Чаҳорчӯбаи Зеҳнии Майдони Пайвастаи Хатар (Continuous Hazard Field Intelligence Framework, CHFI) як чаҳорчӯбаи омӯзиши амиқ аст, ки хатари садамаҳои нақлиётиро на танҳо ҳамчун таснифи мустақими сабтҳои ҷудогона ба шакли «садама ҳаст/нест» ё «синфи шиддат», балки ҳамчун майдони пинҳонии хатар меомӯзад, ки дар инфрасохтори баҳампайвастаи роҳ дар фазо ва вақт ба вуҷуд меояд, паҳн мешавад ва мутамарказ мегардад. Таҳқиқот дар XTraffic Incident Dataset бо 1.441.904 сабти давраи 2022–2024 ва Motor Vehicle Collisions–Crashes Dataset бо 2.026.647 сабт; ҳамоҳангсозии фазоии бо топология маҳдуд, равзанаҳои замонии хатар, risk-diffusion feature lifting, normalization-и ҳассос ба хатар, оғозкунии сатҳи пайвастаи хатар, graph-based spatial encoding, temporal modeling бар пояи GRU/BiGRU ва марҳилаҳои continuous hazard reconstruction-ро якҷо арзёбӣ мекунад.

Ғояи асосии модел чунин аст: садамаи нақлиётӣ аксаран набояд ҳамчун як воқеаи комилан мустақил ва ногаҳонии нуқтавӣ баррасӣ шавад. Дар модели сохтаи манбаъ, ноустувории ҷараёни нақлиёт, тағйирёбии суръат, серборӣ, пайвастагии шабакаи роҳ, таъсири чорроҳаҳо, шароити муҳитӣ ва таъсири хатар аз қитъаҳои наздики роҳ аввал ба як майдони хатар табдил дода мешаванд. Сипас модел на танҳо бузургии ҷории ин майдон, балки афзоиш ё коҳиши онро нисбат ба вақти пешина ва инро, ки оё хатари қитъаҳои ҳамсояи роҳ нуқтаи маҳаллиро тақвият медиҳад ё не, истифода бурда эҳтимоли маҳаллигардонидашудаи пайдоиши садамаро ҳосил мекунад.

Дар хулосаи манбаъ ва бахши натиҷаҳо барои final CHFI дар Dataset 1 %99,12 accuracy, %98,94 precision, %98,76 recall, %98,85 F1 ва 0,998 AUC; дар Dataset 2 %98,63 accuracy, %98,41 precision, %98,16 recall, %98,28 F1 ва 0,997 AUC гузориш шудаанд. Аммо ин арзишҳо бо сатри E10-и «Training Stage» дар Ҷадвали 9-и манбаъ якхелаанд. Дар Ҷадвали 10-и ҷудогонаи «Test-stage», арзишҳои санҷиши мустақил барои Dataset 1 %98,84 accuracy, %98,62 precision, %98,37 recall, %98,49 F1 ва 0,998 AUC; барои Dataset 2 %98,07 accuracy, %97,86 precision, %97,59 recall, %97,72 F1 ва 0,997 AUC дода шудаанд. Verianla ин фарқи гузоришдиҳии дохили манбаъро ба як рақами ягона муттаҳид намекунад.

Дар таҷрибаҳои сахттари санҷишӣ, гарчанде нишондиҳандаҳо коҳиш меёбанд, онҳо баланд боқӣ мемонанд. Мувофиқи Ҷадвали 14-и манбаъ, F1-и Dataset 1 барои stratified random split %98,85, барои temporal hold-out %97,39, барои geographic hold-out %96,93 ва барои blocked spatio-temporal validation %96,21 аст. Дар Dataset 2 ҳамон арзишҳо мутаносибан %98,28, %96,82, %96,35 ва %95,60 гузориш шудаанд. Бо вуҷуди ин, азбаски сатрҳои random-split дар манбаъ боз ҳам бо арзишҳои summary/Training Stage якхелаанд, ин ҷадвал низ бояд ҳамроҳ бо натиҷаҳои санҷиши мустақили Ҷадвали 10 ва бо эҳтиёт хонда шавад.

Таҳқиқот натиҷаҳои қавии назоратшавандаро нишон медиҳад; аммо дар ҷараёни воқеии вақти воқеии нақлиёт deployment-и зинда анҷом дода нашудааст. Манбаъ real-time streaming, шаҳрҳо ва шабакаҳои нақлиётии бештар, signal timing ва lane-level dynamics-и муфассалтар, ҳаракатнокии multimodal, шароити муфассали обу ҳаво, uncertainty modeling ва ҳамгироӣ бо системаҳои назорати нақлиётро ҳамчун самтҳои таҳқиқоти оянда мегузорад. Аз ин рӯ, натиҷаҳои CHFI набояд ҳамчун «системаи омодае, ки дар шаҳри воқеӣ садамаҳоро бо итминон пешгирӣ мекунад» шарҳ дода шаванд.

Таҳқиқот кадом мушкилро ҳал кардан мехоҳад?

Қисми муҳими моделҳои анъанавии пешгӯии садамаҳои нақлиётӣ ҳар як сабти ҳаракат ё ҳар нуқтаи садамаро ҳамчун намунаи ҷудогона баррасӣ мекунад. Дар чунин равиш вазифаи модел бештар ба синфи муайян мансуб кардани мушоҳидаи дода шуда мебошад. Аммо дар шабакаи воқеии роҳ, вазъи бехатарии як қитъаи роҳ метавонад аз қитъаҳои ҳамсоя, чорроҳаҳо, навбати нақлиёт, ноустувории суръат ва фосилаҳои қаблии вақт таъсир гирад.

Масъалаи асосии таҳқиқотии CHFI ин аст, ки ба ҷойи гум кардани ин вобастагиҳо дар «таснифи рӯйдоди алоҳида», хатари ноаёнро ҳамчун майдони пайваста тағйирёбанда дар шабакаи баҳампайвастаи нақлиётӣ муаррифӣ кунад.

Майдони Пайвастаи Хатар Чист?

