全球每年135萬人死于交通事故，英國M1高速公路2019年數據顯示，事故樣本僅占0.01%，99.99%為非事故數據——如何在這樣的“數據荒漠”中提前30分鐘預測交通事故？近日，英國帝國理工學院團隊提出的TGRCN模型給出答案：通過“時序預測雷達+空間特征顯微鏡”雙引擎架構，將事故預測準確率提升至78.1%（北行方向），相關成果發表于《Frontiers of Engineering Management》。該模型首次實現對速度方差等關鍵風險因子的精準捕捉，為高速公路主動安全管理開辟新路徑。

數據困境：傳統模型為何成“事后諸葛亮”？
交通事故預測長期面臨“三難”：數據稀疏（事故樣本不足0.01%）、時空關聯復雜（速度、車距等5項動態指標相互影響）、預警窗口有限（30分鐘內需完成識別與干預）。傳統模型常陷入“兩難選擇”：時間序列模型（如ARIMA）無法捕捉空間特征，像“管中窺豹”；深度學習模型（如LSTM）在數據稀疏時易“過擬合”，誤將噪聲當信號。

“某路段速度方差突然增大20%，這可能是事故前兆，但傳統模型會因數據太少忽略這一信號。”研究團隊舉例，2019年M1高速某起追尾事故前，系統曾監測到車距縮小伴隨速度波動，但因模型靈敏度不足，警報在事故發生后才觸發。

雙引擎破局：時間預測+空間識別協同作戰
TGRCN模型創新性地將TSGRNN與WCNN結合，構建“預測-識別”閉環。TSGRNN（時間序列廣義回歸神經網絡）如同“交通狀態預報員”，基于過去30分鐘的速度、車距、流量等數據，通過徑向基函數預測下一時段交通狀態——類似氣象模型通過歷史數據預測臺風路徑，提前鎖定風險區域。

WCNN（二項加權卷積神經網絡）則是“事故特征識別專家”。針對數據不平衡，它給事故樣本賦予更高權重，迫使模型“重點學習”危險模式；同時將時序數據轉化為“交通狀態圖像”，通過卷積層提取空間關聯特征。例如，當某路段出現“速度驟降+車距縮小”的特征組合時，模型會立即標記為高風險。

“傳統模型像單線程處理器，而TGRCN是雙核CPU。”團隊解釋，TSGRNN解決“何時可能出事”，WCNN回答“哪里可能出事”，兩者協同將預警精度提升40%。

實地測試：M1高速驗證78%準確率，速度方差成關鍵誘因
在英國M1高速2019年數據集（含244起事故、197萬條交通數據）的測試中，TGRCN表現顯著優于STGCN、LSTM等8種主流模型：北行方向事故識別率78.1%、非事故識別率80.2%；南行方向對應為75.3%和81.6%。更重要的是，通過ICAV-LIME工具分析發現，速度方差（車輛速度波動程度）是事故第一誘因，貢獻度超40%，其次是平均速度和車距。

“這意味著交通管理部門可針對性施策。”團隊舉例，當檢測到某路段速度方差超過60 km/h2時，可通過可變限速牌降低車速波動，將事故風險降低30%以上。該模型在我國蘇通大橋的測試中同樣表現優異，事故預測準確率達66.7%，驗證了跨場景適用性。

從實驗室到公路：智能預警系統未來將嵌入自動駕駛
目前，TGRCN模型已在英國部分高速公路試點，交通控制中心可實時接收30分鐘風險預警。團隊計劃下一步整合天氣、光照等環境變量，并優化極端案例（如連環追尾）的識別能力。論文通訊作者Bowen Cai表示：“未來該模型可嵌入自動駕駛系統，實現‘車-路-云’協同預警，讓每輛車都成為移動的事故監測站。”

專家認為，這種“小樣本學習+可解釋AI”的范式，為工業安全、災害預警等“數據稀疏”領域提供了新解法。

來源: 工程管理前沿