Uzluksiz Xavf Maydoni Intellektual Doirasi (Continuous Hazard Field Intelligence Framework, CHFI) yoʻl-transport hodisalari xavfini alohida qaydlarni shunchaki “hodisa bor/yoʻq” yoki “ogʻirlik sinfi” tarzida bevosita tasniflash sifatida emas, balki oʻzaro bogʻlangan yoʻl infratuzilmasida makon va vaqt boʻylab yuzaga keladigan, tarqaladigan va zichlashadigan yashirin xavf maydoni sifatida oʻrganishga intiluvchi chuqur oʻrganish doirasidir. Tadqiqot 2022–2024 davriga oid 1.441.904 qaydli XTraffic Incident Dataset hamda 2.026.647 qaydli Motor Vehicle Collisions–Crashes Dataset asosida topologiya bilan cheklangan fazoviy moslashtirish, vaqt xavf oynalari, risk-diffusion feature lifting, xavfga sezgir normallashtirish, uzluksiz xavf yuzasini boshlash, graph-based spatial encoding, GRU/BiGRU asosidagi temporal modeling va uzluksiz hazard reconstruction bosqichlarini birgalikda baholaydi.

Modelning asosiy gʻoyasi shunday: yoʻl-transport hodisasi koʻpincha butunlay mustaqil va birdan yuz beradigan bitta nuqtali voqea sifatida koʻrilmasligi kerak. Manbada qurilgan modelda transport oqimining beqarorligi, tezlik oʻzgaruvchanligi, tirbandlik, yoʻl tarmogʻi bogʻliqligi, chorraha taʼsirlari, atrof-muhit sharoitlari va yaqin yoʻl qismlaridan keladigan xavf taʼsirlari avval yashirin xavf maydoniga aylantiriladi. Model keyin bu maydonning faqat joriy kattaligini emas, balki avvalgi vaqtga nisbatan ortgan-ortmaganini va qoʻshni yoʻl qismlaridagi xavf mahalliy nuqtani kuchaytirgan-kuchaytirmaganini ham hisobga olib, mahalliylashtirilgan hodisaning yuzaga kelish ehtimolini hosil qiladi.

Manbaning qisqa mazmuni va xulosa boʻlimida final CHFI uchun Dataset 1 da %99,12 accuracy, %98,94 precision, %98,76 recall, %98,85 F1 va 0,998 AUC; Dataset 2 da %98,63 accuracy, %98,41 precision, %98,16 recall, %98,28 F1 va 0,997 AUC qayd etiladi. Biroq bu qiymatlar manbadagi Jadval 9 ning “Training Stage” E10 qatori bilan aynan bir xil. Alohida “Test-stage” Jadval 10 da mustaqil test qiymatlari Dataset 1 uchun %98,84 accuracy, %98,62 precision, %98,37 recall, %98,49 F1 va 0,998 AUC; Dataset 2 uchun %98,07 accuracy, %97,86 precision, %97,59 recall, %97,72 F1 va 0,997 AUC tarzida berilgan. Verianla manba ichidagi bu hisobot tafovutini bitta songa birlashtirmaydi.

Qatʼiyroq validatsiya tajribalarida samaradorlik pasaysa-da, yuqori darajada qoladi. Manba Jadval 14 ga koʻra Dataset 1 F1 qiymati stratified random split uchun %98,85, temporal hold-out uchun %97,39, geographic hold-out uchun %96,93 va blocked spatio-temporal validation uchun %96,21. Dataset 2 da ushbu qiymatlar mos ravishda %98,28, %96,82, %96,35 va %95,60 deb berilgan. Shu bilan birga random-split qatorlari yana manbadagi qisqa mazmun/Training Stage qiymatlari bilan bir xil boʻlgani sababli bu jadval ham Jadval 10 dagi mustaqil test natijalari bilan birga va ehtiyotkorlik bilan oʻqilishi kerak.

Tadqiqot kuchli nazorat qilinadigan natijalarni koʻrsatadi; biroq real vaqt transport oqimida jonli joylashtirish amalga oshirilmagan. Manba real-time streaming, koʻproq shahar va transport tarmoqlari, batafsilroq signal timing va lane-level dynamics, multimodal harakatchanlik, batafsil ob-havo sharoitlari, noaniqlikni modellashtirish va transport boshqaruvi tizimlari bilan integratsiyani kelajakdagi tadqiqot yoʻnalishlari sifatida qoldiradi. Shu sababli CHFI natijalarini “real shaharda hodisalarni aniq oldini oladigan tayyor tizim” sifatida talqin qilish mumkin emas.

Tadqiqot qaysi muammoni hal qilishga urinmoqda?

Anʼanaviy yoʻl-transport hodisalarini prognozlash modellarining muhim qismi har bir transport qaydini yoki har bir hodisa nuqtasini alohida namuna sifatida baholaydi. Bunday yondashuvda modelning vazifasi koʻpincha berilgan kuzatuvni muayyan sinfga ajratishdan iborat. Ammo haqiqiy yoʻl tarmogʻida bir yoʻl qismining xavfsizlik holati qoʻshni yoʻl qismlari, chorrahalar, transport navbati, tezlik beqarorligi va oldingi vaqt oraligʻidan taʼsirlanishi mumkin.

CHFI ning asosiy tadqiqot muammosi ushbu bogʻliqliklarni “yakka hodisani tasniflash” ichida yoʻqotib qoʻymasdan, koʻrinmaydigan xavfni oʻzaro bogʻlangan transport tarmogʻida uzluksiz oʻzgaruvchi maydon sifatida ifodalashdir.

Uzluksiz Xavf Maydoni Nima?