Майдони пайвастаи хатар дар ин таҳқиқот сохтори миёнарави математикӣ аст, ки хатари пинҳонии нақлиётиро дар як қитъаи роҳ ё чорроҳа на танҳо бо мавҷудияти нуқтаи садама, балки ҳамчун шиддати пайвастаи latent муаррифӣ мекунад, ки аз вазъи маҳаллии ҳаракат, воҳидҳои ҳамсояи шабака ва ҳолати хатар дар вақти гузашта якҷо муайян мешавад; ин майдон тамғаи ниҳоии садама нест, балки намояндагии тафсиршавандаи хатари пинҳонӣ мебошад, ки барои тавлиди пешгӯии ниҳоӣ истифода мешавад.

Ин фарқ хеле муҳим аст. Дар манбаъ майдони хатар, ки бо \(\hat{H}(u_i,t)\) муаррифӣ мешавад, мустақиман тамғаи «садама мешавад» нест. Модел аввал сохтори пинҳонии хатарро бозсозӣ мекунад; баъд аз ин сохтор эҳтимоли маҳаллигардонидашудаи пайдоиши садама ба даст оварда мешавад.

Чаро модел шабакаи роҳро ҳамчун graph нишон медиҳад?

Системаи нақлиёт дар шакли graph-и \(G=(V,E)\) муайян карда мешавад. \(V\) гиреҳҳоро, ки аз қитъаҳои роҳ, чорроҳаҳо ё дигар воҳидҳои фазоии нақлиётӣ иборатанд; \(E\) бошад пайвастагиҳои онҳоро ифода мекунад.

Ҳадафи ин муаррифӣ танҳо зебогии математикӣ нест. Серборӣ ё навбат дар як қитъа метавонад ба қитъаи навбатӣ паҳн шавад; нуқтаи ҳамроҳшавӣ, чорроҳа ё долони ҳамсоя метавонад хатари ҷориро зиёд кунад. Дар ҳоле ки flat tabular data ин пайвастагиҳои физикиро ба таври табиӣ намебарад, сохтори graph робитаи ҳамсоягиро мустақиман ба модел медиҳад.

Ду маҷмӯаи додаҳои истифодашуда

Азбаски Dataset 1 танҳо аз сабтҳои садама иборат нест, он сигналҳои precursor дорад, ки ба ҳадафи CHFI барои омӯхтани «вайроншавии амалиётӣ пеш аз пайдоиши садама» наздиктаранд. Dataset 2 бошад, аз сабаби маълумоти ҷароҳат, марг, пиёдагард, дучархасавор, ронанда ва воситаи нақлиёт, натиҷаи садамаи рухдодаро хеле мустақимтар ифода мекунад.

Чор синфи severity дар Dataset 2

Манбаъ ҳадафро барои Dataset 2 ба чор синф ҷудо мекунад:

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

Дар ин ҷо \(I_i\) шумораи умумии ҷароҳатдидагонро дар сабт; \(F_i\) шумораи умумии фавтҳоро ифода мекунад.

Чаро “Target Leakage” дар Модел Мушкилоти Муҳим Аст?

Target leakage баланд шудани сунъии нишондиҳандаи модел аст, вақте тағйирёбандаҳое, ки натиҷаи пешгӯшавандаро мустақим ё ғайримустақим аллакай ошкор мекунанд, ба вуруди модел дода мешаванд; таҳқиқот барои кам кардани ин хатар тағйирёбандаҳои ҷароҳат, марг, навъи рӯйдод, тавсиф ва post-outcome-ро, ки барои сохтани label истифода мешаванд, аз вурудҳои пешгӯӣ ҷудо мекунад.

Муодилаи (1): Интихоби хусусиятҳои ниҳоии вуруд

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

Формула чиро ҳисоб мекунад? Он хусусиятҳои вурудиро муайян мекунад, ки ба модел воқеан иҷозаи истифода дода мешавад.

\(F_{\mathrm{all}}\): Ҳамаи тағйирёбандаҳои ҳуҷҷатшуда дар маҷмӯаи додаҳо.

\(F_{\mathrm{target}}\): Тағйирёбандаҳое, ки тамғаи ҳадафро мустақиман месозанд.

\(F_{\mathrm{proxy}}\): Тағйирёбандаҳои proxy, ки ҳадафро мустақиман намесозанд, аммо пас аз рӯйдод онро қариб ошкоро нишон медиҳанд.

\(\setminus\): Оператори фарқи маҷмӯаҳо. Яъне аз ҳамаи тағйирёбандаҳо target ва proxy хориҷ карда мешаванд.

Муодилаи (2): Сохтани label-и Dataset 1

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

\(g_1\) mapping function аст, ки категорияи рӯйдод ва тавсифи рӯйдодро ба синфи ниҳоии incident-risk табдил медиҳад. Сабтҳои collision-related, injury-related, unknown-injury ва hazard-related ба синфҳои дорои хатари баландтар; сабтҳои non-accident operational ба хатари пасттар ё синфҳои non-emergence мувофиқ карда мешаванд.

Аммо азбаски Type ва DESCRIPTION метавонанд ҳадафро мустақим ё хеле қавӣ ишора кунанд, пас аз сохтани label аз вуруди модел хориҷ карда мешаванд.

Муодилаҳои (3)–(4): Severity label-и Dataset 2

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

Дар манбаъ mapping бо сохтори қисм-қисми зерин муайян шудааст:

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

Пас аз сохтани label ҳамаи майдонҳои injury ва fatality count аз вуруд хориҷ карда мешаванд. Дар акси ҳол, модел метавонад зоҳиран «шиддати садамаро пешгӯӣ мекунад», вале дар асл натиҷаи пешгӯшавандаро мустақим мехонад.

Муодилаи (5): Омӯхтани параметрҳои preprocessing танҳо аз додаҳои омӯзишӣ

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

Ин муодила қабати дуюми муҳими leakage prevention аст. Параметрҳои normalization, encoding, hazard-field initialization ва дигар preprocessing аввал танҳо аз қисми омӯзишӣ омӯхта мешаванд. Додаҳои test дар муайян кардани ин параметрҳо иштирок намекунанд; танҳо табдили қаблан омӯхташуда ба додаҳои test татбиқ мешавад.

