CN109117987B - 一种基于深度学习的个性化交通事故风险预测推荐方法 - Google Patents

一种基于深度学习的个性化交通事故风险预测推荐方法 Download PDF

Info

Publication number
CN109117987B
CN109117987B CN201810790785.5A CN201810790785A CN109117987B CN 109117987 B CN109117987 B CN 109117987B CN 201810790785 A CN201810790785 A CN 201810790785A CN 109117987 B CN109117987 B CN 109117987B
Authority
CN
China
Prior art keywords
traffic accident
data
risk prediction
deep learning
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810790785.5A
Other languages
English (en)
Other versions
CN109117987A (zh
Inventor
范晓亮
陈超
程明
王程
温程璐
郑传潘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201810790785.5A priority Critical patent/CN109117987B/zh
Publication of CN109117987A publication Critical patent/CN109117987A/zh
Application granted granted Critical
Publication of CN109117987B publication Critical patent/CN109117987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：将城市划分为网格区域；计算各网格区域各时段的交通事故数据、交通流量数据、天气特征数据；利用深度学习方法进行模型训练，获得交通事故风险预测模型；根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。本发明利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。

Description

一种基于深度学习的个性化交通事故风险预测推荐方法
技术领域
本发明涉及深度学习技术领域，特别涉及一种基于深度学习的个性化交通事故风险预测推荐方法。
背景技术
近年来，随着社会经济的发展，国民的汽车保有量不断增加，汽车保有量的增加，虽然带来了交通的便利，但同时也造成了道路拥堵，和交通事故的增加，交通事故的增加，不仅会造成人员财产损失，还进一步带来了交通拥堵，通过预测预测城市区域交通事故风险，可以及时为人们出行提供路线建议，绕开易发交通事故区域。
现有工作中，人们已经在交通事故的分析问题上已经做了大量的研究。这些工作大体可以分为两类：一类是对城市交通事故致因因素(驾驶人特征、道路因素、路况、天气因素)进行研究，其之间分析关联性；另一类是利用机器学习、神经网络的方法对道路交通事故进行建模预测，如决策树、随机森林、贝叶斯网络、人工神经网络、卷积神经网络等。
现有的交通事故风险预测方法存在以下缺陷：1)现有的方法主要以传统的机器学习方法为主，难以学习出交通事故致因因素之间高维的非线性的关系；2)现有的方法大多只关注部分封闭路段的交通事故预测，城市级别的交通事故预测较少；3)现有的方法缺乏考虑交通流在空间中邻近区域之间的相关性强，较远区域相关性弱的特点。
发明内容
本发明的目的在于提供一种基于深度学习的个性化交通事故风险预测推荐方法，其利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。
为实现上述目的，本发明采用以下技术方案：
基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：
S1、根据城市道路分布情况，将城市划分为I×J网格区域；
S2、根据历史交通事故数据，计算每起交通事故对应的网格坐标以及各网格区域各时段的交通事故数据；
S3、根据历史交通流量数据，计算各网格区域各时段的交通流量数据；
S4、对天气数据进行特征提取并进行量化，获得天气特征数据；
S5、将所述交通事故数据、交通流量数据及天气特征数据作为输入，利用深度学习方法进行模型训练，获得交通事故风险预测模型；
S6、根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。
优选地，步骤S5具体包括：
