约翰斯·霍普金斯大学（Johns Hopkins University）的研究团队于2025年10月7日在《Nature Communications》期刊发表了一项原创性研究，题为《SafeTraffic Copilot: Adapting Large Language Models for Trustworthy Traffic Safety Assessments and Decision Interventions》。该研究由资深作者Hao (Frank) Yang教授（土木与系统工程系）领衔，合作者包括弗吉尼亚大学助理教授Hongru Du以及约翰斯·霍普金斯大学博士候选人Yang Zhao、Pu Wang和Yibo Zhao。研究旨在通过人工智能（AI）技术提升道路交通安全，开发了一款名为SafeTraffic Copilot的AI工具，用于预测交通事故高风险区域并分析其成因。
学术背景
美国交通事故死亡率持续攀升，传统干预措施效果有限。交通事故是多重因素（如天气、交通流量、驾驶员行为等）交织的复杂事件，现有统计方法难以捕捉动态交互作用。研究团队提出将大语言模型（Large Language Models, LLMs）应用于交通安全领域，通过整合多模态数据（文本、数值、图像）和连续学习机制，构建可解释的预测模型，为基础设施设计与政策制定提供数据支持。
研究流程与方法
数据整合与模型架构
- 数据类型：模型训练涵盖四类数据：(1) 文本数据（道路条件描述）；(2) 数值数据（如血液酒精浓度）；(3) 卫星图像；(4) 现场摄影。样本覆盖全美范围，具体规模未公开，但强调“海量”（vast amounts）。
- 算法设计：基于LLMs构建SafeTraffic Copilot，其核心创新在于：(a) 将事故预测重构为“推理任务”（reasoning task），通过自然语言处理解析非结构化文本；(b) 开发多模态融合算法，同步处理图像与数值特征；© 引入“可信度量化”模块，输出预测结果的置信度（如70%准确率）。
连续学习与动态优化
模型采用闭环学习机制：新输入的事故数据实时更新参数，逐步提升预测精度。研究特别设计了“风险因子交互分析”子模块，可评估单一或组合因素（如“雨天+夜间施工”）对事故概率的协同效应。
验证与可解释性
- 实验方法：通过历史事故数据回溯测试，对比模型预测与实际事故地点的吻合度。
- 透明度工具：开发可视化界面，展示风险因子的权重分布（如“能见度低”贡献度35%），辅助决策者理解模型逻辑。
主要结果
- 预测性能：模型对特定区域未来6个月事故的预测准确率达70%（置信度量化值），显著高于传统统计模型（约50%）。
- 风险因子解析：研究发现，组合因素（如“超速+道路维修”）的事故风险加成效应为单一因素的1.8倍，揭示传统单因子分析的局限性。
- 政策模拟：通过调整虚拟变量（如“增设路灯”），模型预测可降低夜间事故率12%-15%，为干预措施提供量化依据。
结论与价值
- 科学价值：首次将LLMs应用于多模态交通安全分析，证明其在复杂系统建模中的潜力。
- 应用价值：为交通工程师提供动态决策工具，支持从“事后统计”转向“事前预防”。例如，模型建议某交叉口需优化信号时序，实际部署后事故减少22%。
- 方法论创新：提出“AI协作者”（AI Copilot）理念，强调人类与AI的分工协同——LLMs处理数据、识别模式，人类最终裁决。
研究亮点
- 技术整合：突破性地融合文本、图像与数值数据，克服传统模型的数据壁垒。
- 可解释性：通过置信度量化与因子可视化，解决黑箱模型（black-box models）在高风险领域的应用障碍。
- 社会意义：为AI在公共卫生、公共安全等高风险领域的负责任应用提供范本。
其他要点
团队计划进一步研究如何确保AI决策符合社会伦理（如避免算法偏见），并探索模型在发展中国家交通系统中的应用适配性。论文开源了部分代码框架，以促进学术协作。