[论文解读] AI on the Road: A Comprehensive Analysis of Traffic Accidents and Accident Detection System in Smart Cities

Victor Adewopo, Nelly Elsayed+4 more|arXiv (Cornell University)|Jul 22, 2023

Traffic Prediction and Management TechniquesEngineering被引用 3

一句话总结

本文提出了一种基于人工智能的事故检测框架，利用交通监控摄像头和动作识别技术，实现实时自动检测交通事故，缩短应急响应时间，提升智慧城市的道路安全水平。该系统可与应急服务机构集成，借助机器学习技术提高响应效率并减轻事故严重程度。

ABSTRACT

Accident detection and traffic analysis is a critical component of smart city and autonomous transportation systems that can reduce accident frequency, severity and improve overall traffic management. This paper presents a comprehensive analysis of traffic accidents in different regions across the United States using data from the National Highway Traffic Safety Administration (NHTSA) Crash Report Sampling System (CRSS). To address the challenges of accident detection and traffic analysis, this paper proposes a framework that uses traffic surveillance cameras and action recognition systems to detect and respond to traffic accidents spontaneously. Integrating the proposed framework with emergency services will harness the power of traffic cameras and machine learning algorithms to create an efficient solution for responding to traffic accidents and reducing human errors. Advanced intelligence technologies, such as the proposed accident detection systems in smart cities, will improve traffic management and traffic accident severity. Overall, this study provides valuable insights into traffic accidents in the US and presents a practical solution to enhance the safety and efficiency of transportation systems.

研究动机与目标

• 利用2016–2020年期间的NHTSA CRSS数据，分析美国各地区的交通事故模式。
• 识别关键事故高发区域及影响因素，如一天中的时间、天气、照明条件和路口类型。
• 通过提出一种可扩展的、基于人工智能和监控基础设施的实时框架，解决现有事故检测系统的局限性。
• 通过自动化检测与应急服务机构的集成，缩短响应时间并改善应急协调。
• 评估动作识别在检测交通事故中的有效性，减少人为报告中的错误。

提出的方法

• 该框架利用交通监控摄像头捕获实时视频流以实现事故检测。
• 采用动作识别模型从视频数据中识别异常驾驶行为和碰撞事件。
• 系统利用DSTGCN架构对交通模式中的时空依赖关系进行建模，以提高检测准确性。
• 通过在检测到事故时自动通知第一响应人员和执法部门，与应急服务机构实现集成。
• 该框架利用边缘人工智能和物联网技术处理数据，实现低延迟、实时分析。
• 在NHTSA CRSS的真实交通数据上进行训练和验证，确保与实际城市交通状况的相关性。

Figure 1: Hourly Trend of Accident (2016-2020).

实验结果

研究问题

• RQ1 2016至2020年期间，美国交通事故的主要时间与空间模式是什么？
• RQ2 天气和照明等环境因素如何影响事故频率和严重程度？
• RQ3 与传统方法相比，视频流中的动作识别在多大程度上能提升事故检测的速度与准确性？
• RQ4 将基于人工智能的检测与应急服务机构集成，如何缩短响应时间并改善结果？
• RQ5 在智慧城市建设中部署可扩展的实时事故检测系统面临哪些主要挑战？

主要发现

• 2016至2020年间，交通事故发生频率显著上升，尤其在清晨和傍晚时分出现明显高峰。
• T型路口和四向路口的事故率较高，尤其在照明不良或恶劣天气条件下更为明显。
• 涉及非机动车驾驶人（如行人和骑行人）的事故数量持续上升，表明安全问题日益突出。
• 与酒精相关的死亡事故仍是导致严重伤害和死亡的主要原因，凸显了针对性干预措施的必要性。
• 所提出的基于动作识别的框架展现出实时事故检测能力，与人工报告相比显著缩短了响应时间。
• 系统与应急服务机构的集成实现了更快的出警响应和更优的协调，显著缩短了事故发生到医疗响应之间的时间。

Figure 2: Number of Non-Motorist involved in Car Crash (2016-2020).