S51、选取时刻t的交通流量数据、交通事故数据和天气特征数据进行组合作为输入，选取时刻t+1的交通事故数据作为输出，构建样本并划分为训练集和测试集；
S52、构建深度学习模型并进行训练，所述深度学习模型包括4层卷积神经网络层，4层反卷积神经网络层、4层批规范层和1层全连接层，训练过程中每个卷积神经网络层的输出先进行批规范化再将结果作为下一层的输入；
S53、将训练集输入到深度学习模型中进行训练，将测试集输入到训练好的模型中，得到输出结果并对异常数据进行剔除，最终获得所述交通事故风险预测模型。
优选地，步骤S2具体包括：
S21、提取历史交通事故数据中的关键字段{ID,E,τ,X,Y},其中ID表示交通事故编号，E表示交通事故描述，τ表示报警时间，X表示交通事故所在位置的经度，Y表示交通事故所在位置的纬度；
S22、对历史交通事故数据进行预处理，删除重复、无效记录；
S23、获得每起交通事故对应的网格坐标并映射到网格区域，计算每个网格区域每个时段的交通事故数据S(i,j,t)。
优选地，步骤S3具体包括：
S31、获取历史交通流量数据；
S32、将交通流量检测设备的位置映射到网格区域，计算每个网格区域每个时段的交通流量数据L(i,j,t)。
优选地，步骤S4具体包括：
S41、提取历史天气数据中的天气特征，所述天气特征包括可见度、天气情况及降雨量；
S42、对所述天气特征进行量化，映射到网格区域中，计算每个网格区域每个时段的天气特征数据。
优选地，在所述深度学习模型中，卷积与反卷积过程中均使用补零操作，卷积神经网络层和反卷积神经网络层中使用tanh函数作为激活函数，全连接层使用sigmoid函数作为激活函数。
进一步地，在步骤S6之后还包括以下步骤：
S7、建立驾驶员风险预测模型，结合所述驾驶员风险预测模型和交通事故风险预测模型构建驾驶员交通事故风险预测模型。
优选地，步骤S7中的所述建立驾驶员风险预测模型通过以下方法实现：
根据历史交通事故数据获取驾驶员信息，所述驾驶员信息包括性别信息、年龄信息及驾龄信息，所述年龄信息根据身份证号码关联的出生日期和交通事故发生时间计算得出，所述驾龄信息根据驾驶证时间和交通事故发生时间计算得出；
将每起交通事故和对应的驾驶员信息映射到网格区域；
建立驾驶员风险预测模型，计算每个网格区域每个时段不同特征驾驶员发生交通事故的风险。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。城市的每一个区域交通流与其周围乃至整个城市中的其他区域的交通流均有联系，利用卷积结构学习一个区域与其周围区域甚至更远的区域之间的潜在联系，随着卷积层数的增加，可以学习出城市周围甚至更远的区域对该区域的影响特征，进一步提升了预测结果的准确性。现有技术大多只关注于某一封闭路段的一小部分的事故预测，本发明针对城市级别交通事故风险预测，通过选取历史交通流量数据、交通事故数据、天气特征进行高维特征学习训练模型，从而实现城市级别交通事故风险预测。
附图说明
图1为本发明的流程示意图；
图2为本发明的工作流程图；
图3示出了城市网格区域划分的结果；
图4为交通事故风险预测模型示意图；
图5为深度学习模型训练流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
请参阅图1和图2，本发明公开了一种基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：
S1、根据城市道路分布情况，将城市划分为I×J网格区域(参考图3所示)。
S2、根据历史交通事故数据，计算每起交通事故对应的网格坐标以及各网格区域各时段的交通事故数据。步骤S2具体包括：
S21、提取历史交通事故数据中的关键字段{ID,E,τ,X,Y},其中ID表示交通事故编号，E表示交通事故描述，τ表示报警时间，X表示交通事故所在位置的经度，Y表示交通事故所在位置的纬度。
S22、对历史交通事故数据进行预处理，删除重复、无效记录。
S23、获得每起交通事故对应的网格坐标并映射到网格区域，计算每个网格区域每个时段的交通事故数据S(i,j,t)。
S3、根据历史交通流量数据，计算各网格区域各时段的交通流量数据。步骤S3具体包括：
S31、获取历史交通流量数据。
S32、将交通流量检测设备的位置映射到网格区域，计算每个网格区域每个时段的交通流量数据L(i,j,t)。
S4、对天气数据进行特征提取并进行量化，获得天气特征数据。步骤S4具体包括：
S41、提取历史天气数据中的天气特征，天气特征包括可见度、天气情况及降雨量。
S42、对天气特征进行量化，映射到网格区域中，计算每个网格区域每个时段的天气特征数据。
S5、将交通事故数据、交通流量数据及天气特征数据作为输入，利用深度学习方法进行模型训练，获得交通事故风险预测模型。配合图4和图5所示，步骤S5具体包括：