Temporal Hazard Window Embedding чӣ кор мекунад?

Модел ба ҷойи истифодаи ҳар timestamp ҳамчун намунаи ҷудогона, мушоҳидаҳои пайдарпайи ҳаракатро ба temporal windows-и қисман ҳампӯш тақсим мекунад. Дарозии равзана бо \(W\), stride бо \(\Delta\) ифода мешавад.

Масалан, дар конфигуратсияҳои баъдии таҷрибаҳои манбаъ танзимҳои \(W=6,8,10\) ва \(\Delta=2,3\) санҷида шудаанд. Вақте \(W\) калон мешавад, модел метавонад гузаштаи наздиктари дарозтарро бинад; \(\Delta\) муайян мекунад, ки равзана дар силсилаи вақт чӣ қадар пеш меравад. Ин шарҳи математикӣ даъвои нави муваффақият берун аз таҷрибаи манбаъ нест.

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

Шабакаи роҳ:

\[ G=(V,E) \]

Вектори хусусиятҳои маҳаллии ҳар гиреҳ дар вақти \(t\):

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

Хусусияти ғанишуда бо таъсири ҳамсоя:

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

Вазнҳои ҳамсоя:

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

Шакли матритсавӣ:

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

Ин чӣ маъно дорад? Вуруди модели як қитъаи роҳ танҳо аз вазъи худи ҳамон қитъа иборат нест. Ба андозаи \(\alpha\) маълумоти маҳаллӣ ва ба андозаи \(1-\alpha\) маълумоти вазндор аз воҳидҳои ҳамсояи роҳ истифода мешавад.

Агар \(\alpha=1\) бошад, муодила танҳо ба мушоҳидаи маҳаллӣ меафтад; агар \(\alpha=0\) бошад, ҷузъи маҳаллӣ нопадид шуда, танҳо ҳолати вазндори ҳамсоя боқӣ мемонад. Инҳо ҳолатҳои ҳаддии математикӣ мебошанд; натиҷаи таҷрибавии таҳқиқот нестанд.

Муодилаи (11): Вазни ҳамсояҳое, ки ноустувории монанд доранд

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

\(a_{ij}\) маълумоти graph adjacency-ро; \(\sigma\) арзиши diffusion sensitivity-ро назорат мекунад. Аз сабаби функсияи экспоненсиалӣ, ҳамсояҳое, ки ҳолати хусусиятҳои онҳо ба ҳам монандтар аст, метавонанд вазни баландтар гиранд. Махраҷ бо normalization кардани ҳамаи вазнҳо имкон медиҳад, ки саҳми ҳамсояҳо як тақсимоти назоратшавандаро ташкил диҳад.

Чаро hazard-sensitive normalization як global scaling-и оддӣ нест?

Мувофиқи даъвои манбаъ, ҳолати хатарнок баъзан метавонад инҳирофи хурд, вале ғайриоддӣ дар як қитъаи роҳ бошад, ки одатан хеле устувор аст. Масштаб кардани ҳамаи додаҳои шаҳр бо як сохтори global average ва variance метавонад чунин инҳирофҳои маҳаллиро пахш кунад. Аз ин рӯ, CHFI hazard-sensitive normalization-ро истифода мебарад, ки ҳар road segment-ро дар заминаи таърихӣ ва сохтории худаш тафсир кардан мехоҳад.

Манбаъ муодилаи exact closed-form normalization ва ҳамаи параметрҳои рақамии ин равандро алоҳида намедиҳад. Аз ин рӯ, дар ин ҷо формулаи нави normalization сохта нашудааст.

Нуқтаҳои Ҷудогонаи Садама Чӣ Гуна ба Сатҳи Пайвастаи Хатар Табдил Дода Мешаванд?

Таҳқиқот таъсири ҳар садама ё рӯйдоди хатари баландро бо Gaussian-монанди spatial ва temporal kernel-ҳо ба воҳидҳои наздики spatial дар шабакаи роҳ ва фосилаҳои ҳамсояи вақт паҳн мекунад, саҳми ҳамаи рӯйдодҳоро болои ҳам ҷамъ мекунад, натиҷаро ба воҳидҳои дурусти шабакаи роҳ projection мекунад ва бо normalization майдони ибтидоии пайвастаи хатарро барои омӯзиш омода месозад.

Математикаи асосии Algorithm 1 ва Algorithm 2

Sparse event set:

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

\(s_k\) ҷойгиршавии рӯйдод, \(t_k\) вақт ва \(y_k\) бузургии хатар/severity-ро ифода мекунад.

Spatial kernel:

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

Temporal kernel:

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

Саҳми рӯйдод ба як нуқтаи ҷой–вақт:

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

Майдони хом аз ҷамъ шудани ҳамаи рӯйдодҳо:

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

Сипас graph projection:

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

ва normalization:

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

\(d_G\): Ба ҷойи Euclidean distance-и оддии хати рост, масофаи topology-aware дар graph-и нақлиётиро ифода мекунад.

\(\sigma_s\): Spatial bandwidth аст. Аз ҷиҳати математикӣ, ҳар қадар калон шавад, таъсири spatial kernel-и як рӯйдод метавонад ба майдони васеътар паҳн шавад; ҳар қадар хурд шавад, маҳаллитар мемонад.

\(\sigma_t\): Temporal bandwidth аст. Бо калон шудан, таъсири рӯйдод дар вақт метавонад ба равзанаи васеътар паҳн шавад.

Ёддошти муҳими reproducibility: Манбаъ дар Algorithm 1 ва 2 \(\sigma_s\) ва \(\sigma_t\)-ро ҳамчун параметрҳои зарурӣ муайян мекунад, аммо дар ҷадвалҳои конфигуратсияи таҷрибавии баррасишуда арзишҳои мушаххаси рақамии онҳоро гузориш намедиҳад. Verianla ин норасоиро аз худ пур намекунад.

Муодилаҳои (12)–(18): Continuous spatial hazard field

Хатари latent дар як воҳиди роҳ:

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

Local contextual feature vector:

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

Local hazard generation:

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

Вазнҳои ҳамсоя:

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

Topology-coupled hazard:

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

Манбаъ инро барои тамоми шабака дар шакли матритсавӣ чунин менависад:

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

ифода мекунад.

