Davamlı Təhlükə Sahəsi İntellekt Çərçivəsi (Continuous Hazard Field Intelligence Framework, CHFI), yol-nəqliyyat qəzası riskini yalnız ayrı-ayrı qeydlərin “qəza var/yoxdur” və ya “ağırlıq sinfi” şəklində birbaşa təsnifatı kimi deyil, əlaqəli yol infrastrukturu üzərində məkan və zaman boyunca yaranan, yayılan və sıxlaşan gizli təhlükə sahəsi kimi öyrənməyə çalışan dərin öyrənmə çərçivəsidir. Tədqiqat 2022–2024 dövrünə aid 1.441.904 qeyddən ibarət XTraffic Incident Dataset və 2.026.647 qeyddən ibarət Motor Vehicle Collisions–Crashes Dataset üzərində topologiya-məhdud məkan uyğunlaşdırılması, zaman təhlükə pəncərələri, risk-diffuziya xüsusiyyət yüksəltməsi, təhlükəyə həssas normallaşdırma, davamlı təhlükə səthinin başladılması, graph-based spatial encoding, GRU/BiGRU əsaslı temporal modeling və davamlı hazard reconstruction addımlarını birlikdə qiymətləndirir.

Modelin əsas fikri budur: Yol-nəqliyyat qəzası çox vaxt tamamilə müstəqil və qəfil baş verən tək nöqtə hadisəsi kimi nəzərdən keçirilməməlidir. Mənbədə qurulan modeldə trafik axınının qeyri-sabitliyi, sürət dəyişkənliyi, sıxlıq, yol şəbəkəsinin bağlantısı, yolayrıcı təsirləri, ətraf mühit şəraiti və yaxın yol hissələrindən gələn risk təsirləri əvvəlcə gizli təhlükə sahəsinə çevrilir. Model daha sonra bu sahənin yalnız mövcud böyüklüyünü deyil, əvvəlki zamana nisbətən artıb-artmadığını və qonşu yol hissələrindəki təhlükənin yerli nöqtəni gücləndirib-gücləndirmədiyini də istifadə edərək lokallaşdırılmış qəzanın başvermə ehtimalını yaradır.

Mənbənin xülasə və nəticə bölmələrində final CHFI üçün Dataset 1-də %99,12 accuracy, %98,94 precision, %98,76 recall, %98,85 F1 və 0,998 AUC; Dataset 2-də %98,63 accuracy, %98,41 precision, %98,16 recall, %98,28 F1 və 0,997 AUC bildirilir. Lakin bu dəyərlər mənbə Cədvəl 9-un “Training Stage” E10 sətri ilə eynidir. Ayrı “Test-stage” Cədvəl 10-da müstəqil test dəyərləri Dataset 1 üçün %98,84 accuracy, %98,62 precision, %98,37 recall, %98,49 F1 və 0,998 AUC; Dataset 2 üçün %98,07 accuracy, %97,86 precision, %97,59 recall, %97,72 F1 və 0,997 AUC kimi verilir. Verianla mənbədaxili bu hesabat fərqini tək bir rəqəmdə birləşdirmir.

Daha sərt doğrulama təcrübələrində performans azalsa da yüksək qalır. Mənbə Cədvəl 14-ə görə Dataset 1 F1 dəyəri stratified random split üçün %98,85, temporal hold-out üçün %97,39, geographic hold-out üçün %96,93 və blocked spatio-temporal validation üçün %96,21-dir. Dataset 2-də eyni dəyərlər müvafiq olaraq %98,28, %96,82, %96,35 və %95,60 kimi bildirilir. Bununla belə random-split sətirləri yenə mənbədəki xülasə/Training Stage dəyərləri ilə eyni olduğuna görə bu cədvəl də Cədvəl 10-dakı müstəqil test nəticələri ilə birlikdə və ehtiyatla oxunmalıdır.

Tədqiqat güclü nəzarətli nəticələr göstərir; lakin real vaxt trafik axını üzərində canlı yerləşdirmə aparılmayıb. Mənbə real-time streaming, daha çox şəhər və nəqliyyat şəbəkəsi, daha ətraflı signal timing və lane-level dynamics, multimodal hərəkətlilik, ətraflı hava şəraiti, qeyri-müəyyənliyin modelləşdirilməsi və trafik idarəetmə sistemləri ilə inteqrasiyanı gələcək tədqiqat istiqamətləri kimi saxlayır. Buna görə CHFI nəticələri “real şəhərdə qəzaları qəti şəkildə qarşısını alan hazır sistem” kimi şərh edilməməlidir.

Tədqiqat hansı problemi həll etməyə çalışır?

Ənənəvi yol-nəqliyyat qəzası proqnozlaşdırma modellərinin mühüm bir hissəsi hər trafik qeydini və ya hər qəza nöqtəsini ayrıca nümunə kimi qiymətləndirir. Belə yanaşmada modelin vəzifəsi çox vaxt verilmiş müşahidəni müəyyən sinfə aid etməkdir. Lakin real yol şəbəkəsində bir yol hissəsinin təhlükəsizlik vəziyyəti qonşu yol hissələrindən, yolayrıcılardan, trafik növbəsindən, sürət qeyri-sabitliyindən və əvvəlki zaman intervallarından təsirlənə bilər.

CHFI-nin əsas tədqiqat problemi bu asılılıqları birbaşa “tək hadisə təsnifatı” daxilində itirmək əvəzinə görünməyən təhlükəni əlaqəli nəqliyyat şəbəkəsi üzərində davamlı dəyişən sahə kimi təmsil etməkdir.

Davamlı Təhlükə Sahəsi Nədir?

Davamlı təhlükə sahəsi tədqiqatda bir yol hissəsi və ya yolayrıcındakı gizli trafik təhlükəsini yalnız qəza nöqtəsinin mövcudluğu ilə deyil, yerli trafik vəziyyəti, qonşu şəbəkə vahidləri və keçmiş zamandakı təhlükə vəziyyətinin birlikdə müəyyən etdiyi davamlı latent sıxlıq kimi təmsil edən riyazi ara strukturdur; bu sahə yekun qəza etiketi deyil, son proqnozu yaratmaq üçün istifadə olunan şərh edilə bilən gizli-risk təmsilidir.

Bu fərq çox vacibdir. Mənbədə \(\hat{H}(u_i,t)\) ilə göstərilən təhlükə sahəsi birbaşa “qəza olacaq” etiketi deyil. Model əvvəlcə gizli təhlükə quruluşunu yenidən yaradır; sonra bu strukturdan lokallaşdırılmış qəzanın başvermə ehtimalı əldə edilir.

Model niyə yol şəbəkəsini graph kimi göstərir?

Nəqliyyat sistemi \(G=(V,E)\) şəklində graph kimi müəyyən edilir. \(V\), yol hissələri, yolayrıcılar və ya digər məkan nəqliyyat vahidlərindən ibarət düyünləri; \(E\) isə onların əlaqələrini təmsil edir.