S51、选取时刻t的交通流量数据、交通事故数据和天气特征数据进行组合作为输入，选取时刻t+1的交通事故数据作为输出，构建样本并划分为训练集和测试集。选取t时刻的网格区域(i,j)交通流量数据，记为L(i,j,t)；选取t时刻的网格区域(i,j)交通事故数据，记为S(i,j,t)；选取t时刻的网格区域(i,j)天气特征数据，可见度记为V(i,j,t)，天气情况记为W(i,j,t)，降雨量记为P(i,j,t)；时刻t的交通流量数据、交通事故数据和天气特征数据进行组合后作为输入，记为X(i,j,t)＝{L(i,j,t),S(i,j,t),V(i,j,t),W(i,j,t),P(i,j,t)}；时刻t+1的交通事故数据作为输出，记为S(i,j,t+1)；构建的样本记为{X(i,j,t)，S(i,j,t+1)}。在本实施例中，按8：2的比例将样本分为训练集和测试集。
S52、构建深度学习模型并进行训练，深度学习模型包括4层卷积神经网络层，4层反卷积神经网络层、4层批规范层和1层全连接层。该深度学习模型为13层网络，前12层由卷积自编码层和批规范层构成，针对每一层卷积自编码层的训练，保留其中的自编码层和批规范层，去除其中的解码层。
在模型训练过程中每个卷积神经网络层的输出先进行批规范化再将结果作为下一层的输入，具体通过以下公式实现：
Figure GDA0002625198700000061
Figure GDA0002625198700000062
Figure GDA0002625198700000063
Figure GDA0002625198700000064
在上述公式中，公式(1)求卷积输出xi的均值，公式(2)计算出其方差；公式(3)对卷积输出xi进行标准化；公式(4)训练参数γ(缩放)和β(平移)，使得模型训练效率更高，从而最终得到批规范化后的yi。在卷积网络中，在做非线性变换前的激活输入值随着深度的加深或在训练过程中，分布会逐渐发生偏移，从而导致收敛变慢，训练时间大大加长，通过对激活输入值进行批规范化，把每层神经网络任意神经元这个输入值强行拉回到均值会0方差为1的标准正态分布，使学习收敛速度加快，从而大大加快训练速度。
在深度学习模型中，卷积与反卷积过程中均使用补零操作，卷积神经网络层和反卷积神经网络层中使用tanh函数作为激活函数，全连接层使用sigmoid函数作为激活函数。
在深度学习模型中，主要分为5个模块进行训练，首先训练第一个卷积自编码网络，并提取卷积自编码网络的编码层，然后训练第二个卷积自编码层，其输入为第一个卷积自编码层的结果，并提取该训练模块的编码层，第三、第四模块的训练与第一、第二模块类似；最后一个模块是将前面四个模块连接起来，并使用全连接层进行训练，调节整个网络的参数。每一个模块的训练均采用Adam函数作为激活函数，损失函数采用MSE，有：
Figure GDA0002625198700000071
其中，Xi表示每一个降噪卷积自编码层的输入值，
Figure GDA0002625198700000072
表示经降噪卷积自编码学习的特征值，s表示样本数，M,N为网格的行数和列数。
把训练集输入预测模型中进行训练，根据验证集选取MSE最小的模型作为最终的交通流量数据和事故数据的融合特征提取模型，通过利用提取的融合特征进行模型训练。
上述训练过程具体通过以下方法实现：
a、构造第一个降噪卷积自编码，将交通流量数据和交通事故数据融合做为X，对X加入噪声作为输入X′，并以X作为目标输出，先进行卷积操作，并对每一步卷积操作的结果进行批规范化，并进行激活池化，学习出其中的特征变化
Figure GDA0002625198700000073
Figure GDA0002625198700000074
Figure GDA0002625198700000075
将得到的
Figure GDA0002625198700000076
得进行特征重构,即进行反卷积操作，可以得到下式:
Figure GDA0002625198700000077
Figure GDA0002625198700000078
Figure GDA0002625198700000079
然后计算输入样本X与特征重构出来的Y1之间的MSE，通过BP算法优化，并选取
Figure GDA00026251987000000710
层；
b、对第一个训练的得到的隐含层
Figure GDA00026251987000000711
加入噪声作为输入
Figure GDA00026251987000000712
并以
Figure GDA00026251987000000713
做为目标输出，首先进行反卷积操作，学习出其中的特征变化
Figure GDA00026251987000000714
Figure GDA0002625198700000081
Figure GDA0002625198700000082
将得到的
Figure GDA0002625198700000083
再进行卷积操作，得到下式：
Figure GDA0002625198700000084
Figure GDA0002625198700000085
Figure GDA0002625198700000086
