CN111798662A - 一种基于时空网格化数据的城市交通事故预警方法 - Google Patents

Abstract

本发明提供一种基于时空网格化数据的城市交通事故预警方法，其可以提供更及时全面的预警信息，同时预警信息可以作为公共信息，无论车辆本身是否安装传感器都可以对目标车辆进行预警以及为交通管理部门提供服务。本发明技术方案中，融合卡口数据、车辆GPS数据和天气数据等多种基础数据，结合待检测地区的交通事故数据，同时，基于生成式对抗神经网络解决数据缺失和正负样本分布不均衡问题，最后基于长短期记忆神经网络算法构建交通事故预测模型，对指定时间的交通事故进行预测。

Description

一种基于时空网格化数据的城市交通事故预警方法

技术领域

本发明涉及智能交通控制技术领域，具体为一种基于时空网格化数据的城市交通事故预警方法。

背景技术

随着智能交通控制的飞速发展，针对交通事故风险预警的研究和应用也在展开。现有的交通事故风险预警方法主要是围绕驾驶人、单个行驶车辆进行，利用汽车自带的传感器如毫米波雷达、摄像头设备等收集车辆运行状态和路侧环境状态等风险研判相关数据，采用机器学习等信息融合方法确定事故风险并进行预警；现有的事故风险预警方法仅对前车和本车的车辆状态进行感知，因此预警结果具有较大的滞后性和片面性；同时，对于未安装传感器的车辆无法对其运行风险进行有效研判；最后，该方法的应用对象仅局限于驾驶人，无法为交通管理部门的事故预防工作提供决策支持。

发明内容

为了解决现有的交通事故预警方法依存于车辆自带传感器，仅为驾驶人个人提供预警信息，且风险预警存在滞后性和片面性的问题，本发明提供一种基于时空网格化数据的城市交通事故预警方法，其可以提供更及时全面的预警信息，同时预警信息可以作为公共信息，无论车辆本身是否安装传感器都可以对目标车辆进行预警以及为交通管理部门提供服务。

本发明的技术方案是这样的：一种基于时空网格化数据的城市交通事故预警方法，其包括以下步骤：

S1：获取待检测地区的地图信息；

其特征在于，其还包括以下步骤：

S2：基于Geohash算法对所述待检测地区地图进行分区，获得N*N维的区块，记做待检测地区地图分区；获得所述待检测地区地图分区对应的Geohash编码；

S3：设置一个时间段为抽取时间，将所述抽取时间分为M份，获得M个抽取子时间；将M个所述抽取子时间与N*N维的所述待检测地区地图分区匹配，获得M个N*N维的时空矩阵Matrix；

S4：获取所述待检测地区内的综合基础数据；

所述综合基础数据包括：卡口数据、天气数据、GPS速度数据；

所述天气数据包括：降雨量、能见度；

所述卡口数据包括：每个所述卡口测量的流量数据，记做待分析卡口流量数据；

S5：将所述综合基础数据在时间上所述抽取时间同步分割，获得M份综合基础数据子集；

将所有所述综合基础数据子集根据其对应的GPS信息、时间信息，匹配填入到所述时空矩阵Matrix对应元素中，获得综合基础数据时空矩阵A；

所述综合基础数据子集填入对应的所述综合基础数据时空矩阵A时，矩阵中任何一项数据为空，则填入0；

S6：构建交通事故时空矩阵；

获取所述待检测地区内、所述抽取时间内的交通事故数据集，按照所述交通事故数据集对应的发生时间、发生地点的GPS数据信息，用数值1匹配填入到所述所述时空矩阵Matrix中，获得交通事故时空矩阵B；

所述交通事故时空矩阵B中数值为空的元素，填入0；

S7：基于生成式对抗网络构建样本重构网络模型；

S8：基于所述样本重构网络模型抽重构原始样本数据集，生成训练数据集和预测数据集；其包括以下步骤：

a1：将所述综合基础数据时空矩阵A、所述交通事故时空矩阵B横向拼接，形成M个N*2N维的所述原始样本数据集；

a2：将所述原始样本数据集输入到所述样本重构网络模型中，获得M个N*2N个重构后样本数据集；

a3：将所述重构后样本数据集再次进行拆分，形成M个N*N维重构后综合基础数据时空矩阵、M个N*N维重构后交通事故时空矩阵；

a4：将所述重构后综合基础数据时空矩阵、所述重构后交通事故时空矩阵分别以当下时间m为分界进行拆分；当下时间m及以前时刻的数据构成了所述训练数据集，当下时间m及以后时刻的数据构成所述预测数据集；

