Transport Research >

2024 , Vol. 10 >Issue 3: 20 - 28

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.03.003

Theory & Method

Text Information Extraction of Traffic Accident Disposal Process Based on RoBERTa-BiGRU-CRF

  • CHEN Jiaona , 1 ,
  • ZHANG Jing 1 ,
  • JIN Yinli 2 ,
  • WANG Peng 1
Expand
  • 1 School of Electronic Engineering, Xi′an Shiyou University, Xi′an 710065, China
  • 2 School of Electronics and Control Engineering, Chang′an University, Xi′an 710061, China

Received date: 2024-04-29

  Online published: 2024-09-09

Fold

Abstract

To address the existing issue of insufficient extraction in recognizing traffic accident emergency information and improve the accuracy of emergency processing knowledge extraction, a method for extracting the traffic accident process based on pre-training model and hybrid deep learning networks was proposed aiming at the complexity of natural language description of traffic accident text information. Firstly, the disposal process entities of traffic accidents were defined from five aspects such as accident characteristic, disposal agency, disposal measures, disposal effects, and task prediction, and these entity types were marked using BIO notation. Then, the word vectors generated by the RoBERTa pre-trained model were used as input, the BiGRU model was used for feature extraction, and the CRF model was used for conditional constraints to obtain the final entity type. Furthermore, time-series fusion was used to the traffic accident handling process extraction results obtained from RoBERTa-BiGRU-CRF combined model, and the extracted results were stored and visualized using a graph database. Finally, using the text information of highway traffic accidents in Shaanxi Province as a sample data set, the performance of different pre-trained models and deep learning networks were compared, the effectiveness of the RoBERTa-BiGRU-CRF model was demonstrated through ablation experiments and validated through an example of one traffic accident. The results demonstrated that the RoBERTa-BiGRU-CRF combined model yielded superior extraction results with the F1 value of 99.77%. Research has shown that the proposed method can effectively extract key elements of the emergency response process for traffic accidents from textual information, achieve visual presentation of the results of emergency response process extraction, and provide reference for emergency response decision-making.

Key words： traffic safety; traffic accident; entity extraction; pre-trained model; deep learning; time-series fusion

Cite this article

CHEN Jiaona , ZHANG Jing , JIN Yinli , WANG Peng . Text Information Extraction of Traffic Accident Disposal Process Based on RoBERTa-BiGRU-CRF[J]. Transport Research, 2024 , 10(3) : 20 -28 . DOI: 10.16503/j.cnki.2095-9931.2024.03.003

0 引言

交通事故应急处置效率是提高道路交通服务水平的关键，一直都是交通安全领域关注的重点。交通事故具有偶发性和复杂性，难以被结构化属性表示，通常采用自然语言描述事故演化或处置进度。信息抽取指在非结构化文本中提取特定描述信息并以结构化方式进行表示[1]。交通事故文本信息蕴含丰富的业务经验，包含事故发生、响应、处置和恢复各个阶段的信息[2]，对应急处置决策具有较大的参考价值。因此，如何从非结构化的交通事故文本信息中抽取关键信息、挖掘处置经验，成为目前亟待解决的问题。
针对事故文本信息抽取的既有研究主要分为两类：一是基于规则或基于统计方法；二是基于预训练语言模型的命名实体识别。基于规则的方法一般通过构建词典库以实现信息抽取[3]，能弥补人工分析存在的不足。然而，这类方法在处理语义复杂多变的信息抽取任务时精确度波动较大，鲁棒性较差[4]。预训练语言模型是一种基于大量无标注文本数据进行预训练的深度学习模型。基于预训练语言模型的命名实体识别可以捕捉文本数据的语法和语义特征[5-6]。部分学者利用预训练语言模型开展了事故文本分析[7-8]。宋敦江等[9]提出了基于BERT（Bidirectional Encoder Representation from Transformers）的灾害三元组信息抽取方法，能从新闻报道等文本中提取地质灾害种类、发生地点、发生时间等关键信息。刘婷等[10]采用包含8种事故原因的水利事故混合数据集，构建了BERT和BiLSTM（Bidirectional Long Short Term Memory）混合模型对水利事故报告进行分类，F1 值达到了87%。张鹏翔等[11]改进了BiLSTM-CRF（Conditional Random Field）模型以实现铁路设备事故命名实体识别，抽取时间、地点、线路、车型车号等信息，F1 值约为94%。王明达等[12]以1 971篇城镇燃气事故调查报告为数据集，建立了BiLSTM-CRF与强化学习相结合的燃气事故命名实体识别模型，F1 值为84.28%。刘斐等[13]利用BERT-BiLSTM-CRF模型对电力领域事故文本进行8个事故类别的判定，该模型F1 值达97%。这些研究成果聚焦于事实性或结果性的事故属性信息，对时间、地点、事故类型、原因的识别取得了较好的效果。
在交通事故文本挖掘方面，部分学者利用文本信息在事故持续时间预测方面进行了探索[14-15]。如，樊海玮等[16]建立了基于BERT和BiGRU-CRF的交通事故文本信息提取模型，F1 值为92.5%；李昀轩等[17]采用迁移学习实现交通警情文本的时间、地址和车牌信息识别，警情类型与警情严重程度以及救援情况识别准确率分别为93%和87%。但是，由于目前大多数交通事故文本数据集缺乏完整详尽的处置过程描述，导致现阶段交通事故文本信息抽取侧重于事故属性信息的识别。实际上，交通事故处置流程抽取是应急处置经验知识抽取的关键环节，对事故演化预测和应急决策具有重要作用。因此，有必要考虑文本信息时序性，从杂乱冗余的交通事故文本信息中自动抽取应急处置过程信息，以提炼交通事故演化发展脉络和应急处置进程。
鉴于此，本文以多阶段报送的交通事故文本记录为数据来源，提出了一种交通事故应急处置流程抽取方法。首先，通过融合预训练语言模型和深度学习网络进行交通事故命名实体识别。然后，对抽取的应急处置流程信息进行时序融合。最后，利用图数据库实现知识存储和可视化表征[18]，旨在揭示应急处置流程中处置机构、处置措施、处置效果的演化路径，为交通事故应急处置决策提供支撑。

