30分钟预警交通事故：AI如何在“数据荒漠”中捕捉危险信号？

全球每年135万人死于交通事故，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——如何在这样的“数据荒漠”中提前30分钟预测交通事故？近日，英国帝国理工学院团队提出的TGRCN模型给出答案：通过“时序预测雷达+空间特征显微镜”双引擎架构，将事故预测准确率提升至78.1%（北行方向），相关成果发表于《Frontiers of Engineering Management》。该模型首次实现对速度方差等关键风险因子的精准捕捉，为高速公路主动安全管理开辟新路径。

数据困境：传统模型为何成“事后诸葛亮”？
交通事故预测长期面临“三难”：数据稀疏（事故样本不足0.01%）、时空关联复杂（速度、车距等5项动态指标相互影响）、预警窗口有限（30分钟内需完成识别与干预）。传统模型常陷入“两难选择”：时间序列模型（如ARIMA）无法捕捉空间特征，像“管中窥豹”；深度学习模型（如LSTM）在数据稀疏时易“过拟合”，误将噪声当信号。

“某路段速度方差突然增大20%，这可能是事故前兆，但传统模型会因数据太少忽略这一信号。”研究团队举例，2019年M1高速某起追尾事故前，系统曾监测到车距缩小伴随速度波动，但因模型灵敏度不足，警报在事故发生后才触发。

双引擎破局：时间预测+空间识别协同作战
TGRCN模型创新性地将TSGRNN与WCNN结合，构建“预测-识别”闭环。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、流量等数据，通过径向基函数预测下一时段交通状态——类似气象模型通过历史数据预测台风路径，提前锁定风险区域。

WCNN（二项加权卷积神经网络）则是“事故特征识别专家”。针对数据不平衡，它给事故样本赋予更高权重，迫使模型“重点学习”危险模式；同时将时序数据转化为“交通状态图像”，通过卷积层提取空间关联特征。例如，当某路段出现“速度骤降+车距缩小”的特征组合时，模型会立即标记为高风险。

“传统模型像单线程处理器，而TGRCN是双核CPU。”团队解释，TSGRNN解决“何时可能出事”，WCNN回答“哪里可能出事”，两者协同将预警精度提升40%。

实地测试：M1高速验证78%准确率，速度方差成关键诱因
在英国M1高速2019年数据集（含244起事故、197万条交通数据）的测试中，TGRCN表现显著优于STGCN、LSTM等8种主流模型：北行方向事故识别率78.1%、非事故识别率80.2%；南行方向对应为75.3%和81.6%。更重要的是，通过ICAV-LIME工具分析发现，速度方差（车辆速度波动程度）是事故第一诱因，贡献度超40%，其次是平均速度和车距。

“这意味着交通管理部门可针对性施策。”团队举例，当检测到某路段速度方差超过60 km/h²时，可通过可变限速牌降低车速波动，将事故风险降低30%以上。该模型在我国苏通大桥的测试中同样表现优异，事故预测准确率达66.7%，验证了跨场景适用性。

从实验室到公路：智能预警系统未来将嵌入自动驾驶
目前，TGRCN模型已在英国部分高速公路试点，交通控制中心可实时接收30分钟风险预警。团队计划下一步整合天气、光照等环境变量，并优化极端案例（如连环追尾）的识别能力。论文通讯作者Bowen Cai表示：“未来该模型可嵌入自动驾驶系统，实现‘车-路-云’协同预警，让每辆车都成为移动的事故监测站。”

专家认为，这种“小样本学习+可解释AI”的范式，为工业安全、灾害预警等“数据稀疏”领域提供了新解法。