S8：基于长短期记忆神经网络算法构建交通事故预测模型；

S9：将所述训练数据集输入到所述交通事故预测模型中，对所述交通事故预测模型进行训练，得到训练好的所述交通事故预测模型；

S10:将所述预测用基础数据集输入到训练好的所述交通事故预测模型中，即可得到所述待检测地区内的事故预测结果。

其进一步特征在于：

所述样本重构网络模型基于生成网络和判别网络相互博弈，最终让所述生成网络的模型学习到真实数据分布；所述生成式网络是以伪造分布形态类似于真实样本的数据为目标，所述判断别网络的目标是区别真实数据和生成的伪造数据。所述样本重构网络模型包括：生成器G、判别器D，在给定生成器G的情况下，来优化判别器D；训练所述判别器的过程也是最小化交叉熵的过程，所述样本重构网络模型的损失函数的数学表达式为：

式中，P_r表示真实的数据类；P_g为生成的数据类；

步骤a2中，将所述原始样本数据集输入到所述样本重构网络模型中，获得所述重构后样本数据集的操作步骤；具体包括如下步骤：

a21：设：所述原始样本数据集的所述抽取时间的起始时刻为：Traing_B，终止时刻为Traing_E；

在Traing_B和Traing_E之间，任取一个时刻Traing_t；

a22：设当前时刻为Traing_t,将Traing_t时刻对应的拼接后所述原始样本数据集输入到所述样本重构网络模型的卷积层得到一组输出，记做：训练用基准数据矩阵；

a23：将随机生成的正态分布矩阵输入到所述样本重构网络模型的所述生成器G，得到另一组输出，记做：训练用对比数据矩阵；

a24：基于所述判别器D对比两组输出做真伪判断；

如果所述判别器D判断所述训练用基准数据矩阵和所述训练用对比数据矩阵不相同，则对所述生成器G和所述判别器D的参数进行调节；然后循环执行步骤a21～a24；

否则，执行步骤a25；

a25:获得训练好的所述样本重构网络模型；

a26：将一组正态分布随机样本集输入到训练好的所述样本重构网络模型的所述生成器G中，对所述综合基础数据时空矩阵A、所述交通事故时空矩阵B中缺失的元素进行重构补全，输出M个N*2N维所述重构后样本数据集；

步骤a3中，将所述重构后样本数据集再次进行拆分时，采取横向拆分：

设：所述重构后样本数据集为S：

其中，x_i为N*N维所述重构后综合基础数据时空矩阵{x₁,x₂,…,x_M},

y_i个为N*N维所述重构后交通事故时空矩阵{y₁,y₂,…,y_M}；

步骤a4中，将所述重构后综合基础数据时空矩阵以当下时间m为分界，拆分为训练用基础数据集、预测用基础数据集；所述训练用基础数据集为当下时间m及以前时刻的数据，当下时间m及以后时刻的数据为所述预测用基础数据集；

将所述重构后交通事故时空矩阵以当下时间m为分界，拆分为训练用交通事故数据集、验证用交通事故数据集；所述训练用交通事故数据集为当下时间m及以前时刻的数据，当下时间m及以后时刻的数据为所述验证用交通事故数据集；

则，所述训练数据集包括：

所述训练用基础数据集{x₁,x₂,…,x_m}、所述训练用交通事故数据集{y₁,y₂,…,y_m}；

所述预测数据集包括：

所述预测用基础数据集{x_m,x_m+1,...,x_M}、所述验证用交通事故数据集{y_m,y_m+1,...,y_M}；

步骤S5中，所述综合基础数据时空矩阵A表示为：

其中，A_ij为综合基础数据时空矩阵A的元素，设，A_ij对应的待检测地区地图分区内，共有k个卡口，则第i个时间步的时空矩阵内第j行、第k列的矩阵元素对应l个卡口Door_ijk；

则：q表示卡口Door_ijk的流量数据平均值，q_i表示卡口Door_ijk测量的每一条流量数据，v表示卡口Door_ijk对应的z个GPS数据速度的平均值，q_i为卡口Door_ijk测量每一个GPS数据速度，pre为A_ij对应的地图区块的在第i个时间步内的降水量，vism为A_ij对应的地图区块的在第i个时间步内的能见度。