1 数据来源

本文以陕西省高速公路综合监控系统中2022年1月—2023年6月交通事故记录为数据来源，数据集中以自然语言描述记录了每次交通事故报送的文本信息。文本信息中蕴含了难以被结构化字段描述的处置过程信息，涵盖发现、响应、处置和恢复各个阶段的处置状态描述。对原始数据中错误、重复等异常数据进行清洗，获得5 695条交通事故记录，共计有效文本数据30 020条。对每条样本的字符长度进行统计性描述，结果如表1所示。样本数据集的文本长度分布情况如图1所示。可见，文本长度在[2,512]字符范围的样本占99.81%。
表1 样本的统计性描述
指标 最大
值		 最小
值		 平均
值		 标准
差		 中位
数		 峰度 偏度
文本长度
/字符		 838 2 79.67 65.615 66 14.651 2.856
图1 文本长度分布直方图
以某起交通事故为例，该事故进行了4次报送，脱密处理后样本数据示例如表2所示。
表2 某起交通事故记录文本信息
报送次数序号 文本信息
1 **分公司，往**方向，***收费站至***收费站之间K***+600米处，一辆重型牵引半挂车发生交通事故（单方事故—碰撞），车辆碰撞至单幅双向变道护栏处，事故占用第二车道，施工占用第三车道和应急车道，安全路产巡查人员已到达现场
2 **分公司，往**方向，***收费站至***收费站之间K***+600米处，一辆重型牵引半挂车发生交通事故（单方事故—碰撞），车辆碰撞至单幅双向变道护栏处，事故占用第二车道，施工占用第三车道和应急车道，安全路产巡查人员已到达现场。事故正在处理中，因救援难度较大，现场拖车故障，需重新调度救援车辆，预计需要2小时处理完毕
3 **分公司，往**方向，***收费站至***收费站之间K***+600米处，一辆重型牵引半挂车发生交通事故（单方事故—碰撞），车辆碰撞至单幅双向变道护栏处，事故占用第二车道，施工占用第三车道和应急车道，新调度救援车辆已到达现场，**高交中队在**方向K***+900处临时交通管制，预计30分钟处理完毕
4 **分公司，往**方向，***收费站至***收费站之间K***+600米处事故处理完毕，道路恢复正常通行
对样本数据进行分词、去停用词等预处理，绘制词云图如图2 所示，图中字的大小与该词频数成正比。预处理后根据词性统计可知，形容词、名词、副词、动词的占比依次为0.40%、2.00%、1.07%和18.36%。可见，文本信息中蕴含丰富的应急处置信息描述，能确保应急处置流程的信息抽取。
图2 某起交通事故记录文本信息词云图

