中圖分類號：F570 文獻(xiàn)標(biāo)志碼：ADOI： 10.13714/j.cnki.1002-3100.2025.09.018

Abstract： Autonomous driving technology has been deployed in some open road areas， exposing a series safety risks. These safety risks accidents frequently occur on high-risk critical roads within operational areas. To enhance safety management risk prevention for autonomous driving， it is essential to identify high-risk critical roads. This paper pro posesa method for identifying high-risk roads based on autonomous driving operational risks. Firstly，a structured risk scenario repository is constructed. networks are segmentedinto topological unitsvia feature-based division. Then， LLMs are employed to generate driving scenarios convert m into topological graphs. Finally， sub graph isomorphism matching is implemented between scenarios repository， with criticality ranking enabling accurate identification high-risk road sections. Compared with state---art methods， proposed approach demonstrates substantial improvements in both recognition accuracy computational efficiency.

Keywords： traffic engineering;high-risk critical roads identification; topological matching; autonomous driving; large language model

0引言

隨著自動駕駛技術(shù)的快速發(fā)展，安全問題仍然是制約其規(guī)?；蜕虡I(yè)化的關(guān)鍵瓶頸。目前，自動駕駛在部分區(qū)域已實現(xiàn)開放運(yùn)營，例如武漢城區(qū)已經(jīng)實現(xiàn)商業(yè)化運(yùn)營和上海洋山港的自動駕駛集卡。然而，這些區(qū)域在實際運(yùn)行中也暴露出了一些安全隱患。視距突變、車流密集或高沖突道路顯著增加自動駕駛車輛的感知延遲與決策風(fēng)險，極易成為事故多發(fā)區(qū)域。所以急需準(zhǔn)確辨識自動駕駛運(yùn)行區(qū)域的高風(fēng)險關(guān)鍵道路，為后續(xù)交通安全管控和風(fēng)險預(yù)防措施提供重要依據(jù)2。

自動駕駛運(yùn)行區(qū)域的高風(fēng)險關(guān)鍵道路辨識主要面臨3個挑戰(zhàn)與難題：

第一是運(yùn)行區(qū)域關(guān)鍵道路有效識別難。當(dāng)前學(xué)者對關(guān)鍵路段辨識的研究主要采用了兩種方法：（1）基于事故發(fā)生后的統(tǒng)計工作，利用模糊理論、深度學(xué)習(xí)、回歸分析等模型預(yù)測事故的發(fā)生率和發(fā)生次數(shù)；（2）通過分析道路特征、交通環(huán)境時空關(guān)系與交通安全之間的關(guān)聯(lián)性來評估道路的安全性。但是都側(cè)重于事故發(fā)生后的數(shù)據(jù)分析，缺乏事故發(fā)生前的場景分析，無法辨識導(dǎo)致道路事故發(fā)生的場景風(fēng)險要素，故難以有效識別關(guān)鍵風(fēng)險道路。

第二是運(yùn)行區(qū)域中道路風(fēng)險的準(zhǔn)確評估難。自動駕駛運(yùn)行區(qū)域由不同功能和位置的道路組成，每條道路所處的地理位置和道路特征各不相同，導(dǎo)致各道路的風(fēng)險差異明顯。當(dāng)前，道路風(fēng)險量化方法主要通過復(fù)雜網(wǎng)絡(luò)理論對路網(wǎng)進(jìn)行拓?fù)浣Y(jié)構(gòu)分析，借助節(jié)點之間的相互作用與路徑選擇評估道路的潛在風(fēng)險[II2]，以及通過交通流量、道路重要性等特征對各路段的風(fēng)險進(jìn)行量化[3]。然而，這些方法主要面向傳統(tǒng)車輛，未能充分考慮自動駕駛車輛的特殊需求，因此無法準(zhǔn)確衡量自動駕駛在特定道路上的風(fēng)險。

第三是高風(fēng)險關(guān)鍵道路的高效識別難?，F(xiàn)有研究中，多采用等距離劃分、行政區(qū)域劃分或基于土地使用等因素的方法4，以及遍歷搜尋法[151]。然而，在大規(guī)模的運(yùn)行區(qū)域中，這些方法由于未充分考慮道路特征，導(dǎo)致劃分出來的路段具有高度相似的特征，造成相似路段重復(fù)處理，產(chǎn)生冗余，從而進(jìn)一步降低識別效率。