然后计算输入样本
Figure GDA0002625198700000087
与特征重构出来的Y1之间的MSE，通过BP算法优化，并选取
Figure GDA0002625198700000088
层；
c、同a、b方法，计算出
Figure GDA0002625198700000089
最后对
Figure GDA00026251987000000810
加入噪声作为最后全连接层的输入
Figure GDA00026251987000000811
得到下式子：
Figure GDA00026251987000000812
将计算的输出Y与网格区域交通事故数S之间的MSE，通过BP算法优化，得到预测模型；
d、最终对于输入Xt，整个栈式降噪卷积自编码网络模型的计算公式如下所示：
Figure GDA00026251987000000813
Figure GDA00026251987000000814
Figure GDA00026251987000000815
Figure GDA0002625198700000091
Figure GDA0002625198700000092
Figure GDA0002625198700000093
Figure GDA0002625198700000094
Figure GDA0002625198700000095
Figure GDA0002625198700000096
式中，
Figure GDA0002625198700000097
中H表示隐含层，右小角1_1中第一个值表示第n个自编码器，第二个值表示第n自编码器的第m个卷积或反卷积层；F1_1中F表示激活函数；BN1_1中BN表示批规范化(batch normalization)；
Figure GDA0002625198700000098
中W表示卷积的卷积权重，
Figure GDA0002625198700000099
中
Figure GDA00026251987000000910
表示反卷积的卷积权重，
Figure GDA00026251987000000911
中B表示偏置。
S53、将训练集输入到深度学习模型中进行训练，将测试集输入到训练好的模型中，得到输出结果并对异常数据进行剔除，最终获得交通事故风险预测模型。
本发明将网格区域交通事故、交通流量、天气特征等维度数据作为输入，利用深度学习方法进行预训练，构建输入数据的网格区域的高维特征提取，对模型进行训练，提取出交通流量、交通事故和天气特征的融合数据的特征表示，再结合网格事故记录建立预测模型，选取平均绝对误差最小模型的为最佳预测模型，这样就可以实现后续对交通事故风险进行预测，提升预测结果的准确性。
S6、根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。
鉴于驾驶员的自身情况同样是影响交通事故发生的因素，本实施例中在步骤S6之后还包括以下步骤：
S7、建立驾驶员风险预测模型，结合驾驶员风险预测模型和交通事故风险预测模型构建驾驶员交通事故风险预测模型。
优选地，步骤S7中的建立驾驶员风险预测模型通过以下方法实现：
根据历史交通事故数据获取驾驶员信息，驾驶员信息包括性别信息、年龄信息及驾龄信息，年龄信息根据身份证号码关联的出生日期和交通事故发生时间计算得出，驾龄信息根据驾驶证时间和交通事故发生时间计算得出；
将每起交通事故和对应的驾驶员信息映射到网格区域；
建立驾驶员风险预测模型，计算每个网格区域每个时段不同特征驾驶员发生交通事故的风险。
这样，当获取驾驶员的性别、年龄、驾龄信息，则可个性化得到不同区域不同时刻的驾驶员交通事故风险。
如下表所示的是同等条件下，采用不同模型进行预测的结果：
算法 MAE MRE
LR 1.120 0.996
RF 1.095 0.970
DT 1.081 0.939
LN 0.192 0.929
SDAE 0.115 0.879
SDCAE+BN 0.092 0.796
表中，LR-逻辑回归，RF-随机森林，DT-决策树，LN-线性回归，SDAE-栈式降噪自编码，SDCAE-栈式降噪卷积自编码。通过实验可以看出，SDCAE的误差比传统的机器学习方法和SDAE更低，证明SDCAE进行预测事故风险更加准确。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，包括以下步骤：
S1、根据城市道路分布情况，将城市划分为I×J网格区域；
S2、根据历史交通事故数据，计算每起交通事故对应的网格坐标以及各网格区域各时段的交通事故数据；
S3、根据历史交通流量数据，计算各网格区域各时段的交通流量数据；
S4、对天气数据进行特征提取并进行量化，获得天气特征数据；
S5、将所述交通事故数据、交通流量数据及天气特征数据作为输入，利用深度学习方法进行模型训练，获得交通事故风险预测模型；
步骤S5具体包括以下分步骤：
S51、选取时刻t的交通流量数据、交通事故数据和天气特征数据进行组合作为输入，选取时刻t+1的交通事故数据作为输出，构建样本并划分为训练集和测试集；
