Үзгүлтүксүз Коркунуч Талаасынын Интеллект Алкагы (Continuous Hazard Field Intelligence Framework, CHFI) жол-транспорт кырсыгынын коркунучун айрым жазууларды жөн гана “кырсык бар/жок” же “оордук классы” түрүндө түз классификациялоо катары эмес, өз ара байланышкан жол инфраструктурасында мейкиндик жана убакыт боюнча пайда болуп, жайылып жана топтолуп турган жашыруун коркунуч талаасы катары үйрөнүүгө аракет кылган терең үйрөнүү алкагы. Изилдөө 2022–2024 мезгилиндеги 1.441.904 жазуусу бар XTraffic Incident Dataset жана 2.026.647 жазуусу бар Motor Vehicle Collisions–Crashes Dataset боюнча топология менен чектелген мейкиндиктик шайкештештирүү, убакыттык коркунуч терезелери, risk-diffusion feature lifting, коркунучка сезимтал нормалдаштыруу, үзгүлтүксүз коркунуч бетин баштоо, graph-based spatial encoding, GRU/BiGRU негизиндеги temporal modeling жана үзгүлтүксүз hazard reconstruction кадамдарын бирге баалайт.

Моделдин негизги идеясы мындай: жол-транспорт кырсыгы көбүнчө толугу менен көз карандысыз жана капысынан пайда болгон бир чекиттик окуя катары каралбашы керек. Булакта курулган моделде транспорт агымынын туруксуздугу, ылдамдыктын өзгөрмөлүүлүгү, тыгын, жол тармагынын байланыштуулугу, кесилиштердин таасири, айлана-чөйрө шарттары жана жакынкы жол бөлүктөрүнөн келген тобокелдик таасирлери адегенде жашыруун коркунуч талаасына айландырылат. Андан кийин модель бул талаанын учурдагы чоңдугун гана эмес, мурунку убакытка салыштырмалуу өсүп-өспөгөнүн жана кошуна жол бөлүктөрүндөгү коркунуч жергиликтүү чекитти күчөтүп-күчөтпөгөнүн да пайдаланып, локалдаштырылган кырсыктын пайда болуу ыктымалдыгын чыгарат.

Булактын кыскача мазмунунда жана жыйынтык бөлүмүндө final CHFI үчүн Dataset 1де %99,12 accuracy, %98,94 precision, %98,76 recall, %98,85 F1 жана 0,998 AUC; Dataset 2де %98,63 accuracy, %98,41 precision, %98,16 recall, %98,28 F1 жана 0,997 AUC билдирилет. Бирок бул маанилер булактагы Таблица 9дун “Training Stage” E10 сабы менен бирдей. Өзүнчө “Test-stage” Таблица 10до көз карандысыз тест маанилери Dataset 1 үчүн %98,84 accuracy, %98,62 precision, %98,37 recall, %98,49 F1 жана 0,998 AUC; Dataset 2 үчүн %98,07 accuracy, %97,86 precision, %97,59 recall, %97,72 F1 жана 0,997 AUC деп берилет. Verianla булактын ичиндеги бул отчеттук айырманы бир санга бириктирбейт.

Катаалыраак текшерүү эксперименттеринде натыйжалуулук төмөндөгөнү менен жогору бойдон калат. Булак Таблица 14кө ылайык Dataset 1 F1 мааниси stratified random split үчүн %98,85, temporal hold-out үчүн %97,39, geographic hold-out үчүн %96,93 жана blocked spatio-temporal validation үчүн %96,21. Dataset 2де ошол эле маанилер тиешелүүлүгүнө жараша %98,28, %96,82, %96,35 жана %95,60 деп берилет. Ошол эле учурда random-split саптары кайрадан булактагы кыскача мазмун/Training Stage маанилери менен бирдей болгондуктан, бул таблица да Таблица 10догу көз карандысыз тест жыйынтыктары менен бирге жана этияттык менен окулушу керек.

Изилдөө күчтүү көзөмөлдөнгөн жыйынтыктарды көрсөтөт; бирок реалдуу убакыттагы транспорт агымында жандуу жайгаштыруу жүргүзүлгөн эмес. Булак real-time streaming, көбүрөөк шаар жана транспорт тармактары, кеңири signal timing жана lane-level dynamics, multimodal мобилдүүлүк, кеңири аба ырайы шарттары, белгисиздикти моделдөө жана транспортту башкаруу системалары менен интеграцияны келечектеги изилдөө багыттары катары калтырат. Ошондуктан CHFIнин жыйынтыктарын “реалдуу шаарда кырсыктарды сөзсүз алдын ала турган даяр система” катары чечмелөөгө болбойт.

Изилдөө кайсы көйгөйдү чечүүгө аракет кылат?

Салттуу жол-транспорт кырсыгын божомолдоо моделдеринин маанилүү бөлүгү ар бир транспорт жазуусун же ар бир кырсык чекитин өзүнчө үлгү катары карайт. Мындай ыкмада моделдин милдети көбүнчө берилген байкоону белгилүү бир класска бөлүү болуп саналат. Бирок реалдуу жол тармагында жол бөлүгүнүн коопсуздук абалы кошуна жол бөлүктөрүнөн, кесилиштерден, транспорт кезегинен, ылдамдыктын туруксуздугунан жана мурдагы убакыт аралыктарынан таасирлениши мүмкүн.

CHFIнин негизги изилдөө көйгөйү — бул көз карандылыктарды “өзүнчө окуяны классификациялоо” ичинде жоготпостон, көрүнбөгөн коркунучту байланышкан транспорт тармагында үзгүлтүксүз өзгөрүп турган талаа катары көрсөтүү.

Үзгүлтүксүз Коркунуч Талаасы Деген Эмне?