本发明提供的一种基于时空网格化数据的城市交通事故预警方法中，融合卡口数据、车辆GPS数据和天气数据等多种基础数据，结合待检测地区的交通事故数据，基于长短期记忆神经网络算法构建交通事故预测模型，对指定时间的交通事故进行预测；本发明的技术方案中中，对于交通事故的预测不依赖于车辆本身的传感器等硬件配置，而是以待检测地区的多种基础数据为基础进行预测，预测结果更具宏观性和全面性；同时，基于生成式对抗神经网络解决数据缺失和正负样本分布不均衡问题，使预测结果准确定更高，以及适用于基础数据、历史数据分布不均的各种场景，确保了本发明技术方案更具实用性。。

附图说明

图1为基于Geohash算法的二进制编码原理示意图；

图2为综合基础数据时空矩阵构建原理示意图；

图3为基于生成式对抗网络实现样本数据重构原理图；

图4为LSTM部分展开原理示意图；

图5为本发明技术方案中数据流转示意图。

具体实施方式

如图1～图5所示，本发明一种基于时空网格化数据的城市交通事故预警方法，其包括以下步骤。

S1：获取待检测地区的地图信息；

S2：基于Geohash算法对待检测地区地图进行分区，获得N*N维的区块，记做待检测地区地图分区；根据经纬度作二进制编码，二进制编码以经度、纬度轮流平分的方式编码，获得待检测地区地图分区对应的Geohash编码；

如图1所示，Geohash算法原理是对整个地图或某个区域进行划分，根据经纬度作二进制编码，二进制编码以经度、纬度轮流平分的方式编码；或经度纬度分别逐级二分，然后交叉合并二进制编码，最后将二进制编码转换为32进制编码排列形成Geohash编码；

具体实施的时候，划定需要进行交通流量预测的待检测地区的正方形地图区域，根据Geohash算法对每块区域进行分区编码。

S3：设置一个时间段为抽取时间，将抽取时间分为M份，获得M个抽取子时间；将M个抽取子时间与N*N维的待检测地区地图分区匹配，获得M个N*N维的时空矩阵Matrix；

S4：获取待检测地区内的综合基础数据；

综合基础数据包括：卡口数据、天气数据、GPS速度数据；

天气数据包括：降雨量、能见度；

卡口数据包括：每个卡口测量的流量数据，记做待分析卡口流量数据；

S5：将综合基础数据在时间上抽取时间同步分割，获得M份综合基础数据子集；

将所有综合基础数据子集根据其对应的GPS信息、时间信息，匹配填入到时空矩阵Matrix对应元素中，获得综合基础数据时空矩阵A；

具体实施时，卡口数据、GPS速度数据、天气数据都有其对应的GPS信息，根据GPS信息中的经纬度基于Geohash算法进行分区编码，然后根据编码信息将数据匹配到相应的地图区块上，即匹配填入到时空矩阵Matrix对应元素中，获得综合基础数据时空矩阵A。

综合基础数据子集填入对应的综合基础数据时空矩阵A时，矩阵中任何一项数据为空，则填入0。

参照图2，综合基础数据时空矩阵A表示为：

其中，A_ij为综合基础数据时空矩阵A的元素，设，A_ij对应的待检测地区地图分区内，共有k个卡口，则第i个时间步的时空矩阵内第j行、第k列的矩阵元素对应l个卡口Door_ijk；

则：q表示卡口Door_ijk的流量数据平均值，q_i表示卡口Door_ijk测量的每一条流量数据，v表示卡口Door_ijk对应的z个GPS数据速度的平均值，q_i为卡口Door_ijk测量每一个GPS数据速度，pre为A_ij对应的地图区块的在第i个时间步内的降水量，vism为A_ij对应的地图区块的在第i个时间步内的能见度。

S6：构建交通事故时空矩阵；

获取待检测地区内、抽取时间内的交通事故数据集，按照交通事故数据集对应的发生时间、发生地点的GPS数据信息，用数值1匹配填入到时空矩阵Matrix中，获得交通事故时空矩阵B；