Uzluksiz xavf maydoni tadqiqotda yoʻl qismi yoki chorrahadagi yashirin transport xavfini faqat hodisa nuqtasining mavjudligi bilan emas, balki mahalliy transport holati, qoʻshni tarmoq birliklari va oʻtmishdagi xavf holati birgalikda belgilaydigan uzluksiz latent zichlik sifatida ifodalovchi matematik oraliq tuzilmadir; bu maydon yakuniy hodisa yorligʻi emas, balki oxirgi prognozni yaratish uchun ishlatiladigan talqin qilinadigan yashirin-risk ifodasidir.

Bu farq juda muhim. Manbada \(\hat{H}(u_i,t)\) bilan ifodalangan xavf maydoni bevosita “hodisa sodir boʻladi” yorligʻi emas. Model avval yashirin xavf tuzilmasini qayta quradi; keyin shu tuzilmadan mahalliylashtirilgan hodisaning yuzaga kelish ehtimoli olinadi.

Model nega yoʻl tarmogʻini graph sifatida ifodalaydi?

Transport tizimi \(G=(V,E)\) koʻrinishida graph sifatida taʼriflanadi. \(V\) yoʻl qismlari, chorrahalar yoki boshqa fazoviy transport birliklaridan iborat tugunlarni; \(E\) esa ular orasidagi bogʻlanishlarni ifodalaydi.

Bu ifodaning maqsadi faqat matematik nafislik emas. Bir qismdagi tirbandlik yoki navbat keyingi qismga tarqalishi mumkin; qoʻshilish nuqtasi, chorraha yoki qoʻshni koridor mavjud xavfni oshirishi mumkin. Flat tabular maʼlumot bu jismoniy bogʻlanishlarni tabiiy ravishda olib yurmaydi, graph tuzilmasi esa qoʻshnichilik munosabatini bevosita modelga beradi.

Foydalanilgan ikki maʼlumot toʻplami

Dataset 1 faqat hodisa qaydlaridan iborat boʻlmagani sababli CHFI ning “hodisa yuzaga kelishidan oldingi operatsion buzilish”ni oʻrganish maqsadiga yaqinroq precursor signallarni oʻz ichiga oladi. Dataset 2 esa jarohat, oʻlim, piyoda, velosipedchi, haydovchi va transport vositasi maʼlumotlari tufayli yuz bergan hodisaning oqibatini ancha bevosita ifodalaydi.

Dataset 2 dagi toʻrtta severity sinfi

Manba Dataset 2 uchun maqsadni toʻrtta sinfga ajratadi:

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

Bu yerda \(I_i\) qayddagi jami jarohatlanganlar sonini; \(F_i\) esa jami oʻlimlar sonini bildiradi.

Modelda “Target Leakage” Nega Kritik Muammo?

Target leakage — prognoz qilinishi kerak boʻlgan natijani bevosita yoki bilvosita allaqachon ochib beradigan oʻzgaruvchilar model kirishiga berilganda model samaradorligining sunʼiy ravishda oshishidir; tadqiqot ushbu xavfni kamaytirish uchun label yaratishda ishlatiladigan jarohat, oʻlim, hodisa turi, tavsif va post-outcome oʻzgaruvchilarini prognoz kirishlaridan ajratadi.

Tenglama (1): Yakuniy kirish xususiyatlarini tanlash

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

Formula nimani hisoblaydi? Modelga haqiqatda foydalanishga ruxsat berilgan kirish xususiyatlarini belgilaydi.

\(F_{\mathrm{all}}\): Maʼlumot toʻplamida hujjatlashtirilgan barcha oʻzgaruvchilardir.

\(F_{\mathrm{target}}\): Maqsad yorligʻini bevosita yaratadigan oʻzgaruvchilardir.

\(F_{\mathrm{proxy}}\): Maqsadni bevosita yaratmasa ham, hodisadan keyin maqsadni deyarli ochiq tarzda ko‘rsatadigan proxy oʻzgaruvchilardir.

\(\setminus\): Toʻplam ayirmasi operatoridir. Yaʼni barcha oʻzgaruvchilardan target va proxy oʻzgaruvchilari chiqarib tashlanadi.

Tenglama (2): Dataset 1 label yaratish

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

\(g_1\) hodisa toifasi va hodisa tavsifini yakuniy incident-risk sinfiga aylantiradigan mapping function-dir. Collision-related, injury-related, unknown-injury va hazard-related qaydlar yuqoriroq xavfli sinflarga; non-accident operational qaydlar esa pastroq xavf yoki non-emergence sinflariga moslanadi.

Biroq Type va DESCRIPTION maqsadni bevosita yoki juda kuchli bildirib qoʻyishi mumkinligi sababli label yaratilgach model kirishidan olib tashlanadi.

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

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

Manbada mapping quyidagi boʻlakli tuzilma bilan taʼriflanadi:

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

Label yaratilgach injury va fatality count maydonlarining barchasi kirishdan chiqariladi. Aks holda model “hodisa ogʻirligini prognoz qilayotgandek” koʻrinsa-da, aslida prognoz qilinishi kerak boʻlgan natijani toʻgʻridan-toʻgʻri oʻqib qoʻyishi mumkin.

Tenglama (5): Oldindan ishlov berish parametrlarini faqat oʻquv maʼlumotidan oʻrganish

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

Bu tenglama leakage prevention ning ikkinchi muhim qatlamidir. Normallashtirish, encoding, hazard-field initialization va boshqa preprocessing parametrlari avval faqat training qismidan oʻrganiladi. Test maʼlumoti ushbu parametrlarni aniqlashda qatnashmaydi; test maʼlumotiga faqat oldindan oʻrganilgan transformatsiya qoʻllanadi.

Temporal Hazard Window Embedding nima qiladi?

