比较使用 GNN 模型和不使用 GNN 模型时，系统对潜在碰撞风险的决策响应时间。
| 场景 | 使用 GNN (毫秒) | 不使用 GNN (毫秒) | 增效 (百分比) |
|---|---|---|---|
| 场景1: 车辆A与车辆B接近 | 50 | 150 | 66.7% |
| 场景2: 行人C横穿马路 | 70 | 200 | 65% |
比较使用 GNN 模型和不使用 GNN 模型时，系统对事故的预防能力。
| 时间段 | 使用 GNN (事故数) | 不使用 GNN (事故数) | 提升 (百分比) |
|---|---|---|---|
| 过去 24 小时 | 2 | 8 | 75% |
评估 GNN 模型对复杂交通场景的理解能力。
模型在复杂路口场景中能更准确识别潜在风险，并预测交通参与者行为意图
可视化分析: 模型注意力机制显示，模型能够关注到复杂场景中的关键区域，例如车辆的行驶轨迹、行人的意图等。
以下是一些测试用例，用于验证系统的功能。
描述: 用户筛选出高风险等级的安全违规事件，验证系统是否能够正确过滤数据。
输入: 风险类型: 安全违规, 风险等级: 高
预期结果: 系统只显示风险类型为安全违规且风险等级为高的事件。
实际结果: (在此处填写实际结果)
通过/失败: (在此处填写通过/失败)
描述: 用户点击某条风险事件，查看详细信息，验证系统是否能够正确显示详细信息。
输入: 风险事件ID: R202401010003
预期结果: 系统显示该风险事件的详细信息，包括风险指标、数值、阈值、受影响组件、潜在影响、缓解策略、相关日志。
实际结果: (在此处填写实际结果)
通过/失败: (在此处填写通过/失败)
描述: 用户筛选过去2小时内在特定经纬度范围内发生的超速事件。
输入: 时间范围: 过去2小时, 经纬度范围: (30.1, 120.1) - (30.2, 120.2)
预期结果: 系统显示符合条件的所有超速事件。
实际结果: (在此处填写实际结果)
通过/失败: (在此处填写通过/失败)