Үзгүлтүксүз коркунуч талаасы — изилдөөдө жол бөлүгүндөгү же кесилиштеги жашыруун транспорт коркунучун кырсык чекитинин бар-жогу менен гана эмес, жергиликтүү транспорт абалы, кошуна тармак бирдиктери жана мурунку убакыттагы коркунуч абалы бирге аныктаган үзгүлтүксүз latent тыгыздык катары көрсөткөн математикалык аралык түзүлүш; бул талаа акыркы кырсык белгиси эмес, акыркы божомолду чыгаруу үчүн колдонулуучу түшүндүрүлө ала турган жашыруун-тобокелдик өкүлчүлүгү.

Бул айырма абдан маанилүү. Булакта \(\hat{H}(u_i,t)\) менен көрсөтүлгөн коркунуч талаасы түздөн-түз “кырсык болот” деген белги эмес. Модель адегенде жашыруун коркунуч түзүлүшүн кайра калыбына келтирет; андан кийин ушул түзүлүштөн локалдаштырылган кырсыктын пайда болуу ыктымалдыгы алынат.

Модель эмне үчүн жол тармагын graph катары көрсөтөт?

Транспорт системасы \(G=(V,E)\) түрүндөгү graph катары аныкталат. \(V\) жол бөлүктөрүнөн, кесилиштерден же башка мейкиндиктик транспорт бирдиктеринен турган түйүндөрдү; \(E\) болсо алардын байланыштарын билдирет.

Бул көрсөтүүнүн максаты жөн гана математикалык көркөмдүк эмес. Бир бөлүктөгү тыгын же кезек кийинки бөлүккө жайылышы мүмкүн; кошулуу чекити, кесилиш же кошуна коридор учурдагы тобокелдикти күчөтүшү мүмкүн. Flat tabular маалымат мындай физикалык байланыштарды табигый түрдө алып жүрбөйт, ал эми graph түзүлүшү кошуналык мамилесин түздөн-түз моделге берет.

Колдонулган эки маалымат топтому

Dataset 1 кырсык жазууларынан гана турбагандыктан, CHFIнин “кырсык пайда боло электеги операциялык бузулууну” үйрөнүү максатына жакыныраак precursor сигналдарын камтыйт. Dataset 2 болсо жаракат, өлүм, жөө жүргүнчү, велосипедчи, айдоочу жана унаа тууралуу маалыматтардын негизинде болгон кырсыктын натыйжасын кыйла түз көрсөтөт.

Dataset 2деги төрт severity классы

Булак Dataset 2 үчүн максатты төрт класска бөлөт:

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

Бул жерде \(I_i\) жазуудагы жалпы жаракат алгандардын санын; \(F_i\) жалпы өлүм санын билдирет.

Моделде “Target Leakage” Эмне Үчүн Критикалык Көйгөй?

Target leakage — божомолдонууга тийиш болгон натыйжаны түз же кыйыр түрдө алдын ала ачып берген өзгөрмөлөр моделдин киргизүүсүнө берилгенде моделдин натыйжалуулугу жасалма түрдө жогорулап кетиши; изилдөө бул тобокелдикти азайтуу үчүн label түзүүдө колдонулган жаракат, өлүм, окуя түрү, сүрөттөмө жана post-outcome өзгөрмөлөрүн божомол киргизүүлөрүнөн бөлүп чыгарат.

Теңдеме (1): Акыркы киргизүү өзгөчөлүктөрүн тандоо

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

Формула эмнени эсептейт? Моделге чындап колдонууга уруксат берилген киргизүү өзгөчөлүктөрүн аныктайт.

\(F_{\mathrm{all}}\): Маалымат топтомунда документтештирилген бардык өзгөрмөлөр.

\(F_{\mathrm{target}}\): Максат белгисин түздөн-түз түзгөн өзгөрмөлөр.

\(F_{\mathrm{proxy}}\): Максатты түз түзбөсө да, окуядан кийин максатты дээрлик ачык көрсөтүп берген proxy өзгөрмөлөр.

\(\setminus\): Көптүктөрдүн айырмасы оператору. Башкача айтканда, бардык өзгөрмөлөрдөн target жана proxy өзгөрмөлөр чыгарылат.

Теңдеме (2): Dataset 1 label түзүү

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

\(g_1\) окуя категориясын жана окуя сүрөттөмөсүн акыркы incident-risk классына айланткан mapping function. Collision-related, injury-related, unknown-injury жана hazard-related жазуулар жогорку тобокелдик класстарына; non-accident operational жазуулар төмөн тобокелдик же non-emergence класстарына дал келтирилет.

Бирок Type жана DESCRIPTION максатты түз же өтө күчтүү түрдө көрсөтүп бере ала тургандыктан, label түзүлгөндөн кийин моделдин киргизүүсүнөн чыгарылат.

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

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

Булакта mapping төмөнкү бөлүктүү түзүлүш менен аныкталат:

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

Label түзүлгөндөн кийин injury жана fatality count талааларынын баары киргизүүдөн чыгарылат. Болбосо модель “кырсыктын оордугун божомолдоп жатат” деп көрүнгөнү менен, чындап божомолдонууга тийиш болгон натыйжаны түз эле окуп алышы мүмкүн.

Теңдеме (5): Алдын ала иштетүү параметрлерин машыгуу маалыматынан гана үйрөнүү

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

Бул теңдеме leakage prevention-дын экинчи маанилүү катмары. Нормалдаштыруу, encoding, hazard-field initialization жана башка preprocessing параметрлери адегенде машыгуу бөлүгүнөн гана үйрөнүлөт. Тест маалыматтары бул параметрлерди аныктоого катышпайт; тестке алдын ала үйрөнүлгөн өзгөртүү гана колдонулат.