Фарқи муҳим дар ин ҷо он аст, ки \(x_i\) хусусияти хом; \(\phi_i=f(x_i)\) latent hazard contribution-и аз ин хусусиятҳо гирифташуда; ва \(H_i\) hazard state мебошад, ки contribution-ҳои маҳаллӣ ва ҳамсоя дар он муттаҳид мешаванд.

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

Манбаъ аввал graph-ро боз муайян мекунад:

\[ G=(V,E) \]

Local hazard contribution:

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

Neighbor hazard aggregation:

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

ва:

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

Instantaneous coupled hazard:

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

Бо илова шудани temporal memory:

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

\(\beta\) temporal persistence coefficient аст, ки муайян мекунад чӣ қадар hazard state-и гузашта нигоҳ дошта шавад.

Агар \(\beta=0\) бошад, ҳолати пешина ба ҳисоб гирифта намешавад ва hazard-и нав танҳо ба coupled state-и ҷорӣ баробар мешавад. Дар ҳади \(\beta=1\), муодила state-и пешинаро пурра нигоҳ медорад ва instantaneous contribution-и нав бе таъсир мемонад. Инҳо ҳудудҳои математикии муодила мебошанд.

Accident emergence probability:

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

Дар ин ҷо:

• \(H_i(t)\): сатҳи ҷории хатари пинҳонӣ,
• \(\Delta H_i(t)=H_i(t)-H_i(t-1)\): афзоиш ё коҳиши хатар дар қадами охирини вақт,
• \(H_{N(i)}(t)\): контексти хатари воҳидҳои ҳамсояи роҳ,
• \(\gamma_1,\gamma_2,\gamma_3\): коэффитсиентҳои омӯзишшаванда,
• \(b\): bias,
• \(\sigma(\cdot)\): sigmoid activation.

Вазифаи функсияи Sigmoid табдил додани омезиши хаттӣ ба натиҷаи маҳдуди монанд ба эҳтимолият аст. Ҳамин тавр модел дар баробари «хатар баланд аст?» саволҳои «хатар зуд меафзояд?» ва «воҳидҳои наздики шабака низ хатарноканд?» -ро якҷо истифода мекунад.

Занҷири манбаъ дар шакли матритсавӣ:

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

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

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

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

Чаро хатари замонӣ танҳо арзиши ҷорӣ нест?

Фарзияи модели манбаъ ин аст, ки хатар пеш аз садама тавассути равандҳое мисли congestion buildup, unstable speed transition, repeated interaction pressure, intersection conflict ё corridor-level propagation дар тӯли вақт ҷамъ мешавад.

Аз ин рӯ \(\Delta H(t)\) аломати муҳим аст. Ҳатто агар \(H(t)\)-и ҷорӣ дар ду воҳиди роҳ якхела бошад, дар яке хатар метавонад зуд боло равад ва дар дигаре устувор бимонад. Модел кӯшиш мекунад ин ду ҳолатро яксон ҳисоб накунад.

Муодилаҳои (30)–(42): Математикаи architecture-и омӯзиши амиқ

Тензори вуруд:

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

\(N\) шумораи spatial unit; \(d\) hazard-aware feature dimension барои ҳар воҳид мебошад.

Graph:

\[ G=(V,E) \]

Spatial hazard encoding:

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

Ин муодила ду роҳи иттилоотиро якҷо мекунад: \(WX(t)\Theta_s^{(1)}\) таъсири graph-и ҳамсояро; \(X(t)\Theta_s^{(2)}\) хусусияти маҳаллиро мебарад. \(\rho\) nonlinear activation function аст. Натиҷа \(Z_s(t)\in\mathbb{R}^{N\times h}\) latent spatial hazard embedding мебошад.

Temporal evolution:

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

\(\Psi\) нишондиҳии умумии temporal operator дар манбаъ аст; манбаъ мегӯяд, ки ин сохтор метавонад ҳамчун GRU, LSTM, Transformer-style attention ё механизми дигари sequential сохта шавад. Дар силсилаи таҷрибавии E1–E10 аввал GRU ва баъд BiGRU истифода шудааст.

Намоиши соддакардашудаи омӯзишии memory дар манбаъ:

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

Hazard reconstruction:

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

Дар ин ҷо \(\widehat{H}(t)\in\mathbb{R}^{N\times1}\) пешгӯии тақсимоти хатари пинҳонии модел дар ҳамаи воҳидҳои road segment/intersection мебошад.

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:

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

Сипас манбаъ занҷири forward propagation-ро бо чор функсия ҷамъбаст мекунад:

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

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

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

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

Composite loss

Дар Algorithm 3 ҳадафи омӯзиш бо шакли умумии зерин дода мешавад:

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

\(L_{\mathrm{pred}}\) хатои accident-emergence prediction-ро; \(L_{\mathrm{haz}}\) ҷузъи hazard-field consistency-ро ифода мекунад. \(\lambda_1\) ва \(\lambda_2\) вазнро байни ду ҳадаф назорат мекунанд.

Ҳудуди манбаъ: Таҳқиқот дар Algorithm 3 ин composite objective-ро муайян мекунад; аммо дар матни баррасишуда шакли пурраи пӯшидаи \(L_{\mathrm{haz}}\) ва арзишҳои рақамии истифодашудаи \(\lambda_1,\lambda_2\)-ро алоҳида гузориш намедиҳад. Аз ин рӯ Verianla онҳоро бо тахмин пур намекунад.

Тарҳи таҷрибавии E1–E10

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

Таҷҳизот ва нармафзори таҷриба

Ҳамаи таҷрибаҳо дар MATLAB R2023a бо системаи амалиётии Windows 11 Home 64-bit гузаронида шудаанд. Таҷҳизот ҳамчун 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 ва 16 GB shared memory гузориш шудааст.

Ҷудокунии омӯзиш, validation ва test

Ҳар як маҷмӯаи додаҳо мустақилона:

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

ва:

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

ҷудо карда шудааст.

