《Transportation Research Interdisciplinary Perspectives》：Examination of image conditions using multiway analysis of variance for predicting high-crash-risk intersections with image recognition AI
编辑推荐：
摘要
日本住宅区道路的交通事故近年来仅略有下降，表明安全改善已陷入停滞。一个关键挑战在于高风险交叉口的早期识别，然而现有的基于图像的预测研究尚未通过统计验证确定特定的图像采集条件是否影响模型性能。本研究通过开发一个卷积神经网络（Convolutional N
摘要
日本住宅区道路的交通事故近年来仅略有下降，表明安全改善已陷入停滞。一个关键挑战在于高风险交叉口的早期识别，然而现有的基于图像的预测研究尚未通过统计验证确定特定的图像采集条件是否影响模型性能。本研究通过开发一个卷积神经网络（Convolutional Neural Network, CNN）模型来填补这一空白，该模型基于福冈市采集的现场照片进行训练，福冈市作为实证案例研究区域。模型性能采用平均事故风险评分进行评估，并利用多因素方差分析（Analysis of Variance, ANOVA）对分辨率、天空编辑和相机距离三个图像采集因素的效应进行统计检验。结果表明，在所测试的图像条件下，模型取得的平均事故风险评分为0.776，表明人工智能（Artificial Intelligence, AI）系统对高风险交叉口的分类平均置信度为77.6%。统计检验揭示，天空编辑和相机距离显著影响预测可靠性，在本数据集内观察到的最优条件为1280×960像素分辨率、未经编辑的原始天空颜色以及10米相机距离。这些发现提供了实证证据，表明特定的图像采集设置实质性地影响基于AI的交叉口风险预测。本研究并非提出更优的模型架构，而是贡献了一个经过统计验证的评估框架，用于考察图像采集条件如何影响模型输出，并为交通规划和道路安全诊断中的图像采集标准化提供实践指导。
基于图像识别AI预测高事故风险交叉口的图像条件统计检验研究
一、研究背景与问题提出
根据世界卫生组织（World Health Organization, WHO）的数据，2012年全球交通事故死亡人数达到126万人，至2021年虽下降至119万人，但交通安全形势依然严峻。2021年，包括日本在内的西太平洋区域约有33万人死于交通事故，占全球总数的25%，其中行人占29%。日本虽然交通事故数量呈下降趋势，但根据内阁府发布的《交通安全白皮书》，每年仍约有30万起交通事故发生，其中约一半发生在交叉口。福冈县的数据同样显示，住宅区道路上相当比例的交通事故导致重伤或死亡后果，凸显了交叉口层面安全分析的重要性。
在此背景下，识别事故热点（crash hotspot）对于在资源有限条件下实施有效的干预措施至关重要。传统的热点识别方法，包括碰撞频率（Collision Frequency, CF）法、碰撞率（Collision Rate, CR）法和经验贝叶斯（Empirical Bayes, EB）法，通常依赖历史事故记录的可用性，在事故频率较低的住宅区或区域存在数据不足的局限。
近年来，随着深度学习技术的快速发展，基于图像的交通安全评估逐渐成为研究热点。卫星图像虽能捕捉交叉口的几何结构，但无法反映驾驶员视线高度的视觉条件，如视线遮挡、标志可见性和路边杂乱程度。街景图像（Street View）虽提供了更细致的街道环境视角，但往往包含停放车辆等噪声干扰。相比之下，现场照片能够提供更清晰、无遮挡的交叉口结构表征。Yoshiki等人（2024）利用现场交叉口照片训练图像识别AI，实现了约80%的准确率，并初步识别出1280×960分辨率、未编辑天空颜色和10米距离是与较高预测可靠性相关的图像采集条件。然而，该研究未对每个图像因素的显著性进行统计验证，导致这些条件是否真正影响模型性能尚不明确。
本研究旨在填补这一空白，通过多因素方差分析（multiway Analysis of Variance, ANOVA）系统检验分辨率、天空编辑和相机距离三个关键图像采集因素对AI预测可靠性的统计影响，建立更普适的图像交叉口风险评估方法论框架。
二、研究设计与方法
本研究选取日本福冈市作为目标区域，该市2022年记录5780起交通事故，相当于每10万人354起，在日本的指定城市中处于较高水平。研究利用福冈县开放数据平台提供的2016—2021年交通事故数据，结合地理信息系统（Geographic Information System, GIS）分析提取目标交叉口。高风险交叉口定义为六年内发生两次及以上交通事故的交叉口，低风险交叉口定义为无事故记录的交叉口，仅发生一次事故的交叉口因不呈现明确风险模式而被排除。
