空间-时间零膨胀负二项式图神经网络（STZINB-GNN）在道路级交通风险预测中的不确定性量化
摘要：城市道路风险预测是交通安全研究中一项关键而具有挑战性的方面。尽管大多数现有研究强调准确预测，但往往忽视了模型不确定性的重要性。在本文中，我们引入了一种新颖的空间-时间零膨胀负二项图神经网络（STZINB-GNN）用于道路交通风险预测，重点关注不确定性量化。我们在英国伦敦的兰伯斯区进行的案例研究表明，我们的方法相比现有方法具有更优越的性能。虽然负二项分布可能不是处理实际的非二元风险水平最合适的选择，但我们的工作为未来探索替代分布模型或技术奠定了坚实的基础。最终，STZINB-GNN通过提供更准确可靠的道路交通风险预测和不确定性量化框架，为城市规划中的交通安全和数据驱动决策做出了贡献。
作者：Xiaowei Gao, James Haworth, Dingyi Zhuang, Huanfa Chen, Xinke Jiang
论文ID：2307.13816
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-07-27