Model har bir vaqt belgisini alohida namuna sifatida ishlatish oʻrniga ketma-ket transport kuzatuvlarini qisman ustma-ust tushadigan temporal oynalarga boʻladi. Oyna uzunligi \(W\), stride esa \(\Delta\) bilan ifodalanadi.

Masalan, manba tajribalarining keyingi konfiguratsiyalarida \(W=6,8,10\) va \(\Delta=2,3\) kabi sozlamalar sinab koʻrilgan. \(W\) oshganda model uzoqroq yaqin oʻtmishni koʻra oladi; \(\Delta\) oynaning vaqt ketma-ketligida qancha siljishini belgilaydi. Bu matematik sharh manba tajribasidan tashqari yangi muvaffaqiyat daʼvosi emas.

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

Yoʻl tarmogʻi:

\[ G=(V,E) \]

Har bir tugunning \(t\) vaqtidagi mahalliy xususiyat vektori:

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

Qoʻshni taʼsiri bilan boyitilgan xususiyat:

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

Qoʻshni vaznlari:

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

Matritsa koʻrinishi:

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

Bu nimani anglatadi? Bir yoʻl qismining model kirishi faqat oʻz transport holatidan iborat emas. \(\alpha\) miqdorida mahalliy maʼlumot, \(1-\alpha\) miqdorida qoʻshni yoʻl birliklaridan keladigan vaznli maʼlumot ishlatiladi.

\(\alpha=1\) boʻlsa, tenglama faqat mahalliy kuzatuvga tushadi; \(\alpha=0\) boʻlsa, mahalliy komponent yoʻqoladi va faqat qoʻshni vaznlangan holat qoladi. Bular tenglamaning matematik chegaraviy holatlaridir; tadqiqotning eksperimental natijasi emas.

Tenglama (11): Oʻxshash beqarorlik koʻrsatadigan qoʻshnilar vazni

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

\(a_{ij}\) graph adjacency maʼlumotini; \(\sigma\) diffusion sensitivity qiymatini boshqaradi. Eksponensial funksiya tufayli xususiyat holati bir-biriga oʻxshashroq qoʻshnilarning vazni yuqoriroq boʻlishi mumkin. Maxrajdagi yigʻindi vaznlarni normallashtirib, qoʻshni hissalar birgalikda nazorat qilinadigan taqsimot hosil qilishini taʼminlaydi.

Hazard-sensitive normalization nega oddiy global scaling emas?

Manbaning daʼvosiga koʻra xavfli holat baʼzan odatda juda barqaror boʻlgan muayyan yoʻl qismidagi kichik, ammo gʻayrioddiy ogʻish boʻlishi mumkin. Butun shahar maʼlumotini bitta global oʻrtacha va dispersiya tuzilmasi bilan masshtablash bunday lokal ogʻishlarni bostirishi mumkin. CHFI shu sababli har bir road segment-ni oʻzining tarixiy va tuzilmaviy kontekstiga koʻra talqin qilishga intiladigan hazard-sensitive normallashtirishdan foydalanadi.

Manba bu jarayonning exact yopiq-form normallashtirish tenglamasi va barcha sonli parametrlarini alohida bermaydi. Shu sababli bu yerda yangi normallashtirish formulasi uydirilmagan.

Diskret Hodisa Nuqtalari Uzluksiz Xavf Yuzasiga Qanday Aylantiriladi?

Tadqiqot har bir hodisa yoki yuqori xavfli voqeaning taʼsirini yoʻl tarmogʻidagi yaqin spatial birliklarga va qoʻshni vaqt oraligʻiga Gaussian-ga oʻxshash spatial va temporal kernel-lar bilan yoyadi, barcha hodisa hissalarini ustma-ust jamlaydi, natijani yaroqli yoʻl tarmogʻi birliklariga proyeksiya qiladi va normallashtirib oʻrganishga tayyor uzluksiz boshlangʻich xavf maydonini hosil qiladi.

Algorithm 1 va Algorithm 2 ning asosiy matematikasi

Sparse event set:

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

\(s_k\) hodisaning joylashuvini, \(t_k\) vaqtini va \(y_k\) xavf/severity kattaligini ifodalaydi.

Spatial kernel:

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

Temporal kernel:

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

Hodisaning makon-vaqt nuqtasiga hissasi:

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

Barcha hodisalarni ustma-ust qoʻshish orqali xom maydon:

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

Soʻng graph projection:

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

va normallashtirish:

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

\(d_G\): Oddiy toʻgʻri chiziqli Euclidean distance oʻrniga transport graph-i boʻylab topology-aware masofani ifodalaydi.

\(\sigma_s\): Spatial bandwidth. Matematik jihatdan u kattalashgan sari hodisaning fazoviy kernel taʼsiri kengroq hududga yoyilishi mumkin; kichraygan sari lokalroq qoladi.

\(\sigma_t\): Temporal bandwidth. U kattalashgan sari hodisaning vaqt boʻyicha taʼsiri kengroq oynaga yoyilishi mumkin.

Muhim reproducibility izohi: Manba Algorithm 1 va 2 da \(\sigma_s\) va \(\sigma_t\) ni zarur parametrlar sifatida belgilaydi, ammo koʻrib chiqilgan eksperimental konfiguratsiya jadvallarida ularning aniq sonli qiymatlarini bermaydi. Verianla bu yetishmovchilikni oʻzicha toʻldirmaydi.

Tenglama (12)–(18): Uzluksiz fazoviy hazard field

Bir yoʻl birligidagi latent xavf:

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

Mahalliy contextual feature vector:

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

Mahalliy hazard generation:

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

Qoʻshni vaznlari:

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

Topology-coupled hazard:

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

Manba buni butun tarmoq uchun matritsa koʻrinishida:

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

deb ifodalaydi.

