交通事故预测如同在"撒哈拉沙漠找水滴"——英国M1高速公路2019年数据显示，事故样本仅占0.01%，99.99%为非事故数据。传统模型面临双重挑战：一是时间序列模型（如ARIMA）难以捕捉速度波动、车距等动态特征的时空关联；二是深度学习模型（如LSTM）在"数据荒漠"中易陷入"过拟合陷阱"，将噪声误判为事故信号。

"30分钟是黄金干预窗口。"研究团队指出，现有模型要么预警时间太短（如5分钟内难以采取措施），要么准确率不足60%。例如，某路段突发速度方差增大（车辆忽快忽慢），传统模型可能因数据稀疏而忽略这一危险信号，导致事故发生后才触发警报。

"双引擎"模型创新：时间预测+空间识别协同发力
TGRCN模型构建了"时间序列预测器+空间特征提取器"的双引擎架构。第一引擎TSGRNN（时间序列广义回归神经网络）如同"交通状态预报员"，基于过去30分钟的速度、车距、流量等5项动态数据，预测下一时段的交通状态。它通过径向基函数捕捉速度方差的细微变化——就像气象雷达追踪台风眼的风速波动，提前锁定潜在风险源。

第二引擎WCNN（二项加权卷积神经网络）则扮演"事故特征识别员"角色。针对数据不平衡难题，它给稀缺的事故样本赋予更高权重，迫使模型在训练中"重点学习"事故模式。同时，通过卷积层将时间序列数据转化为"交通状态图像"，提取空间关联特征——例如，某路段车距突然缩小伴随速度骤增，这些特征组合会被标记为高风险。

"传统模型像单眼望远镜，而TGRCN是双筒望远镜。"团队解释，TSGRNN捕捉时间维度的动态趋势，WCNN识别空间维度的风险特征，两者协同将事故预测从"盲人摸象"升级为"精准定位"。

实测验证：M1高速数据准确率超现有模型40%
在英国M1高速公路2019年数据集（含244起事故、197万条交通数据）的测试中，TGRCN表现亮眼：北行方向成功预测78.1%的事故和80.2%的非事故事件，南行方向对应准确率为75.3%和81.6%。对比当前主流的STGCN模型（时空图卷积网络），事故预测准确率提升超40%。

更关键的是，模型通过ICAV-LIME解释工具揭示：速度方差（车辆速度波动程度）是事故第一诱因，其次是平均速度、车距。例如，当速度方差超过60 km/h²时，事故风险骤增3倍——这为交通管理部门提供了明确的干预靶点，如动态限速、车道管控。

未来展望：从"被动响应"到"主动防御"
目前，TGRCN模型已在英国M1高速部分路段试点，交通管理部门可通过实时数据输入，获取未来30分钟的事故概率热力图。团队计划下一步整合天气、光照等环境因素，并优化模型对极端案例（如连环追尾）的识别能力。

"这不仅是技术突破，更是交通安全范式的转变。"论文通讯作者Bowen Cai表示，该模型为自动驾驶、智能交通系统提供了底层技术支撑，未来或可嵌入车载系统，实现"车-路-云"协同预警。

专家指出，TGRCN模型在数据利用率、实时性上的优势，为破解"小概率高影响"事件预测难题提供了新思路，有望在航空安全、工业预警等领域推广应用。

来源: 工程管理前沿