تعد القيادة العدوانية أحد الأسباب الرئيسة للحوادث المرورية، مما يشكل تهديدًا خطيرًا لسلامة الطرق. وبينما أثبتت أساليب التعلم العميق (Deep Learning) قدرتها على الكشف عن سلوكيات القيادة الخطرة عبر بيانات مستشعرات المركبات، غالبًا ما تكون أداؤها في الظروف الواقعية محدودة بسبب عدم توازن البيانات ومشاكل التنوع الكبير بين السائقين.

في دراسة جديدة، تم تقديم إطار عمل محدث للكشف عن القيادة العدوانية باستخدام إشارات ديناميكية متعددة المتغيرات للمركبة. يختلف هذا النهج عن التقنيات التقليدية، حيث لا يعتمد فقط على القياسات الخام بل يبني ميزات ديناميكية مصممة خصيصًا لالتقاط سلوكيات القيادة مثل التوجيه، التسارع، والكبح.

للتعامل مع الأحداث العدوانية النادرة في بيانات القيادة الطبيعية، تم اقتراح استراتيجية تدريب مستقرة تجمع بين إعادة التوازن للبيانات باستخدام SMOTE وتقنيات خسارة موجهة تعتمد على تصنيف الفئات. كما تم تقييم المخاطر المرتبطة بكشف الأحداث العدوانية من خلال استراتيجية قرار تركز على العتبات المعتمدة على الفئة.

وأظهرت التجارب المكثفة أن الإطار المقترح يتفوق على معايير التعلم العميق التقليدية مع تحسينات ملحوظة في دقة استرجاع الفئة الأقل (Minority Class Recall) ومؤشرات الدقة الحرجة في السلامة، مع الحفاظ على الكفاءة الحسابية العملية. تعد CBANet نقطة تحول في كيفية تحسين سلامة القيادة من خلال التقنيات الحديثة في الذكاء الاصطناعي.