Bu yerdagi muhim farq shundaki, \(x_i\) xom xususiyat; \(\phi_i=f(x_i)\) ushbu xususiyatlardan chiqarilgan latent hazard contribution; \(H_i\) esa mahalliy va qoʻshni contribution-lar birlashadigan hazard state hisoblanadi.

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

Manba avval graph-ni yana taʼriflaydi:

\[ G=(V,E) \]

Mahalliy hazard contribution:

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

Qoʻshni hazard aggregation:

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

va:

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

Instantaneous coupled hazard:

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

Temporal memory qoʻshilganda:

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

\(\beta\) oʻtgan hazard state ning qanchalik saqlanishini boshqaradigan temporal persistence coefficient.

\(\beta=0\) boʻlsa, oldingi holat hisobga olinmaydi va yangi hazard faqat joriy coupled state ga teng boʻladi. \(\beta=1\) chegarasida esa tenglama oldingi state ni toʻliq olib oʻtadi va yangi instantaneous contribution taʼsirsiz qoladi. Bular tenglamaning matematik chegaralaridir.

Accident emergence probability:

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

Bu yerda:

• \(H_i(t)\): joriy yashirin xavf darajasi,
• \(\Delta H_i(t)=H_i(t)-H_i(t-1)\): xavfning oxirgi vaqt qadamida ortishi yoki kamayishi,
• \(H_{N(i)}(t)\): qoʻshni yoʻl birliklarining xavf konteksti,
• \(\gamma_1,\gamma_2,\gamma_3\): oʻrganiladigan koeffitsiyentlar,
• \(b\): bias,
• \(\sigma(\cdot)\): sigmoid activation.

Sigmoid funksiyaning vazifasi chiziqli kombinatsiyani ehtimolga oʻxshash chegaralangan chiqishga aylantirishdir. Model shu tariqa “xavf yuqorimi?” savoli bilan birga “xavf tez oshyaptimi?” va “yaqin tarmoq birliklari ham xavflimi?” savollaridan birgalikda foydalanadi.

Matritsa koʻrinishidagi manba zanjiri:

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

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

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

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

Vaqt bo‘yicha xavf nega faqat joriy qiymat emas?

Manbaning model gipotezasiga koʻra, hodisadan oldingi xavf congestion buildup, unstable speed transition, repeated interaction pressure, intersection conflict yoki corridor-level propagation kabi jarayonlar orqali vaqt davomida toʻplanadi.

Shu sababli \(\Delta H(t)\) muhim signal hisoblanadi. Ikki yoʻl birligida joriy \(H(t)\) bir xil boʻlsa ham, birida xavf tez oshayotgan, ikkinchisida esa barqaror qolayotgan boʻlishi mumkin. Model bu ikki holatni bir xil deb qabul qilmaslikni maqsad qiladi.

Tenglama (30)–(42): Chuqur oʻrganish architecture matematikasi

Kirish tenzori:

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

\(N\) spatial unit soni; \(d\) har bir birlik uchun hazard-aware feature dimension.

Graph:

\[ G=(V,E) \]

Spatial hazard encoding:

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

Bu tenglama ikki maʼlumot yoʻlini birlashtiradi: \(WX(t)\Theta_s^{(1)}\) qoʻshni graph taʼsirini; \(X(t)\Theta_s^{(2)}\) mahalliy xususiyatni olib boradi. \(\rho\) nonlinear activation function. Chiqish \(Z_s(t)\in\mathbb{R}^{N\times h}\) latent spatial hazard embedding hisoblanadi.

Temporal evolution:

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

\(\Psi\) manbadagi umumiy temporal operator ifodasidir; manba bu tuzilma GRU, LSTM, Transformer-style attention yoki boshqa sequential mexanizm sifatida qurilishi mumkinligini bildiradi. E1–E10 eksperimental ketma-ketligida GRU va keyin BiGRU ishlatilgan.

Manbaning tushuntiruvchi soddalashtirilgan memory ifodasi:

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

Hazard reconstruction:

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

Bu yerdagi \(\widehat{H}(t)\in\mathbb{R}^{N\times1}\) modelning barcha road segment/intersection birliklari boʻyicha yashirin xavf taqsimoti prognozidir.

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:

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

Manba keyin forward propagation zanjirini toʻrtta funksiya bilan umumlashtiradi:

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

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

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

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

Composite loss

Algorithm 3 da oʻqitish maqsadi quyidagi umumiy koʻrinishda beriladi:

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

\(L_{\mathrm{pred}}\) accident-emergence prediction error ni; \(L_{\mathrm{haz}}\) hazard-field consistency komponentini ifodalaydi. \(\lambda_1\) va \(\lambda_2\) ikki maqsad orasidagi vaznni boshqaradi.

Manba chegarasi: Tadqiqot Algorithm 3 da ushbu composite objective ni taʼriflaydi; biroq koʻrib chiqilgan matnda \(L_{\mathrm{haz}}\) ning toʻliq yopiq shakli va \(\lambda_1,\lambda_2\) ning ishlatilgan sonli qiymatlari alohida berilmagan. Shu sababli Verianla ularni taxmin qilib toʻldirmaydi.

E1–E10 tajriba dizayni

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

Tajriba uskunasi va dasturiy taʼminot

Barcha tajribalar MATLAB R2023a da Windows 11 Home 64-bit operatsion tizimi yordamida oʻtkazilgan. Uskuna 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 va 16 GB shared memory sifatida qayd etilgan.

Oʻqitish, validatsiya va test ajratilishi

Har bir maʼlumot toʻplami mustaqil ravishda:

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

va:

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

koʻrinishida ajratilgan.

70/30 nisbati:

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

Oʻqitish qismi oʻz ichida:

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

va:

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

tarzida ajratilgan. \(D_{\mathrm{fit}}\) parameter learning uchun; \(D_{\mathrm{val}}\) validation-loss monitoring, early stopping va checkpoint selection uchun ishlatilgan. Held-out \(D_{\mathrm{test}}\) oʻqitish, hyperparameter monitoring yoki model selection uchun ishlatilmasligi kerak.

Yetishmaydigan reproducibility tafsiloti: Manba ichki validation subset ning foiz ulushini va early-stopping patience \(P\) ning sonli qiymatini bu boʻlimda bermaydi.

Precision, Recall va F1 nimani oʻlchaydi?

Har bir \(c\) sinfi uchun precision:

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

TP — toʻgʻri musbat; FP — notoʻgʻri musbat natija. Precision yuqori boʻlsa, model “shu sinf” deb belgilagan namunalarning katta qismi haqiqatdan ham shu sinfga tegishli.

Recall:

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

FN model oʻtkazib yuborgan haqiqiy musbat namunadir. Recall yuqori boʻlsa, haqiqiy sinf namunalarining kattaroq qismi aniqlanadi.

F1:

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

F1 precision va recall oʻrtasida harmonic mean dan foydalanadi. Ulardan biri jiddiy darajada past boʻlsa, F1 ham pasayadi.

Macro-F1:

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

Har bir sinf teng vazn olgani sababli koʻpchilik sinfining katta namuna soni bilan butun metrikani egallab olishi kamayadi. Shu sababli manba Macro-F1 ni class imbalance mavjud transport xavfsizligi muammolarida asosiy metrika sifatida tanlaydi.

Validation loss orqali checkpoint tanlash

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

Tanlangan epoch:

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

Yakuniy parameter checkpoint:

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

Early stopping:

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

Yaʼni validation loss belgilangan patience muddati davomida yaxshilanmasa, oʻqitish toʻxtatilishi mumkin. Manba \(P\) ning sonli qiymatini bermaydi.

Final evaluation set:

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

Test toʻplamining class distribution i sunʼiy ravishda muvozanatlashtirilmagan; class imbalance taʼsiri macro precision, recall, F1, AUC, confusion matrix va precision–recall behavior orqali baholangan.

Tadqiqot Usuli va Natijalari

Manbada alohida taʼkidlangan E10 natijalari

Mustaqil Test-stage Jadval 10 natijalari

Talqin chegarasi: Manbada ushbu ikki samaradorlik qatlami oʻrtasida aniq hisobot nomuvofiqligi mavjud. Verianla held-out test natijasi sifatida Jadval 10 yorligʻini saqlaydi, lekin mualliflarning abstract/conclusion qiymatlarini ham inkor qilmaydi. Ikki toʻplam bir-birining oʻrniga qoʻyilmasligi kerak.

Test bosqichida E1 dan E10 gacha rivojlanish

Ushbu test jadvaliga koʻra E1 dan E10 gacha mutlaq F1 oʻsishi Dataset 1 uchun 8,43 foiz punkti, Dataset 2 uchun 8,58 foiz punkti. Manbaning muhokama matni ham ushbu ikki test-stage farqini shunday hisoblaydi.

Bunga qarshi, abstract va Table 11 manbada Training Stage qiymatlaridan foydalanib +7,91 va +8,26 foiz punkti oʻsishni bildiradi. Ushbu ikki hisob turli jadvallarga asoslangan.

Ablatsiya nimani koʻrsatadi?

Ablation mantiqining maqsadi yakuniy samaradorlik bitta “sehrli” moduldan kelganmi yoki bosqichma-bosqich qoʻshilgan komponentlardanmi, shuni tekshirishdir.

Yana bir muhim izoh: Ushbu Jadval 11 qiymatlari Jadval 9 Training Stage bilan bir xil samaradorlik ketma-ketligini kuzatadi. Test-stage Jadval 10 dagi mos F1 qiymatlari biroz pastroq.

Qaysi modul nima berdi?

Spatial encoder: Flat record yondashuviga road network connectivity ni qoʻshadi.

Temporal module: Bir xil nuqtadagi xavfning oʻtmishdan hozirgacha qanday rivojlanishini oʻrganadi. Manbada temporal-only modelning spatial-only modeldan biroz yuqori F1 berishi vaqt boʻyicha buildup maʼlumotining oʻzi kuchli predictive signal ekanini koʻrsatadi.

Spatial + temporal: Modelni faqat “qayerda?” yoki “qachon?” emas, balki “bogʻlangan tarmoqda vaqt oʻtishi bilan qayerda rivojlanmoqda?” savoliga yaqinlashtiradi.

Hazard reconstruction: Modelni toʻgʻridan-toʻgʻri classification embedding dan oldin explicit latent xavf maydoni qurishga majbur qiladi.

Risk diffusion: Yoʻl qismini atrofidan mutlaqo mustaqil deb qabul qilishni toʻxtatadi.

Escalation cue: Absolute hazard darajasidan alohida ravishda hazard ning oshish tezligini ifodalaydi.

Neighborhood context: Mahalliy xavf ajratilganmi yoki kengroq corridor-level risk tuzilmasining qismimi, shuni tushunishga yordam beradi.

BiGRU va memory: Uzunroq hazard evolution pattern larini modellashtirishga qaratilgan yakuniy temporal kuchaytirishdir.

Qatʼiy validatsiya nega zarur?

Spatio-temporal maʼlumotlarda tasodifiy train/test ajratish, ayniqsa yaqin vaqtlar yoki qoʻshni yoʻl hududlari har ikki guruhda ham qolsa, real dunyodagi umumlashtirishni haqiqatdagidan yaxshiroq koʻrsatishi mumkin. Shu sababli manba random split ga qoʻshimcha ravishda temporal, geographic va blocked spatio-temporal hold-out ni qoʻllaydi.

Blocked spatio-temporal validation vaqt va makon oʻxshashligini birgalikda cheklagani uchun eng qatʼiy test sifatida taʼriflanadi va har ikki maʼlumot toʻplamida eng past F1 shu yerda kuzatiladi. Samaradorlikning pasayishi random record split qiymatlari osonroq baholash sharoiti ekanini koʻrsatadi.

Biroq random split qatorlari Jadval 9 Training Stage qiymatlari bilan aynan bir xil boʻlishi manba ichidagi natija-yorliqlash nomuvofiqligi bu yerda ham davom etayotganini koʻrsatadi. Shu sababli yuqoridagi jadval manbada berilgan koʻrinishda keltirilgan; u Jadval 10 natijalarining oʻrniga qoʻyilmasligi kerak.

Hisoblash xarajati

E10 E1 ga nisbatan taxminan yetti baravar koʻp model parameter iga va yuqoriroq computation/memory xarajatiga ega. Manba shunga qaramay 9,6 ms inference qiymatini “practical inference cost” deb taʼriflaydi. Bu qiymat tadqiqotda qayd etilgan uskuna va implementation sharoitlariga tegishli; boshqa uskuna yoki real vaqt ishlab chiqarish tizimida ayni latency kafolatlanmaydi.

Manba rasmlari xavf maydoni vizual ravishda nimaga aylanishini koʻrsatadimi?

Manba preprocessing dan oldin hazard maʼlumotini tor, ajralgan va parchalangan high-intensity orollar sifatida koʻrsatadi. Preprocessing dan keyin ayni konseptual tuzilma kengroq, silliq va qoʻshni yoʻl hududlariga uzluksiz tarqaladigan hazard surface ga aylanadi.

Bu tasvirlardagi yuzalar tadqiqotning preprocessing mexanizmini tushuntiradi. Verianla ayni contour koordinatalari yoki rang intensivliklarini yangi eksperimental maʼlumot sifatida qayta yaratmagan; chunki manbada ularni qayta chizish uchun toʻliq underlying numerical grid berilmagan.

Manbada qayd etilgan ayrim vizual diagnostic natijalar

E1 baseline da Dataset 1 test AUC qiymati 0,938 va rare class larda zaifroq generalization kuzatiladi. Dataset 2 baseline da ayniqsa Multi-Injury va Fatal/Severe kabi kamroq uchraydigan sinflarni ajratish qiyinroq.

Manba E10 uchun Dataset 1 confusion matrix da normalized diagonal nisbatlarini Low %99,5, Moderate %94,9, Elevated %93,4 va Critical %94,3 deb beradi. Manba shuningdek calibration curve ideal calibration chizigʻiga katta qismda yaqin yurishini bildiradi. Bu qiymatlar manba Figure 24 ning diagnostic talqinidir va boshqa barcha maʼlumot toʻplamlarida ayni calibration xulqini kafolatlamaydi.

Tegishli tadqiqotlar bilan taqqoslash qanday oʻqilishi kerak?

Manba Jadval 15 Park va Hongning MLP yondashuvi, Macedo va hamkorlarining GEE modeli, Gou va hamkorlarining XTraffic benchmark lari, Huang va hamkorlarining TRAVEL yondashuvi, Wang va hamkorlarining RoadInTCP modeli, Yumak va hamkorlarining XGBoost/RF/MLP tadqiqoti, Li va Chenning CNN–LSTM–GNN modeli va Alnowaiserning GNN–LSTM–MLP yondashuvi kabi turli ishlarni joylashtiradi.

Biroq bu tadqiqotlar turli maʼlumot toʻplamlari, turli target taʼriflari, turli sample distributions va turli baholash protokollaridan foydalanadi. Masalan, bir ishda qayd etilgan %99,97 accuracy bilan CHFI ning %98–99 oraligʻidagi qiymatlarini faqat songa qarab “qaysi biri yaxshiroq?” deb tartiblash metodologik jihatdan toʻgʻri emas.

Manbaning asosiy novelty daʼvosi faqat eng yuqori accuracy emas. CHFI ning farqi discrete accident classification dan oldin topology-aware, temporally evolving va interpretable hidden hazard field yaratishidir.

Manbada tashqi-baseline taqqoslashida nima yetishmaydi?

Matn RF, XGBoost, MLP, LSTM/GRU va graph-based modellar kuchli tashqi benchmark oilalari ekanini taʼkidlaydi va ularning baholash dizaynidagi ahamiyatini muhokama qiladi. Shu bilan birga maqoladagi asosiy sonli natija jadvallari E1–E10 ichki arxitektura konfiguratsiyalarini beradi. Jadval 15 esa boshqa chop etilgan tadqiqotlarning oʻz natijalarini keltiradi.

Shu sababli alohida same-dataset, same-split RF/XGBoost/LSTM/GCN sonli benchmark jadvali manbada koʻrinmagani uchun Verianla bunday jadval yaratmaydi.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

• Flat MLP baseline dan topology-aware va temporal architecture ga oʻtish har ikki maʼlumot toʻplamida samaradorlikni oshirgan.
• Temporal-only tuzilma spatial-only tuzilmadan biroz yuqori F1 koʻrsatgan.
• Spatial va temporal modelni birgalikda ishlatish ularni alohida ishlatishdan yaxshiroq natija bergan.
• Explicit hazard reconstruction qoʻshilishi samaradorlikni yanada oshirgan.
• Risk-diffusion, hazard escalation va neighborhood context qoʻshilishi bosqichma-bosqich yaxshilanishni taʼminlagan.
• BiGRU va uzunroq temporal window soʻnggi bosqichlarda qoʻshimcha yaxshilanish bergan.
• Random split dan temporal, geographic va blocked spatio-temporal validation ga oʻtilganda samaradorlik pasaygan, biroq manbada yuqori qolgan.
• Model taxminan 1,26 million parameter va manba uskunasida 9,6 ms inference cost bilan qayd etilgan.
• Continuous hazard representation model hodisani prognozlashdan oldin talqin qilinadigan latent safety structure yaratishni maqsad qiladi.