交叉口类型限定为主干道与住宅区道路的交叉、无信号灯控制、住宅区道路侧无中心线、交叉角介于75°至105°之间。为排除极端交通流量的干扰，根据2021年全国道路和街道交通调查数据，剔除了国道3号线这一主要异常值。研究采用现场摄影方式，在距交叉口5米、10米和15米处从住宅区道路中心位置拍摄照片，相机高度设定为1.2米以匹配驾驶员视线高度，视野角为84度。最终共获得116个交叉口的348张图像（每个距离类别58张高风险和58张低风险交叉口图像）。
模型方面，研究人员采用基于ResNet架构的卷积神经网络（Convolutional Neural Network, CNN），共91层，包括29个卷积层、29个批归一化层、29个ReLU激活层、2个池化层、1个全连接层和1个损失函数层。模型通过Sony公司的Neural Network Console（NNC, ver. 2.0）实现，采用4折交叉验证（k-fold cross-validation）评估性能，训练周期设定为4000次。评价指标为平均事故风险评分（Accident Risk Score），即58个高风险交叉口图像的风险评分平均值。
实验设计采用田口方法的L9正交表（L9 orthogonal array），将分辨率（1280×960、640×480、320×240像素）、天空编辑方式（未编辑、白色、浅蓝色）和距交叉口距离（5米、10米、15米）三个三水平因素组合为9种实验条件，替代了全部27种组合的穷举测试。多因素方差分析用于统计检验各因素的效应及其交互作用。
三、研究结果
3.1 模型性能与最优条件
在L9正交表的9种组合中，第2号组合（1280×960分辨率、未编辑天空、10米距离）取得了最高的事故风险评分0.776，表明AI系统对高风险交叉口的分类平均置信度为77.6%。该组合的分类性能指标为：准确率（Accuracy）80.3%、精确率（Precision）72.7%、召回率（Recall）93.2%、F值0.826。较高的召回率和F值表明模型能够以高召回率识别目标类别，展现出稳健的泛化性能。相反，第1号组合（1280×960分辨率、白色天空编辑、5米距离）取得最低评分0.424，表明白色天空编辑和过近的拍摄距离降低了关键空间线索的可见性。
3.2 多因素方差分析结果
多因素方差分析结果显示：分辨率因素（p=0.539）未达到统计显著水平，表明三种测试分辨率均保留了足够的道路几何、标志和人行道等结构细节供模型提取关键特征；天空编辑因素（p=0.036）在5%水平上显著，未编辑的原始天空条件取得最高平均风险评分（0.633）；距离因素（p=0.001）在1%水平上显著，10米距离取得最高平均评分（0.644），5米距离最低（0.509）。
天空编辑的显著效应可归因于编辑过程中部分移除了与天空重叠的架空电线杆和电力线。虽然这些物体并非交叉口本身的结构组成部分，但它们提供了稳定的上下文线索（如垂直边缘和空间深度信息），CNN可利用这些线索来表征周围环境。这些物体的移除减少了可供模型使用的一致视觉信息量，导致编辑天空条件下的性能下降。
距离因素的显著效应则反映了拍摄视场的平衡：相机过近时，重要结构和标志可能超出画面范围；距离过远时，关键特征相对于背景元素变得过小。在10米的中间距离下，交叉口布局和关键特征以保留足够细节的比例呈现，使模型能够更有效地提取特征。
四、结论与展望
本研究的主要贡献在于证明了特定的图像采集条件系统性地影响基于AI的交叉口风险预测的可靠性。不同于以往主要关注模型架构的研究，本研究提供了关于环境和摄影因素如何影响模型性能的实证证据，为实际应用中的数据采集提供了实用指南。研究发现，在测试条件下，1280×960分辨率、未编辑天空颜色和10米距离的图像组合取得了最高的事故风险评分（0.776）。方差分析进一步表明，天空编辑和相机距离显著影响模型性能，而分辨率则不具统计显著性，这可能是因为所有测试分辨率均保留了足够的结构细节供特征提取。
这些发现对市政部门和交通管理机构具有实践意义，表明标准化的图像采集协议可以提高基于AI的安全评估的一致性和可靠性。研究结果也支持将现场成像整合到数据驱动的交通安全计划中，可能为交叉口监控和风险缓解规划相关的政策决策提供参考。
未来研究应扩展数据集以涵盖更广泛的环境条件（如雨天或低能见度条件）和更多交叉口类型（如住宅区—住宅区配置），并通过多模态学习整合道路几何和交通量等数值变量。模型可靠性方面，需要在不同地理区域或时间段的独立数据集上进行外部验证，同时利用可解释人工智能（Explainable AI, XAI）技术（如Grad-CAM或Partition Explainer）提供预测的空间区域透明度。此外，未来的研究应通过定量比较不同超参数配置（如卷积核大小、步长和激活函数）以及对照标准深度学习架构（如ResNet18或ResNet34）的评估，进一步验证模型设计的有效性和优越性。