S52、构建深度学习模型并进行训练，所述深度学习模型包括4层卷积神经网络层，4层反卷积神经网络层、4层批规范层和1层全连接层，训练过程中每个卷积神经网络层的输出先进行批规范化再将结果作为下一层的输入，该深度学习模型为13层网络，前12层由卷积自编码层和批规范层构成，针对每一层卷积自编码层的训练，保留其中的自编码层和批规范层，去除其中的解码层；
在所述深度学习模型中，卷积与反卷积过程中均使用补零操作，卷积神经网络层和反卷积神经网络层中使用tanh函数作为激活函数，全连接层使用sigmoid函数作为激活函数；
在深度学习模型中，主要分为5个模块进行训练，首先训练第一个卷积自编码网络，并提取卷积自编码网络的编码层，然后训练第二个卷积自编码层，其输入为第一个卷积自编码层的结果，并提取该训练模块的编码层，第三、第四模块的训练与第一、第二模块类似；最后一个模块是将前面四个模块连接起来，并使用全连接层进行训练，调节整个网络的参数；每一个模块的训练均采用Adam函数作为激活函数，损失函数采用MSE，有：
Figure FDA0002625198690000021
其中，X_i表示每一个降噪卷积自编码层的输入值，(X_i)表示经降噪卷积自编码学习的特征值，s表示样本数，M,N为网格的行数和列数；
把训练集输入预测模型中进行训练，根据验证集选取MSE最小的模型作为最终的交通流量数据和事故数据的融合特征提取模型，通过利用提取的融合特征进行模型训练；
S53、将训练集输入到深度学习模型中进行训练，将测试集输入到训练好的模型中，得到输出结果并对异常数据进行剔除，最终获得所述交通事故风险预测模型；
S6、根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。
2.根据权利要求1所述的一种基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，步骤S2具体包括：
S21、提取历史交通事故数据中的关键字段{ID,E,τ,X,Y},其中ID表示交通事故编号，E表示交通事故描述，τ表示报警时间，X表示交通事故所在位置的经度，Y表示交通事故所在位置的纬度；
S22、对历史交通事故数据进行预处理，删除重复、无效记录；
S23、获得每起交通事故对应的网格坐标并映射到网格区域，计算每个网格区域每个时段的交通事故数据S_((i,j,t))。
3.根据权利要求1所述的一种基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，步骤S3具体包括：
S31、获取历史交通流量数据；
S32、将交通流量检测设备的位置映射到网格区域，计算每个网格区域每个时段的交通流量数据L_((i,j,t))。
4.根据权利要求1所述的一种基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，步骤S4具体包括：
S41、提取历史天气数据中的天气特征，所述天气特征包括可见度、天气情况及降雨量；
S42、对所述天气特征进行量化，映射到网格区域中，计算每个网格区域每个时段的天气特征数据。
5.根据权利要求1所述的一种基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，在步骤S6之后还包括以下步骤：
S7、建立驾驶员风险预测模型，结合所述驾驶员风险预测模型和交通事故风险预测模型构建驾驶员交通事故风险预测模型。
6.根据权利要求5所述的一种基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，步骤S7中的所述建立驾驶员风险预测模型通过以下方法实现：
根据历史交通事故数据获取驾驶员信息，所述驾驶员信息包括性别信息、年龄信息及驾龄信息，所述年龄信息根据身份证号码关联的出生日期和交通事故发生时间计算得出，所述驾龄信息根据驾驶证时间和交通事故发生时间计算得出；
将每起交通事故和对应的驾驶员信息映射到网格区域；
建立驾驶员风险预测模型，计算每个网格区域每个时段不同特征驾驶员发生交通事故的风险。
CN201810790785.5A 2018-07-18 2018-07-18 一种基于深度学习的个性化交通事故风险预测推荐方法 Active CN109117987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810790785.5A CN109117987B (zh) 2018-07-18 2018-07-18 一种基于深度学习的个性化交通事故风险预测推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810790785.5A CN109117987B (zh) 2018-07-18 2018-07-18 一种基于深度学习的个性化交通事故风险预测推荐方法