Таносуби 70/30:

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

Қисми омӯзиш дар дохили худ:

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

ва:

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

ҷудо карда шудааст. \(D_{\mathrm{fit}}\) барои parameter learning; \(D_{\mathrm{val}}\) барои validation-loss monitoring, early stopping ва checkpoint selection истифода шудааст. Held-out \(D_{\mathrm{test}}\) набояд барои омӯзиш, hyperparameter monitoring ё model selection истифода шавад.

Ҷузъиёти нокифояи reproducibility: Манбаъ дар ин бахш фоизи internal validation subset ва арзиши рақамии early-stopping patience \(P\)-ро намедиҳад.

Precision, Recall ва F1 чиро чен мекунанд?

Барои ҳар синфи \(c\), precision:

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

TP натиҷаи true positive; FP натиҷаи false positive аст. Агар Precision баланд бошад, қисми зиёди намунаҳое, ки модел «ин синф аст» мегӯяд, воқеан ба ҳамон синф тааллуқ доранд.

Recall:

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

FN намунаи true positive аст, ки модел онро аз даст додааст. Агар Recall баланд бошад, қисми бештари намунаҳои воқеии синф ошкор мешавад.

F1:

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

F1 байни precision ва recall harmonic mean-ро истифода мекунад. Агар яке аз онҳо хеле паст бошад, F1 низ паст мешавад.

Macro-F1:

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

Азбаски ҳар синф вазни баробар мегирад, ҳукмронии синфи аксарият бо шумораи зиёди намунаҳо бар тамоми метрика кам мешавад. Манбаъ аз ҳамин сабаб Macro-F1-ро ҳамчун метрикаи асосӣ дар масъалаҳои бехатарии нақлиётӣ бо class imbalance интихоб мекунад.

Интихоби checkpoint бо validation loss

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

Epoch-и интихобшуда:

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

Final parameter checkpoint:

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

Early stopping:

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

Яъне агар validation loss дар давраи муайяншудаи patience беҳтар нашавад, омӯзиш метавонад қатъ карда шавад. Манбаъ арзиши рақамии \(P\)-ро гузориш намедиҳад.

Final evaluation set:

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

Class distribution-и test set ба таври сунъӣ мувозинат карда нашудааст; таъсири class imbalance бо macro precision, recall, F1, AUC, confusion matrix ва precision–recall behavior арзёбӣ шудааст.

Усул ва Натиҷаҳои Таҳқиқот

Натиҷаҳои E10, ки дар манбаъ барҷаста шудаанд

Натиҷаҳои мустақили Test-stage дар Ҷадвали 10

Ҳудуди тафсир: Дар манбаъ байни ин ду қабати performance номувофиқии равшани гузоришдиҳӣ вуҷуд дорад. Verianla нишони Ҷадвали 10-ро ҳамчун натиҷаи held-out test нигоҳ медорад; аммо арзишҳои abstract/conclusion-и муаллифонро низ нодида намегирад. Ин ду маҷмӯа набояд ба ҷойи якдигар истифода шаванд.

Пешрафт аз E1 то E10 дар марҳилаи test

Мувофиқи ин ҷадвали test, афзоиши мутлақи F1 аз E1 то E10 барои Dataset 1 8,43 банди фоизӣ, барои Dataset 2 8,58 банди фоизӣ аст. Матни discussion-и манбаъ низ ин ду фарқи test-stage-ро ҳамин тавр ҳисоб мекунад.

Баръакс, abstract ва Table 11 дар манбаъ бо истифода аз арзишҳои Training Stage афзоиши +7,91 ва +8,26 банди фоизиро гузориш медиҳанд. Ин ду ҳисоб ба ҷадвалҳои гуногун асос меёбанд.

Ablation чиро нишон медиҳад?

Ҳадафи мантиқи ablation ин аст, ки муайян шавад performance-и ниҳоӣ аз як модули ягонаи «сеҳрнок» меояд ё аз ҷузъҳои ҷамъшаванда.

Боз як ёддошти муҳим: Арзишҳои Ҷадвали 11 ҳамон силсилаи performance-и Ҷадвали 9 Training Stage-ро пайравӣ мекунанд. Арзишҳои мувофиқи F1 дар Test-stage Ҷадвали 10 каме пасттаранд.

Ҳар модул чӣ дод?

Spatial encoder: Ба равиши flat record road network connectivity илова мекунад.

Temporal module: Меомӯзад, ки хатар дар ҳамон нуқта аз гузашта то имрӯз чӣ гуна рушд кардааст. Дар манбаъ temporal-only model нисбат ба spatial-only model F1-и каме баландтар медиҳад, ки нишон медиҳад маълумоти buildup дар вақт худ аз худ predictive signal-и қавӣ аст.

Spatial + temporal: Ба модел имкон медиҳад, ки на танҳо ба саволҳои «куҷо?» ё «кай?», балки ба саволи «дар шабакаи баҳампайваста бо гузашти вақт куҷо рушд мекунад?» наздик шавад.

Hazard reconstruction: Моделро маҷбур мекунад, ки пеш аз classification embedding-и мустақим explicit latent hazard field созад.

Risk diffusion: Аз баррасии қитъаи роҳ ҳамчун чизи комилан мустақил аз атроф даст мекашад.

Escalation cue: Суръати болоравии hazard-ро ҷудо аз absolute hazard level ифода мекунад.

Neighborhood context: Барои фаҳмидани он кумак мекунад, ки хатари маҳаллӣ ҷудогона аст ё қисми сохтори васеътари corridor-level risk.

BiGRU ва memory: Тақвияти ниҳоии temporal барои моделсозии hazard evolution pattern-ҳои дарозтар.

Чаро validation-и сахт лозим аст?

Дар додаҳои spatio-temporal, random train/test split метавонад generalization-и воқеиро аз ҳақиқат беҳтар нишон диҳад, махсусан агар вақтҳои наздик ё минтақаҳои ҳамсояи роҳ дар ҳар ду гурӯҳ боқӣ монанд. Аз ин рӯ манбаъ ба random split инчунин temporal, geographic ва blocked spatio-temporal hold-out илова мекунад.

