MambaLSTM：一种用于增强交通事故风险预测的时空框架

arXiv cs.LG 论文
traffic-accident-prediction spatio-temporal state-space-model mamba lstm machine-learning

摘要

本文提出MambaLSTM，一种结合Mamba状态空间模型和LSTM的框架，用于时空交通事故风险预测，解决了特征融合中的噪声和全局空间关联问题。

arXiv:2607.18353v1 公告类型：新 摘要：在交通事故风险预测中，大多数研究忽略了将时间特征融合到空间特征时可能引入的额外噪声，且部分模型难以捕捉空间区域间的全局相关性。针对这些挑战，我们提出了一种新颖的交通事故风险预测框架，名为MambaLSTM。首先，我们开发了一个挤压-激励时间特征融合模块，以在不损害时空完整性的情况下整合时间信息。其次，我们引入了一个新的补丁嵌入模块，用于有效捕捉空间相邻区域之间的语义关系。此外，我们引入了一个基于状态空间模型的Mamba块，用于建模城市区域的全局空间语义。最后，我们提出了一个MambaLSTM单元，以高效捕获长期和短期时间依赖关系，从而识别动态风险模式。在真实数据集上的大量实验表明，所提模型优于现有最先进方法。代码已发布于https://github.com/Zhenzovo/MambaLSTM。
查看原文
查看缓存全文

缓存时间: 2026/07/22 08:20 

# MambaLSTM: 一种用于增强交通碰撞风险预测的时空框架
来源：https://arxiv.org/abs/2607.18353
查看PDF（https://arxiv.org/pdf/2607.18353）

> **摘要：** 在交通碰撞风险预测中，大多数研究忽略了将时间特征融入空间特征时可能引入的额外噪声，且部分模型难以捕捉空间区域间的全局相关性。为解决这些挑战，我们提出了一种名为 MambaLSTM 的新型交通碰撞风险预测框架。首先，我们开发了一个压缩-激励时间特征融合模块，以在不破坏时空完整性的前提下整合时间信息。其次，我们引入了一个新的补丁嵌入模块，用于有效捕捉空间相邻区域间的语义关系。此外，我们引入了一个基于状态空间模型的 Mamba 模块，以对城市区域的全局空间语义进行建模。最后，我们提出了一个 MambaLSTM 单元，用于高效捕获长短时依赖关系，以识别动态风险模式。在真实数据集上的大量实验表明，所提模型优于现有最先进方法。代码已发布于以下链接：此 https URL（https://github.com/Zhenzovo/MambaLSTM）。

## 提交历史

来自：Zhen Yu [查看邮箱（https://arxiv.org/show-email/428440b6/2607.18353）] **[v1]** 2026年7月20日，星期一，09:17:58 UTC（777 KB）

相似文章

一种用于音频-视觉导航的混合Mamba架构

arXiv cs.LG

本文提出了Samba，一种用于音频-视觉导航的混合状态空间架构。它使用Mamba状态编码器（M-SE）替代GRU进行时间聚合，并构建了音频Mamba编码器（AME）以更好地捕捉频谱图中的全局时频依赖关系。在Matterport3D数据集上，导航成功率（SR）相比现有最先进模型提升了11.3%。

面向部分可观测环境下自动驾驶的统一风险地图学习

Hugging Face Daily Papers

提出了一种面向部分可观测环境的自动驾驶统一风险地图建模框架，该框架通过时空建模和基于扩散的场景生成，整合了交通流风险和碰撞风险。在Waymo Open Motion数据集上，该方法优于最先进的遮挡感知基线。