综述：人工智能在交通事故分析中的应用：综述性研究

《ADVANCED ENGINEERING INFORMATICS》：Artificial intelligence in traffic accident analysis: A comprehensive review

　　

• •
  一个二维框架为基于人工智能的交通事故研究提供了结构。
• •
  比较了基于视觉的、数据驱动的和时空性的道路安全模型。
• •
  评估交通事故模型时，不仅考虑准确性，还考虑其部署准备情况。
• •
  区分了预测、解释、因果关系和安全决策支持。
• •
  基础模型、生成式人工智能和数字孪生技术指导道路安全研究。

引言

道路交通事故仍然是全球公共卫生和运输安全方面最重要的问题之一。每年约有119万人在交通事故中丧生；这些事故是5至29岁人群的主要死亡原因，相关损失约占大多数国家国内生产总值的3%。这一负担在低收入和中等收入国家尤为严重[1]，[2]。同时，城市化、车辆拥有量的增加以及与微型出行方式相关的交通服务的整合，加剧了道路系统的异质性和运营复杂性[3]，[4]。因此，事故风险并非由单一孤立因素造成，而是由道路设计、交通流量、天气条件、车辆状况、人类行为以及时间和空间背景之间的相互作用共同决定的。这些特点推动了能够整合多样化证据并支持科学理解和主动安全干预的分析方法的发展。

传统的统计、计量经济学、空间分析和时间序列方法对于建模事故频率、分析伤害严重程度、识别事故高发点以及进行事前事后评估具有根本性重要性[5]，[6]，[7]，[8]。这些方法的主要优点在于它们允许进行形式化的推理，假设明确，具有成熟的评估程序，并可直接用于政策分析。然而，一些建模方法依赖于预定义的功能结构、关于分布或稳定性的假设、有限的交互结构或聚合数据表示。这些特点可能会限制模型在处理高维输入、非线性关系、不同数据类型、快速变化的交通条件或实时数据流时的表现。因此，不应将传统方法视为完全线性或过时的方法。当需要灵活的表示学习和大规模数据集成时，将人工智能（AI）视为辅助传统交通安全分析工具更为恰当[5]，[8]。

在这种情况下，AI方法因能够从结构化记录、图像、视频、轨迹、传感器数据流、文本和网络数据中学习复杂模式而被越来越多地应用于道路安全[9]，[10]，[11]，[12]，[13]，[14]，[15]，[16]，[17]，[18]。早期的应用主要依赖于经典机器学习算法来识别事故发生、严重程度和热点；后续研究引入了卷积神经网络（CNN）进行视觉感知，循环网络处理时间依赖性，以及图神经网络用于道路网络交互。最近的研究结合了多种方法，并越来越多地使用注意力机制、Transformer、扩散模型和其他基础模型组件。这些发展扩展了可以支持的交通安全任务范围，但也加剧了对数据质量、类别不平衡、可解释性、公平性、计算成本、可转移性和操作验证的关注。因此，AI不应仅仅被视为传统模型的更准确替代品，而应被视为一系列互补的方法，其适用性取决于具体的科学问题、可用数据及预期的决策背景。

现有的综述提供了关于多源事故预测、街景图像、事故严重程度建模和早期碰撞预测等主题的宝贵综合研究[29]，[53]，[81]，[127]。然而，这些研究通常分别进行。因此，文献中缺乏一个跨学科的框架，将该领域的主要数据和建模表示与模型的分析作用联系起来，比较超出预测准确性的方法论权衡，并解释模型输出如何支持工程和决策制定。这一差距日益显著，因为现代系统通常在一个分析工作流中整合了视觉感知、结构化变量、文本、道路网络拓扑和时间动态。

因此，本综述重点关注那些至少直接服务于四项道路安全任务之一的AI方法：(i) 事故、冲突或危险检测与预测；(ii) 事故频率、发生概率或风险的估计；(iii) 伤害严重程度、事故持续时间或后果的评估；(iv) 对工程或决策的支持。只有当相关方法或输出明确与事故风险、安全监控或对策评估相关时，才会包括关于一般交通流预测、道路对象检测、图像恢复和自动驾驶的研究。本综述涵盖了截至2026年的基础和最新文献，由于各研究在数据集、目标、空间和时间尺度、性能指标以及验证协议方面存在显著差异，因此采用了结构化的综合方法，而非正式的元分析。

