用大模型把事故叙述变成交叉口安全对策，F1达0.82，每个路口平均推荐3.91条！
Crash Narrative-Guided Countermeasure Recommendation Using Large Language Models: A Retrieval-Augmented Generation Framework for Intersection Safety
📖 AI 总结
该研究针对交叉口安全改进中传统依赖专家判断、难以规模化的问题，提出了一种以事故叙述为导向的检索增强生成（RAG）框架，将事故叙述中提取的机制属性（如交通控制、信号指示、驾驶员过错、车辆运动与行驶方向）与FHWA成熟安全对策及CMF清算库中的循证措施相链接。框架融合了基于嵌入的历史相似交叉口检索、关联规则挖掘、相关对策数量的统计引导以及工程推理引导，使大语言模型按领域一致的决策流程推荐对策。基于佛罗里达州莱克县与萨姆特县115个交叉口的312起致命及严重伤害事故，采用五折交叉验证，取得精确率0.82、召回率0.85、F1值0.82，平均每个地点推荐3.91项对策，其中3.14项与实际匹配，接近实际均值3.86。结果表明，检索增强大语言模型可作为可解释、可扩展的决策支持工具，帮助交通管理部门将事故叙述转化为针对性的对策建议。
🔑 关键词速览
| Retrieval-Augmented Generation (RAG) | 检索增强生成，一种将信息检索与大语言模型生成相结合的技术框架，通过检索外部知识来增强生成内容的准确性和可解释性。 |
| Crash Narrative | 事故叙述，指对交通事故发生过程、原因和环境的文本描述，通常包含丰富的机理信息。 |
| Countermeasure | 对策，指为预防或减轻交通事故而采取的具体工程、管理或教育措施。 |
| Association-Rule Mining | 关联规则挖掘，一种数据挖掘方法，用于发现数据项之间的频繁共现模式或因果关系。 |
| CMF Clearinghouse | 碰撞修正系数信息交换库，一个提供道路安全对策效果评估数据的在线数据库，用于支持循证决策。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