HERMES：基於異構圖邊關係與SSM多頭注意力的信號交叉口交通衝突預測模型

近日，一篇發表在arXiv上的研究論文（arXiv:2607.20505）提出了一種名為HERMES的新型交通衝突預測模型，旨在解決信號交叉口場景下多智能體交互的異構性與動態風險評估的挑戰。該模型由馬里蘭大學巴爾的摩分校（University of Maryland, Baltimore County）的研究人員開發，將交通衝突評估形式化為時序異構圖分類問題。

HERMES的核心創新在於構建了一種異構邊關係圖神經網絡，並融合了基於狀態空間模型（SSM）的多頭注意力機制。在該框架中，車輛和行人被建模為異構節點，而車輛-車輛、車輛-行人以及行人-行人之間的交互則通過關係特定的邊來編碼，每條邊都包含連續的動力學與代理安全描述符。模型通過關係特定注意力、動態節點-邊更新、安全感知圖池化以及時序序列學習，聯合估計場景級的衝突概率。這種設計保留了異構交互的拓撲結構和安全相關的邊語義，同時捕捉了短期的時序演化信息。

研究團隊利用從城市信號交叉口採集的109,028條軌跡衍生序列對HERMES進行了評估，並在一個獨立收集的類似交叉口數據集上進行了測試。改進後的HERMES模型在接收者操作特徵曲線下面積（AUC-ROC）達到0.9898±0.0013，精確率-召回率曲線下面積（AUC-PR）為0.9412±0.0067，F1得分為0.8449±0.0103。在5%的誤報率下，模型成功檢測出了95.7%的衝突序列，性能超越了最強的Transformer基線模型和XGBoost。這些結果表明，HERMES在準確性和魯棒性方面具有顯著優勢。

在零樣本外部評估中，HERMES仍然取得了AUC-ROC 0.9752和AUC-PR 0.7829的成績，證明了其強大的泛化能力。當結合源域和目標域數據進行聯合訓練時，即使在目標站點數據有限的情況下，模型也能顯著提升性能。這一特性使得HERMES能夠適應不同交叉口的交通模式，支持可遷移的道路安全監測。

總的來説，HERMES通過保留異構交互拓撲結構、融入安全感知的邊語義以及短時時序演化信息，有效提升了場景級衝突分類的準確性，為信號交叉口的主動交通安全評估提供了強有力的工具。該研究不僅推動了圖神經網絡在交通安全領域的應用，也為未來的智能交通系統提供了新的思路。