inTformer：一种基于时间嵌入注意力的连接车辆数据交叉口事故概率预测Transformer
摘要：实时事故概率预测模型是主动交通安全管理系统的关键组成部分。多年来，许多研究尝试构建事故概率预测模型以增强交通安全，但大多数研究集中在高速公路上。在现有大多数研究中，研究人员主要采用深度学习为基础的框架来识别事故潜在因素。近来，Transformer作为一种潜在的基于注意机制操作的深度神经网络出现了。Transformer在功能上比现有的深度学习模型（如LSTM、CNN等）具有几个优点。首先，Transformer可以方便地处理数据序列中的长期依赖关系。其次，Transformer可以在训练过程中并行处理数据序列中的所有元素。最后，Transformer不会出现消失梯度问题。认识到Transformer的巨大潜力，本文提出了一种称为inTersection-Transformer（inTformer）的时间嵌入基于注意机制的Transformer模型，可以在实时中有效预测交叉口事故概率。所提出的模型使用从Signal Analytics Platform提取的连接车辆数据进行评估。鉴于交叉口复杂的交通运行机制，本研究将交叉口区域分为两个不同的区域：交叉口内区域和接近区域，并开发了区域特定模型。最佳的'inTformer'模型在“交叉口内”和“接近”区域分别实现了73%和70%的敏感性。区域级模型还与早期研究比较了交叉口事故概率预测以及在同一连接车辆数据集上训练的几个已建立的深度学习模型。
作者：B M Tazbiul Hassan Anik, Zubayer Islam, Mohamed Abdel-Aty
论文ID：2307.03854
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-30