Publications (2)

Publication Number Publication Date
CN109117987A CN109117987A (zh) 2019-01-01
CN109117987B true CN109117987B (zh) 2020-09-29

Family

ID=64862188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810790785.5A Active CN109117987B (zh) 2018-07-18 2018-07-18 一种基于深度学习的个性化交通事故风险预测推荐方法

Country Status (1)

Country Link
CN (1) CN109117987B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784017B (zh) * 2019-04-03 2023-10-17 交通运输部公路科学研究所 一种基于路况因素回归分析的公路交通事故数量预测方法
CN110009046B (zh) * 2019-04-09 2023-03-10 中通服公众信息产业股份有限公司 一种基于大数据的城市社区安全预测方法
CN110378823A (zh) * 2019-06-13 2019-10-25 同济大学 一种基于多元数据的警力配置算法
CN110852529A (zh) * 2019-11-20 2020-02-28 软通动力信息技术有限公司 一种城市部件风险预测方法、装置、服务器和存储介质
CN111598482B (zh) * 2020-05-26 2023-08-08 中国国家铁路集团有限公司 一种铁路运输安全评估方法、装置及计算机设备
CN111915881B (zh) * 2020-06-11 2022-09-02 西安理工大学 一种基于变分自动编码器的小样本交通流量预测方法
CN111723942B (zh) * 2020-06-29 2024-02-02 南方电网科学研究院有限责任公司 一种企业用电负荷预测方法、电网业务子系统及预测系统
CN111882122A (zh) * 2020-07-16 2020-11-03 成都市高博汇科信息科技有限公司 一种基于深度学习和时空大数据的交通事故黑点预测方法
CN111798662A (zh) * 2020-07-31 2020-10-20 公安部交通管理科学研究所 一种基于时空网格化数据的城市交通事故预警方法
CN112053561B (zh) * 2020-09-11 2021-11-23 深兰人工智能芯片研究院（江苏）有限公司 非监控路段判断与定位交通事故的方法、系统及装置
CN112562337B (zh) * 2020-12-10 2022-05-13 之江实验室 一种基于深度学习的高速公路实时交通事故风险评估方法
CN112862240B (zh) * 2020-12-30 2022-05-17 厦门大学 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质
CN113053123B (zh) * 2021-03-23 2022-10-28 长安大学 一种基于时空大数据的交通量预测方法及装置
CN113112794A (zh) * 2021-03-31 2021-07-13 四川省气象服务中心(四川省专业气象台 四川省气象影视中心) 基于时空气象网格的交通事故发生率预测方法
CN113192325B (zh) * 2021-04-19 2022-06-24 银江技术股份有限公司 一种交通事件相关性分析方法及系统
CN113379187B (zh) * 2021-04-29 2023-01-10 武汉理工大学 一种交通气象灾害评估方法、装置及计算机可读存储介质
CN113256014B (zh) * 2021-06-02 2021-10-22 沸蓝建设咨询有限公司 一种5g通信工程智能检测系统
CN114139984A (zh) * 2021-12-03 2022-03-04 哈尔滨工程大学 基于流量与事故协同感知的城市交通事故风险预测方法
CN115482665B (zh) * 2022-09-13 2023-09-15 重庆邮电大学 一种知识与数据协同驱动的多粒度交通事故预测方法及装置
CN116778733B (zh) * 2022-11-26 2024-06-25 南京中科启明星软件有限公司 一种基于大数据的高速公路导航语音预警方法及系统
CN117521882B (zh) * 2023-11-02 2024-05-24 昆明理工大学 基于集成学习模型预测城市轨道交通事故后果的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
CN103646534A (zh) * 2013-11-22 2014-03-19 江苏大学 一种道路实时交通事故风险控制方法
CN104732075A (zh) * 2015-03-06 2015-06-24 中山大学 一种城市道路交通事故风险实时预测方法
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN108198415A (zh) * 2017-12-28 2018-06-22 同济大学 一种基于深度学习的城市快速路事故预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
CN103646534A (zh) * 2013-11-22 2014-03-19 江苏大学 一种道路实时交通事故风险控制方法
CN104732075A (zh) * 2015-03-06 2015-06-24 中山大学 一种城市道路交通事故风险实时预测方法
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN108198415A (zh) * 2017-12-28 2018-06-22 同济大学 一种基于深度学习的城市快速路事故预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《A Deep Learning Approach to the Prediction of Short-term Traffic Accident Risk》;Honglei Ren. et al.;《arXiv:1710.09543(2017)》;20171026;论文第1-5章 *
《A model of traffic accident prediction based on convolutional neural network》;Lu Wenqi. et al.;《2017 2nd IEEE International Conference on Intelligent Transportation Engineering》;20171005;第198-201页 *
《Stacked Convolutional Auto-Encoders for Hierarchical Feature Extraction》;Jonathan Masci.et al.;《ICANN 2011》;20111231;第52-59页 *
Honglei Ren. et al..《A Deep Learning Approach to the Prediction of Short-term Traffic Accident Risk》.《arXiv:1710.09543(2017)》.2017,论文第1-4节. *