Blocked spatio-temporal validation ҳам монандии вақтӣ ва ҳам фазоиро якҷо маҳдуд мекунад, аз ин рӯ ҳамчун сахттарин test муайян шудааст ва дар ҳар ду маҷмӯаи додаҳо F1-и пасттарин дар ҳамин ҷо дида мешавад. Коҳиши performance нишон медиҳад, ки арзишҳои random record split шарти осонтари арзёбӣ мебошанд.

Аммо якхела будани сатрҳои random split бо арзишҳои Ҷадвали 9 Training Stage нишон медиҳад, ки номувофиқии натиҷа-labeling дар манбаъ дар ин ҷо низ идома дорад. Аз ин рӯ ҷадвали боло ҳамон тавре ки манбаъ гузориш кардааст, интиқол дода шудааст; набояд ҷойгузини натиҷаҳои Ҷадвали 10 шавад.

Хароҷоти ҳисоббарорӣ

E10 нисбат ба E1 тақрибан ҳафт баробар бештар model parameter ва computation/memory cost-и баландтар дорад. Бо вуҷуди ин, манбаъ 9,6 ms inference-ро ҳамчун “practical inference cost” тавсиф мекунад. Ин арзиш ба шароити hardware ва implementation-и гузоришшуда дар таҳқиқот тааллуқ дорад; дар hardware-и дигар ё production system-и real-time ҳамон latency кафолат дода намешавад.

Фигураҳои манбаъ нишон медиҳанд, ки майдони хатар аз ҷиҳати визуалӣ ба чӣ табдил мешавад?

Манбаъ пеш аз preprocessing маълумоти hazard-ро ҳамчун ҷазираҳои танг, ҷудогона ва пора-пораи high-intensity нишон медиҳад. Пас аз preprocessing ҳамон сохтори консептуалӣ ба hazard surface-и васеътар, ҳамвортар ва бо пайвастагӣ ба минтақаҳои ҳамсояи роҳ паҳншаванда табдил меёбад.

Сатҳҳои ин тасвирҳо механизми preprocessing-и таҳқиқотро шарҳ медиҳанд. Verianla ҳамон contour coordinates ё шиддатҳои рангро ҳамчун додаҳои нави таҷрибавӣ бозсозӣ накардааст; зеро манбаъ underlying numerical grid-и пурраро барои бозкашии онҳо намедиҳад.

Баъзе натиҷаҳои visual diagnostic, ки дар манбаъ гузориш шудаанд

Дар E1 baseline арзиши Dataset 1 test AUC 0,938 аст ва дар rare class-ҳо generalization-и заифтар дида мешавад. Дар Dataset 2 baseline, махсусан фарқ кардани синфҳои камёбтар мисли Multi-Injury ва Fatal/Severe душвортар аст.

Манбаъ барои E10 дар Dataset 1 confusion matrix таносубҳои normalized diagonal-ро Low %99,5, Moderate %94,9, Elevated %93,4 ва Critical %94,3 гузориш мекунад. Манбаъ инчунин мегӯяд, ки calibration curve дар қисми зиёдаш хатти ideal calibration-ро аз наздик пайравӣ мекунад. Ин арзишҳо тафсири diagnostic-и Figure 24-и манбаъ мебошанд ва дар ҳамаи дигар маҷмӯаҳои додаҳо ҳамон calibration behavior-ро кафолат намедиҳанд.

Муқоиса бо таҳқиқоти марбут чӣ гуна бояд хонда шавад?

Ҷадвали 15-и манбаъ таҳқиқоти гуногун, аз ҷумла равиши MLP-и Park ва Hong, модели GEE-и Macedo ва ҳамкорон, benchmark-ҳои XTraffic-и Gou ва ҳамкорон, равиши TRAVEL-и Huang ва ҳамкорон, модели RoadInTCP-и Wang ва ҳамкорон, таҳқиқоти XGBoost/RF/MLP-и Yumak ва ҳамкорон, модели CNN–LSTM–GNN-и Li ва Chen ва равиши GNN–LSTM–MLP-и Alnowaiser-ро ҷойгир мекунад.

Аммо ин таҳқиқот маҷмӯаҳои додаҳои гуногун, target definition-ҳои гуногун, sample distribution-ҳои гуногун ва protocol-ҳои арзёбии гуногунро истифода мебаранд. Масалан, танҳо аз рӯи рақам муқоиса кардани %99,97 accuracy, ки дар як таҳқиқот гузориш шудааст, бо арзишҳои %98–99-и CHFI ва тартиб додани онҳо ҳамчун «кадомаш беҳтар?» аз нигоҳи методологӣ дуруст нест.

Даъвои асосии novelty-и манбаъ танҳо баландтарин accuracy нест. Фарқи CHFI дар он аст, ки пеш аз discrete accident classification як hidden hazard field-и topology-aware, temporally evolving ва interpretable месозад.

Дар муқоисаи external baseline-и манбаъ чӣ намерасад?

Матн RF, XGBoost, MLP, LSTM/GRU ва graph-based моделҳоро ҳамчун оилаҳои қавии external benchmark қайд мекунад ва аҳамияти онҳоро дар тарҳи арзёбӣ муҳокима мекунад. Бо вуҷуди ин, ҷадвалҳои асосии натиҷаҳои рақамии мақола конфигуратсияҳои дохилии E1–E10-ро медиҳанд. Ҷадвали 15 бошад натиҷаҳои худи дигар таҳқиқоти нашршударо интиқол медиҳад.

Аз ин рӯ, чун дар манбаъ ҷадвали алоҳидаи same-dataset, same-split RF/XGBoost/LSTM/GCN numerical benchmark дида намешавад, Verianla чунин ҷадвал эҷод намекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Гузариш аз Flat MLP baseline ба topology-aware ва temporal architecture дар ҳар ду маҷмӯаи додаҳо performance-ро беҳтар кардааст.
• Сохтори temporal-only нисбат ба spatial-only F1-и каме баландтар нишон додааст.
• Истифодаи якҷояи spatial ва temporal model нисбат ба истифодаи ҷудогонаи онҳо натиҷаи беҳтар додааст.
• Илова кардани explicit hazard reconstruction performance-ро бештар беҳтар кардааст.
• Илова кардани risk-diffusion, hazard escalation ва neighborhood context беҳбудии марҳилавӣ додааст.
• BiGRU ва temporal window-и дарозтар дар марҳилаҳои охир беҳбудии иловагӣ додаанд.
• Ҳангоми гузариш аз random split ба temporal, geographic ва blocked spatio-temporal validation performance коҳиш ёфта, вале дар манбаъ баланд боқӣ мондааст.
• Модел бо тақрибан 1,26 миллион parameter ва 9,6 ms inference cost дар hardware-и манбаъ гузориш шудааст.
• Continuous hazard representation ҳадаф дорад, ки модел пеш аз accident prediction як latent safety structure-и тафсиршаванда эҷод кунад.