Bu təsvirin məqsədi yalnız riyazi zəriflik deyil. Bir hissədəki sıxlıq və ya növbə növbəti hissəyə yayıla bilər; birləşmə nöqtəsi, yolayrıcı və ya qonşu dəhliz mövcud riski artıra bilər. Flat tabular məlumat bu fiziki əlaqələri təbii şəkildə daşımadığı halda graph strukturu qonşuluq münasibətini birbaşa modelə verir.

İstifadə edilən iki məlumat dəsti

Dataset 1 yalnız qəza qeydlərindən ibarət olmadığı üçün CHFI-nin “qəza baş verməzdən əvvəlki əməliyyat pozulmasını” öyrənmək məqsədinə daha yaxın precursor siqnalları ehtiva edir. Dataset 2 isə xəsarət, ölüm, piyada, velosipedçi, sürücü və nəqliyyat vasitəsi məlumatları səbəbindən baş vermiş qəzanın nəticəsini daha birbaşa təmsil edir.

Dataset 2-də dörd severity sinfi

Mənbə Dataset 2 üçün hədəfi dörd sinfə ayırır:

• No Injury: \(I_i=0\) və \(F_i=0\)
• Minor Injury: \(I_i=1\) və \(F_i=0\)
• Multi-Injury: \(I_i>1\) və \(F_i=0\)
• Fatal/Severe: \(F_i\geq1\)

Burada \(I_i\) qeyddəki ümumi yaralı sayını; \(F_i\) ümumi ölüm sayını ifadə edir.

Modeldə “Target Leakage” Niyə Kritik Problemdir?

Target leakage proqnozlaşdırılmalı nəticəni birbaşa və ya dolayı şəkildə artıq açıqlayan dəyişənlərin model girişinə verilməsi nəticəsində model performansının süni şəkildə yüksəlməsidir; tədqiqat bu riski azaltmaq üçün label yaratmaqda istifadə edilən xəsarət, ölüm, hadisə növü, təsvir və post-outcome dəyişənlərini proqnoz girişlərindən ayırır.

Tənlik (1): Yekun giriş xüsusiyyətlərinin seçilməsi

\[ F_{\mathrm{input}}^{(m)} = F_{\mathrm{all}}^{(m)} \setminus \left( F_{\mathrm{target}}^{(m)} \cup F_{\mathrm{proxy}}^{(m)} \right), \qquad m\in\{1,2\} \]

Formula nəyi hesablayır? Modelin həqiqətən istifadə etməsinə icazə verilən giriş xüsusiyyətlərini müəyyən edir.

\(F_{\mathrm{all}}\): Məlumat dəstində sənədləşdirilmiş bütün dəyişənlərdir.

\(F_{\mathrm{target}}\): Hədəf etiketi birbaşa yaradan dəyişənlərdir.

\(F_{\mathrm{proxy}}\): Hədəfi birbaşa yaratmasa da hadisədən sonra hədəfi demək olar ki, açıq şəkildə üzə çıxaran proxy dəyişənlərdir.

\(\setminus\): Çoxluq fərqi operatorudur. Yəni bütün dəyişənlər arasından target və proxy dəyişənləri çıxarılır.

Tənlik (2): Dataset 1 label yaradılması

\[ y_i^{(1)} = g_1(\mathrm{Type}_i,\mathrm{DESCRIPTION}_i) \]

\(g_1\), hadisə kateqoriyasını və hadisə təsvirini yekun incident-risk sinfinə çevirən mapping function-dır. Collision-related, injury-related, unknown-injury və hazard-related qeydlər daha yüksək riskli siniflərə; non-accident operational qeydlər isə daha aşağı risk və ya non-emergence siniflərinə uyğunlaşdırılır.

Lakin Type və DESCRIPTION hədəfi birbaşa və ya çox güclü şəkildə işarə edə bildiyi üçün label yaradıldıqdan sonra model girişindən çıxarılır.

Tənlik (3)–(4): Dataset 2 severity label

\[ y_i^{(2)}=g_2(I_i,F_i) \]

Mənbədə mapping aşağıdakı hissəli quruluşla müəyyən edilir:

\[ y_i^{(2)}= \begin{cases} \text{No Injury}, & I_i=0,\;F_i=0\\ \text{Minor Injury}, & I_i=1,\;F_i=0\\ \text{Multi-Injury}, & I_i>1,\;F_i=0\\ \text{Fatal/Severe}, & F_i\geq1 \end{cases} \]

Label yaradıldıqdan sonra injury və fatality count sahələrinin hamısı girişdən çıxarılır. Əks halda model “qəza ağırlığını proqnozlaşdırır” kimi görünsə də əslində proqnozlaşdırılmalı nəticəni birbaşa oxuya bilər.

Tənlik (5): Ön emal parametrlərinin yalnız təlim məlumatından öyrənilməsi

\[ \phi_{\mathrm{prep}}=\operatorname{Fit}(D_{\mathrm{train}}), \qquad \widetilde{D}_{\mathrm{test}} = \operatorname{Transform} \left(D_{\mathrm{test}};\phi_{\mathrm{prep}}\right) \]

Bu tənlik leakage prevention-ın ikinci mühüm qatıdır. Normallaşdırma, encoding, hazard-field initialization və digər preprocessing parametrləri əvvəlcə yalnız təlim hissəsindən öyrənilir. Test məlumatı bu parametrlərin müəyyən edilməsində iştirak etmir; test məlumatına yalnız əvvəlcədən öyrənilmiş çevrilmə tətbiq olunur.

Temporal Hazard Window Embedding nə edir?

Model hər zaman damğasını ayrıca nümunə kimi istifadə etmək əvəzinə ardıcıl trafik müşahidələrini qismən üst-üstə düşən temporal pəncərələrə bölür. Pəncərə uzunluğu \(W\), stride isə \(\Delta\) ilə göstərilir.

Məsələn, mənbə təcrübələrinin sonrakı konfiqurasiyalarında \(W=6,8,10\) və \(\Delta=2,3\) kimi parametrlər sınanıb. \(W\) böyüdükcə model daha uzun yaxın keçmişi görə bilər; \(\Delta\) pəncərənin zaman sırası üzərində nə qədər irəlilədiyini müəyyən edir. Bu riyazi şərh mənbə təcrübəsindən kənar yeni uğur iddiası deyil.

