摘要
传感器技术和人工智能的迅速发展为提升交通安全创造了新的机遇。行车记录仪（dashcams）已广泛应用于人类驾驶车辆和自动驾驶车辆中。一种能够从行车记录仪视频中准确且及时预测事故的计算智能模型将增强对事故预防的准备能力。交通参与者之间的时空交互非常复杂，未来事故的视觉线索深深嵌入在行车记录仪视频数据中。因此，早期预测交通事故仍然是一个挑战。受人类在视觉感知事故风险时注意力行为的启发，本文提出了一种用于从行车记录仪视频中进行早期事故预测的动态时空注意力（DSTA）网络。DSTA网络通过动态时间注意力（DTA）模块学习选择视频序列中的判别性时间片段，并通过动态空间注意力（DSA）模块学习关注帧中的信息丰富区域。门控循环单元（GRU）与注意力模块联合训练，以预测未来事故的概率。DSTA网络在两个基准数据集上的评估结果表明，其性能已超过现有最佳水平。通过对DSTA网络进行详细的消融研究，评估了其各组件的表现，揭示了该网络如何实现如此高的性能。此外，本文还提出了一种融合两种互补模型预测分数的方法，并验证了其在进一步提高早期事故预测性能方面的有效性。