Neues Modell vereint städtische Unfallprävention: Mehr Genauigkeit und Robustheit
Ein neues Forschungsprojekt hat ein innovatives System vorgestellt, das die Unfallprävention in mehreren Städten gleichzeitig optimiert. Das Modell, genannt MLA-STNet, nutzt fortschrittliche Lerntechniken, um Unfallrisiken präziser vorherzusagen und gleichzeitig die Unterschiede zwischen den Städten zu berücksichtigen.
Die Daten, die für die Unfallvorhersage verwendet werden, sind oft ungleichmäßig verteilt, enthalten viele Ausreißer und folgen komplexen Mustern. Hinzu kommt, dass die Berichtssysteme in verschiedenen Städten unterschiedlich sind, was die Integration der Daten erschwert. Diese Faktoren haben die Entwicklung eines einheitlichen, überregionalen Präventionssystems bisher behindert.
MLA-STNet löst diese Probleme, indem es die Vorhersage als ein Multi-Task-Lernproblem formuliert. Das System trainiert gleichzeitig für mehrere Städte, wodurch es Muster erkennt, die in einzelnen Städten allein nicht sichtbar wären. Gleichzeitig bleibt die individuelle Charakteristik jeder Stadt erhalten.
Das Modell besteht aus zwei ergänzenden Komponenten. Der Spatio-Temporal Geographical Mamba-Attention (STG-MA) reduziert schwankende räumlich-zeitliche Unstimmigkeiten und stärkt langfristige zeitliche Abhängigkeiten. Der Spatio-Temporal Semantic Mamba-Attention (STS-MA) adressiert die Heterogenität zwischen den Städten, indem er gemeinsame Parameter nutzt und gleichzeitig separate semantische Räume für jede Stadt beibehält.
Um die Wirksamkeit zu prüfen, wurden 75 Experimente unter zwei Szenarien durchgeführt: Vorhersagen für den ganzen Tag und für hochfrequente Unfallintervalle. Die Tests nutzten reale Unfalldaten aus New York City und Chicago, zwei stark unterschiedlichen Großstädten.
Die Ergebnisse zeigen, dass MLA-STNet die Genauigkeit der Vorhersagen deutlich verbessert. Im Vergleich zu aktuellen Spitzenmodellen konnte die Root-Mean-Square-Error (RMSE) um bis zu 6 % reduziert, die Recall-Rate um 8 % gesteigert und die Mean Average Precision (MAP) um 5 % erhöht werden. Zudem bleibt die Leistung bei bis zu 50 % Rauschen in den Eingabedaten nahezu unverändert, was die Robustheit des Systems unterstreicht.
Diese Fortschritte markieren einen wichtigen Schritt in Richtung einer integrierten, stadtübergreifenden Unfallprävention. Durch die Kombination von präziser Vorhersage und hoher Robustheit kann MLA-STNet dazu beitragen, Verkehrsunfälle effektiver zu verhindern und die Sicherheit in urbanen Räumen zu erhöhen.