Temporal Hazard Window Embedding эмне кылат?

Модель ар бир убакыт белгисин өзүнчө үлгү катары колдонбостон, ырааттуу транспорт байкоолорун жарым-жартылай кабатталган temporal терезелерге бөлөт. Терезе узундугу \(W\), stride болсо \(\Delta\) менен көрсөтүлөт.

Мисалы, булактагы эксперименттердин кийинки конфигурацияларында \(W=6,8,10\) жана \(\Delta=2,3\) сыяктуу жөндөөлөр сыналган. \(W\) чоңойгондо модель жакынкы өткөн убакыттын узагыраак бөлүгүн көрө алат; \(\Delta\) терезенин убакыт катарында канча жылганын аныктайт. Бул математикалык түшүндүрмө булак экспериментинин сыртындагы жаңы ийгилик дооматы эмес.

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

Жол тармагы:

\[ G=(V,E) \]

Ар бир түйүндүн \(t\) убакыттагы жергиликтүү өзгөчөлүк вектору:

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

Кошуна таасири менен байытылган өзгөчөлүк:

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

Кошуна салмактары:

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

Матрица түрү:

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

Бул эмнени билдирет? Бир жол бөлүгүнүн моделге киргизүүсү анын өзүнүн транспорт абалынан гана турбайт. \(\alpha\) өлчөмүндө жергиликтүү маалымат, \(1-\alpha\) өлчөмүндө кошуна жол бирдиктеринен келген салмактуу маалымат колдонулат.

\(\alpha=1\) болсо теңдеме жергиликтүү байкоого гана түшөт; \(\alpha=0\) болсо жергиликтүү компонент жоголуп, кошуна салмакталган абал гана калат. Булар теңдеменин математикалык чектик абалдары; изилдөөнүн эксперименттик жыйынтыгы эмес.

Теңдеме (11): Окшош туруксуздукту көрсөткөн кошуналардын салмагы

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

\(a_{ij}\) graph adjacency маалыматын; \(\sigma\) diffusion sensitivity маанисин көзөмөлдөйт. Экспоненциалдык функциядан улам өзгөчөлүк абалы бири-бирине окшошураак кошуналардын салмагы жогору болушу мүмкүн. Бөлгүчтөгү сумма салмактарды нормалдаштырып, кошуна салымдардын бирге көзөмөлдөнгөн бөлүштүрүү түзүшүн камсыз кылат.

Hazard-sensitive normalization эмне үчүн кадимки global scaling эмес?

Булактын ырастоосу боюнча, коркунучтуу абал кээде адатта абдан туруктуу болгон белгилүү бир жол бөлүгүндөгү кичинекей, бирок адаттан тыш четтөө болушу мүмкүн. Бүткүл шаар маалыматтарын бир global орточо жана дисперсия түзүлүшү менен масштабдоо мындай локалдык четтөөлөрдү басып коюшу мүмкүн. Ошондуктан CHFI ар бир road segment-ти өзүнүн тарыхый жана структуралык контекстине жараша чечмелөөгө аракет кылган hazard-sensitive нормалдаштырууну колдонот.

Булак бул процесстин exact жабык-форма нормалдаштыруу теңдемесин жана бардык сандык параметрлерин өзүнчө бербейт. Ошондуктан бул жерде жаңы нормалдаштыруу формуласы ойлоп табылган эмес.

Дискреттүү Кырсык Чекиттери Үзгүлтүксүз Коркунуч Бетине Кантип Айландырылат?

Изилдөө ар бир кырсыктын же жогорку тобокелдиктүү окуянын таасирин жол тармагындагы жакын spatial бирдиктерге жана кошуна убакыт аралыктарына Gaussian-сыяктуу spatial жана temporal kernel-дар менен жайылтат, бардык окуя салымдарын үстү-үстүнө кошот, натыйжаны жарактуу жол тармагы бирдиктерине проекциялап, нормалдаштыруу аркылуу үйрөнүүгө даяр үзгүлтүксүз баштапкы коркунуч талаасын түзөт.

Algorithm 1 жана Algorithm 2нин негизги математикасы

Sparse event set:

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

\(s_k\) окуянын жайгашкан жерин, \(t_k\) убактысын жана \(y_k\) коркунуч/severity чоңдугун билдирет.

Spatial kernel:

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

Temporal kernel:

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

Окуянын мейкиндик-убакыт чекитине салымы:

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

Бардык окуяларды үстү-үстүнө кошуу менен чийки талаа:

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

Андан кийин graph projection:

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

жана нормалдаштыруу:

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

\(d_G\): Жөнөкөй түз сызыктагы Euclidean distance ордуна транспорт graph-ындагы topology-aware аралыкты билдирет.

\(\sigma_s\): Spatial bandwidth. Математикалык жактан чоңойгон сайын окуянын мейкиндиктик kernel таасири кеңири аймакка жайылышы мүмкүн; кичирейген сайын локалдуу бойдон калат.

\(\sigma_t\): Temporal bandwidth. Чоңойгон сайын окуянын убакыттагы таасири кеңири терезеге жайылышы мүмкүн.

Маанилүү reproducibility эскертүүсү: Булак Algorithm 1 жана 2де \(\sigma_s\) жана \(\sigma_t\) параметрлерин зарыл деп аныктайт, бирок каралган эксперименттик конфигурация таблицаларында алардын так сандык маанилерин билдирбейт. Verianla бул жетишпеген жерди өз алдынча толтурбайт.