Also Published As

Publication number Publication date
CN109117987A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
CN109117987B (zh) 一种基于深度学习的个性化交通事故风险预测推荐方法
CN110070713B (zh) 一种基于双向嵌套lstm神经网络的交通流预测方法
CN110415516B (zh) 基于图卷积神经网络的城市交通流预测方法及介质
CN112289034A (zh) 基于多模态时空数据的深度神经网络鲁棒交通预测方法
CN110473592B (zh) 一种多视角人类协同致死基因预测方法
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN110766942A (zh) 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
CN105160400A (zh) 基于l21范数的提升卷积神经网络泛化能力的方法
CN109635010B (zh) 一种用户特征及特征因子抽取、查询方法和系统
CN113343563B (zh) 基于样本自动选择与地表形变速率的滑坡易发性评价方法
CN110570035B (zh) 同时建模时空依赖性和每日流量相关性的人流量预测系统
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN112966871A (zh) 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
CN112766600B (zh) 一种城市区域人群流量预测方法及系统
CN113592007B (zh) 一种基于知识蒸馏的不良图片识别系统、方法、计算机及存储介质
CN111738044A (zh) 一种基于深度学习行为识别的校园暴力评估方法
Zhang et al. Surface and high-altitude combined rainfall forecasting using convolutional neural network
CN112529284A (zh) 基于神经网络的私家车停留时间预测方法、设备及介质
CN116933946A (zh) 一种基于客流去向结构的轨道交通od客流预测方法及系统
CN117233869B (zh) 一种基于GRU-BiTCN的站点短期风速预测方法
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN113591608A (zh) 一种基于深度学习的高分辨率遥感影像不透水面提取方法
CN117436653A (zh) 一种网约车出行需求的预测模型构建方法和预测方法
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN116206214A (zh) 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、系统、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant