Bluesky课题组完成的“A Generative Deep Learning Approach for Highway Crash Severity Modeling with Imbalanced data”论文获评第四届高速公路和收费公路运营国际研讨会颁发的最佳学生论文奖(共设三名)，第一作者为Bluesky课题组陈俊兰博士生，指导老师为东南大学过秀成教授和蒲自源教授、澳大利亚蒙纳士大学郑楠教授。
会议介绍
第四届高速公路和收费公路运营国际研讨会(ISFO) 于2023年6月26日至30日在奥地利维也纳举办。本次国际研讨会由美国交通运输研究委员会委员会（Transportation Research Board Committees and Council）和美国土木工程师协会（American Society of Civil Engineers）等联合举办。来自世界各地400多名交通专家和行业领袖汇聚一堂，旨在为运营商、管理者、交通工程师、从业者和研究人员提供一个交流与合作的平台，促进未来交通管理和交通学科的发展。
论文摘要
虽然数字化交通基础设施的日渐完善，但是交通建模所需要的关键场景数据（如严重冲突或事故等特殊事件等）往往难以采集或者获取，存在小样本问题（样本量较小或者相对较小），交通安全模型高度依赖历史数据的数量来获取信息从而进行回归分析和预测等任务，小样本问题会导致关键场景未被识别、致因分析产生偏差、建模过拟合和参数估计不准确等问题。因此本论文聚焦于解决小样本问题，基于生成式人工智能进行交通严重事故的数据增强，对于进行准确的安全预警、捕捉严重事故关键影响因素以提升驾驶安全水平。不同于传统的采样方法，通过在原始数据集中进行简单的过采样（复制少数类样本）、欠采样（删除主要类样本）或随机采样（从原始数据集中随机选择样本）来改变数据分布，可能会导致数据的多样性降低，生成式数据增强的基本思想是利用生成式人工智能学习数据的潜在分布，然后利用学习到的分布生成与原始数据类似但又不完全相同的新数据，增加了样本的多样性，因此如何利用生成式人工智能进行小样本安全交通场景数据增强来降低模型对于原始数据的依赖性，是提升事故风险分析模型性能的关键。为了解决这些挑战，本论文提出了一种基于生成对抗网络的深度生成模型，用于生成合成的事故样本和模拟事故严重程度数据。所提出的方法采用独热向量和变分高斯混合模型的组合，以有效处理离散和连续风险因素。为了评估所提出的生成方法的性能，进行了实验证实其分类准确性和解释一致性。
采访报道
主办方采访报道网址： https://tm20.org/meet-the-winners-of-the-tm-2-0-student-paper-awards-at-isfo-2023-junlan-chen/。
（责任编辑：陈俊兰 审核：张一鸣）