Tənlik (6)–(10): Risk-diffusion feature lifting

Yol şəbəkəsi:

\[ G=(V,E) \]

Hər düyünün \(t\) zamanındakı yerli xüsusiyyət vektoru:

\[ x_i^{(t)}\in\mathbb{R}^{d} \]

Qonşu təsiri ilə zənginləşdirilmiş xüsusiyyət:

\[ \widetilde{x}_i^{(t)} = \alpha x_i^{(t)} + (1-\alpha) \sum_{j\in N(i)} \omega_{ij}x_j^{(t)} \]

Qonşu çəkiləri:

\[ \sum_{j\in N(i)}\omega_{ij}=1 \]

Matris forması:

\[ \widetilde{X}^{(t)} = \alpha X^{(t)} + (1-\alpha)WX^{(t)} \]

Bu nə deməkdir? Bir yol hissəsinin model girişi yalnız öz trafik vəziyyətindən ibarət deyil. \(\alpha\) qədər yerli məlumat, \(1-\alpha\) qədər qonşu yol vahidlərindən gələn çəkili məlumat istifadə olunur.

\(\alpha=1\) olduqda tənlik yalnız yerli müşahidəyə enir; \(\alpha=0\) olduqda yerli komponent itir və yalnız qonşu çəkili vəziyyət qalır. Bunlar tənliyin riyazi sərhəd hallarıdır; tədqiqatın eksperimental nəticəsi deyil.

Tənlik (11): Oxşar qeyri-sabitlik göstərən qonşuların çəkisi

\[ \omega_{ij} = \frac{ a_{ij} \exp\left( -\frac{\|x_i^{(t)}-x_j^{(t)}\|_2^2}{\sigma^2} \right) }{ \sum_{k\in N(i)} a_{ik} \exp\left( -\frac{\|x_i^{(t)}-x_k^{(t)}\|_2^2}{\sigma^2} \right) } \]

\(a_{ij}\) graph adjacency məlumatını; \(\sigma\) isə diffusion sensitivity dəyərini idarə edir. Eksponensial funksiya səbəbindən xüsusiyyət vəziyyəti bir-birinə daha oxşar olan qonşuların çəkisi daha yüksək ola bilər. Məxrəcdəki cəm çəkiləri normallaşdıraraq qonşu töhfələrin birlikdə nəzarətli paylanma yaratmasını təmin edir.

Hazard-sensitive normalization niyə adi global scaling deyil?

Mənbənin iddiasına görə təhlükəli vəziyyət bəzən normalda çox stabil olan müəyyən yol hissəsindəki kiçik, lakin qeyri-adi sapma ola bilər. Bütün şəhər məlumatını vahid global orta və variasiya strukturu ilə miqyaslamaq belə lokal sapmaları basa bilər. CHFI buna görə hər road segment-i öz tarixi və struktur kontekstinə görə şərh etməyə çalışan hazard-sensitive normallaşdırmadan istifadə edir.

Mənbə bu əməliyyatın exact qapalı-form normallaşdırma tənliyini və bütün sayısal parametrlərini ayrıca vermir. Buna görə burada yeni normallaşdırma formulu uydurulmayıb.

Ayrıq Qəza Nöqtələri Davamlı Təhlükə Səthinə Necə Çevrilir?

Tədqiqat hər qəza və ya yüksək riskli hadisənin təsirini yol şəbəkəsindəki yaxın spatial vahidlərə və qonşu zaman intervallarına Gaussian-bənzər spatial və temporal kernel-larla yayır, bütün hadisə töhfələrini üst-üstə toplayır, nəticəni etibarlı yol şəbəkəsi vahidlərinə proyeksiya edir və normallaşdıraraq öyrənməyə hazır davamlı başlanğıc təhlükə sahəsi yaradır.

Algorithm 1 və Algorithm 2-nin əsas riyaziyyatı

Sparse event set:

\[ S=\{(s_k,t_k,y_k)\}_{k=1}^{M} \]

\(s_k\) hadisənin yerini, \(t_k\) zamanını və \(y_k\) təhlükə/severity böyüklüyünü təmsil edir.

Spatial kernel:

\[ K_s(u,s_k) = \exp\left( -\frac{d_G(u,s_k)^2}{2\sigma_s^2} \right) \]

Temporal kernel:

\[ K_t(t,t_k) = \exp\left( -\frac{(t-t_k)^2}{2\sigma_t^2} \right) \]

Hadisənin məkan-zaman nöqtəsinə töhfəsi:

\[ y_kK_s(u,s_k)K_t(t,t_k) \]

Bütün hadisələrin üst-üstə toplanması ilə xam sahə:

\[ H_0(u,t) = \sum_{k=1}^{M} y_kK_s(u,s_k)K_t(t,t_k) \]

Daha sonra graph projection:

\[ H_0^G(u,t)=\Pi_G(H_0(u,t)) \]

və normallaşdırma:

\[ \widehat{H}_0(u,t)=\mathcal{N}(H_0^G(u,t)) \]

\(d_G\): Sadə düzxətli Euclidean distance əvəzinə nəqliyyat graph-ı üzərində topology-aware məsafəni təmsil edir.

\(\sigma_s\): Spatial bandwidth-dir. Riyazi olaraq böyüdükcə hadisənin məkan kernel təsiri daha geniş sahəyə yayıla bilər; kiçildikcə daha lokal qalır.

\(\sigma_t\): Temporal bandwidth-dir. Böyüdükcə hadisənin zaman üzərindəki təsiri daha geniş pəncərəyə yayıla bilər.

Mühüm reproducibility qeydi: Mənbə Algorithm 1 və 2-də \(\sigma_s\) və \(\sigma_t\)-ni zəruri parametr kimi müəyyən edir, lakin araşdırılan eksperimental konfiqurasiya cədvəllərində onların konkret sayısal dəyərlərini bildirmir. Verianla bu çatışmazlığı özündən tamamlamır.

Tənlik (12)–(18): Davamlı məkan hazard field

Bir yol vahidində latent təhlükə:

\[ H_i(t)\in\mathbb{R}_{\geq0} \]

Yerli contextual feature vector:

\[ x_i(t)\in\mathbb{R}^{d} \]

Yerli hazard generation:

\[ \phi_i(t)=f(x_i(t)) \]

Qonşu çəkiləri:

\[ \omega_{ij}\geq0, \qquad \sum_{j\in N(i)}\omega_{ij}=1 \]

Topology-coupled hazard:

\[ H_i(t) = \alpha\phi_i(t) + (1-\alpha) \sum_{j\in N(i)} \omega_{ij}\phi_j(t) \]

Mənbə bunu bütün şəbəkə üçün matris formasında:

\[ H(t) = \alpha\Phi(t) + (1-\alpha)W\Phi(t) \]

kimi ifadə edir.

Buradakı mühüm fərq budur ki, \(x_i\) xam xüsusiyyətdir; \(\phi_i=f(x_i)\) bu xüsusiyyətlərdən çıxarılan latent hazard contribution-dur; \(H_i\) isə yerli və qonşu contribution-ların birləşdiyi hazard state-dir.

Tənlik (19)–(29): Unified governing formulation

Mənbə əvvəlcə graph-ı yenidən müəyyən edir:

\[ G=(V,E) \]

Yerli hazard contribution:

\[ \phi_i(t)=f(x_i(t)) \]

Qonşu hazard aggregation:

\[ S_i(t) = \sum_{j\in N(i)} \omega_{ij}\phi_j(t) \]

və:

\[ \sum_{j\in N(i)}\omega_{ij}=1 \]

Instantaneous coupled hazard:

\[ \widetilde{H}_i(t) = \alpha\phi_i(t) + (1-\alpha)S_i(t) \]

Temporal memory əlavə edildikdə:

\[ H_i(t) = \beta H_i(t-1) + (1-\beta)\widetilde{H}_i(t) \]

\(\beta\), keçmiş hazard state-in nə qədər qorunacağını idarə edən temporal persistence coefficient-dir.

\(\beta=0\) olduqda əvvəlki vəziyyət nəzərə alınmır və yeni hazard yalnız mövcud coupled state-ə bərabər olur. \(\beta=1\) sərhədində isə tənlik əvvəlki state-i tam daşıyır və yeni instantaneous contribution təsirsiz qalır. Bunlar tənliyin riyazi sərhədləridir.

Accident emergence probability:

\[ P_i(t) = \sigma\left( \gamma_1H_i(t) + \gamma_2\Delta H_i(t) + \gamma_3H_{N(i)}(t) + b \right) \]

Burada:

• \(H_i(t)\): mövcud gizli təhlükə səviyyəsi,
• \(\Delta H_i(t)=H_i(t)-H_i(t-1)\): təhlükənin son zaman addımında artması və ya azalması,
• \(H_{N(i)}(t)\): qonşu yol vahidlərinin təhlükə konteksti,
• \(\gamma_1,\gamma_2,\gamma_3\): öyrənilə bilən əmsallar,
• \(b\): bias,
• \(\sigma(\cdot)\): sigmoid activation-dır.

Sigmoid funksiyasının vəzifəsi xətti birləşməni ehtimala bənzər məhdud çıxışa çevirməkdir. Model bununla “təhlükə yüksəkdirmi?” sualı ilə yanaşı “təhlükə sürətlə artırmı?” və “yaxın şəbəkə vahidləri də təhlükəlidirmi?” suallarını birlikdə istifadə edir.

Matris formasındakı mənbə zənciri:

\[ \Phi(t)=f(X(t)) \]

\[ \widetilde{H}(t) = \alpha\Phi(t) + (1-\alpha)W\Phi(t) \]

\[ H(t) = \beta H(t-1) + (1-\beta)\widetilde{H}(t) \]

\[ P(t) = \sigma\left( \gamma_1H(t) + \gamma_2\Delta H(t) + \gamma_3WH(t) + b \right) \]

Zaman təhlükəsi niyə yalnız cari dəyər deyil?

Mənbənin model hipotezinə görə qəzadan əvvəlki təhlükə congestion buildup, unstable speed transition, repeated interaction pressure, intersection conflict və ya corridor-level propagation kimi proseslərlə zaman ərzində yığılır.

Buna görə \(\Delta H(t)\) mühüm siqnaldır. İki yol vahidində mövcud \(H(t)\) eyni olsa belə birində təhlükə sürətlə artır, digərində isə sabit qala bilər. Model bu iki vəziyyəti eyni qəbul etməməyi hədəfləyir.

Tənlik (30)–(42): Dərin öyrənmə architecture riyaziyyatı

Giriş tenzoru:

\[ X(t)\in\mathbb{R}^{N\times d} \]

\(N\), spatial unit sayı; \(d\), hər vahid üçün hazard-aware feature dimension-dır.

Graph:

\[ G=(V,E) \]

Spatial hazard encoding:

\[ Z_s(t) = \rho\left( WX(t)\Theta_s^{(1)} + X(t)\Theta_s^{(2)} + b_s \right) \]

Bu tənlik iki məlumat yolunu birləşdirir: \(WX(t)\Theta_s^{(1)}\) qonşu graph təsirini; \(X(t)\Theta_s^{(2)}\) yerli xüsusiyyəti daşıyır. \(\rho\), nonlinear activation function-dır. Çıxış \(Z_s(t)\in\mathbb{R}^{N\times h}\) latent spatial hazard embedding-dir.

Temporal evolution:

\[ Z_t(t) = \Psi\left( Z_s(t),Z_t(t-1) \right) \]

\(\Psi\), mənbənin ümumi temporal operator göstərimidir; mənbə bu quruluşun GRU, LSTM, Transformer-style attention və ya başqa sequential mexanizm kimi qurula biləcəyini bildirir. Eksperimental E1–E10 ardıcıllığında GRU və daha sonra BiGRU istifadə olunub.

Mənbənin öyrədici sadələşdirilmiş memory göstərimi:

\[ Z_t(t) = \beta Z_t(t-1) + (1-\beta)Z_s(t) \]

Hazard reconstruction:

\[ \widehat{H}(t) = \rho\left( Z_t(t)\Theta_h+b_h \right) \]

Buradakı \(\widehat{H}(t)\in\mathbb{R}^{N\times1}\), modelin bütün road segment/intersection vahidləri üzərində gizli təhlükə paylanması proqnozudur.

Hazard escalation:

\[ \Delta\widehat{H}(t) = \widehat{H}(t) - \widehat{H}(t-1) \]

Neighborhood hazard:

\[ \widehat{H}_{N}(t) = W\widehat{H}(t) \]

Localized emergence probability:

\[ \widehat{P}(t) = \sigma\left( \gamma_1\widehat{H}(t) + \gamma_2\Delta\widehat{H}(t) + \gamma_3\widehat{H}_{N}(t) + b_p \right) \]

Mənbə daha sonra forward propagation zəncirini dörd funksiya ilə xülasə edir:

\[ Z_s(t)=F_s(X(t),W) \]

\[ Z_t(t)=F_t(Z_s(t),Z_t(t-1)) \]

\[ \widehat{H}(t)=F_h(Z_t(t)) \]

\[ \widehat{P}(t) = F_p\left( \widehat{H}(t), \Delta\widehat{H}(t), W\widehat{H}(t) \right) \]

Composite loss

Algorithm 3-də təlim hədəfi aşağıdakı ümumi formada verilir:

\[ L(t) = \lambda_1 L_{\mathrm{pred}} \left( \widehat{P}(t),Y(t) \right) + \lambda_2 L_{\mathrm{haz}} \left( \widehat{H}(t) \right) \]

\(L_{\mathrm{pred}}\), accident-emergence prediction error-ını; \(L_{\mathrm{haz}}\), hazard-field consistency komponentini təmsil edir. \(\lambda_1\) və \(\lambda_2\) iki hədəf arasındakı çəkini idarə edir.

Mənbə sərhədi: Tədqiqat Algorithm 3-də bu composite objective-i müəyyən edir; lakin araşdırılan mətndə \(L_{\mathrm{haz}}\)-ın tam qapalı formasını və \(\lambda_1,\lambda_2\)-nin istifadə olunan sayısal dəyərlərini ayrıca bildirmir. Buna görə Verianla bunları təxmin edib doldurmur.

