澳大利亚的主动道路安全干预：根据联网车辆数据预测危险驾驶热点

arXiv:2608.16913v1 公告类型：新 摘要：道路安全监控历来都是被动的，依赖于伤亡事故发生后的碰撞记录分析。在事故发生之前主动识别高风险地点和危险驾驶行为是一项关键但尚未充分探索的挑战。本文利用澳大利亚大悉尼地区的联网车辆遥测数据来解决这一差距，以检测和预测地方政府区域 (LGA) 级别的未遂危险驾驶事件。通过重力阈值（硬制动 >0.6g、剧烈转弯 >0.47g、剧烈加速 >0.5g）对危险驾驶进行量化，并构建时空热图来识别高风险区域。对三个系列的八个预测模型进行了基准测试：集成学习（随机森林、XGBoost、LightGBM）、深度学习（LSTM、N-BEATS）和经典时间序列方法（ARIMA、指数平滑、Prophet）。 ARIMA 实现了最低的平均绝对误差 (MAE: 162.21)，与 LSTM (MAE: 163.92) 相当，并且优于所有集成方法，N-BEATS 的 MAE 达到 180.75。这些结果表明，当训练数据量有限时，简约的时间序列模型与深度学习方法相比具有竞争力。该研究强调了基于物联网的联网车辆数据在支持主动道路安全干预措施方面的潜力，悉尼内陆和西部地方政府行政区（CBD、Parramatta、Bankstown）被确定为持续的高风险区域，需要采取有针对性的政策行动。