本综述探讨了四个研究问题。RQ1：不同类型的数据和建模方法中的AI方法在交通事故分析方面有何发展？RQ2：这些方法在数据需求、预测范围、空间尺度、性能特点和应用权衡方面有何不同？RQ3：在道路安全背景下，如何区分预测、解释、因果推断和决策支持系统？RQ4：在多模态基础模型、生成式AI和数字孪生领域，未来研究应关注哪些方法论和实践方面的差距？

为回答这些问题，文献按照两个互补的维度进行了组织。第一个维度涉及主要的数据和建模表示。基于视觉的方法分析图像或视频以检测危险场景、冲突和事故事件。数据驱动的AI技术从结构化、文本或多模态特征中学习，以预测事故的发生、频率、严重程度或持续时间。时空AI模型明确表示时间依赖性、空间交互性、道路网络拓扑或这些因素的组合，以确定风险发生的时间和地点。这种分类并非旨在创建互斥的类别，而是根据各方法的主要科学贡献进行划分，同时明确界定跨方法组件的关系。

第二个维度是模型的分析作用：检测与感知、预测与解释、因果推断以及决策支持与干预。图1展示了三个模型组如何与这些分析作用相关联，以及它们的输出如何转化为实际的交通安全应用。该框架还纳入了整个综述中使用的通用方法论和部署标准，以比较不同的方法。这种结构避免了使用相似算法但解决不同科学问题的模型被同等评估的情况，并且不仅从预测性能角度，还从可解释性、鲁棒性、计算成本、可扩展性、可转移性、数据需求、公平性、部署准备情况和实际价值等方面进行比较。因此，本综述提出了一个以任务为导向的分类体系，追踪了各方法组的方法论演变，批判性地比较了它们的优缺点，并将模型输出转化为基础设施、运营、执法和政策的可行方向。

章节摘录

交通事故动态与传统方法

交通事故的发生是由于多维和复杂的相互作用。这些事件不仅限于驾驶员错误；它们是由许多相互关联的因素共同造成的，如道路基础设施、天气条件、交通流量、车辆技术特性和环境因素[19]。驾驶员行为（超速、注意力不集中、酒后驾驶等）是导致事故的最常见因素之一；然而，

基于人工智能的交通事故方法

在第3节中，基于图1所提出的二维框架，根据每项研究中主要的数据和建模表示对文献进行了组织。最近的交通安全应用包括基于AI的事故检测、AI和物联网（IoT）支持的监控，以及事故风险预测和安全路线规划应用[39]，[40]，[41]，[42]。基于视觉的方法关注从图像和视频中可以检测到的危险场景信息，

未来研究方向、部署和伦理

未来基于AI的交通事故分析的进步不仅取决于更强大模型的开发，还取决于整合多样化证据、量化不确定性以及将模型输出转化为可靠的安全决策的能力。新兴系统可以将事故记录、交通和环境传感器、图像、视频、文本报告、位置数据和驾驶员状态信息整合到共享的多模态管道中。这种整合可能会使

结论

本综述开发了一个二维框架，用于解释人工智能在交通事故分析中的应用。第一个维度根据主要的数据和建模表示区分了基于视觉的方法、数据驱动的AI技术和时空AI模型。第二个维度区分了检测与感知、预测与解释、因果推断以及决策支持与干预。这一结构表明，使用相似算法的研究可能

关于手稿准备过程中生成式AI和AI辅助技术的声明

在准备本综述的过程中，作者使用了ChatGPT（OpenAI）进行英文翻译、语言润色，并帮助改进了手稿的清晰度和组织结构。作者审核并编辑了所有由AI辅助生成的内容，并对已发表文章的内容负全责。

利益冲突声明

作者声明他们没有任何已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

Muhammed Fatih Yentimur获得了土耳其科学与技术研究委员会（TüB?TAK）的2211-A国家博士生奖学金计划的支持。

Muhammed Fatih Yentimur|Burak ?elik|Tuba Kütük-Sert|Ahmet Tortum