基于深度神经网络的高速公路事故风险预测时空迁移学习框架

《Neurocomputing》：A spatial-temporal transfer learning framework for highway accident risk prediction with deep neural networks

　　

摘要

由于交通风险模式存在时空异质性，准确且可靠的公路事故风险预测面临诸多挑战。这种异质性会导致不同时间段和道路段之间的领域差异，进而削弱模型在跨领域场景下的泛化能力。为解决这一问题，我们提出了一种时空迁移学习框架，将领域适应问题分解为时间和空间两个独立路径。在时间适应方面，ST-TransNet通过动态衰减注意力机制，根据实时交通状况自适应调整历史信息的权重，从而捕捉多尺度风险演变趋势，有效应对时间领域的变化。在空间适应方面，BalancedDANN利用对抗学习方法，使不同道路段的边际特征分布和条件特征分布保持一致，同时解决类别不平衡问题，有效缓解空间领域的差异。在此基础上，一种异构图注意力网络整合多源交通数据和气象数据，进一步实现特征的对齐，最终生成连续的风险分布图，为决策提供支持。通过这种分离式的适应设计，该框架有效降低了领域差异带来的影响，提升了模型的跨领域泛化性能。在真实公路数据集上的实验表明，所提出的完整框架的AUC-ROC值为0.991，F1分数为0.894，相比现有最先进方法，AUC-ROC提升了2.3%，F1分数提升了19.7%。消融实验和跨区域案例研究进一步验证了该框架在降低时空领域变化对预测精度和模型稳健性的影响方面的有效性。

引言

公路事故风险预测是主动交通安全管理中的核心任务。准确的预测有助于提前识别高风险状况，并采取针对性措施，如动态调整限速或发布实时预警，以减少事故发生。实证研究表明，即便预测精度仅有适度提升，也能带来显著的安全效益[1]。

然而，要实现准确且可靠的事故风险预测仍然是一项艰巨任务，其主要原因在于交通风险模式存在时空异质性[1][2]。空间异质性指的是由于道路设计、车流构成及周边环境的不同，不同道路段具有不同的风险特征。时间异质性则是指由于长期趋势、周期性规律（如高峰时段、季节变化）以及不可预见的事件（如交通事故、恶劣天气），某一道路段的风险状况会随时间发生变化[3][4]。这两种异质性都会导致显著的领域差异——即数据在空间和时间上的统计分布发生变化。当在一个道路段或某个时间周期训练出的预测模型被应用到其他场景时（如新的道路段或未来年份），其跨领域泛化能力会大幅下降，从而导致性能严重劣化[5]。

目前用于事故风险预测的方法大致可分为三类，每类都有其特定的研究重点。

统计和传统机器学习方法（如逻辑回归、XGBoost、LightGBM）通常将事故与有限的交通参数相关联，比如交通量、平均车速和车道占用率。这类方法假设训练数据和测试数据具有独立的同分布特性[6][7][8]。深度时空模型（如STGCN、DCRNN）则借助图神经网络和循环结构来捕捉复杂的时空依赖关系，但它们通常假定数据分布是稳定的，且缺乏针对环境变化的适应性机制[9][10][11]。近年来，人们开始探索迁移学习方法来应对不同地区或不同时间段的领域差异问题。不过，现有的研究将时空迁移视为一个整体问题，没有区分时间和空间层面的差异。此外，这些方法也无法有效处理极端的类别不平衡问题以及微弱的危险信号，同时也缺乏将多源数据（如交通数据和气象数据）整合到适应过程中的统一框架[12][13][14][15]。

综上所述，尽管各类方法都为这一领域提供了有价值的见解，但它们都无法有效应对公路事故风险预测中固有的时空领域差异问题。统计方法在面对现实世界中的数据分布变化时会失效；深度时空模型由于假设数据分布稳定，导致跨领域泛化能力较差；现有的迁移学习方法则采用粗粒度的适应策略，未能明确区分由时间因素和空间因素引起的异质性。正是这些局限性促使人们寻求一种新的方法，能够将时间适应和空间适应明确分开。