2 基于文本信息的交通事故处置流程抽取模型

基于文本信息的交通事故处置流程抽取模型由文本标注、实体抽取和时序融合3个部分构成。文本标注是根据定义的实体类型对序列中每个字或词赋予实体标签，本质上是多分类任务的属性标记。实体抽取由预训练语言模型和混合深度学习网络组成，完成对文本信息的实体识别。时序融合是将实体识别结果进行实体对齐和时序链接以实现知识融合，并利用图数据库对交通事故处置流程抽取结果进行可视化展示。

2.1 文本标注

交通事故文本标注采用BIO（Begin/Inside/Outside）标记法，其中 B 表示实体的开始，I 表示实体的中间，O 表示非实体。从事故属性、处置机构、处置措施、处置效果、任务预判5个方面定义交通事故实体并进行BIO标注，结果如表3所示。
表3 文本标注实体定义
实体 名称 实体开始标记 实体中间标记 示例
事故
类型		 Type B-T I-T 单方事故、多方事故
事故
起因		 Cause B-C I-C 剐蹭、追尾、侧翻、碰撞、自燃等
涉及
车辆		 Vehicle B-V I-V 半挂、客车、货车、
危化品车等
事故地点类型 Local B-L I-L 桥梁、主线、隧道、
匝道等
天气 Weather B-W I-W 晴、雾、阴、雨、雨夹雪等
处置
机构		 Agency B-A I-A 分公司、管理所、交警、路政、养护
处置人员状态 Staff B-S I-S 已到达、未到达
现场处置状态 Disposal B-D I-D 处理完毕、情况不详、
处置中
处置
措施		 Measure B-M I-M 施救、警示、疏导、清理、勘验
交通
状态		 Traffic B-Tra I-Tra 交通管制、解除管制、缓慢通行、单道放行
任务
预判		 Prediction B-P I-P 救援难度较大、存在安全隐患、处理难度较大
非实体 O —

2.2 实体抽取

实体抽取分为预训练语言模型和BiGRU-CRF（Bidirectional Gated Recurrent Unit-Conditional Random Field）混合深度学习网络两个模块。在预训练语言模型中，采用基于双向Transformer编码结构的RoBERTa（Robustly Optimized BERT Pretraining Approach）模型生成文本向量T，然后将其输入BiGRU-CRF模型提取特征，以最大概率的序列标注作为最终实体识别结果。

2.2.1 RoBERTa预训练语言模型

交通事故文本信息中存在较强的上下文关联，适合使用预训练语言模型进行学习和表示。RoBERTa是BERT 的一种改进模型，其模型结构如图3所示。RoBERTa的模型结构与BERT相同，在训练方法上主要改进包括移除下句预测任务和引入动态掩码，在模型参数量、batch size和训练数据上规模更大。
图3 RoBERTa模型结构
RoBERTa通过多个Transformer编码器堆叠提取特征。Transformer 是2017 年由谷歌提出的基于自注意力机制的深层模型，在多种自然语言处理任务上效果显著[9]。该模型的实现步骤如下。首先，在文本的开头和句子之间分别插入起始标记[CLS]和分隔标记[SEP]，采用字向量、句向量和位置向量的Embedding 编码之和作为特征向量。其次，随机抽取15%的词作为掩码词，每次向模型输入一个序列时生成新的掩码词。再次，对80%的样本用掩码标记[MASK]替换掩码词，对10%的样本不做任何替换，对剩余10%的样本从模型词表中随机抽取来替换掩码词。动态掩码使得每个句子在被输入到模型中时都有不同的掩码结果，模型通过适应不同的掩码策略以学习不同的语言表征。最后，利用大规模语料数据进行语义特征和上下文相关性的学习训练，RoBERTa模型可以获得较好的词向量表示。

