近日，一篇发表在arXiv上的研究论文（arXiv:2607.20505）提出了一种名为HERMES的新型交通冲突预测模型，旨在解决信号交叉口场景下多智能体交互的异构性与动态风险评估的挑战。该模型由马里兰大学巴尔的摩分校（University of Maryland, Baltimore County）的研究人员开发，将交通冲突评估形式化为时序异构图分类问题。
HERMES的核心创新在于构建了一种异构边关系图神经网络，并融合了基于状态空间模型（SSM）的多头注意力机制。在该框架中，车辆和行人被建模为异构节点，而车辆-车辆、车辆-行人以及行人-行人之间的交互则通过关系特定的边来编码，每条边都包含连续的动力学与代理安全描述符。模型通过关系特定注意力、动态节点-边更新、安全感知图池化以及时序序列学习，联合估计场景级的冲突概率。这种设计保留了异构交互的拓扑结构和安全相关的边语义，同时捕捉了短期的时序演化信息。
研究团队利用从城市信号交叉口采集的109,028条轨迹衍生序列对HERMES进行了评估，并在一个独立收集的类似交叉口数据集上进行了测试。改进后的HERMES模型在接收者操作特征曲线下面积（AUC-ROC）达到0.9898±0.0013，精确率-召回率曲线下面积（AUC-PR）为0.9412±0.0067，F1得分为0.8449±0.0103。在5%的误报率下，模型成功检测出了95.7%的冲突序列，性能超越了最强的Transformer基线模型和XGBoost。这些结果表明，HERMES在准确性和鲁棒性方面具有显著优势。
在零样本外部评估中，HERMES仍然取得了AUC-ROC 0.9752和AUC-PR 0.7829的成绩，证明了其强大的泛化能力。当结合源域和目标域数据进行联合训练时，即使在目标站点数据有限的情况下，模型也能显著提升性能。这一特性使得HERMES能够适应不同交叉口的交通模式，支持可迁移的道路安全监测。
总的来说，HERMES通过保留异构交互拓扑结构、融入安全感知的边语义以及短时时序演化信息，有效提升了场景级冲突分类的准确性，为信号交叉口的主动交通安全评估提供了强有力的工具。该研究不仅推动了图神经网络在交通安全领域的应用，也为未来的智能交通系统提供了新的思路。