本文要解决的核心问题是，在时空领域差异和极端类别不平衡的情况下，预测不同道路段及未来时间段的公路事故风险。为了解决这个问题，我们提出了一种时空迁移学习框架，将时间适应和空间适应分开处理。其核心思路在于，时间变化和空间变化是由不同机制引发的：时间变化表现为随时间发生的某种指标的变化，而空间变化则体现在不同位置之间的特征差异。传统的领域适应方法仅关注边际分布，忽视了时间演化趋势，而常见的时空模型则假定数据分布是稳定的。通过将时间适应和空间适应分开，每种路径都可以采用针对性的机制——时间路径用于适应不断变化的条件分布，而空间路径则用于协调不同道路段之间的特征分布。

本文的主要贡献如下：

• (i)
  分离式时间适应机制（ST-TransNet）。该机制包含一个具有动态衰减注意力机制的时间路径，能够根据实时交通状况自适应调整历史信息的权重，从而捕捉多尺度风险演变趋势，有效应对时间领域的变化，解决了现有模型无法适应条件分布变化的问题。
• (ii)
  分离式空间适应机制（BalancedDANN）。该机制通过对抗学习方法，使不同道路段的边际特征分布和条件特征分布保持一致，有效缓解空间领域的差异，同时在类别极度不平衡的情况下也能保持类别边界清晰，解决了传统迁移学习方法存在的适应粒度粗糙和类别不平衡问题。
• (iii)
  基于不确定性意识的动态风险映射机制。该机制通过集成克里金法，将离散的预测结果转换为带有量化不确定性的连续风险分布图，从而为决策提供“风险强度+置信度”两层信息，减少误报，提升方法的实际应用价值。

章节节选

统计和传统机器学习方法

早期的事故预测模型主要依靠逻辑回归和时间序列分析等统计方法，这些方法将事故与交通量、平均车速、车道占用率等有限数量的交通参数相关联[11]。虽然这些方法具有可解释性，但其线性或预先设定的非线性假设无法捕捉交通系统复杂的耦合动态[12]。后来，随机森林和梯度提升决策树等集成方法被引入...

方法论

本节将介绍所提出的时空迁移学习框架。若试图在单一网络中同时处理时间和空间层面的变化，往往难以获得最优的适应效果。这是因为传统的领域适应方法仅关注边际特征分布，忽视时间演化趋势，而常见的时空预测模型则假定数据分布是稳定的，且缺乏处理领域差异的明确机制。为系统地解决这两个问题，我们提出了...

实验与结果

本节将对所提出的时空迁移学习框架在真实公路数据集上的表现进行系统性评估。实验旨在验证五个核心假设：（i）完整框架的整体预测优势；（ii）通过控制性消融实验验证各核心组件的有效性；（iii）时间适应模块（ST-TransNet）和空间适应模块（BalancedDANN）的各自作用；（iv）多源数据整合的价值...

结论与讨论

准确的公路事故风险预测对于主动交通安全管理至关重要。然而，交通风险模式存在的时空异质性——表现为不同道路段和不同时间段的领域差异——仍是阻碍模型实现可靠跨领域泛化的根本因素。为解决这一问题，本文提出了一种时空迁移学习框架，该框架明确将时间适应和空间适应分开处理。该框架整合了...

CRediT作者贡献说明

张祖赫：撰写原始稿件、软件开发、方法设计、概念构思。Monty Sutrisna：参与稿件审阅与编辑、项目指导、概念构思。左凯文：负责模型验证、问题研究、形式化分析。杨岩：参与稿件审阅与编辑、模型验证、软件开发、方法设计。

利益冲突声明

作者声明，他们不存在任何可能影响本研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了石家庄市引进国外智力计划（项目编号20260019）、河北省科技计划（项目编号253T0801D）以及河北省地方科技发展引导基金（项目编号246Z0802G）的支持。

张祖赫毕业于中国石家庄的石家庄铁道大学，获交通工程学士学位。自2023年起，他继续在该校攻读交通与运输工程硕士学位。他的研究兴趣包括智能交通数据分析、交通运行优化以及道路交通安全评估。

Zuhe Zhang|Monty Sutrisna|Kelvin Zuo|Yan Yang

中国石家庄市，050043，石家庄铁道大学交通与运输学院