Умумисозиҳое, ки таҳқиқот дастгирӣ намекунад

• Нишон дода нашудааст, ки CHFI дар системаи воқеии real-time traffic-и шаҳрӣ ба таври зинда validation шудааст.
• Нишон дода нашудааст, ки модел воқеан садамаҳоро пешгирӣ кардааст ё шумораи садамаҳоро ба фоизи муайян кам кардааст.
• Натиҷаи модел фармони мустақими autonomous traffic signal control нест.
• Accuracy-и баланд дар ду маҷмӯаи додаҳо нишон намедиҳад, ки дар ҳамаи шаҳрҳо ва кишварҳо ҳамон performance ба даст меояд.
• Random split performance бо geographic ё temporal generalization як чиз нест.
• Hazard field майдони воқеии физикии мустақиман ченшуда нест; он reconstructed latent representation аз ҷониби модел аст.
• Пайдо шудани як hazard hotspot худ ба худ механизми сабабии садамаро исбот намекунад.
• Метрикаҳои таҳқиқоти гуногун дар Ҷадвали 15 натиҷаҳои мустақиман рақобаткунанда дар ҳамон test set нестанд.
• Арзишҳои \(\sigma_s\), \(\sigma_t\), \(\lambda_1\), \(\lambda_2\) ва patience \(P\), ки дар манбаъ рақамӣ дода нашудаанд, номаълуманд.
• Гуфтан мумкин нест, ки рақамҳои performance дар abstract ва conclusion бо арзишҳои мустақили held-out test комилан мувофиқанд; манбаъ дар Ҷадвали 9 ва Ҷадвали 10 арзишҳои гуногун медиҳад.

Маҳдудиятҳои муҳими таҳқиқот ва таҳқиқоти оянда

Гарчанде манбаъ зери сарлавҳаи махсуси “Limitations” рӯйхати тӯлонии маҳдудиятҳоро намедиҳад, дар бахши conclusion соҳаҳоеро, ки дар оянда бояд validation шаванд, равшан қайд мекунад.

Real time: Модел бояд дар оянда ба real-time streaming environment васеъ карда шавад. Таҳқиқоти ҳозира онро дар ҷараёни зиндаи нақлиётӣ validation накардааст.

Context-и ғанитар: Signal timing, lane-level dynamics, multimodal mobility interaction ва weather progression-и муфассалтар метавонанд дар оянда дар модел баррасӣ шаванд.

Cross-city generalization: Арзёбӣ дар шаҳрҳои бештар, шабакаҳои нақлиётӣ ва external benchmark dataset-ҳои бештар лозим аст.

Uncertainty: Uncertainty-aware accident emergence modeling мавзӯи таҳқиқоти оянда аст; натиҷаҳои ҳозира чаҳорчӯбаи пурраи uncertainty quantification намедиҳанд.

Traffic-control integration: Ҳамгироӣ бо системаҳои traffic control ва intervention самти татбиқи оянда аст.

Reproducibility: Манбаъ бисёр architectural hyperparameter медиҳад; аммо баъзе арзишҳо мисли kernel bandwidth-ҳо, composite loss weights ва early-stopping patience рақамӣ нокифояанд.

Reporting consistency: Арзишҳои final performance дар Training Stage, Test Stage, abstract/conclusion ва robustness tables якхела нестанд. Ин талаб мекунад, ки бодиққат пайгирӣ шавад ҳар натиҷа ба кадом evaluation layer тааллуқ дорад.

Аз ҷиҳати амалӣ модел чӣ гуна истифода шудан мехоҳад?

1. Додаҳои нави traffic, incident, road, time ва contextual гирифта мешаванд.
2. Мушоҳидаҳо ба воҳиди дурусти road segment/intersection дар transportation graph ҳамоҳанг карда мешаванд.
3. Додаҳо ба overlapping temporal windows дохил мешаванд.
4. Бо risk-diffusion таъсири шабакаи ҳамсоя ба feature space интиқол дода мешавад.
5. Hazard-sensitive normalization татбиқ мешавад.
6. Аз sparse events initial continuous hazard surface сохта мешавад.
7. GCN spatial hazard relationships-ро меомӯзад.
8. GRU/BiGRU buildup ва persistence-и hazard-ро дар вақт меомӯзад.
9. Модел continuous latent hazard field \(\widehat{H}(t)\)-ро тавлид мекунад.
10. Бо \(\Delta\widehat{H}(t)\) hazard escalation ҳисоб мешавад.
11. Бо \(W\widehat{H}(t)\) neighborhood context гирифта мешавад.
12. Prediction head ин маълумотро ба localized accident-emergence probability табдил медиҳад.
13. Натиҷаҳо метавонанд ҳамчун hazard map, risk zone, hotspot ва decision support барои safety inspection/early-warning тафсир шаванд.

Маънои илмӣ

Саҳми асосии консептуалии таҳқиқот ин аст, ки садамаро аз натиҷаи танҳо пешгӯшаванда берун оварда, ҳамчун натиҷаи «ҳолати пешакии хатар»-и мушоҳиданашаванда, вале аз ҷониби модел reconstruct-шуда баррасӣ мекунад.

Дар ин назар модел ҳадаф дорад на танҳо ба саволи «кадом сабт садама аст?», балки ба саволҳои «дар кадом қитъаҳои баҳампайвастаи роҳ хатар ҷамъ мешавад, аз куҷо паҳн мешавад, бо гузашти вақт қавитар мешавад ё не ва кадом воҳиди маҳаллӣ ба ҳолати critical наздик мешавад?» ҷавоб диҳад.

Аммо ин майдони хатар «моддаи воқеии хатар»-и мустақиман бо сенсори физикӣ ченшуда нест. Он learned latent mathematical representation аст. Ин фарқ барои тафсири натиҷаи модел муҳим аст.

Ёддошт оид ба Манбаъ ва Усул

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

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

Corresponding authors: Nawal Louzi ва Mahmoud AlJamal.

Саҳми баробар / first authorship-и баробар: Дар манбаъ аломати саҳми баробар гузориш нашудааст.

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

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

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

Маҷалла: Urban Science.

Ношир: MDPI, Basel, Switzerland.

Ҷилд / шумора / мақола: Volume 10, Issue 6, Article 300.

DOI: 10.3390/urbansci10060300.

Ирсол: 5 Апрел 2026.

Бознигарӣ: 10 Май 2026.

Қабул: 22 Май 2026.

Нашр: 27 Май 2026.

Навъи манбаъ: Article; таҳқиқоти ҳисоббарорӣ, ки topology-aware spatio-temporal deep learning ва continuous hazard-field modeling-ро дар маҷмӯаҳои воқеии додаҳои бехатарии нақлиётӣ таҳия мекунад.

Вазъи peer review: Version of Record, ки дар маҷаллаи peer-reviewed Urban Science нашр шудааст.

Preprint: Дар манбаъ маълумоти алоҳидаи preprint нест; дар санҷиши ҳадафманд низ барои ҳамин унвон preprint-и алоҳида пайдо нашуд.

Литсензия: Creative Commons Attribution (CC BY).

Модели асосӣ: Continuous Hazard Field Intelligence Framework — CHFI.

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

Dataset 2: Motor Vehicle Collisions–Crashes Dataset, 2.026.647 сабт, 29 feature-и ҳуҷҷатшуда.

Тақсимоти асосии дода: %70 training / %30 held-out testing. Дар дохили training як validation subset-и ҷудогона истифода шудааст; exact validation ratio дар манбаъ гузориш нашудааст.

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; инчунин confusion matrix, ROC ва precision–recall diagnostic evaluations.

Robust validation-и иловагӣ: Stratified random split, temporal hold-out, geographic hold-out ва blocked spatio-temporal validation.

Муҳити татбиқ: MATLAB R2023a; Windows 11 Home 64-bit.

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

Final model complexity: Мувофиқи Ҷадвали 12-и манбаъ тақрибан 1,26 миллион parameter, 36,8 s training time/epoch, 9,6 ms inference, 412 MB peak memory ва 73,8 M FLOPs.

Маблағгузорӣ: Гузориш шудааст, ки таҳқиқот аз ҷониби Al-Ahliyya University, Amman, Jordan дастгирӣ ва маблағгузорӣ шудааст.

Institutional Review Board: Татбиқшаванда нест.

Informed Consent: Татбиқшаванда нест.

Дастрасии додаҳо: Муаллифон мегӯянд, ки маҷмӯаҳои додаҳои истифодашуда аз манбаъҳои кушодаи онлайн гирифта шудаанд; derived processing scripts, feature-engineering procedures ва implementation details метавонанд бо reasonable request аз ҷониби corresponding author дода шаванд.

Ёддошти манбаъ оид ба дастрасии додаҳо: XTraffic Dataset дар рӯйхати манбаъҳо [21] ҳамчун сабти Kaggle нишон дода шудааст. Motor Vehicle Collisions–Crashes дар [22] ҳамчун сабти TUSH32 Kaggle номбар шудааст. Азбаски DOI-и 10.1016/j.aap.2024.107564, ки дар охири Data Availability дода шудааст, ба мақолаи Cui ва ҳамкорон дар манбаи [11] мувофиқ меояд, он ҳамчун repository-и Dataset 2 тафсир нашудааст.

Саҳми муаллифон: 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.

Ихтилофи манфиатҳо: Муаллифон изҳор мекунанд, ки ихтилофи манфиатҳо вуҷуд надорад.

Номувофиқии муҳими гузоришдиҳӣ: Abstract, conclusion, Ҷадвали 9 ва баъзе summary table-ҳои баъдӣ барои final CHFI дар Dataset 1 %99,12 accuracy / %98,85 F1 ва дар Dataset 2 %98,63 accuracy / %98,28 F1 медиҳанд, дар ҳоле ки арзишҳои E10-и Ҷадвали 10, ки равшан ҳамчун “Test-stage” нишонгузорӣ шудааст, барои Dataset 1 %98,84 accuracy / %98,49 F1 ва барои Dataset 2 %98,07 accuracy / %97,72 F1 гузориш мешаванд. Verianla ин фарқро хомӯшона ислоҳ накардааст.

Ёддошти ablation reporting: Силсилаи F1 дар Ҷадвали 11 бо натиҷаҳои Ҷадвали 9 Training Stage мувофиқ аст; барои test-stage values Ҷадвали 10 бояд алоҳида арзёбӣ шавад.

Ёддошти external baseline: Манбаъ RF, XGBoost, MLP, LSTM/GRU ва graph-based моделҳоро ҳамчун оилаҳои қавии benchmark муҳокима мекунад; аммо ҷадвалҳои муфассали рақамии E1–E10 дар мақола асосан конфигуратсияҳои дохилии CHFI мебошанд. Натиҷаҳои дигар таҳқиқот дар Ҷадвали 15 head-to-head comparison-и мустақим дар ҳамон dataset нестанд.

Параметрҳои нокифояи reproducibility: Барои Spatial bandwidth \(\sigma_s\), temporal bandwidth \(\sigma_t\), composite loss weights \(\lambda_1,\lambda_2\), exact internal validation fraction ва early-stopping patience \(P\) арзишҳои рақамӣ дар манбаъ ба таври равшан гузориш нашудаанд.

Ҳудуди асосии тафсир: Таҳқиқот дар ду маҷмӯаи бузурги мавҷудаи додаҳо controlled computational evaluation анҷом медиҳад. Real-time live urban deployment, intervention-и воқеии traffic, коҳиши prospective-и шумораи садамаҳо ё large-scale field validation дар шаҳрҳои гуногун анҷом дода нашудааст.