引言
每个骑上摩托车或踏板车的人都知道：两轮交通工具需要瞬间反应。而如果再加上一个紧迫的截止时间——比如需要按时赶到目的地——情况就会变得真正危险。时间压力带来的紧张感会削弱对距离的判断，延长决策时间，并促使人们采取不合理的冒险行为。大多数现有的驾驶员辅助系统只评估运动的物理状态，忽略了心理背景。
研究团队提出了 MotoSafety 框架，在网络边缘解决这一问题。该模型直接在设备上运行，不将数据发送到云端，不仅考虑轨迹，还考虑时间压力的程度。这种方法能够在驾驶员自己未察觉风险时，提前发出碰撞风险警告。
数据集与模拟器实验条件
为了让模型学会理解截止时间的影响，作者基于模拟器构建了一个大型数据集。实验中共有 51 名参与者，每人完成三次骑行。总计获得 153 次模拟骑行，最终样本包含超过 129,000 个标注的多维时间序列窗口。
场景按时间压力程度区分：无时间限制（No TP）、中等（Low TP）和严格（High TP）截止时间。这种划分使得压力作为独立变量的影响得以隔离。
每个时间窗口记录了 64 个属性。这不仅包括速度和加速度，还包括转向控制参数、与最近物体的距离，以及违规行为指标。凭借如此完整的数据，模型能够区分由经验不足引发的危险操作和由赶时间引发的危险操作。
MotoSafety 的工作原理
该框架的核心思想是 learned temporal importance（LTI）概念。模型不是以相同权重处理所有时间点，而是自行识别哪些骑行片段对风险预测真正关键。例如，潜在碰撞前一秒的轨迹突变比五秒匀速直线行驶更重要。这既降低了计算成本，又提高了精度。
架构与性能
从技术指标来看，MotoSafety 对实际部署非常有吸引力。总参数量仅 115 万，在廉价处理器上单样本延迟为 0.135 毫秒。与需要 GPU 服务器的大型神经网络相比，这里只需一个紧凑的嵌入式芯片即可。
在测试数据上，模型达到了 94.97% 的准确率和 99.33% 的 ROC 曲线下面积。这对风险评估系统来说是出色的表现。同时，它超越了十种基线算法，包括 TimesNet 和 LLM4TS 等强大的 Transformer 模型。预测误差为 0.039 MSE 和 0.094 MAE——比被认为是强时间序列基线的 Time-LLM 和 iTransformer 低 4.4 倍。
将时间压力作为归纳偏置
特别有趣的是使用时间压力标签的结果。如果将真实的压力水平值（ground truth）作为附加特征输入模型，准确率从 94.09% 提升到 94.97%。看似提升不大，但对于安全任务来说，这是显著的差异——在数十万次骑行中，它可以防止大量事故。
更重要的是，模型可以自行预测时间压力水平。在这种情况下，准确率仅降至 94.82%——比使用真实标签仅低 0.15 个百分点。这为系统在现实世界中的应用开辟了道路，因为我们无法事先知道驾驶员的心理状态。MotoSafety 能够根据驾驶风格评估时间紧迫程度，然后调整风险预测。
紧凑性与网络边缘运行
对于量产使用，集成简便性至关重要。在这方面，该框架也表现出色。如果移除大部分传感器，仅保留 IMU 和 GPS 的 21 个信号，准确率仍保持在 93.91%。这意味着系统可以基于固定在车把上的普通智能手机或嵌入头盔的廉价模块运行。
少量特征降低了制造成本和功耗。此外，由于设备的完全自主性，通信延迟和数据隐私问题也得以消除。所有计算均在本地进行——驾驶员不依赖互联网，也不会将出行数据发送到外部服务器。
可迁移至其他领域
LTI 架构不仅对摩托车交通是一个好方案。作者还在人类活动识别任务上进行了验证——准确率达到 97.66%。在临床时间序列（如重症监护患者数据）上，模型达到了 99.65%。这证实了学习各时间段重要性的思想具有普适性：它能够在任何存在传感器信号流的领域发挥作用。
结论
这项工作遵循 Safe System Approach 的逻辑——一种将焦点从追责转向营造安全环境的概念。基于此类算法的智能交通系统可以提前警告摩托车手危险，并弥补由压力引发的错误。
当然，模拟器数据总是与现实道路有所不同。但 0.135 毫秒的延迟、模型的紧凑性以及对特征缩减的鲁棒性，使 MotoSafety 成为在真实交通工具上进行原型验证的现实候选方案。如果后续阶段进展顺利，我们可能会看到真正理解驾驶员何时在赶时间——并帮助其避免冒险的系统。