2.2.2 BiGRU-CRF混合深度学习网络

BiGRU-CRF是深度学习网络和条件随机场的混合模型，其结构如图4所示。BiGRU由前向GRU层和后向GRU层组成，获取输入信息在两个方向的上下文特征。首先，采用BiGRU模型对预训练后的文本向量T进行特征提取，将BiGRU层输出的隐藏层状态 h t连接起来，形成特征向量Y。然后，将特征向量Y作为Softmax函数的输入来预测标签，给出每个词Ti（i=1~n，n为文本预处理后的字/词数量）对应每个预定义实体类型标签j的概率值。由于本文中实体类型定义为12类，则j=1~12。因为Softmax函数的输出值之间是相互独立的，所以可能存在不合理的序列。CRF 模型考虑了各标签之间的约束关系，通过各标签得分与标签之间的转移得分来计算不同标签的出现概率。最后，采用CRF模型对网络输出结果Y进行条件约束，选取出现概率最大的标签序列作为最优的预测结果，从而得到合理的实体类型预测结果H。
图4 BiGRU-CRF模型结构
GRU是长短期记忆网络（Long Short-Term Memory, LSTM）的变体，相较LSTM网络，其结构简单，因此训练速度更快。GRU由更新门和重置门构成，更新门用于控制前一时刻的状态信息被带入当前状态中的程度，重置门控制前一状态有多少信息被写入当前候选隐藏状态中。GRU结构如图5所示，以t时刻的输入 x t和t-1时刻的隐藏层状态 h t - 1为GRU的输入，输出t时刻隐藏节点的 y t，并将隐藏层状态 h t传递给下一个节点。GRU模型[16]如式（1）~式（4）所示。
z t = σ W z ⋅ h t - 1 ,   x t
r t = σ W r ⋅ h t - 1 ,   x t
h ˜ t = t a n h W ⋅ r ⊗ t h t - 1 ,   x t
h t = 1 - z t ⊗ h t - 1 + z t ⊗ h ˜ t
式（1）~式（4）中： z t为t时刻更新门； r t为t时刻重置门； σ ·表示Sigmoid激活函数； h t - 1 ,   x t表示矩阵 h t - 1和 x t拼接； W z、 W r和W为权重矩阵； h ˜ t为候选隐藏状态； h t为当前隐藏状态； ⊗表示对应元素点乘；tanh函数将结果转化至[-1, 1]范围内。

2.3 时序融合

同一交通事故会进行多次文本信息报送，对每次报送信息的实体抽取结果进行知识融合，可以获得该交通事故的应急处置流程。时序融合的加工过程如图6所示。知识图谱是一种用于表示和组织知识的图形化结构，能直观地描述知识的语义关联，从而实现对交通事故应急处置流程知识的表征[18]。因此，本文采用Neo4j图数据库实现对交通事故应急处置流程的知识存储和可视化展示，构建的交通事故处置流程知识图谱能有效反映交通事故的演化路径和处置状态。
图6 时序融合过程示意图

2.4 模型评价指标

F1值是一种用于评估分类模型性能的指标[13]，它综合考虑了精确率P和召回率R，计算公式见式（5）。F1值的取值范围为[0,1]，越接近1说明模型预测效果越好。
F 1 = 2 P R P + R × 100 %
式（5）中：P为精确率，是指预测为正且实际为正的样本占所有预测为正的样本的比例；R为召回率，是指实际为正且预测为正的样本占所有实际为正的样本的比例。

3 模型性能比较与实例验证

3.1 模型性能比较分析

采用相同的训练集和实验环境，基于Python3.7和PyTorch 1.8.1，可比较不同预训练模型和深度学习网络的识别结果，并按式（5）计算F1值评价每个模型的性能。为验证RoBERTa模型相较于BERT的改进效果，采用谷歌官方提供的RoBERTa、BERT和ALBERT（A Lite BERT）3个预训练模型，比较不同组合模型在交通事故应急处置流程信息抽取中的性能表现。其中，ALBERT 模型是一种改进的轻量级BERT模型，通过嵌入层参数分解和层间参数共享来减少模型参数量，并使用句子顺序预测任务代替BERT的下句预测任务。深度学习模型选取自然语言处理领域常用的LSTM、BiLSTM、GRU和BiGRU。
预训练模型中Transformer层数为12，隐藏层层数为768，自注意力机制的头数为12，超参数设定如表4所示。需注意，由于BERT以及其改进模型最大文本长度只支持512，考虑本文研究所选取的样本数据集文本长度在[2,512]的占比为99.81%，涵盖绝大多数样本数据，因此实验中剔除文本长度超过512字符的样本数据，以消除输入序列过长对分析结论的影响。剔除后的样本数据按8∶2的比例随机抽样生成训练集和测试集。
表4 超参数设定
超参数 设定值
BERT模型向量维度 768
最大句子长度/字符 512
GRU隐藏层维度 768
优化器 Adam
学习率 5×10-5
批次大小/k 16
最大迭代轮数/epoch 3
为消除实验干扰，分别对每个模型进行3次训练。不同组合模型的F1值，以及每个模型3次训练F1值的均值和方差如表5、图7所示。
表 5 不同模型性能指标F1值结果比较
模型 第1次训练 第2次训练 第3次训练 均值 方差
RoBERTa-BiLSTM-CRF 99.95% 98.73% 99.97% 99.55% 0.005 803
RoBERTa-LSTM-CRF 97.37% 96.59% 90.88% 94.95% 0.028 918
RoBERTa-BiGRU-CRF 99.83% 99.72% 99.75% 99.77% 0.000 457
RoBERTa-GRU-CRF 99.71% 99.74% 95.28% 98.24% 0.020 963
BERT-BiLSTM-CRF 98.26% 52.32% 52.16% 67.58% 0.216 941
BERT-LSTM-CRF 52.33% 52.22% 52.05% 52.20% 0.001 165
BERT-BiGRU-CRF 90.58% 52.88% 53.17% 65.54% 0.177 049
BERT-GRU-CRF 51.83% 43.27% 48.77% 47.96% 0.035 439
ALBERT-BiLSTM-CRF 87.31% 83.24% 90.25% 86.93% 0.028 728
ALBERT-LSTM-CRF 86.60% 58.13% 76.16% 73.63% 0.117 615
ALBERT-BiGRU-CRF 80.41% 90.77% 94.52% 88.57% 0.059 653
ALBERT-GRU-CRF 72.78% 77.05% 92.73% 80.85% 0.085 764
图7 各模型平均F1值比较
由计算结果可知，RoBERTa-BiGRU-CRF模型效果最佳，F1值最高，约为99.77%，标准差最低，约为0.000 5。其中，RoBERTa预训练模型的效果整体较优，ALBERT次之。同时，在相同的预训练模型结构下，BiGRU效果均优于其他深度学习网络。因此，RoBERTa-BiGRU-CRF可作为交通事故处置流程抽取模型。

3.2 消融实验

通过消融实验分析组合模型中各模块对交通事故处置流程抽取模型的影响程度。以文本标注和CRF作为基本模块，分别单独删除预训练模块和深度学习模块，比较删除前后模型性能指标，结果如图8所示。对比可知，分别删去预训练模块和深度学习模块后，模型性能指标均有所下降。说明RoBERTa-BiGRU-CRF组合模型中各个模块均具有重要作用。
图8 消融实验结果平均F1值比较

3.3 交通事故处置流程抽取实例

以表2所示的交通事故为研究实例，交通事故处置流程预期的抽取结果如表6所示。由表2可知，文本记录中并未涉及事故地点类型和天气情况的自然语言描述，因此在表6中该类型预期的实体抽取结果为空。数据清洗后分别采用BiGRU-CRF、BERT-BiGRU-CRF、ALBERT-BiGRU-CRF和RoBERTa-BiGRU-CRF进行处置流程实体抽取和时序融合，然后利用图数据库Neo4j来实现知识存储和时序知识图谱的可视化。不同模型的交通事故处置流程抽取结果如图9所示。由图9可知，BiGRU-CRF未能识别出文本中涉及的车辆和任务预判，BERT-BiGRU-CRF和ALBERT-BiGRU-CRF均未识别出全部的处置机构类型实体，RoBERTa-BiGRU-CRF模型能在复杂多变的自然语言描述中抽取出处置机构，“安全路产巡查人员”和“高交中队”的识别结果与预期抽取结果一致，但未能准确识别出处置措施。综上可知，预训练模型对交通事故处置流程抽取具有重要作用，RoBERTa-BiGRU-CRF组合模型对交通事故文本信息处置流程识别效果最佳，与预期抽取结果最为接近，这与消融实验结论一致。
表6 交通事故实例的预期抽取结果
报送
次序		 事故
类型		 事故
起因		 涉及
车辆		 事故地点
类型		 天气
情况		 处置
机构		 处置人员
状态		 现场处置
状态		 处置
措施		 交通
管制		 任务
预判
1 单方事故 碰撞 半挂 — — 分公司，路政 已到达 — — — —
2 单方事故 碰撞,故障 半挂 — — 分公司，路政 已到达 正在处理 — — 救援难度较大
3 单方事故 碰撞 半挂 — — 分公司，高交 已到达 正在处理 调度 交通管制 —
4 — — — — — 分公司 — 处理完毕 — 正常通行 —
图9 不同模型的交通事故处置流程抽取结果

4 结束语

为从复杂多变的交通事故文本信息自然语言描述中自动获取交通事故处置流程，以实现精准高效的应急决策，本文建立了一种基于预训练模型和深度学习网络的交通事故处置流程文本信息抽取模型，能从非结构化文本数据中识别交通事故应急处置过程的关键信息，并提出了一种基于图数据库的交通事故应急处置流程抽取结果可视化方案，以将信息抽取结果进行知识融合和展示；通过分析不同的预训练模型和深度学习网络对实体识别性能影响，论证了RoBERTa-BiGRU-CRF模型相较于列举的其他混合模型F1值最高，说明该模型在交通事故处置流程文本信息抽取方面具有更好的效果。然而，本文在知识融合时仅考虑了信息的时序关系，具有一定的局限性，后续研究需进一步丰富实体种类和逻辑关系以提升应急处置知识的分析维度。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
代建华, 彭若瑶, 许路, 等. 基于深度神经网络的信息抽取研究综述[J]. 西南师范大学学报(自然科学版), 2022, 47(4):1-11.

[2]
陈娇娜, 靳引利, 陶伟俊, 等. 基于文本信息的高速公路事故持续时间中介效应研究[J]. 中国安全科学学报, 2023, 33(4):155-162.

[3]
梁建军, 雷咸锐, 吴斌, 等. 基于规则模式的瓦斯爆炸事故信息抽取技术[J]. 煤矿安全, 2023, 54(2):239-245.

[4]
张萌, 陈佳惠, 孙然然, 等. 基于规则的城市轨道交通安全事件信息抽取及其知识元表示[J]. 科学技术与工程, 2021, 21(15):6435-6440.

[5]
LI J, SUN A, HAN J, et al. A survey on deep learning for named entity recognition[J]. IEEE Transactions on Knowledge and Data Engineering, 2020, 34 (1): 50-70.

[6]
王颖洁, 张程烨, 白凤波, 等. 中文命名实体识别研究综述[J]. 计算机科学与探索, 2023, 17(2):324-341.

[7]
孙安亮, 时宏伟, 王金策. 基于字符与单词嵌入的航空安全命名实体识别[J]. 计算机技术与发展, 2022, 32(9):148-153.

[8]
WANG X, LIU J. A novel feature integration and entity boundary detection for named entity recognition in cybersecurity[J]. Knowledge-Based Systems, 2023, 260: 1-14.

[9]
宋敦江, 杨霖, 钟少波. 基于BERT的灾害三元组信息抽取优化研究[J]. 中国安全科学学报, 2022, 32(2):115-120.

[10]
刘婷, 张社荣, 王超, 等. 水利施工事故文本智能分析的BERT-BiLSTM混合模型[J]. 水力发电学报, 2022, 41(7):1-12.

[11]
张鹏翔. 多维字符特征表示的铁路设备事故信息抽取方法[J]. 中国安全科学学报, 2022, 32(6):109-114.

[12]
王明达, 张榜, 吴志生, 等. 基于强化学习的城镇燃气事故信息抽取方法[J]. 中国安全生产科学技术, 2023, 19(3):39-45.

[13]
刘斐, 文中, 吴艺. 基于BERT-BILSTM-CRF模型的电力行业事故文本智能分析[J]. 中国安全生产科学技术, 2023, 19(1):209-215.

[14]
JI K, LI Z, CHEN J, et al. Freeway accident duration prediction based on social network information[J]. Neural Network World Journal, 2022, 32(2): 93-112.

[15]
CHEN J, TAO W. Traffic accident duration prediction using text mining and ensemble learning on expressways[J]. Scientific Reports, 2022, 12(1): 21478.

[16]
樊海玮, 秦佳杰, 孙欢, 等. 基于BERT与BiGRU-CRF的交通事故文本信息提取模型[J]. 计算机与现代化, 2022(5):10-15.

[17]
李昀轩, 李萌, 陆建, 等. 基于多任务迁移学习的交通警情信息自动处理方法[J]. 中国公路学报, 2022, 35(9):1-12.

[18]
ZHANG L, ZHANG M, TANG J, et al. Analysis of traffic accident based on knowledge graph[J]. Journal of Advanced Transportation, 2022(9): 1-16.

Options
Outlines

/

〈 〉