Теңдеме (12)–(18): Үзгүлтүксүз мейкиндиктик hazard field

Бир жол бирдигиндеги latent коркунуч:

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

Жергиликтүү contextual feature vector:

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

Жергиликтүү hazard generation:

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

Кошуна салмактары:

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

Topology-coupled hazard:

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

Булак муну бүт тармак үчүн матрица түрүндө:

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

деп көрсөтөт.

Бул жердеги маанилүү айырма — \(x_i\) чийки өзгөчөлүк; \(\phi_i=f(x_i)\) ошол өзгөчөлүктөрдөн алынган latent hazard contribution; \(H_i\) болсо жергиликтүү жана кошуна contribution-дар бириккен hazard state.

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

Булак адегенде graph-ты кайра аныктайт:

\[ G=(V,E) \]

Жергиликтүү hazard contribution:

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

Кошуна hazard aggregation:

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

жана:

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

Instantaneous coupled hazard:

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

Temporal memory кошулганда:

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

\(\beta\) мурунку hazard state канчалык сакталарына жооп берген temporal persistence coefficient.

\(\beta=0\) болсо мурунку абал эсепке алынбайт жана жаңы hazard учурдагы coupled stateке гана тең болот. \(\beta=1\) чегинде болсо теңдеме мурунку stateти толук алып өтөт жана жаңы instantaneous contribution таасирсиз калат. Булар теңдеменин математикалык чектик абалдары.

Accident emergence probability:

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

Бул жерде:

• \(H_i(t)\): учурдагы жашыруун коркунуч деңгээли,
• \(\Delta H_i(t)=H_i(t)-H_i(t-1)\): коркунучтун акыркы убакыт кадамындагы өсүшү же азайышы,
• \(H_{N(i)}(t)\): кошуна жол бирдиктеринин коркунуч контексти,
• \(\gamma_1,\gamma_2,\gamma_3\): үйрөнүлө турган коэффициенттер,
• \(b\): bias,
• \(\sigma(\cdot)\): sigmoid activation.

Sigmoid функциясынын милдети сызыктуу комбинацияны ыктымалдыкка окшош чектелген чыгышка айлантуу. Ошентип модель “коркунуч жогорубу?” деген суроо менен катар “коркунуч тез өсүп жатабы?” жана “жакынкы тармак бирдиктери да коркунучтуубу?” деген суроолорду бирге колдонот.

Матрица түрүндөгү булак чынжыры:

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

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

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

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

Убакыттык коркунуч эмне үчүн учурдагы мааниге гана тең эмес?

Булактын модель гипотезасына ылайык, кырсыктын алдындагы коркунуч congestion buildup, unstable speed transition, repeated interaction pressure, intersection conflict же corridor-level propagation сыяктуу процесстер аркылуу убакыт ичинде топтолот.

Ошондуктан \(\Delta H(t)\) маанилүү белги. Эки жол бирдигинде учурдагы \(H(t)\) бирдей болсо да, биринде коркунуч тез өсүп, экинчисинде туруктуу калышы мүмкүн. Модель бул эки абалды бирдей кабыл албоону көздөйт.

Теңдеме (30)–(42): Терең үйрөнүү architecture математикасы

Киргизүү тензору:

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

\(N\) spatial unit саны; \(d\) ар бир бирдик үчүн hazard-aware feature dimension.

Graph:

\[ G=(V,E) \]

Spatial hazard encoding:

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

Бул теңдеме эки маалымат жолун бириктирет: \(WX(t)\Theta_s^{(1)}\) кошуна graph таасирин; \(X(t)\Theta_s^{(2)}\) жергиликтүү өзгөчөлүктү алып жүрөт. \(\rho\) nonlinear activation function. Чыгыш \(Z_s(t)\in\mathbb{R}^{N\times h}\) — latent spatial hazard embedding.

Temporal evolution:

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

\(\Psi\) булактагы жалпы temporal operator көрсөтүлүшү; булак бул түзүлүш GRU, LSTM, Transformer-style attention же башка sequential механизм катары курулушу мүмкүн экенин айтат. Эксперименттик E1–E10 катарында GRU, андан кийин BiGRU колдонулган.

Булактын окутуучу жөнөкөйлөтүлгөн memory көрсөтүлүшү:

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

Hazard reconstruction:

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

Бул жердеги \(\widehat{H}(t)\in\mathbb{R}^{N\times1}\) — моделдин бардык road segment/intersection бирдиктериндеги жашыруун коркунуч бөлүштүрүүсүнүн божомолу.

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:

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

Булак андан кийин forward propagation чынжырын төрт функция менен жыйынтыктайт:

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

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

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

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

Composite loss

Algorithm 3тө окутуу максаты төмөнкү жалпы түрдө берилет:

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

\(L_{\mathrm{pred}}\) accident-emergence prediction катасын; \(L_{\mathrm{haz}}\) hazard-field consistency компонентин билдирет. \(\lambda_1\) жана \(\lambda_2\) эки максаттын ортосундагы салмакты көзөмөлдөйт.

Булактагы чектөө: Изилдөө Algorithm 3'тө бул composite objective'ди аныктайт; бирок каралган текстте \(L_{\mathrm{haz}}\) үчүн толук жабык форманы жана \(\lambda_1,\lambda_2\) колдонулган сандык маанилерин өзүнчө билдирбейт. Ошондуктан Verianla аларды божомолдоп толтурбайт.

E1–E10 эксперименттик долбоору

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

Эксперименттик жабдык жана программалык камсыздоо

Бардык эксперименттер MATLAB R2023a чөйрөсүндө Windows 11 Home 64-bit операциялык тутумун колдонуу менен жүргүзүлгөн. Жабдык 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 жана 16 GB shared memory катары билдирилген.

Окутуу, валидация жана тестке бөлүү

Ар бир маалымат топтому өз алдынча:

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

жана:

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

түрүндө бөлүнгөн.

