想象一下，你正从高处的窗户俯瞰一个繁忙的城市路口。汽车在疾驰、转弯和停顿，行人则在人行横道上穿梭。对于计算机而言，这不仅仅是一片混乱，而是一个巨大的、移动着的拼图，其中的每一个碎片（一辆车或一个人）都在不断地改变主意并对周围的邻居做出反应。几十年来，交通安全专家一直试图预测这些碎片何时会发生碰撞。他们过去总是等待真正的碰撞发生后，再去研究残骸，但这就像是等着房子烧毁了才去学习防火知识一样。相反，他们开始关注“险些碰撞”（near-misses）——即那些汽车在距离行人仅几英寸处紧急刹车，令人心惊胆战的时刻。这些被称为“代理安全指标”（surrogate safety measures）。可以将它们视为交通世界的“险些碰撞”探测器。

然而，大多数传统的计算机程序只观察这些险些碰撞中的一对对关系，就像是在检查汽车 A 是否离汽车 B 太近，然后再检查汽车 C 是否离行人 D 太近，却忽略了汽车 A 的突然停止可能会导致汽车 B 转向，进而惊吓到行人 D。这就像是试图通过一次只观察两名舞者来理解一场复杂的舞蹈。这篇论文介绍了一种更聪明的方法，可以同时观察整个舞池。它不将路口视为一系列独立的配对，而是将其视为一个活生生的、相互连接的网络，其中每一个动作都会在人群中引起连锁反应。目标既简单又至关重要：建立一个能够系统地在危险演变成悲剧之前识别出危险情况的系统，同时又不会在有人仅仅因为红灯而减速时就发出“虚假警报”。

新型的“交通侦探”：HERMES

欢迎来到 HERMES，这是一个专门为预测信号控制路口交通冲突而设计的全新类型计算机大脑。研究人员 Md Monzurul Islam 和 Subasish Das 来自德克萨斯州立大学，他们构建这个系统是为了解决旧模型的“扁平化”问题。想象一下，如果你试图通过分别列出每种乐器的音量来描述一场交响乐，你会错过其中的和谐与混沌。旧模型处理交通的方式正是如此，它们将场景简化为一个枯燥的数字列表。而 HERMES 则不然，它将路口视为一个异质图（heterogeneous graph）。

用通俗的话说，这里的“图”只是一个连接图谱。HERMES 绘制了一张地图，其中汽车和行人是点（节点），而他们的相互作用是连接它们的线（边）。但它不仅仅是任何一张地图；它是一张异质地图，这意味着它知道汽车与另一辆车的对话、汽车与人的对话，以及人与人之间的对话是有区别的。它会对这些关系进行不同的处理，就像你会把与好朋友的谈话与与陌生人的聊天区别对待一样。

HERMES 真正特别之处在于它如何使用“代理安全指标”（SSMs）。这些是基于物理学的线索，例如碰撞时间（如果不移动，还有多少秒会发生碰撞）和 DRAC（为了避免碰撞，某人需要多大力度进行刹车）。HERMES 并没有只是将这些数字附加在列表末尾，而是将它们直接融入到点与点之间的连接中。这就像是赋予了计算机一种超能力：它不仅看到两辆车靠得很近，它还看到它们正快速向彼此驶来，并且它知道这种特定的组合是危险的。

它是如何工作的：神奇的网络

HERMES 像剥洋葱或堆叠积木一样分层工作。

1. 图层（The Graph Layer）： 它观察路口的快照并构建一个连接网络。它会额外关注那些具有高制动需求（高 DRAC）的“边”（点之间的线）。如果一辆车必须紧急刹车，HERMES 会立即标出该连接。
2. 注意力层（The Attention Layer）： 这是“多头”部分。想象 HERMES 拥有几副眼镜，每副眼镜都通过不同的镜头观察场景。一副可能专注于速度，另一副专注于方向，还有一副专注于大家之间的距离。它结合所有这些视角，以决定哪些交互是最关键的。
3. 时间层（The Time Layer）： 交通不是一张冻结的照片；它是一部电影。HERMES 会观察这些图随时间变化的序列（具体来说是连续的 8 帧）。它使用一个记忆系统（称为 LSTM）来记住情况是如何演变的。车辆是靠得更近了？行人是否迈出了脚步？通过观看故事的发展过程，它可以在结局发生前进行预测。

结果：接近完美的得分

研究人员使用来自德克萨斯州圣马科斯一个繁忙路口的超过 109,000 个交通数据序列对 HERMES 进行了测试。他们将其与一整组其他的“侦探”进行了对比，包括传统的统计模型（如 XGBoost）和现代深度学习模型（如 Transformers）。

结果令人印象深刻。HERMES 不仅仅是赢了，它简直是统治了比赛。

• 准确率： 它获得了一个名为 AUC-ROC 的分数，分数为 0.9898。在预测模型的世界里，1.0 是完美的，而 0.5 就像是靠抛硬币来猜测。HERMES 非常接近完美。
• “虚假警报”测试： 这是对于实际应用最重要的部分。如果安全系统在汽车减速时就大喊“撞车了！”，那么没人会理会它。研究人员测试了模型在保持极低虚假警报率（具体而言，仅有 5% 的安全情况被错误标记）的同时，识别真实危险的能力。
  • 最优秀的先前模型（Transformer）在此低虚假警报率下捕捉到了大约 81% 的真实冲突。
  • HERMES 捕捉到了 95.7% 的冲突。
  • 这意味着 HERMES 找到了几乎所有的危险情况，同时几乎没有发出虚假警报。

他们还测试了 HERMES 是否能在不同的城市工作。他们将这个在德克萨斯州训练的模型直接放入密歇根州科尔德沃特的（Coldwater）一个路口，且没有针对新数据进行重新训练。这被称为“零样本迁移”（zero-shot transfer）。即使没有见过这座新城市，HERMES 的表现依然非常出色，在 5% 的虚假警报率下捕捉到了 91.45% 的冲突。当他们给予它仅一点点来自新城市的数据（仅 20% 的训练片段）时，它的性能进一步跃升，捕捉到了接近 98.7% 的冲突。

它不是什么（以及它排除了什么）

了解 HERMES 不 做什么也很重要。论文明确反对了这样一种观点，即你可以仅仅通过孤立地观察一对道路使用者（如汽车和行人）来理解风险。这项研究表明，单独观察交互或将场景扁平化为简单的数字列表，会错过导致事故的复杂因果网络。

论文还排除了这样一种想法，即你需要从每一个新地点获取海量的新数据才能让系统工作。虽然加入一点本地数据会有所帮助，但该系统足够鲁棒，只需通过学习另一个相似地点即可在新的地点表现良好。

核心结论

这篇论文表明，交通安全的未来不仅仅在于更好的摄像头或更快的计算机，而在于更好的理解。通过将交通视为一个相互关联的关系网络，而非一系列孤立事件，HERMES 能够比以往任何时候都更早、更准确地预见危险。这是迈向一个更安全路口的重要一步——不是因为我们等待碰撞发生，而是因为我们可以在问题造成伤害之前，通过识别那些“险些碰撞”来解决问题。作者总结道，这种方法为构建足够智能、能分辨出“惊险瞬间”与“真实碰撞”的道路安全监测系统奠定了坚实的基础。