模拟从车载传感器收集的数据，包括周围车辆的位置、速度等信息。
基于GNN模型的行为预测结果，包括交通参与者的意图、置信度等信息。
| 参与者ID | 类型 | 预测行为 | 置信度 | 风险评分 | 操作 |
|---|
数据来源：模拟GNN模型预测结果，根据历史行为和交通规则推断。
基于行为预测和传感器数据生成的安全、舒适的行驶路径。
数据来源： 模拟路径规划算法，根据行为预测和环境数据生成路径点。
基于行为预测和路径规划的风险评估报告，包括潜在风险和应对措施。
数据来源： 模拟风险评估算法，根据行为预测和路径规划计算风险等级。
采集方式: 通过车载摄像头实时采集视频流。
数据表: video_streams, video_frames
| 字段 | 描述 | 示例数据 |
|---|---|---|
| stream_id | 视频流唯一ID | "a1b2c3d4-e5f6-7890-1234-567890abcdef" |
| camera_id | 摄像头ID | "front_camera" |
| file_name | 视频文件名 | "20240101_120000.mp4" |
| storage_path | 存储路径 | "/data/videos/20240101_120000.mp4" |
| resolution | 分辨率 | "1920x1080" |
| frame_rate | 帧率 | 30.00 |
| codec | 编码格式 | "H.264" |
| start_time | 视频开始时间 | "2024-01-01 12:00:00" |
| end_time | 视频结束时间 | "2024-01-01 12:10:00" |
| timestamp | 记录时间戳 | "2024-01-01 12:00:00" |
| frame_id | 帧唯一ID | "f1g2h3i4-j5k6-l7m8-n9o0-p1q2r3s4t5u6" |
| frame_number | 帧序号 | 1 |
| roi_x | ROI区域的X坐标 | 100 |
| roi_y | ROI区域的Y坐标 | 200 |
| roi_width | ROI区域的宽度 | 300 |
| roi_height | ROI区域的高度 | 400 |
生成方式: 通过对视频流进行分析，识别和跟踪交通参与者，并建立他们之间的关系。
相关数据表: traffic_participants, traffic_interactions
示例数据生成方式: 模拟车辆、行人、自行车等交通参与者的位置、速度等信息，以及他们之间的交互关系。例如：
生成方式: 使用GNN模型对交通参与者的未来行为进行预测。
输入数据: 交通参与者的历史行为数据、交通规则、环境信息等。
输出数据: 交通参与者的未来行为、置信度等。
示例数据生成方式: 模拟GNN模型预测结果，例如：