70/30 катышы:

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

Окутуу бөлүгү өз ичинде:

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

жана:

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

деп бөлүнгөн. \(D_{\mathrm{fit}}\) parameter learning үчүн; \(D_{\mathrm{val}}\) validation-loss monitoring, early stopping жана checkpoint selection үчүн колдонулган. Held-out \(D_{\mathrm{test}}\) окутуу, hyperparameter monitoring же model selection үчүн колдонулбашы керек.

Жетишпеген reproducibility деталдары: Булак бул бөлүмдө ички validation subset'тин пайыздык үлүшүн жана early-stopping patience \(P\) сандык маанисин бербейт.

Precision, Recall жана F1 эмнени өлчөйт?

Ар бир \(c\) классы үчүн precision:

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

TP — туура оң; FP — жалган оң натыйжа. Precision жогору болсо, модель “бул класс” деп белгилеген мисалдардын чоң бөлүгү чындап ошол класска таандык болот.

Recall:

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

FN — модель өткөрүп жиберген чыныгы оң мисал. Recall жогору болсо, чыныгы класстын мисалдарынын чоңураак бөлүгү табылат.

F1:

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

F1 precision менен recall ортосунда harmonic mean колдонот. Экөөнүн бири олуттуу төмөн болсо, F1 да төмөндөйт.

Macro-F1:

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

Ар бир класс бирдей салмак алгандыктан, көпчүлүк класстын чоң үлгү саны менен бүт метриканы үстөмдүк кылуусу азайтылат. Ошондуктан булак Macro-F1'ди class imbalance бар жол кыймылынын коопсуздугу көйгөйлөрүндө негизги метрика катары тандайт.

Validation loss аркылуу checkpoint тандоо

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

Тандалган epoch:

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

Акыркы parameter checkpoint:

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

Early stopping:

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

Башкача айтканда, validation loss белгиленген patience мөөнөтү ичинде жакшырбаса, окутуу токтотулушу мүмкүн. Булак \(P\) сандык маанисин билдирбейт.

Final evaluation set:

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

Тест топтомунун class distribution'ы жасалма түрдө теңдештирилген эмес; class imbalance таасири macro precision, recall, F1, AUC, confusion matrix жана precision–recall behavior аркылуу бааланган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Булакта баса белгиленген E10 жыйынтыктары

Көз карандысыз Test-stage Таблица 10 жыйынтыктары

Түшүндүрүү чеги: Булакта бул эки өндүрүмдүүлүк катмарынын ортосунда ачык отчеттук дал келбестик бар. Verianla held-out test натыйжасы катары Таблица 10'дун белгисин сактайт; бирок авторлордун abstract/conclusion маанилерин да четке какпайт. Эки топтом бири-биринин ордуна колдонулбашы керек.

Тест баскычында E1'ден E10'го чейинки прогресс

Бул тест таблицасына ылайык, E1'ден E10'го чейинки абсолюттук F1 өсүшү Dataset 1 үчүн 8,43 пайыздык пункт, Dataset 2 үчүн 8,58 пайыздык пункт. Булактын талкуу тексти да бул эки test-stage айырмасын ушундай эсептейт.

Ал эми abstract жана Table 11 булакта Training Stage маанилерин колдонуп +7,91 жана +8,26 пайыздык пункт өсүштү билдирет. Бул эки эсеп ар башка таблицаларга негизделет.

Абляция эмнени көрсөтөт?

Ablation логикасынын максаты акыркы өндүрүмдүүлүк бир гана “сыйкырдуу” модулданбы же топтолгон компоненттерденби келип чыкканын изилдөө.

Дагы бир маанилүү эскертүү: Бул Таблица 11 маанилери Таблица 9 Training Stage менен бирдей өндүрүмдүүлүк ыраатын ээрчийт. Test-stage Таблица 10'догу тиешелүү F1 маанилери бир аз төмөн.

Кайсы модуль эмнени камсыз кылды?

Spatial encoder: Flat record мамилесине road network connectivity кошот.

Temporal module: Бир эле чекиттеги коркунучтун өткөндөн азыркыга чейин кандай өнүккөнүн үйрөнөт. Булактагы temporal-only моделдин spatial-only моделге караганда бир аз жогору F1 бериши убакыт ичиндеги buildup маалыматы өз алдынча күчтүү predictive signal экенин көрсөтөт.

Spatial + temporal: Моделге “кайда?” же “качан?” деген суроолор менен гана чектелбестен, “байланышкан тармакта убакыт өтүшү менен кайда өнүгүп жатат?” деген суроого жакындашууга мүмкүндүк берет.

Hazard reconstruction: Моделди түз classification embedding'ден мурда explicit latent коркунуч талаасын түзүүгө мажбурлайт.

Risk diffusion: Жол кесиндисин айлана-чөйрөсүнөн толугу менен көз карандысыз деп кароону токтотот.

Escalation cue: Absolute hazard деңгээлинен өзүнчө hazard'дын өсүү ылдамдыгын билдирет.

Neighborhood context: Жергиликтүү коркунуч обочолонгонбу же кеңири corridor-level тобокелдик түзүмүнүн бөлүгүбү экенин түшүнүүгө жардам берет.

BiGRU жана memory: Узакыраак hazard evolution pattern'дерин моделдөөгө багытталган акыркы temporal күчөтүү.

Катуу валидация эмне үчүн керек?

Spatio-temporal маалыматта кокустук train/test бөлүштүрүү, айрыкча жакын убакыттар же коңшу жол аймактары эки топто тең калса, реалдуу дүйнөдөгү жалпыланууну чындыгынан жакшы көрсөтүшү мүмкүн. Ошондуктан булак random split'ке кошумча temporal, geographic жана blocked spatio-temporal hold-out колдонот.

Blocked spatio-temporal validation убакыттык да, мейкиндиктик да окшоштукту бир убакта чектегендиктен эң катуу тест катары аныкталат жана эки маалымат топтомунда тең эң төмөн F1 ушул жерде көрүнөт. Өндүрүмдүүлүктүн төмөндөшү random record split маанилери жеңилирээк баалоо шарты экенин көрсөтөт.

Бирок random split саптарынын Таблица 9 Training Stage маанилери менен сөзмө-сөз бирдей болушу булактагы жыйынтыкты белгилөө дал келбестиги бул жерде да уланарын көрсөтөт. Ошондуктан жогорудагы таблица булак билдирген түрүндө берилди; ал Таблица 10 жыйынтыктарынын ордуна колдонулбашы керек.

Эсептөө чыгымы

E10 E1ге салыштырмалуу болжол менен жети эсе көп model parameter'ына жана жогору computation/memory чыгымына ээ. Ошого карабастан булак 9,6 ms inference маанисин “practical inference cost” деп мүнөздөйт. Бул маани изилдөөдө билдирилген жабдык жана implementation шарттарына тиешелүү; башка жабдыкта же реалдуу убакыттагы өндүрүш тутумунда ошол эле latency кепилденбейт.

Булактагы фигуралар коркунуч талаасынын визуалдык түрдө эмнеге айланганын көрсөтөбү?

Булак preprocessing'ге чейин hazard маалыматын тар, обочолонгон жана бөлүнгөн high-intensity аралдар катары көрсөтөт. Preprocessing'ден кийин ошол эле концептуалдык түзүм кеңирээк, жылмакай жана коңшу жол аймактарына үзгүлтүксүз тараган hazard surface'ке айланат.

Бул сүрөттөрдөгү беттер изилдөөнүн preprocessing механизмин түшүндүрөт. Verianla ошол эле contour координаттарын же түстүн интенсивдүүлүктөрүн жаңы эксперименттик маалыматтай кайра жараткан эмес; анткени булакта аларды кайра чийүүгө керектүү толук underlying numerical grid берилген эмес.

Булакта билдирилген айрым визуалдык diagnostic жыйынтыктар

E1 baseline'да Dataset 1 test AUC мааниси 0,938 жана rare class'тарда алсызыраак generalization байкалат. Dataset 2 baseline'да өзгөчө Multi-Injury жана Fatal/Severe сыяктуу сейрек класстарды айырмалоо кыйыныраак.

Булак E10 үчүн Dataset 1 confusion matrix'индеги normalized diagonal үлүштөрдү Low %99,5, Moderate %94,9, Elevated %93,4 жана Critical %94,3 деп билдирет. Булак ошондой эле calibration curve идеал calibration сызыгын негизинен жакын ээрчий турганын белгилейт. Бул маанилер булактагы Figure 24'түн diagnostic түшүндүрмөсү жана башка бардык маалымат топтомдорунда ошол эле calibration жүрүм-турумун кепилдебейт.

Тиешелүү изилдөөлөр менен салыштырууну кантип окуу керек?

Булак Таблица 15те Park жана Hong'дун MLP мамилеси, Macedo жана авторлошторунун GEE модели, Gou жана авторлошторунун XTraffic benchmark'тары, Huang жана авторлошторунун TRAVEL мамилеси, Wang жана авторлошторунун RoadInTCP модели, Yumak жана авторлошторунун XGBoost/RF/MLP изилдөөсү, Li жана Chen'дин CNN–LSTM–GNN модели жана Alnowaiser'дин GNN–LSTM–MLP мамилеси сыяктуу ар башка изилдөөлөрдү жайгаштырат.

Бирок бул изилдөөлөр ар башка маалымат топтомдорун, ар башка target аныктамаларын, ар башка sample distributions жана ар башка баалоо протоколдорун колдонот. Мисалы, бир изилдөөдө билдирилген %99,97 accuracy менен CHFIнин %98–99 аралыгындагы маанилерин санга гана карап “кайсынысы жакшы?” деп иреттөө методологиялык жактан туура эмес.

Булактын негизги novelty дооматы эң жогорку accuracy гана эмес. CHFIнин айырмасы — discrete accident classification'дан мурда topology-aware, temporally evolving жана interpretable hidden hazard field түзүшү.

Булактагы тышкы baseline салыштыруусунда эмне жетишпейт?

Текст RF, XGBoost, MLP, LSTM/GRU жана graph-based моделдер күчтүү тышкы benchmark үй-бүлөлөрү экенин белгилеп, алардын баалоо долбоорундагы маанисин талкуулайт. Ошол эле учурда макаладагы негизги сандык жыйынтык таблицалары E1–E10 ички архитектуралык конфигурацияларын берет. Таблица 15 болсо башка жарыяланган изилдөөлөрдүн өз натыйжаларын берет.

Ошондуктан булакта өзүнчө same-dataset, same-split RF/XGBoost/LSTM/GCN сандык benchmark таблицасы көрүнбөгөндүктөн, Verianla мындай таблица түзбөйт.

Изилдөө колдогон жыйынтыктар

• Flat MLP baseline'дан topology-aware жана temporal architecture'га өтүү эки маалымат топтомунда тең өндүрүмдүүлүктү жогорулаткан.
• Temporal-only түзүм spatial-only түзүмдөн бир аз жогору F1 көрсөткөн.
• Spatial жана temporal моделдерин бирге колдонуу аларды өз-өзүнчө колдонгондон жакшы натыйжа берген.
• Explicit hazard reconstruction кошуу өндүрүмдүүлүктү андан ары жогорулаткан.
• Risk-diffusion, hazard escalation жана neighborhood context кошуу баскычтуу жакшыртуу берген.
• BiGRU жана узагыраак temporal window акыркы баскычтарда кошумча жакшыртуу берген.
• Random split'тен temporal, geographic жана blocked spatio-temporal validation'га өткөндө өндүрүмдүүлүк төмөндөгөн, бирок булакта жогору бойдон калган.
• Модель болжол менен 1,26 миллион parameter жана булактагы жабдыкта 9,6 ms inference cost менен билдирилген.
• Continuous hazard representation моделдин кырсыкты болжолдоодон мурда түшүндүрүлө турган latent safety structure түзүшүн көздөйт.