基于上述研究背景和需求，本文針對自動駕駛在其運(yùn)行道路區(qū)域的風(fēng)險預(yù)防需要，基于現(xiàn)有自動駕駛風(fēng)險抽象場景庫與道路區(qū)域的匹配，提出一種適配特定運(yùn)行道路區(qū)域的高風(fēng)險關(guān)鍵道路辨識方法，創(chuàng)新之處在于：（1）可實現(xiàn)高風(fēng)險關(guān)鍵道路的有效辨識；（2）可準(zhǔn)確評估道路區(qū)域內(nèi)的自動駕駛運(yùn)行風(fēng)險；（3）可提升高風(fēng)險關(guān)鍵道路的辨識效率。

1問題描述

設(shè) R 為自動駕駛的運(yùn)行區(qū)域， ，其中 r_i 表示 R 內(nèi)的第 i 個道路片段。本文的目標(biāo)就是篩選出 R 中的高風(fēng)險關(guān)鍵道路集合 H ， ，即篩選出關(guān)鍵度之和最大的集合 H

式中： h_j 為決策變量，表示 H 內(nèi)第 j 個高風(fēng)險關(guān)鍵道路片段； I（h_j） 表示片段 h_j 對整個運(yùn)行道路區(qū)域的關(guān)鍵度；存在以下約束條件，所有被篩選道路片段必須是運(yùn)行區(qū)域 R 的一部分，被選道路片段的數(shù)量 m 等于總片段數(shù) n 的特定比例 α

高風(fēng)險關(guān)鍵道路是指在一定條件下，具有較高事故發(fā)生概率或?qū)φw運(yùn)行道路區(qū)域具有重要影響的道路片段。對于每個道路片段 r ，定義 S（r） 為該片段出現(xiàn)的風(fēng)險類型集合。關(guān)鍵度 可以表示為片段 r 出現(xiàn)的風(fēng)險場景類型 的多樣性和嚴(yán)重性的函數(shù)，即：

I（r）=g（S（r））

式中： g 是將風(fēng)險場景類型的集合映射到一個數(shù)值的函數(shù)。

2高風(fēng)險關(guān)鍵道路辨識方法

為了解決上述問題，本文提出了一種面向自動駕駛運(yùn)行風(fēng)險的高風(fēng)險關(guān)鍵道路辨識方法，通過構(gòu)建道路風(fēng)險場景庫、提取道路片段特征、匹配風(fēng)險要素和評估道路關(guān)鍵度，旨在實現(xiàn)高精度、高效率的自動駕駛運(yùn)行道路區(qū)域的高風(fēng)險道路辨識，整體流程包括4個模塊，具體流程如圖1所示。

2.1道路風(fēng)險場景庫構(gòu)建

本文采用自然語言處理技術(shù)，從現(xiàn)有的抽象事故場景庫中提取實體關(guān)系等結(jié)構(gòu)，以構(gòu)建道路風(fēng)險場景庫。設(shè) s 為構(gòu)建的風(fēng)險場景庫， ，其中每個場景 s_i 由三部分組成，可表示為：

s_Ωi=（L_i，T_i，A_i）

式中： L_i 表示場景的可擴(kuò)展性描述語言，用于描述場景中的環(huán)境特征，例如照明條件、天氣條件、環(huán)境條件和道路類型?？蓴U(kuò)展性描述語言可以定義為集合 L_i ：

式中： l_j 表示場景中第 j 個環(huán)境特征； T_i 表示三元組集合，用于定義場景中的實體及其關(guān)系，可表示為：

式中： e_i1，e_i2∈E 為場景中的實體， r_j∈R 為實體間的關(guān)系； A_i 表示實體的屬性集合，用于描述每個實體的狀態(tài)和意圖：

式中： A（e_ij） 表示第 j 個場景中第 i 個實體的屬性：

式中： a_i1 表示第 χ_i 個實體的第1個屬性。

2.2運(yùn)行區(qū)域道路片段提取

如圖2所示，整個運(yùn)行區(qū)域道路片段提取過程由2個主要步驟組成。首先，從復(fù)雜的運(yùn)行區(qū)域 R 中提取出道路片段 r_i ，這些片段可以是交叉路口、車道或特定的道路。接著，對提取出的每個片段進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換，形成片段的拓?fù)浣Y(jié)構(gòu)表示。

