| 参与者ID | 类型 | 速度 | 经度 | 纬度 | 风险评分 |
|---|---|---|---|---|---|
| P001 | 车辆 | 60 km/h | 121.4737 | 31.2304 | 0.2 |
| P002 | 行人 | 5 km/h | 121.4740 | 31.2305 | 0.8 |
| P003 | 自行车 | 15 km/h | 121.4735 | 31.2303 | 0.5 |
| 参与者ID | 预测行为 | 置信度 |
|---|---|---|
| P002 | 横穿马路 | 0.9 |
| P001 | 保持当前车道 | 0.7 |
| 风险类型 | 风险等级 | 描述 | 缓解措施 |
|---|---|---|---|
| 行人横穿马路 | 高 | 行人未观察交通信号灯，突然横穿马路。 | 自动紧急制动 |
| 车辆超速 | 中 | 车辆行驶速度超过限速标准。 | 减速警告 |
数据来源于车载传感器（摄像头、雷达）和高精地图。数据经过预处理、特征提取等步骤，最终输入GNN模型进行预测。
数据处理流程：传感器数据 -> 数据预处理 -> 特征提取 -> 关系构建 -> GNN模型预测 -> 行为决策 -> 车辆控制。
测试场景包括各种交通状况、天气状况、道路类型等。通过模拟不同的场景，评估GNN模型的预测能力。
| 测试用例ID | 场景描述 | 输入数据 | 预期结果 | 实际结果 | 状态 |
|---|---|---|---|---|---|
| TC001 | 晴天，正常交通流量，行人横穿马路 | 摄像头数据、雷达数据、高精地图 | GNN模型预测到行人横穿马路，车辆采取避让措施 | GNN模型预测到行人横穿马路，车辆采取避让措施 | 通过 |
| TC002 | 雨天，低交通流量，车辆超速行驶 | 摄像头数据、雷达数据、高精地图 | GNN模型预测到车辆超速行驶，发出减速警告 | GNN模型预测到车辆超速行驶，发出减速警告 | 通过 |
| TC003 | 夜间，高交通流量，多车道变道 | 摄像头数据、雷达数据、高精地图 | GNN模型预测到多车道变道风险，调整车辆行驶策略 | - | 待测试 |
评估GNN模型在增效、提质、创新方面的表现。