E1–E10 eksperiment dizaynı

W: temporal window length; Δ: stride; h: latent hazard embedding dimension; α: local/neighbor balance; β: temporal persistence.

Eksperiment avadanlığı və proqram təminatı

Bütün eksperimentlər MATLAB R2023a üzərində, Windows 11 Home 64-bit əməliyyat sistemi ilə aparılıb. Avadanlıq ASUS TUF Gaming F15 FX506LH; Intel Core i5-10300H 2,50 GHz CPU; 32 GB RAM; NVIDIA GeForce GTX 1650, 4 GB dedicated display memory və 16 GB shared memory kimi bildirilib.

Təlim, doğrulama və test ayrımı

Hər məlumat dəsti müstəqil şəkildə:

\[ D^{(m)} = D_{\mathrm{train}}^{(m)} \cup D_{\mathrm{test}}^{(m)} \]

və:

\[ D_{\mathrm{train}}^{(m)} \cap D_{\mathrm{test}}^{(m)} = \varnothing \]

şəklində ayrılıb.

70/30 nisbəti:

\[ |D_{\mathrm{train}}^{(m)}| = 0.70|D^{(m)}|, \qquad |D_{\mathrm{test}}^{(m)}| = 0.30|D^{(m)}| \]

Təlim hissəsi öz daxilində:

\[ D_{\mathrm{train}}^{(m)} = D_{\mathrm{fit}}^{(m)} \cup D_{\mathrm{val}}^{(m)} \]

və:

\[ D_{\mathrm{fit}}^{(m)} \cap D_{\mathrm{val}}^{(m)} = \varnothing \]

kimi ayrılıb. \(D_{\mathrm{fit}}\) parameter learning üçün; \(D_{\mathrm{val}}\) validation-loss monitoring, early stopping və checkpoint selection üçün istifadə olunub. Held-out \(D_{\mathrm{test}}\) təlim, hyperparameter monitoring və ya model selection üçün istifadə edilməməlidir.

Çatışmayan reproducibility detalı: Mənbə daxili validation subset-in faiz nisbətini və early-stopping patience \(P\)-nin sayısal dəyərini bu bölmədə vermir.

Precision, Recall və F1 nəyi ölçür?

Hər sinif \(c\) üçün precision:

\[ \mathrm{Precision}_c = \frac{TP_c} {TP_c+FP_c+\epsilon} \]

TP doğru pozitiv; FP yanlış pozitiv nəticədir. Precision yüksəkdirsə, modelin “bu sinifdir” dediyi nümunələrin böyük hissəsi həqiqətən həmin sinfə aiddir.

Recall:

\[ \mathrm{Recall}_c = \frac{TP_c} {TP_c+FN_c+\epsilon} \]

FN modelin qaçırdığı real pozitiv nümunədir. Recall yüksəkdirsə, real sinif nümunələrinin daha böyük hissəsi aşkar edilir.

F1:

\[ F1_c = \frac{ 2\mathrm{Precision}_c\mathrm{Recall}_c }{ \mathrm{Precision}_c+\mathrm{Recall}_c+\epsilon } \]

F1 precision və recall arasında harmonic mean istifadə edir. Onlardan biri ciddi şəkildə aşağıdırsa, F1 də azalır.

Macro-F1:

\[ \mathrm{MacroF1} = \frac{1}{C} \sum_{c=1}^{C} F1_c \]

Hər sinif bərabər çəki aldığı üçün çoxluq sinfinin böyük nümunə sayı ilə bütün metriyi dominant etməsi azalır. Mənbə buna görə Macro-F1-i class imbalance olan trafik təhlükəsizliyi problemlərində əsas metrik kimi seçir.

Validation loss ilə checkpoint seçimi

\[ L_{\mathrm{val}}^{(m,e)} = \frac{1} {|D_{\mathrm{val}}^{(m)}|} \sum_{(x_i,y_i)\in D_{\mathrm{val}}^{(m)}} L(y_i,\widehat{y}_i^{(e)}) \]

Seçilmiş epoch:

\[ e^{*(m)} = \operatorname*{arg\,min}_{e\in\{1,\ldots,E\}} L_{\mathrm{val}}^{(m,e)} \]

Yekun parameter checkpoint:

\[ \theta^{*(m)} = \theta^{(e^{*(m)})} \]

Early stopping:

\[ L_{\mathrm{val}}^{(m,e)} \geq \min_{k<e} L_{\mathrm{val}}^{(m,k)} \quad \text{P ardışık epoch boyunca} \]

Yəni validation loss müəyyən edilmiş patience müddəti ərzində yaxşılaşmazsa təlim dayandırıla bilər. Mənbə \(P\)-nin sayısal dəyərini bildirmir.

Final evaluation set:

\[ D_{\mathrm{eval}}^{(m)} = D_{\mathrm{test}}^{(m)} \]

Test setinin class distribution-u süni şəkildə balanslaşdırılmayıb; class imbalance təsiri macro precision, recall, F1, AUC, confusion matrix və precision–recall behavior ilə qiymətləndirilib.

Tədqiqatın Metodu və Nəticələri

Mənbədə önə çıxarılan E10 nəticələri

Müstəqil Test-stage Cədvəl 10 nəticələri

Şərh sərhədi: Mənbədə bu iki performans qatı arasında açıq hesabat uyğunsuzluğu var. Verianla held-out test nəticəsi kimi Cədvəl 10-un etiketini qoruyur; lakin müəlliflərin abstract/conclusion dəyərlərini də nəzərdən kənarda qoymur. İki dəst bir-birinin yerinə keçirilməməlidir.

Test mərhələsində E1-dən E10-a irəliləyiş

Bu test cədvəlinə görə E1-dən E10-a mütləq F1 artımı Dataset 1 üçün 8,43 faiz bəndi, Dataset 2 üçün 8,58 faiz bəndidir. Mənbənin müzakirə mətni də bu iki test-stage fərqini belə hesablayır.

Bunun əksinə, abstract və Table 11 mənbədə Training Stage dəyərlərindən istifadə edərək +7,91 və +8,26 faiz bəndi artım bildirir. Bu iki hesab fərqli cədvəllərə əsaslanır.

Ablasiya nə göstərir?

Ablation məntiqinin məqsədi yekun performansın tək bir “sehrli” moduldan, yoxsa yığılan komponentlərdən gəldiyini araşdırmaqdır.

Yenə mühüm qeyd: Bu Cədvəl 11 dəyərləri Cədvəl 9 Training Stage ilə eyni performans ardıcıllığını izləyir. Test-stage Cədvəl 10-da uyğun F1 dəyərləri bir qədər aşağıdır.

Hansı modul nə təmin etdi?

Spatial encoder: Flat record yanaşmasına road network connectivity əlavə edir.