Изилдөө колдобогон жалпылоолор

• CHFIнин реалдуу убакыттагы шаардык жол кыймылы тутумунда жандуу түрдө текшерилгени көрсөтүлгөн эмес.
• Модель кырсыктарды иш жүзүндө алдын алганы же кырсыктардын санын белгилүү бир пайызга азайткандыгы көрсөтүлгөн эмес.
• Моделдин чыгышы түз автономдуу жол сигналдарын башкаруу буйругу эмес.
• Эки маалымат топтомундагы жогорку accuracy бардык шаарларда жана өлкөлөрдө ошол эле өндүрүмдүүлүк алынарын билдирбейт.
• Random split өндүрүмдүүлүгү geographic же temporal generalization менен бир эле нерсе эмес.
• Hazard field түз физикалык өлчөнгөн реалдуу талаа эмес; модель тарабынан reconstructed latent representation болуп саналат.
• Hazard hotspot табылышы өз алдынча кырсыктын себептик механизмин далилдебейт.
• Таблица 15теги ар башка изилдөөлөрдүн метрикалары түз эле бир тест топтомунда жарышкан натыйжалар эмес.
• Булакта сандык мааниси берилбеген \(\sigma_s\), \(\sigma_t\), \(\lambda_1\), \(\lambda_2\) жана patience \(P\) маанилери белгисиз.
• Аннотациядагы жана жыйынтыктагы өндүрүмдүүлүк сандары көз карандысыз held-out test маанилери менен толук шайкеш деп айтууга болбойт; булак Таблица 9 жана Таблица 10до ар башка маанилерди билдирет.

Изилдөөнүн маанилүү чектөөлөрү жана келечектеги изилдөөлөр

Булак өзүнчө “Limitations” аталышы алдында узун чектөөлөр тизмесин бербесе да, жыйынтык бөлүмүндө келечекте текшерилиши керек болгон багыттарды ачык көрсөтөт.

Реалдуу убакыт: Модель келечекте real-time streaming environment'ка кеңейтилүүгө тийиш. Азыркы изилдөө муну жандуу жол кыймылы агымында текшерген эмес.

Байыраак context: Signal timing, lane-level dynamics, multimodal mobility interaction жана деталдаштырылган weather progression келечекте модельде каралышы мүмкүн.

Cross-city generalization: Көбүрөөк шаарларда, транспорттук тармактарда жана external benchmark dataset'терде баалоо талап кылынат.

Uncertainty: Uncertainty-aware accident emergence modeling келечектеги изилдөө темасы; азыркы жыйынтыктар толук uncertainty quantification алкагын сунуштабайт.

Traffic-control integration: Жол кыймылын башкаруу жана intervention тутумдары менен интеграция келечектеги колдонуу багыты.

Reproducibility: Булак көптөгөн архитектуралык hyperparameter берет; бирок kernel bandwidth'тер, composite loss салмактары жана early-stopping patience сыяктуу айрым маанилер сандык түрдө жетишпейт.

Reporting consistency: Training Stage, Test Stage, abstract/conclusion жана robustness таблицаларындагы final performance маанилери бирдей эмес. Бул натыйжалар кайсы evaluation layer'га тиешелүү экенин кылдат көзөмөлдөөнү талап кылат.

Практикалык жактан модель кандай иштетилүүгө арналган?

1. Жаңы traffic, incident, жол, убакыт жана contextual маалымат алынат.
2. Байкоолор транспорттук graph'тагы туура road segment/intersection бирдигине тегизделет.
3. Маалымат overlapping temporal windows ичине бөлүнөт.
4. Risk-diffusion аркылуу коңшу тармак эффекттери feature space'ке өткөрүлөт.
5. Hazard-sensitive normalization колдонулат.
6. Sparse окуялардан initial continuous hazard surface түзүлөт.
7. GCN spatial hazard байланыштарын үйрөнөт.
8. GRU/BiGRU hazard'дын убакыт ичиндеги buildup жана persistence түзүмүн үйрөнөт.
9. Модель continuous latent hazard field \(\widehat{H}(t)\) чыгарат.
10. \(\Delta\widehat{H}(t)\) аркылуу hazard escalation эсептелет.
11. \(W\widehat{H}(t)\) аркылуу neighborhood context алынат.
12. Prediction head бул маалыматтарды localized accident-emergence probability'ге айлантат.
13. Чыгыштар hazard map, risk zone, hotspot жана safety inspection/early-warning чечим колдоосу үчүн түшүндүрүлүшү мүмкүн.

Илимий мааниси

Изилдөөнүн негизги концептуалдык салымы — кырсыкты өз алдынча болжолдонгон натыйжа катары кароодон чыгып, байкалбай турган, бирок модель reconstruct кылган “алдынкы коркунуч абалынын” натыйжасы катары кароо.

Бул көз карашта модель “кайсы жазуу кырсык?” деген суроого гана эмес, “кайсы байланышкан жол кесиндилеринде коркунуч топтолууда, кайдан жайылууда, убакыт өтүшү менен күчөп жатабы жана кайсы жергиликтүү бирдик критикалык абалга жакындап жатат?” деген суроолорго жооп берүүнү көздөйт.