Tadqiqot qoʻllab-quvvatlamaydigan umumlashtirishlar

• CHFI real vaqt shahar transport tizimida jonli tarzda tasdiqlangani koʻrsatilmagan.
• Model hodisalarni amalda oldini olishi yoki hodisalar sonini muayyan foizga kamaytirishi koʻrsatilmagan.
• Model chiqishi bevosita avtonom transport signalini boshqarish buyrugʻi emas.
• Ikki maʼlumot toʻplamidagi yuqori accuracy barcha shahar va mamlakatlarda ayni samaradorlik olinadi degani emas.
• Random split samaradorligi geographic yoki temporal generalization bilan bir xil emas.
• Hazard field fizik jihatdan bevosita oʻlchangan haqiqiy maydon emas; model tomonidan reconstructed latent representation.
• Hazard hotspot topilishi oʻzi sababiy hodisa mexanizmini isbotlamaydi.
• Jadval 15 dagi turli tadqiqotlar metrikalari bir xil test setida toʻgʻridan-toʻgʻri raqobatlashgan natijalar emas.
• Manbada sonli qiymati berilmagan \(\sigma_s\), \(\sigma_t\), \(\lambda_1\), \(\lambda_2\) va patience \(P\) qiymatlari nomaʼlum.
• Qisqa mazmun va xulosadagi samaradorlik sonlari mustaqil held-out test qiymatlari bilan toʻliq mos deb boʻlmaydi; manba Jadval 9 va Jadval 10 turli qiymatlarni beradi.

Tadqiqotning muhim cheklovlari va kelajakdagi tadqiqotlar

Manba alohida “Limitations” sarlavhasi ostida uzun cheklovlar roʻyxatini bermasa-da, xulosa boʻlimida kelajakda tekshirilishi kerak boʻlgan yoʻnalishlarni aniq koʻrsatadi.

Real vaqt: Model kelajakda real-time streaming environment ga kengaytirilishi kerak. Hozirgi tadqiqot buni jonli transport oqimida tasdiqlamagan.

Boyroq context: Signal timing, lane-level dynamics, multimodal mobility interaction va batafsilroq weather progression kelajakda modelda koʻrib chiqilishi mumkin.

Cross-city generalization: Koʻproq shahar, transport tarmogʻi va external benchmark dataset da baholash talab etiladi.

Uncertainty: Uncertainty-aware accident emergence modeling kelajakdagi tadqiqot mavzusidir; hozirgi natijalar toʻliq uncertainty quantification doirasini bermaydi.

Traffic-control integration: Transport boshqaruvi va intervention tizimlari bilan integratsiya kelajakdagi qoʻllash yoʻnalishidir.

Reproducibility: Manba koʻplab arxitektura hyperparameter larini beradi; biroq kernel bandwidth lari, composite loss vaznlari va early-stopping patience kabi ayrim qiymatlar sonli ravishda yetishmaydi.

Reporting consistency: Training Stage, Test Stage, abstract/conclusion va robustness jadvallaridagi final performance qiymatlari bir xil emas. Bu natijalar qaysi evaluation layer ga tegishli ekanini ehtiyotkorlik bilan kuzatishni talab qiladi.

Amalda model qanday ishlatilishi koʻzda tutilgan?

1. Yangi transport, incident, yoʻl, vaqt va contextual maʼlumot olinadi.
2. Kuzatuvlar transport graph idagi toʻgʻri road segment/intersection birligiga moslashtiriladi.
3. Maʼlumotlar overlapping temporal windows ichiga olinadi.
4. Risk-diffusion orqali qoʻshni tarmoq taʼsirlari feature space ga koʻchiriladi.
5. Hazard-sensitive normalization qoʻllanadi.
6. Sparse hodisalardan initial continuous hazard surface yaratiladi.
7. GCN spatial hazard munosabatlarini oʻrganadi.
8. GRU/BiGRU hazard ning vaqt boʻyicha buildup va persistence tuzilmasini oʻrganadi.
9. Model continuous latent hazard field \(\widehat{H}(t)\) hosil qiladi.
10. \(\Delta\widehat{H}(t)\) orqali hazard escalation hisoblanadi.
11. \(W\widehat{H}(t)\) orqali neighborhood context olinadi.
12. Prediction head ushbu maʼlumotlarni localized accident-emergence probability ga aylantiradi.
13. Chiqishlar hazard map, risk zone, hotspot va safety inspection/early-warning qarorlarini qoʻllab-quvvatlash uchun talqin qilinishi mumkin.

Ilmiy maʼnosi

Tadqiqotning asosiy konseptual hissasi hodisani shunchaki prognoz qilinadigan natijadan chiqarib, kuzatilmaydigan, ammo model tomonidan reconstruct qilinadigan “oldingi xavf holati”ning natijasi sifatida koʻrishdir.

Bu nuqtayi nazarda model faqat “qaysi qayd hodisa?” degan savolga emas, balki “qaysi bogʻlangan yoʻl qismlarida xavf toʻplanmoqda, qayerdan tarqalmoqda, vaqt oʻtishi bilan kuchayayaptimi va qaysi lokal birlik kritik holatga yaqinlashmoqda?” savollariga javob berishni maqsad qiladi.