Temporal module: Eyni nöqtədəki təhlükənin keçmişdən bu günə necə inkişaf etdiyini öyrənir. Mənbədə temporal-only modelin spatial-only modeldən bir qədər yüksək F1 verməsi zaman üzrə buildup məlumatının təkbaşına güclü predictive signal olduğunu göstərir.

Spatial + temporal: Modelə yalnız “harada?” və ya “nə vaxt?” deyil, “əlaqəli şəbəkə üzərində zamanla harada inkişaf edir?” sualına yaxınlaşmağa imkan verir.

Hazard reconstruction: Modeli birbaşa classification embedding-dən əvvəl explicit latent təhlükə sahəsi qurmağa məcbur edir.

Risk diffusion: Bir yol hissəsini ətrafından tam müstəqil qəbul etməyi dayandırır.

Escalation cue: Absolute hazard səviyyəsindən ayrıca olaraq hazard-ın yüksəlmə sürətini təmsil edir.

Neighborhood context: Lokal təhlükənin təcrid olunmuş, yoxsa daha geniş corridor-level risk strukturunun hissəsi olduğunu anlamağa kömək edir.

BiGRU və memory: Daha uzun hazard evolution pattern-lərini modelləşdirməyə yönəlmiş son temporal gücləndirmədir.

Sərt doğrulama niyə lazımdır?

Spatio-temporal məlumatda təsadüfi train/test ayrımı, xüsusən yaxın zamanlar və ya qonşu yol bölgələri hər iki qrupda qalarsa, real dünyadakı ümumiləşdirməni olduğundan yaxşı göstərə bilər. Mənbə buna görə random split-ə əlavə olaraq temporal, geographic və blocked spatio-temporal hold-out tətbiq edir.

Blocked spatio-temporal validation həm zaman, həm də məkan oxşarlığını birlikdə məhdudlaşdırdığı üçün ən sərt test kimi müəyyən edilir və hər iki məlumat dəstində ən aşağı F1 burada müşahidə olunur. Performans azalması random record split dəyərlərinin daha asan qiymətləndirmə şəraiti olduğunu göstərir.

Lakin random split sətirlərinin Cədvəl 9 Training Stage dəyərləri ilə tam eyni olması mənbədaxili nəticə-etiketləmə uyğunsuzluğunun burada da davam etdiyini göstərir. Buna görə yuxarıdakı cədvəl mənbənin bildirdiyi kimi ötürülüb; Cədvəl 10 nəticələrinin yerinə keçirilməməlidir.

Hesablama xərci

E10, E1-lə müqayisədə təxminən yeddi dəfə çox model parameter-ına və daha yüksək computation/memory xərcinə malikdir. Mənbə buna baxmayaraq 9,6 ms inference dəyərini “practical inference cost” kimi təsvir edir. Bu dəyər tədqiqatın bildirdiyi avadanlıq və implementation şərtlərinə aiddir; fərqli avadanlıq və ya real vaxt istehsal sistemi üçün eyni latency zəmanət edilmir.

Mənbə fiqurları təhlükə sahəsinin vizual olaraq nəyə çevrildiyini göstərir?

Mənbə preprocessing-dən əvvəl hazard məlumatını dar, təcrid olunmuş və parçalı high-intensity adalar kimi göstərir. Preprocessing-dən sonra eyni konseptual struktur daha geniş, hamar və qonşu yol sahələrinə davamlı şəkildə yayılan hazard surface-ə çevrilir.

Bu vizuallardakı səthlər tədqiqatın preprocessing mexanizmini izah edir. Verianla eyni contour koordinatlarını və ya rəng intensivliklərini yeni eksperimental məlumat kimi yenidən yaratmayıb; çünki mənbədə bunları yenidən çəkmək üçün tam underlying numerical grid verilmir.

Mənbədə bildirilən bəzi vizual diagnostic nəticələr

E1 baseline-da Dataset 1 test AUC dəyəri 0,938-dir və rare class-larda daha zəif generalization müşahidə olunur. Dataset 2 baseline-da xüsusən Multi-Injury və Fatal/Severe kimi daha seyrək siniflərin ayrılması daha çətindir.

Mənbə E10 üçün Dataset 1 confusion matrix-də normalized diagonal nisbətlərini Low %99,5, Moderate %94,9, Elevated %93,4 və Critical %94,3 kimi bildirir. Mənbə həmçinin calibration curve-ün ideal calibration xəttini böyük hissədə yaxından izlədiyini qeyd edir. Bu dəyərlər mənbə Figure 24-ün diagnostic şərhidir və bütün digər məlumat dəstlərində eyni calibration davranışına zəmanət vermir.

Əlaqəli tədqiqatlarla müqayisə necə oxunmalıdır?

Mənbə Cədvəl 15 Park və Hong-un MLP yanaşmasını, Macedo və həmkarlarının GEE modelini, Gou və həmkarlarının XTraffic benchmark-larını, Huang və həmkarlarının TRAVEL yanaşmasını, Wang və həmkarlarının RoadInTCP modelini, Yumak və həmkarlarının XGBoost/RF/MLP tədqiqatını, Li və Chen-in CNN–LSTM–GNN modelini və Alnowaiser-in GNN–LSTM–MLP yanaşmasını kimi müxtəlif tədqiqatları yerləşdirir.

Lakin bu tədqiqatlar fərqli məlumat dəstləri, fərqli target tərifləri, fərqli sample distributions və fərqli qiymətləndirmə protokollarından istifadə edir. Məsələn, bir tədqiqatda bildirilən %99,97 accuracy ilə CHFI-nin %98–99 aralığındakı dəyərlərini yalnız rəqəmə baxaraq “hansı daha yaxşıdır?” şəklində sıralamaq metodoloji baxımdan düzgün deyil.

Mənbənin əsas novelty iddiası yalnız ən yüksək accuracy deyil. CHFI-nin fərqi discrete accident classification-dan əvvəl topology-aware, temporally evolving və interpretable hidden hazard field yaratmasıdır.

Mənbədə xarici-baseline müqayisəsində nə çatışmır?

Mətn RF, XGBoost, MLP, LSTM/GRU və graph-based modellərin güclü xarici benchmark ailələri olduğunu bildirir və onların qiymətləndirmə dizaynındakı əhəmiyyətini müzakirə edir. Bununla belə məqalədəki əsas sayısal nəticə cədvəlləri E1–E10 daxili arxitektura konfiqurasiyalarını verir. Cədvəl 15 isə digər dərc olunmuş tədqiqatların öz nəticələrini təqdim edir.

Buna görə ayrıca same-dataset, same-split RF/XGBoost/LSTM/GCN sayısal benchmark cədvəli mənbədə görünmədiyindən Verianla belə cədvəl yaratmır.

