[论文解读] Recent Advances in Traffic Accident Analysis and Prediction: A Comprehensive Review of Machine Learning Techniques

Noushin Behboudi, Sobhan Moosavi+1 more|arXiv (Cornell University)|Jun 20, 2024

Traffic Prediction and Management Techniques被引用 9

一句话总结

本文回顾了在交通事故分析与预测领域的191篇基于ML的研究（2019–2024），覆盖风险、频率、严重性、持续时间和统计分析。

ABSTRACT

Traffic accidents pose a severe global public health issue, leading to 1.19 million fatalities annually, with the greatest impact on individuals aged 5 to 29 years old. This paper addresses the critical need for advanced predictive methods in road safety by conducting a comprehensive review of recent advancements in applying machine learning (ML) techniques to traffic accident analysis and prediction. It examines 191 studies from the last five years, focusing on predicting accident risk, frequency, severity, duration, as well as general statistical analysis of accident data. To our knowledge, this study is the first to provide such a comprehensive review, covering the state-of-the-art across a wide range of domains related to accident analysis and prediction. The review highlights the effectiveness of integrating diverse data sources and advanced ML techniques to improve prediction accuracy and handle the complexities of traffic data. By mapping the current landscape and identifying gaps in the literature, this study aims to guide future research towards significantly reducing traffic-related deaths and injuries by 2030, aligning with the World Health Organization (WHO) targets.

研究动机与目标

• 评估基于 ML 的交通事故分析与预测的最新进展。
• 将研究分为事故风险、频率、严重性、持续时间和统计分析五类。
• 识别数据源、方法学趋势与研究空白，以指导未来研究。
• 绘制地理分布与数据源分布图，突出数据可用性与可迁移性。
• 提供将研究与 WHO 2030 年道路安全目标对齐的建议。

提出的方法

• 系统性文献收集，来源于 Google Scholar、ScienceDirect、IEEE Xplore、SpringerLink 与 Scopus（2019–2024）。
• 筛选并筛除至 191 篇相关研究，聚焦于基于 ML 的事故分析任务。
• 将研究分为五个类别：风险、频率、严重性、持续时间和统计分析。
• 综合数据源、模型类型（传统 ML 与深度学习）及性能考量。
• 讨论方法的优缺点及可迁移性，并提出未来研究方向。

Figure 1 : An overview of global road traffic accident fatalities (2010 - 2023) according to the WHO reports ( [ 2 , 3 , 4 , 5 , 6 , 1 ] )

实验结果

研究问题

• RQ1 在过去五年中，用于事故风险、频率、严重性和持续时间预测的主要 ML 技术有哪些？
• RQ2 数据源和模型选择如何影响不同地区的预测准确性和可迁移性？
• RQ3 当前 ML 方法在交通事故分析中存在哪些空白，以及为提升道路安全结果的建议方向？
• RQ4 统计建模和 ML 方法如何在理解事故数据模式方面相互补充？

主要发现

• 大多数研究依赖机器学习，深度学习紧随其成为前沿的状态。
• 来自多源的数据整合是提升预测性能的关键因素。
• 公开数据可用性（美国、中国、英国、印度）对地理聚焦的影响大于全球事故发生率的影响。
• 在风险、频率、严重性和持续时间方面，ML 方法显示出性能提升，但面临数据不平衡和可迁移性等挑战。
• 本综述提供可操作的建议，以引导未来工作朝着 WHO 2030 年道路安全目标迈进。

Figure 2 : Our Process to Collect and Summarize Relevant Research Articles