时间间隔内动态交通参数的时间依赖性。这可能存在问题，因为在不同时间间隔内的交通状况会通过排队形成与消散、车队行进、冲击波传播以及需求波动等持续过程，在连续的周期中不断演变。因此，某一时间间隔内的极端冲突行为，更应该以近期交通状况的变化为依据，而非仅仅考虑单个时间间隔的瞬时状况。这一观点与近期的一些研究结果一致，那些研究表明，通过循环神经网络纳入多周期交通动态，能够显著提升冲突预测的性能（Wu等人，2023；Wei等人，2025）。为了解决固定函数关系、依赖保守先验、协变量数量有限以及无法建模时间依赖性等问题，将机器学习与统计建模相结合是一种颇具前景的混合方法（Mannering等人，2020；Ali等人，2024）。实际上，已有不少近期研究尝试将机器学习与基于统计的极值理论建模相结合。例如，有些研究运用无监督异常检测方法来识别冲突极端值，然后再利用极值理论分布对这些极端值进行建模，从而缓解传统极值抽样方法所存在的局限性（Hussain等人，2022、2024a；Wei和Zheng，2025）。Zheng和Wei在2025年采用的混合建模方法，整合了基于深度学习的极端交通冲突预测、极值抽样以及极值理论建模，从而将常见的交通参数与信号化交叉口的事故风险联系起来。虽然Zheng和Wei的方法需要汇总多个交通信号周期内的冲突频率，这限制了其在安全评估方面的应用，而非仅用于预测，但他们的研究确实展示了混合建模的潜力。在其他研究中，为了实现实时事故风险预测，有人采用了两阶段混合建模方案，即首先利用极值理论估算事故风险，然后再将其视为时间序列，通过基于深度学习的時間序列模型来进行预测（Hussain等人，2024b；Fu等人，2025）。尽管这一框架展现出了良好的预测性能，但其第一阶段仍然基于传统的非平稳极值理论公式，因而存在相应的局限性。与这些顺序式的混合方法不同，其他领域的最新创新则利用深度学习在统一的建模框架内直接刻画极值分布的参数。例如，Galib等人在2022年以及Wilson等人在2022年提出了基于深度学习的框架，用于建模两种经典的极值分布——广义极值分布和广义帕累托分布，这些框架被应用于降水、飓风、太阳活动以及极端天气等领域。这种整合有效地结合了深度学习处理复杂非线性问题的能力，以及基于极值理论的统计建模的因果推断功能。不过，尽管将机器学习与极值理论相结合的混合框架在推动交通安全分析方面具有巨大潜力，但像在其他领域那样直接利用深度学习对极值分布进行参数化，在交通冲突分析领域却几乎尚未得到探索。为填补这一空白并克服上述方法学局限，本研究开发了一种基于贝叶斯深度学习的广义极值框架，用于基于交通冲突的事故风险预测。在这一框架中，广义极值分布是以条件和非平稳的方式被使用的，即将周期级最大值分布的参数视为近期交通状况变化的函数。该框架被应用于一个信号化交叉口，旨在实现实时以及提前一个周期的事故风险预测。本研究为相关领域做出了三项主要贡献。首先，提出了一种新的基于长短期记忆网络的非平稳极值理论框架，该框架通过映射函数从历史交通状况中动态生成广义极值分布参数，从而能够对信号周期层面的安全水平进行量化推断。其次，为考虑未观察到的异质性，在输入层嵌入了随机生成器，并采用贝叶斯深度学习方法来实现有依据的数据驱动型不确定性量化。第三，通过与传统的非平稳广义极值模型进行系统比较，结果表明所提出的BDL-GEV框架显著提升了模型拟合度，这也凸显了该方法在捕捉不断变化的交通状况与极值分布之间关系方面的潜力。本文的其余部分首先介绍所提出的方法框架及其主要组成部分，接着阐述数据及研究环境。随后展示并分析实证研究结果，再进一步介绍并分析消融实验、敏感性分析以及相关的对比研究。最后，总结全文并探讨未来研究的方向。方法论该方法框架的核心目标是在信号化交叉口，捕捉历史交通状况的演变与未来信号周期内交通冲突极端值分布之间的关系，从而实现实时以及提前一个周期的事故风险预测。图1展示了所提出的贝叶斯深度学习广义极值框架的结构。如图所示，该框架由四个主要部分组成数据本研究使用的数据是中国哈尔滨市一个信号化交叉口的高分辨率激光雷达点云数据。如图2所示，激光雷达传感器被安装在交叉口的西南角，能够覆盖广阔的交通流动区域。数据采集时间为白天的07:00至17:00，共进行了七天，总计获得了大约70小时的数据。在所有分析对象中，选择了淮河路向东的车道作为分析对象，原因在于……结果BDL-GEV框架的关键超参数均选在了普遍适用且实际可行的范围内，具体数值及最终设置总结在表4中。此外，模型参数是通过Adam优化器进行迭代更新的，该优化器被认为具有较高的计算效率，且所需内存较少（Arvin等人，2021年；Wei等人，2025年）。消融分析、敏感性分析及对比分析为了评估所提出方法的有效性，进行了消融分析、敏感性分析以及对比分析，具体内容如下。总结与结论本研究提出了一种基于贝叶斯深度学习的广义极值模型框架，该框架分为四个阶段。第一阶段作为输入模块，用于构建时间序列表示，以反映交通状态的时间演变，同时通过随机生成器来捕捉那些无法从观测数据中直接测量的隐性差异。第二阶段则利用带有蒙特卡洛丢弃机制的深度学习结构，构建出贝叶斯深度学习模型。CRediT作者贡献声明魏伟：撰写——初稿、验证、方法论、研究设计、数据整理、概念构建。赖正：撰写——审阅与编辑、方法论、资金获取、概念构建。朱峰：撰写——审阅与编辑、指导、方法论、概念构建。杨文辰：撰写——审阅与编辑、资金获取。Fred Mannering：撰写——审阅与编辑、形式分析、概念构建。关于写作过程中生成式AI和AI辅助技术的声明在初步准备本文档时，使用了ChatGPT来提升初稿的可读性和语言表达水平。所有这些初始内容随后都经过了大量修改，作者对最终发表的内容负全责。利益冲突声明作者声明没有已知的可能影响本文所述工作的利益冲突。致谢感谢中国国家自然科学基金（项目编号52472358和52072097）、云南省重点研发计划（202503AA080012）以及中国云南省交通运输厅科技计划（项目编号2022-107）的支持。作者们也对两位匿名审稿人提供的宝贵意见表示衷心感谢。