本文介绍了一种高质量的安全服装和头盔数据集，旨在提升工人安全。研究开发了ShieldLM安全检测器，支持可定制检测规则，表现优异。同时，提出了AccidentBlip2模型用于交通事故预测，以及YOLO v7算法用于识别建筑工人安全装备，增强安全合规性。研究表明，多模态技术能有效改善安全管理，推动交通安全与执法系统的发展。

本研究提出了多种基于深度学习的交通事故预测模型，包括图卷积网络、循环神经网络和贝叶斯神经网络，旨在提高事故预测的准确性和效率。通过分析人类轨迹和交通状态，模型有效捕捉社交互动和随机目标的影响，并在多个数据集上验证了其优越性能，为改善城市交通管理和安全提供了重要支持。

本文探讨了利用图神经网络和空间语义场景图来预测自动驾驶中的交通参与者关系，从而提高加速度和减速度的预测准确性。研究表明，图神经网络在交通事故预测中的准确率高达87%。此外，提出了一种基于图卷积网络的交通场景分类方法，展示了其在复杂场景理解中的潜力。

本文提出了一种基于贝叶斯网络的交通事故预测框架，通过天气和交通事件之间的因果关系预测交通事故并展示透明关系。网络可视化简化了变量关系分析，揭示了交通事故主要原因，为减少交通事故提供了参考。