A predição de acidentes de trânsito é um desafio fundamental na segurança viária, sendo necessário identificar com precisão trechos de alto risco a partir de diferentes fontes de dados. Embora as redes neurais gráficas (GNNs) simulem bem a topologia da rede viária, elas ignoram as pistas visuais e ambientais das condições físicas da estrada. Este artigo aborda essa lacuna propondo uma Rede de Raciocínio Geométrico Sequencial (SGR-Net), uma estrutura de aprendizado profundo para predição multimodal de acidentes. Ao contrário de abordagens anteriores baseadas em GNN, a SGR-Net introduz um módulo de Fusão Atenta Geometria–Estado (GSAF) — sua principal novidade — que integra dinamicamente características visuais de imagens de satélite com contextos estruturais gráficos. A estrutura também inclui um objetivo de treinamento consciente da estabilidade e meta-aprendizado para generalização entre regiões. Avaliamos em um conjunto de dados em larga escala cobrindo seis estados dos EUA com mais de nove milhões de acidentes e um milhão de imagens de satélite. A SGR-Net alcança resultados fortes, com AUROC de até 96,8% e MAE tão baixo quanto 0,08 em Delaware. As ablações confirmam que o módulo GSAF é essencial: removê-lo reduz o AUROC em 2,7% e aumenta o MAE em mais de 40%. A estrutura estabelece um novo estado da arte para predição multimodal de acidentes de trânsito.
Jin et al. (Fri,) estudaram esta questão.