（1）基于道路特征的片段提取

本文提出了一種基于道路特征的片段提取方法，以更高效地對運(yùn)行區(qū)域的路網(wǎng)進(jìn)行切片處理。 R 為整個運(yùn)行區(qū)域，運(yùn)行區(qū)域可以是港區(qū)、機(jī)場、物流園、開放道路示范區(qū)，目標(biāo)是將復(fù)雜運(yùn)行區(qū)域 R 進(jìn)行分割為可以產(chǎn)生具體場景的道路片段 r_i

定義道路特征集合 F

式中：每個 f_i 表示具體的道路屬性。通過解析運(yùn)行區(qū)域的路網(wǎng)文件（如VISSIM或OpenDRIVE文件），提取各道路片段的特征信息，并構(gòu)造特征向量來描述片段 r_i 的特征：

式中： f_i1 為片段 r_i 的第一個特征。

（2）道路片段拓?fù)滢D(zhuǎn)換

道路片段拓?fù)滢D(zhuǎn)換是將提取出的道路片段集合 R 轉(zhuǎn)換為樹狀拓?fù)浣Y(jié)構(gòu) G_R ，用以標(biāo)準(zhǔn)化表示這些片段的內(nèi)部連接關(guān)系。拓?fù)浣Y(jié)構(gòu)表示為 G_R=（V，E^′） ，其中 V_i 表示節(jié)點集合，包含運(yùn)行區(qū)域內(nèi)各個道路片段的實體， E_i 表示邊集合，反映道路片段的內(nèi)部連接關(guān)系。因此存在這樣一個映射關(guān)系 f RG_R ，具體的映射函數(shù)可以表示為：

節(jié)點 V_i 主要有四種基本的實體：車道（lane）、車道組（ Π_group） 、道路（road）和交叉路口（junction），均參照OpenDRIVE規(guī)范。

2.3自動駕駛場景生成（1）基于LLM的場景生成

以道路片段拓?fù)浣Y(jié)構(gòu)GR作為輸人，采用大語言模型（LLM）為每個道路片段生成與道路片段拓?fù)浣Y(jié)構(gòu)相對應(yīng)的自動駕駛場景。為了有效地引導(dǎo) LLM 生成準(zhǔn)確的自動駕駛場景，對LLM 進(jìn)行微調(diào)并采用了Prompt 技術(shù)。Prompt Engineer-ing涉及策略性地制定輸入查詢，以優(yōu)化LLM的響應(yīng)，使其更加精確、相關(guān)和有用[I8]。根據(jù) OpenAI的Prompt 指南中的六個策略，提出了一個結(jié)構(gòu)化的Prompt 如圖3所示。該P(yáng)rompt由5個部分組成：（1）角色定義：設(shè)定LLM為自動駕駛場景生成專家；（2）輸人描述：道路拓?fù)浣Y(jié)構(gòu)作為場景構(gòu)建基礎(chǔ)；（3）任務(wù)細(xì)節(jié)和響應(yīng)格式：強(qiáng)制輸出結(jié)構(gòu)化場景描述與分類標(biāo)簽；（4）示例：嵌入典型場景模板提升生成一致性；（5）分析任務(wù)強(qiáng)化：再次強(qiáng)調(diào)了分析任務(wù)的重要性，確保LLM在生成場景框架時保持高度的精確度和一致性。

（2）自動駕駛場景拓?fù)滢D(zhuǎn)換

本文根據(jù)生成的場景框架，將其轉(zhuǎn)換為結(jié)構(gòu)化的拓?fù)鋱D。將場景 S=（s₁，s₂，…，s_n） 轉(zhuǎn)換為拓?fù)浣Y(jié)構(gòu) ，也是存在一種

或映射關(guān)系 f . S?G_s ，具體表示為：

轉(zhuǎn)換過程中，節(jié)點 V_i 通過場景中的實體集合構(gòu)建，而邊集合 E_i 由三元組集合 T_i 中的關(guān)系定義。

2.4關(guān)鍵道路遴選（1）場景風(fēng)險要素提取

設(shè) 為風(fēng)險場景庫第 i 個場景三元組集合，在識別道路片段的風(fēng)險場景前會對風(fēng)險場景庫中的場景進(jìn)行風(fēng)險要素提取，利用LLM的Prompt技術(shù)分析并提取出與風(fēng)險場景直接相關(guān)的三元組 （實體-關(guān)系-實體）以及它們的實體屬性，對所有的三元組根據(jù)風(fēng)險相關(guān)的強(qiáng)弱進(jìn)行排序，得到的排序為 t_（1），t_（2），…，t_（m） ，排序靠前的將被賦予更高的權(quán)重，以突出它們在場景中的重要性。權(quán)重依次按 α_a 的冪次遞減，設(shè)總權(quán)重和為1，權(quán)重的計算如下：

式中： ω_i 表示第 i 個三元組的權(quán)重， m 表示總?cè)M個數(shù)。

（2）道路片段風(fēng)險場景識別

本文采用子圖同構(gòu)算法實現(xiàn)自動駕駛場景與風(fēng)險場景庫的拓?fù)淦ヅ洹Ｔ趫D論中，子圖問題可以表述為：給定兩個圖 G_i 和 ，就是要找到一個注入函數(shù) （即一一映射） f G₂?G₁ ，使得對于 G₂ 中每個節(jié)點和邊在 G₁ 中都有對應(yīng)的節(jié)點和邊。在本文的拓?fù)淦ヅ渲?，?jié)點集合和邊集合的匹配規(guī)則如下：

① 節(jié)點匹配：對于每個節(jié)點 v_i∈V₂ ，映射后的節(jié)點 f（v_i）∈V₁ 必須具有相同或者相似的屬性，具體表示為：

?v_i∈V₂，f（v_i）∈V₁

② 邊匹配：對于與節(jié)點 v_i 連接的每條邊 e_i∈E₂ ，必須存在對應(yīng)的邊 f（e_i）∈E₁ ，并且這兩條邊的屬性也必須匹配：

?e_i∈E₂，f（e_i）∈E₁

在子圖匹配過程中，會進(jìn)行相似度的打分，并且會通過不同的權(quán)重分配來反映不同元素的重要性。匹配得分由兩部分組成：一部分是場景的可擴(kuò)展性描述語言的匹配得分 Score_i ，另一部分是場景拓?fù)浣Y(jié)構(gòu)的匹配得分 Score_t 。最終的總得分 Score_total 是這兩部分得分的加權(quán)和：

Score_total=λScore_i+μScore_t

式中： λ 和 μ 分別是兩部分得分的權(quán)重。

（3）關(guān)鍵風(fēng)險道路片段遴選

計算每個道路片段的關(guān)鍵度 I（r_i） ，關(guān)鍵度 I（r_i） 是道路片段識別出的風(fēng)險場景數(shù)量的函數(shù)，用以反映每個片段的潛在風(fēng)險水平。

然后將所有道路片段按照關(guān)鍵度從高到低進(jìn)行排序，設(shè)排序后的道路片段為 r_（1），r_（2），…，r_（n） ，其中 I（r_（1））?I（r_（2））?…?I （r_（n）） 。為遴選出高風(fēng)險關(guān)鍵道路片段，定義一個閾值 α∈（0，1） ，即根據(jù)關(guān)鍵度的特定比例選擇出前 ?αn^? 個道路片段作為高風(fēng)險關(guān)鍵道路集合。

最終，高風(fēng)險關(guān)鍵道路片段集合 H 可以表示為：

3實驗驗證

3.1實驗設(shè)計

為了驗證本方法的有效性，本文實驗設(shè)計將專注于對比分析本文提出的高風(fēng)險關(guān)鍵道路辨識方法與現(xiàn)有方法在以下3個方面的表現(xiàn)：（1）道路區(qū)域中高風(fēng)險關(guān)鍵道路的高精度辨識能力；（2）高風(fēng)險道路關(guān)鍵度評估的準(zhǔn)確性；（3）高風(fēng)險關(guān)鍵道路識別過程的效率?，F(xiàn)有方法是不考慮風(fēng)險要素辨識，并且是基于距離的道路片段提取。

本文的自動駕駛抽象場景庫采用了由美國國家公路交通安全管理局（NHTSA）發(fā)布的《Pre-Crash Scenario Typology for Crash Avoidance Research》中提出的37個預(yù)先碰撞場景[20]。并選用選擇下面幾個指標(biāo)評估本文提出的辨識方法：

（1）高風(fēng)險關(guān)鍵道路辨識的有效識別率（EffectiveIdentificationRate，EIR）有效識別率衡量的是識別正確片段的能力。

TP 是正確識別為高風(fēng)險關(guān)鍵路段的數(shù)量， TN 是正確識別為非高風(fēng)險關(guān)鍵路段的數(shù)量， n 是總數(shù)。

（2）高風(fēng)險關(guān)鍵道路辨識的完備度（Completeness，CMP）

完備度是評估關(guān)鍵道路辨識有效性的指標(biāo)，用于衡量系統(tǒng)是否能夠全面識別所有潛在的高風(fēng)險關(guān)鍵道路段。

式中：FN是沒有被識別出來的高風(fēng)險關(guān)鍵道路的數(shù)量。

（3）道路關(guān)鍵度評估的準(zhǔn)確度（Accuracy，ACC）該指標(biāo)用于評估道路片段關(guān)鍵度評估的準(zhǔn)確性。

式中： 為道路片段 i 識別出的關(guān)鍵度， I_i 為道路片段 i 的真正的關(guān)鍵度。

（4）高風(fēng)險關(guān)鍵道路的單位距離識別時間（TimeperUnitDistance，TUD）

辨識效率的評估可通過單位距離識別時間來體現(xiàn)，該指標(biāo)衡量系統(tǒng)識別單位長度道路片段的風(fēng)險所需的平均時間。

式中：Time是識別所需的總時間，Distance是被識別的道路總長度。

3.2 敏感度分析

敏感度分析考慮道路類型和關(guān)鍵道路閾值2個因素：（1）道路類型：考慮該方法的完備度，選擇兩種道路分別實驗：城市道路和高速公路；（2）關(guān)鍵道路閾值 α ：改變閾值 α 的取值，取值范圍為[0.2，0.8]。

3.3實驗結(jié)果分析

通過實驗結(jié)果分析，本文方法在高風(fēng)險關(guān)鍵道路辨識上表現(xiàn)有較好的性能，相較于現(xiàn)有方法，如圖4和圖5所示，EIR 和CMP分別提升了 15.79% 至 33.33% ；如圖6所示， ACC 提升了 19.44% 至 16.25% ，并且在識別效率上，TUD最高降低了77.32% ，顯著在復(fù)雜交通環(huán)境中對高風(fēng)險關(guān)鍵道路的辨識能力。

由圖4至圖7實驗結(jié)果可知，本方法在城市道路與高速環(huán)境中均顯著提升高風(fēng)險道路辨識能力。閾值 α 對識別效果具有顯著影響：當(dāng) α=0.2 及0.8時，有效識別率與完備度同步達(dá)到峰值。低閾值 （αlt;0.5） 時系統(tǒng)聚焦高關(guān)鍵度片段，高閾值 （α?0.5 時則因敏感性增強(qiáng)擴(kuò)展識別范圍。建議通過閾值調(diào)優(yōu)實現(xiàn)精準(zhǔn)風(fēng)險識別。

4結(jié)論與建議

本文提出的基于抽象場景拓?fù)淦ヅ涞母唢L(fēng)險道路辨識方法，具有以下三方面創(chuàng)新：（1）基于抽象場景拓?fù)淦ヅ涞母唢L(fēng)險道路辨識框架，通過構(gòu)建自動駕駛風(fēng)險場景庫與拓

撲同構(gòu)匹配機(jī)制，實現(xiàn) 15.79%～33.33% 的有效識別率提升；（2）集成大語言模型的風(fēng)險要素匹配評估方法，基于風(fēng)險要素權(quán)重分配策略使評估準(zhǔn)確度提高 16.25%～19.44% ；（3）道路特征片段動態(tài)提取技術(shù)，通過拓?fù)涮卣鞣治鱿哂嘤嬎?，達(dá)成77.32% 的識別效率優(yōu)化。

盡管本文方法在多個評估指標(biāo)上具有優(yōu)勢，但仍存在局限性。其方法依賴于風(fēng)險場景庫的質(zhì)量，而匹配權(quán)重和閾值參數(shù)需根據(jù)不同區(qū)域動態(tài)調(diào)整。未來研究可著重于：（1）完善風(fēng)險場景庫以提升泛化能力；（2）引入智能優(yōu)化算法實現(xiàn)參數(shù)動態(tài)調(diào)整；（3）結(jié)合圖像識別技術(shù)提升識別精度與實時性。

參考文獻(xiàn)：

[1]胡笳，羅書源，賴金濤，等．自動駕駛對交通運(yùn)輸系統(tǒng)規(guī)劃的影響綜述[J].交通運(yùn)輸系統(tǒng)工程與信息，2021，21（5）：52-65，76.

[2]楊曉光，賴金濤，張振，等．車路協(xié)同環(huán)境下的軌跡級交通控制研究綜述[J]．中國公路學(xué)報，2023，36（9）：225-243.

[3]寇敏，張萌萌，趙軍學(xué)，等．道路交通安全風(fēng)險辨識與分析方法綜述[J].交通信息與安全，2022，40（6）：22-32.

[4]DRISS M，SAINT-GERAND T，BENSAIDA，etal.Afuzylogic model foridentifyingspatialdegrees exposureto riskroadaccidents（Casestudy WilayaMascara，NorthwestAlgeria）[C]//InternationalConferenceonAdvanced Logistics Transport. IEEE， 2013：69-74.

[5]ALRAJHM，KAMELM.Adeep-learning modelforpredictingvisualizingriskroadtraffcacidentsinSaudi Arabia：AtutorialapproachJ].InterationalJoualAdvanedComputerScienceAplications，2019，10（1）：475483.

[6]KANG TS，UMJG.Risk Assessment roadcut slopesin Gyeoungnam basedonmultipleregressonanalysis[J].The Journal Geology，2007，17（3）：393-404.

[7]MOOSAVI S，SAMAVATIANMH，PARTHASARATHY S，et al.Accident risk predictionbasedonheterogeneous sparsedata：Newdataset insights[C]//Proceedings 27thACMSIGSPATIAL InternationalConferenceonAdvanesinGeographic Systems，2019：33-42.

[8]NOGAL M，O' CONNOR A，MARTINEZ-PASTORB，et al. Novel probabilisticresilienceasessment framewrk transportationnetworksagainstextremewearevents[J].ASCE-ASMEJournalRiskUncertaintyinEngineringSystems，Part A：Civil ，2017，3（3）：04017004.

[9]蘇飛，董宏輝，賈利民，等．基于時空相關(guān)性的城市交通路網(wǎng)關(guān)鍵路段識別[J].交通運(yùn)輸系統(tǒng)工程與信息，2017，17（3）：213-221.

[10]PORTA S，CRUCITTIP，LATORA V.Thenetworkaalysis urbanstrets：Adualapproach[J].PhysicaA：StatisticalMechanics its Applications， 2006，369（2）：853-866.

[11] 王慶國．城市道路重要性評價方法的綜合分析[J].測繪通報，2018（8）：124-127.

[12] 趙妍，李華，王方．基于k-shell的城市路網(wǎng)關(guān)鍵路段識別方法[J].系統(tǒng)工程，2014，32（5）：105-110.

[13] 王立夫，鐘昊男，郭戈．基于擁堵系數(shù)的道路交通網(wǎng)絡(luò)關(guān)鍵路段辨識[J].控制與決策，2023，38（3）：843-849.

[14]LIY，DANGA，HUANGT.EvolutionadministrativedivisioninBeijinganalysisonitsspatialpattrnbasedonGIS [C]//2009 17th International Conference on Geoinformatics. IEEE，2009：1-6.

[15] 鄒文杰，翁劍成，榮建，等．基于空間相關(guān)性分析的路網(wǎng)評價區(qū)域劃分方法[J].北京工業(yè)大學(xué)學(xué)報，2012，38（4）：564-569.

[16] 譚飛剛，劉偉銘，黃玲，等．混合交通交叉路口跨攝像機(jī)自行車再識別研究[J].中國公路學(xué)報，2017，30（5）：132-138.

[17]AL-MOSLMIT，OCANAMG，OPDAHLAL，etal.Namedentityextractionforknowledgegraphs：Aliteratureoverview[J]. IEEE Access，2020（8）：32862-32881.

[18] GIRAYL.Prompt engineringwith ChatGPT：Aguideforacademicwriters[J].AnalsBiomedical，2023，51 （12）：2629-2633.

[19] MARVING，HELLENN，JINGOD，etal.Promptengineringinlarge languagemodels[C]//Internationalconferenceonda ta intelligence cognitive informatics. Singapore： Springer Nature Singapore， 2O23：387-402.

[20] NAJM W G，SMITHJD，YANAGISAWA M.Pre-crash scenario typologyfor crashavoidanceresearch[J].DotHs， 2007，767：25-28.