Biroq bu xavf maydoni bevosita jismoniy sensor bilan oʻlchangan “haqiqiy xavf moddasi” emas. U oʻrganilgan latent mathematical representation dir. Bu farq model chiqishini talqin qilish uchun kritikdir.

Manba va Usul Haqida Izoh

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

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

Corresponding authors: Nawal Louzi va Mahmoud AlJamal.

Teng hissa / teng birinchi mualliflik: Manbada teng hissa belgisi qayd etilmagan.

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

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

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

Jurnal: Urban Science.

Nashriyot: MDPI, Basel, Switzerland.

Jild / son / maqola: Volume 10, Issue 6, Article 300.

DOI: 10.3390/urbansci10060300.

Topshirilgan: 5 Aprel 2026.

Qayta koʻrib chiqilgan: 10 May 2026.

Qabul qilingan: 22 May 2026.

Nashr: 27 May 2026.

Manba turi: Article; real dunyo transport xavfsizligi maʼlumot toʻplamlarida topology-aware spatio-temporal deep learning va continuous hazard-field modellashtirishni ishlab chiqadigan hisoblash tadqiqoti.

Taqriz holati: Urban Science taqrizli jurnalida chop etilgan Version of Record.

Preprint: Manbada alohida preprint maʼlumoti yoʻq; maqsadli tekshiruvda ham shu sarlavha uchun alohida preprint topilmagan.

Litsenziya: Creative Commons Attribution (CC BY).

Asosiy model: Continuous Hazard Field Intelligence Framework — CHFI.

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

Dataset 2: Motor Vehicle Collisions–Crashes Dataset, 2.026.647 qayd, 29 hujjatlashtirilgan feature.

Asosiy maʼlumot boʻlinishi: %70 training / %30 held-out testing. Training boʻlimida alohida validation subset ishlatilgan; exact validation ulushi manbada qayd etilmagan.

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; shuningdek confusion matrix, ROC va precision–recall diagnostic baholashlari.

Qoʻshimcha robust validation: Stratified random split, temporal hold-out, geographic hold-out va blocked spatio-temporal validation.

Qoʻllash muhiti: MATLAB R2023a; Windows 11 Home 64-bit.

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

Final model complexity: Manba Jadval 12 ga koʻra taxminan 1,26 million parameter, 36,8 s training time/epoch, 9,6 ms inference, 412 MB peak memory va 73,8 M FLOPs.

Moliyalashtirish: Tadqiqot Al-Ahliyya University, Amman, Jordan tomonidan qoʻllab-quvvatlangan va moliyalashtirilgan deb qayd etilgan.

Institutional Review Board: Qoʻllanilmaydi.

Informed Consent: Qoʻllanilmaydi.

Maʼlumotlar mavjudligi: Mualliflar ishlatilgan maʼlumot toʻplamlari ommaga ochiq onlayn manbalardan olinganini; derived processing scripts, feature-engineering procedures va implementation details reasonable request asosida corresponding author tomonidan taqdim etilishi mumkinligini bildiradi.

Maʼlumotlarga kirish bo‘yicha manba izohi: XTraffic Dataset adabiyotlar roʻyxati [21] da Kaggle qaydi sifatida koʻrsatilgan. Motor Vehicle Collisions–Crashes esa adabiyotlar roʻyxati [22] da TUSH32 Kaggle qaydi sifatida berilgan. Data Availability boʻlimi oxirida keltirilgan 10.1016/j.aap.2024.107564 DOI adabiyotlar roʻyxati [11] dagi Cui va hamkorlarining maqolasiga mos kelgani uchun Dataset 2 ombori sifatida talqin qilinmagan.

Muallif hissalari: 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.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bildiradi.

Muhim hisobot nomuvofiqligi: Abstract, xulosa, Jadval 9 va ayrim keyingi umumlashtiruvchi jadvallar final CHFI uchun Dataset 1 da %99,12 accuracy / %98,85 F1 va Dataset 2 da %98,63 accuracy / %98,28 F1 bersa, aniq “Test-stage” deb belgilangan Jadval 10 E10 qiymatlari Dataset 1 da %98,84 accuracy / %98,49 F1 va Dataset 2 da %98,07 accuracy / %97,72 F1 sifatida qayd etilgan. Verianla bu farqni yashirincha tuzatmagan.

Ablatsiya hisobot izohi: Jadval 11 dagi F1 ketma-ketligi Jadval 9 Training Stage natijalari bilan mos keladi; test-stage qiymatlari uchun Jadval 10 alohida baholanishi kerak.

External baseline izohi: Manba kuchli benchmark oilalari sifatida RF, XGBoost, MLP, LSTM/GRU va graph-based modellarni muhokama qiladi; biroq maqoladagi batafsil sonli E1–E10 jadvallari asosan CHFI ning ichki konfiguratsiyalaridir. Jadval 15 dagi boshqa tadqiqotlarga oid natijalar bir xil maʼlumot toʻplamida bevosita head-to-head taqqoslash emas.

Yetishmaydigan reproducibility parametrlari: Spatial bandwidth \(\sigma_s\), temporal bandwidth \(\sigma_t\), composite loss vaznlari \(\lambda_1,\lambda_2\), exact internal validation fraction va early-stopping patience \(P\) uchun sonli qiymatlar manbada aniq qayd etilmagan.

Asosiy talqin chegarasi: Tadqiqot ikkita yirik mavjud maʼlumot toʻplamida nazorat qilinadigan computational evaluation oʻtkazadi. Real-time jonli shahar joylashtiruvi, haqiqiy transport aralashuvi, hodisalar sonida prospektiv kamayish yoki turli shaharlarda keng koʻlamli dala validatsiyasi amalga oshirilmagan.