Tədqiqatın dəstəklədiyi nəticələr

• Flat MLP baseline-dan topology-aware və temporal architecture-a keçid hər iki məlumat dəstində performansı artırıb.
• Temporal-only quruluş spatial-only quruluşdan bir qədər yüksək F1 göstərib.
• Spatial və temporal modelin birlikdə istifadəsi onların tək-tək istifadəsindən daha yaxşı nəticə verib.
• Explicit hazard reconstruction əlavə edilməsi performansı daha da artırıb.
• Risk-diffusion, hazard escalation və neighborhood context əlavə edilməsi mərhələli yaxşılaşma təmin edib.
• BiGRU və daha uzun temporal window son mərhələlərdə əlavə yaxşılaşma təmin edib.
• Random split-dən temporal, geographic və blocked spatio-temporal validation-a keçildikdə performans azalıb, lakin mənbədə yüksək qalıb.
• Model təxminən 1,26 milyon parameter və mənbə avadanlığında 9,6 ms inference cost ilə bildirilib.
• Continuous hazard representation modelin qəza proqnozundan əvvəl şərh edilə bilən latent safety structure yaratmasını hədəfləyir.

Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr

• CHFI-nin real vaxt şəhər trafik sistemində canlı olaraq doğrulandığı göstərilməyib.
• Modelin qəzaları faktiki olaraq qarşısını aldığı və ya qəza sayını müəyyən faiz azaltdığı göstərilməyib.
• Model çıxışı birbaşa avtonom trafik siqnal idarəetmə əmri deyil.
• İki məlumat dəstindəki yüksək accuracy bütün şəhər və ölkələrdə eyni performansın əldə olunacağını göstərmir.
• Random split performansı geographic və ya temporal generalization ilə eyni deyil.
• Hazard field real fiziki olaraq birbaşa ölçülmüş sahə deyil; model tərəfindən reconstructed latent representation-dır.
• Hazard hotspot-un aşkarlanması təkbaşına səbəbkar qəza mexanizmini sübut etmir.
• Cədvəl 15-dəki müxtəlif tədqiqatların metrikləri birbaşa eyni test setində yarışmış nəticələr deyil.
• Mənbədə sayısal dəyəri verilməyən \(\sigma_s\), \(\sigma_t\), \(\lambda_1\), \(\lambda_2\) və patience \(P\) dəyərləri məlum deyil.
• Xülasə və nəticədəki performans rəqəmlərinin müstəqil held-out test dəyərləri ilə tam uyğun olduğu deyilə bilməz; mənbə Cədvəl 9 və Cədvəl 10 fərqli dəyərlər bildirir.

Tədqiqatın mühüm məhdudiyyətləri və gələcək araşdırmalar

Mənbə xüsusi “Limitations” başlığı altında uzun məhdudiyyət siyahısı verməsə də nəticə bölməsində gələcəkdə doğrulanmalı sahələri açıq şəkildə qeyd edir.

Real vaxt: Model gələcəkdə real-time streaming environment-a genişləndirilməlidir. Mövcud tədqiqat bunu canlı trafik axınında doğrulamayib.

Daha zəngin context: Signal timing, lane-level dynamics, multimodal mobility interaction və daha ətraflı weather progression gələcəkdə modeldə nəzərdən keçirilə bilər.

Cross-city generalization: Daha çox şəhər, nəqliyyat şəbəkəsi və external benchmark dataset üzərində qiymətləndirmə tələb olunur.

Uncertainty: Uncertainty-aware accident emergence modeling gələcək tədqiqat mövzusudur; mövcud nəticələr tam uncertainty quantification çərçivəsi təqdim etmir.

Traffic-control integration: Trafik idarəetmə və intervention sistemləri ilə inteqrasiya gələcək tətbiq sahəsidir.

Reproducibility: Mənbə çoxsaylı arxitektura hyperparameter-i verir; lakin kernel bandwidth-ləri, composite loss çəkiləri və early-stopping patience kimi bəzi dəyərlər sayısal olaraq çatışmır.

Reporting consistency: Training Stage, Test Stage, abstract/conclusion və robustness cədvəllərindəki final performance dəyərləri eyni deyil. Bu, nəticələrin hansı evaluation layer-a aid olduğunun diqqətlə izlənməsini tələb edir.

Praktik olaraq model necə işlədilmək üçün nəzərdə tutulur?

1. Yeni trafik, incident, yol, zaman və contextual məlumat alınır.
2. Müşahidələr nəqliyyat graph-ındakı doğru road segment/intersection vahidinə uyğunlaşdırılır.
3. Məlumat overlapping temporal windows daxilinə alınır.
4. Risk-diffusion ilə qonşu şəbəkə təsirləri feature space-ə daşınır.
5. Hazard-sensitive normalization tətbiq edilir.
6. Sparse hadisələrdən initial continuous hazard surface yaradılır.
7. GCN spatial hazard əlaqələrini öyrənir.
8. GRU/BiGRU hazard-ın zaman üzrə buildup və persistence quruluşunu öyrənir.
9. Model continuous latent hazard field \(\widehat{H}(t)\) yaradır.
10. \(\Delta\widehat{H}(t)\) ilə hazard escalation hesablanır.
11. \(W\widehat{H}(t)\) ilə neighborhood context çıxarılır.
12. Prediction head bu məlumatları localized accident-emergence probability-yə çevirir.
13. Çıxışlar hazard map, risk zone, hotspot və safety inspection/early-warning qərar dəstəyi üçün şərh edilə bilər.

Elmi mənası

Tədqiqatın əsas konseptual töhfəsi qəzanı yalnız proqnozlaşdırılan nəticə olmaqdan çıxarıb, müşahidə olunmayan, lakin model tərəfindən reconstruct edilən “öncül təhlükə vəziyyəti”nin nəticəsi kimi nəzərdən keçirməkdir.

Bu baxışda model yalnız “hansı qeyd qəzadır?” sualına deyil, “hansı əlaqəli yol hissələrində təhlükə yığılır, haradan yayılır, zamanla güclənirmi və hansı lokal vahid kritik vəziyyətə yaxınlaşır?” suallarına cavab verməyi hədəfləyir.

Lakin bu təhlükə sahəsi birbaşa fiziki sensorla ölçülmüş “real təhlükə maddəsi” deyil. Öyrənilmiş latent mathematical representation-dır. Bu fərq model çıxışının şərhi baxımından kritikdir.

Mənbə və Metod Qeydi

Orijinal başlıq: Learning the City’s Hidden Danger: A Continuous Hazard Field Intelligence Framework for Traffic Accident Emergence and Urban Safety Prediction

Müəlliflər: Nawal Louzi; Mahmoud AlJamal; Mohammad Q. Al-Jamal.

Corresponding authors: Nawal Louzi və Mahmoud AlJamal.

Bərabər töhfə / ortaq birinci müəlliflik: Mənbədə bərabər töhfə işarəsi bildirilməyib.

Qurum 1: Civil Engineering Department, Al-Ahliyya University, Amman 19111, Jordan.

Qurum 2: Department of Cybersecurity, Science and Information Technology, Irbid National University, Irbid 21110, Jordan.