Бирок бул коркунуч талаасы түз физикалык сенсор менен өлчөнгөн “чыныгы коркунуч заты” эмес. Ал үйрөнүлгөн latent mathematical representation. Бул айырма моделдин чыгышын түшүндүрүү үчүн өтө маанилүү.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Corresponding authors: Nawal Louzi жана Mahmoud AlJamal.

Тең салым / тең биринчи авторлук: Булакта тең салым белгиси билдирилген эмес.

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

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

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

Журнал: Urban Science.

Басмакана: MDPI, Basel, Switzerland.

Том / чыгарылыш / макала: Volume 10, Issue 6, Article 300.

DOI: 10.3390/urbansci10060300.

Тапшыруу: 5 Апрель 2026.

Ревизия: 10 Май 2026.

Кабыл алуу: 22 Май 2026.

Жарыялануу: 27 Май 2026.

Булак түрү: Article; реалдуу дүйнөдөгү жол коопсуздугу маалымат топтомдорунда topology-aware spatio-temporal deep learning жана continuous hazard-field моделдөөнү иштеп чыккан эсептөөчү изилдөө.

Рецензия абалы: Urban Science рецензияланган журналында жарыяланган Version of Record.

Preprint: Булакта өзүнчө preprint маалыматы жок; максаттуу текшерүүдө да ошол аталыш үчүн өзүнчө preprint табылган эмес.

Лицензия: Creative Commons Attribution (CC BY).

Негизги модель: Continuous Hazard Field Intelligence Framework — CHFI.

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

Dataset 2: Motor Vehicle Collisions–Crashes Dataset, 2.026.647 жазуу, 29 документтештирилген feature.

Негизги маалымат бөлүштүрүү: %70 training / %30 held-out testing. Training бөлүгү ичинде өзүнчө validation subset колдонулган; exact validation катышы булакта билдирилген эмес.

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; мындан тышкары confusion matrix, ROC жана precision–recall diagnostic баалоолору.

Кошумча robust validation: Stratified random split, temporal hold-out, geographic hold-out жана blocked spatio-temporal validation.

Колдонуу чөйрөсү: MATLAB R2023a; Windows 11 Home 64-bit.

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

Final model complexity: Булактагы Таблица 12ге ылайык болжол менен 1,26 миллион parameter, 36,8 s training time/epoch, 9,6 ms inference, 412 MB peak memory жана 73,8 M FLOPs.

Каржылоо: Изилдөө Al-Ahliyya University, Amman, Jordan тарабынан колдоого алынганы жана каржыланганы билдирилген.

Institutional Review Board: Колдонулбайт.

Informed Consent: Колдонулбайт.

Маалыматтардын жеткиликтүүлүгү: Авторлор колдонулган маалымат топтомдору жалпыга ачык онлайн булактардан алынганын; derived processing scripts, feature-engineering procedures жана implementation details reasonable request боюнча corresponding author тарабынан берилиши мүмкүн экенин белгилешет.

Маалымат жеткиликтүүлүгү боюнча булак эскертүүсү: XTraffic Dataset булак тизмесинде [21] Kaggle жазуусу катары көрсөтүлгөн. Motor Vehicle Collisions–Crashes болсо булак тизмесинде [22] TUSH32 Kaggle жазуусу катары көрсөтүлгөн. Data Availability бөлүмүнүн соңунда берилген 10.1016/j.aap.2024.107564 DOI булак тизмесиндеги [11] Cui жана авторлошторунун макаласына туура келгендиктен, Dataset 2 репозиториясы катары чечмеленген эмес.

Авторлордун салымы: 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.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришет.

Маанилүү отчеттук дал келбестик: Abstract, жыйынтык, Таблица 9 жана айрым кийинки жыйынтык таблицалары final CHFI үчүн Dataset 1де %99,12 accuracy / %98,85 F1 жана Dataset 2де %98,63 accuracy / %98,28 F1 берет, ал эми ачык “Test-stage” деп белгиленген Таблица 10 E10 маанилери Dataset 1де %98,84 accuracy / %98,49 F1 жана Dataset 2де %98,07 accuracy / %97,72 F1 деп билдирилет. Verianla бул айырманы унчукпай оңдогон эмес.

Абляциялык отчет эскертүүсү: Таблица 11деги F1 ырааты Таблица 9 Training Stage жыйынтыктарына дал келет; test-stage маанилери үчүн Таблица 10 өзүнчө бааланышы керек.

External baseline эскертүүсү: Булак күчтүү benchmark үй-бүлөлөрү катары RF, XGBoost, MLP, LSTM/GRU жана graph-based моделдерин талкуулайт; бирок макаладагы деталдуу сандык E1–E10 таблицалары негизинен CHFIнин ички конфигурациялары. Таблица 15теги башка изилдөөлөргө таандык натыйжалар ошол эле маалымат топтомундагы түз head-to-head салыштыруу эмес.

Жетишпеген reproducibility параметрлери: Spatial bandwidth \(\sigma_s\), temporal bandwidth \(\sigma_t\), composite loss салмактары \(\lambda_1,\lambda_2\), exact internal validation fraction жана early-stopping patience \(P\) үчүн сандык маанилер булакта ачык билдирилген эмес.

Негизги түшүндүрүү чеги: Изилдөө эки чоң болгон маалымат топтомунда көзөмөлдөнгөн computational evaluation жүргүзөт. Реалдуу убакыттагы жандуу шаардык жайылтуу, чыныгы жол кыймылына кийлигишүү, кырсык санынын перспективдүү азайышы же ар башка шаарларда кең масштабдуу талаалык валидация жүргүзүлгөн эмес.