الملخص تستمر حوادث المرور لتكون قضية حقيقية عالمية، حيث تتسبب في معاناة بشرية كبيرة وتكاليف اقتصادية هائلة. في السنوات الأخيرة، برزت نمذجة التنبؤ كاتجاه واعد لتقليل هذه المخاطر من خلال توقع الحوادث وتحديد العوامل المساهمة الرئيسية. تلخص هذه المراجعة أربعة دراسات بارزة في هذا المجال: نموذج التعلم المتعدد الرسوم البيانية القابل للتفسير في الزمان والمكان (ASTMGCN)، استخدام CatBoost وBERT لتصنيف نوع الحادث، تجميع Random Forest-CNN (RFCNN) لتوقع الشدة، ونموذج CNN-BiLSTM-Attention المحسن بـ DeepSHAP لتقييم المخاطر. تتم مقارنة هذه الاقترحات من حيث المنهجية ومجموعات البيانات وتصميم الميزات وقابلية التفسير. تشير النتائج إلى أن النماذج الهجينة والنماذج المستندة إلى الانتباه تتفوق عمومًا على الطرق التقليدية، في حين أن أدوات التفسير مثل التصورات الانتباهية وقيم SHAP تعزز بشكل كبير من الثقة وقابلية التطبيق في أنظمة النقل الذكية (ITS). الكلمات المفتاحية :- التقدم في أنظمة النقل الذكية (ITS)، تعلم الآلة (ML) والتعلم العميق (DL).
درس Sahu وآخرون (الثلاثاء) هذا السؤال.