Qurum 3: Department of Renewable Energy, Technical Faculty, Jadara University, P.O. Box 733, Irbid 21110, Jordan.

Jurnal: Urban Science.

Nəşriyyat: MDPI, Basel, Switzerland.

Cild / say / məqalə: Volume 10, Issue 6, Article 300.

DOI: 10.3390/urbansci10060300.

Təqdim: 5 Aprel 2026.

Reviziya: 10 May 2026.

Qəbul: 22 May 2026.

Nəşr: 27 May 2026.

Mənbə növü: Article; real dünya trafik təhlükəsizliyi məlumat dəstləri üzərində topology-aware spatio-temporal deep learning və continuous hazard-field modelləşdirməsi inkişaf etdirən hesablama tədqiqatı.

Rəyçilik statusu: Urban Science rəyli jurnalında dərc olunmuş Version of Record.

Preprint: Mənbədə ayrıca preprint məlumatı yoxdur; hədəfli yoxlamada da eyni başlıq üçün ayrıca preprint müəyyən edilməyib.

Lisenziya: Creative Commons Attribution (CC BY).

Əsas model: Continuous Hazard Field Intelligence Framework — CHFI.

Dataset 1: XTraffic Incident Dataset (2022–2024), 1.441.904 qeyd.

Dataset 2: Motor Vehicle Collisions–Crashes Dataset, 2.026.647 qeyd, 29 sənədləşdirilmiş feature.

Əsas məlumat bölgüsü: %70 training / %30 held-out testing. Training bölməsində ayrıca validation subset istifadə olunub; exact validation nisbəti mənbədə bildirilməyib.

Optimizer: Adam.

Final E10 learning rate: 2×10⁻⁴.

Final batch size: 32.

Maximum epoch: 120.

Final temporal window / stride: W=10, Δ=3.

Final latent dimension: h=256.

Final local–neighbor balance: α=0,60.

Final temporal persistence: β=0,80.

Final temporal model: BiGRU + temporal memory update.

Spatial model: GCN + topology-aware diffusion.

Hazard reconstruction: Continuous hazard reconstruction layer.

Evaluation metrics: Accuracy, macro-precision, macro-recall, Macro-F1, AUC, loss; əlavə olaraq confusion matrix, ROC və precision–recall diagnostic qiymətləndirmələri.

Əlavə robust validation: Stratified random split, temporal hold-out, geographic hold-out və blocked spatio-temporal validation.

Tətbiq mühiti: MATLAB R2023a; Windows 11 Home 64-bit.

Avadanlıq: ASUS TUF Gaming F15 FX506LH; Intel Core i5-10300H 2,50 GHz; 32 GB RAM; NVIDIA GeForce GTX 1650, 4 GB dedicated display memory və 16 GB shared memory.

Final model complexity: Mənbə Cədvəl 12-yə görə təxminən 1,26 milyon parameter, 36,8 s training time/epoch, 9,6 ms inference, 412 MB peak memory və 73,8 M FLOPs.

Maliyyələşdirmə: Tədqiqatın Al-Ahliyya University, Amman, Jordan tərəfindən dəstəkləndiyi və maliyyələşdirildiyi bildirilir.

Institutional Review Board: Tətbiq edilmir.

Informed Consent: Tətbiq edilmir.

Məlumat əlçatanlığı: Müəlliflər istifadə olunan məlumat dəstlərinin ictimai açıq onlayn mənbələrdən əldə edildiyini; derived processing scripts, feature-engineering procedures və implementation details-in reasonable request əsasında corresponding author tərəfindən təqdim oluna biləcəyini bildirirlər.

Məlumat çıxışı ilə bağlı mənbə qeydi: XTraffic Dataset mənbələr siyahısında [21] Kaggle qeydi kimi göstərilir. Motor Vehicle Collisions–Crashes isə mənbələr siyahısında [22] TUSH32 Kaggle qeydi kimi siyahıya alınıb. Data Availability bölməsinin sonunda verilən 10.1016/j.aap.2024.107564 DOI-si mənbələr siyahısında [11] Cui və həmkarlarının məqaləsinə uyğun gəldiyi üçün Dataset 2 deposu kimi şərh edilməyib.

Müəllif töhfələri: Conceptualization — N.L., M.A., M.Q.A.-J.; methodology — N.L., M.A.; software — M.A.; validation — N.L., M.A., M.Q.A.-J.; formal analysis — N.L., M.A.; investigation — N.L., M.A.; resources — N.L., M.Q.A.-J.; data curation — M.A.; writing—original draft — N.L., M.A.; writing—review and editing — N.L., M.A., M.Q.A.-J.; visualization — M.A.; supervision — N.L., M.Q.A.-J.; project administration — N.L.; funding acquisition — N.L.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bəyan edirlər.

Mühüm hesabat uyğunsuzluğu: Abstract, nəticə, Cədvəl 9 və bəzi sonrakı xülasə cədvəlləri final CHFI üçün Dataset 1-də %99,12 accuracy / %98,85 F1 və Dataset 2-də %98,63 accuracy / %98,28 F1 verərkən, açıq şəkildə “Test-stage” kimi etiketlənmiş Cədvəl 10 E10 dəyərləri Dataset 1-də %98,84 accuracy / %98,49 F1 və Dataset 2-də %98,07 accuracy / %97,72 F1 kimi bildirilir. Verianla bu fərqi səssizcə düzəltməyib.

Ablasiya hesabat qeydi: Cədvəl 11-dəki F1 ardıcıllığı Cədvəl 9 Training Stage nəticələri ilə uyğun gəlir; test-stage dəyərləri üçün Cədvəl 10 ayrıca qiymətləndirilməlidir.

External baseline qeydi: Mənbə güclü benchmark ailələri kimi RF, XGBoost, MLP, LSTM/GRU və graph-based modelləri müzakirə edir; lakin məqalədəki ətraflı sayısal E1–E10 cədvəlləri əsasən CHFI-nin daxili konfiqurasiyalarıdır. Cədvəl 15-in digər tədqiqatlara aid nəticələri eyni məlumat dəsti üzərində birbaşa head-to-head müqayisə deyil.

Çatışmayan reproducibility parametrləri: Spatial bandwidth \(\sigma_s\), temporal bandwidth \(\sigma_t\), composite loss çəkiləri \(\lambda_1,\lambda_2\), exact internal validation fraction və early-stopping patience \(P\) üçün sayısal dəyərlər mənbədə açıq şəkildə bildirilməyib.

Əsas şərh sərhədi: Tədqiqat iki böyük mövcud məlumat dəsti üzərində nəzarətli computational evaluation aparır. Real-time canlı şəhər yerləşdirilməsi, real trafik müdaxiləsi, qəza sayında prospektiv azalma və ya fərqli şəhərlərdə genişmiqyaslı sahə doğrulaması aparılmayıb.