交通事故时空矩阵B中数值为空的元素，填入0；

每个综合基础数据时空矩阵A需要对应一个事故时空矩阵作为标签数据；具体实施时，基于交通事故数据集对应的发生时间，将交通事故数据集在时间范围上分为M份，然后基于Geohash算法从空间上将交通事故数据集划分为N*N维区块，从而形M个N*N维的交通事故时空矩阵B，然后对每个N*N维矩阵填入0或1，矩阵里每个元素如有对应的事故数据则元素值置1，否则置0。

S7：基于生成式对抗网络构建样本重构网络模型；

在实际的生产生活中，综合基础数据时空矩阵A、交通事故时空矩阵B中的数据都会存在存在缺失错误数据和正负样本不均衡等问题，这将影响预警模型的泛化能力和精度。因此，本发明采用基于生成式对抗网络的方法对样本数据进行重构，可同时解决样本数据缺失和正负样本不均衡问题，提高预警模型的泛化能力和预测精度。

如图3所示，样本重构网络模型基于生成网络和判别网络相互博弈，最终让生成网络的模型学习到真实数据分布；生成式对抗神经网路的基本原理是基于纳什博弈论，利用生成网络和判别网络相互博弈，最终让生成模型学习到真实数据分布；

生成式网络是以伪造分布形态类似于真实样本的数据为目标，判断别网络的目标是区别真实数据和生成的伪造数据。样本重构网络模型包括：生成器G、判别器D，在给定生成器G的情况下，来优化判别器D；训练判别器的过程也是最小化交叉熵的过程，样本重构网络模型的损失函数的数学表达式为：

式中，P_r表示真实的数据类；P_g为生成的数据类。

S8：基于样本重构网络模型抽重构原始样本数据集，生成训练数据集和预测数据集；其包括以下步骤。

a1：将综合基础数据时空矩阵A、交通事故时空矩阵B横向拼接，形成M个N*2N维的原始样本数据集。

a2：将原始样本数据集输入到样本重构网络模型中，获得M个N*2N个重构后样本数据集；

如图3所示，样本重构网络模型中的工作原理为：假设当前时刻是Traing_t时刻，基于生成器G生成Traing_t+1时刻的交通事故预测矩阵；基于判别器D对Traing_t+1时刻的真实交通事故矩阵和交通事故预测矩阵做真伪判断；以判断结果调整训练生成器G参数，直至判别器D无法分辨生成器G生成的预测矩阵和真实矩阵的真伪；需要将Traing_T时刻之前所有时空矩阵作为训练集，输入生成式对抗网络模型。

将原始样本数据集输入到样本重构网络模型中，获得重构后样本数据集的操作步骤；具体包括如下步骤：

a21：设：原始样本数据集的抽取时间的起始时刻为：Traing_B，终止时刻为Traing_E；

在Traing_B和Traing_E之间，任取一个时刻Traing_t；

a22：设当前时刻为Traing_t,将Traing_t时刻对应的拼接后所述原始样本数据集输入到所述样本重构网络模型的卷积层得到一组输出，记做：训练用基准数据矩阵；

a23：将随机生成的正态分布矩阵输入到所述样本重构网络模型的所述生成器G，得到另一组输出，记做：训练用对比数据矩阵；

a24：基于所述判别器D对比两组输出做真伪判断；

如果所述判别器D判断所述训练用基准数据矩阵和所述训练用对比数据矩阵不相同，则对所述生成器G和所述判别器D的参数进行调节；然后循环执行步骤a21～a24；

否则，执行步骤a25；

a25:获得训练好的所述样本重构网络模型；

a26：将一组正态分布随机样本集输入到训练好的所述样本重构网络模型的所述生成器G中，对所述综合基础数据时空矩阵A、所述交通事故时空矩阵B中缺失的元素进行重构补全，输出M个N*2N个所述重构后样本数据集。

a3：将重构后样本数据集再次进行拆分，形成M个N*N维重构后综合基础数据时空矩阵、M个N*N维重构后交通事故时空矩阵；

步骤a3中，将重构后样本数据集再次进行拆分时，与步骤a1中合并的方式通，采取横向拆分：

设：重构后样本数据集为S：

其中，x_i为N*N维重构后综合基础数据时空矩阵{x₁,x₂,…,x_M}

y_i个为N*N维重构后交通事故时空矩阵{y₁,y₂,…,y_M}。

a4：将重构后综合基础数据时空矩阵、重构后交通事故时空矩阵分别以当下时间m为分界进行拆分；当下时间m及以前时刻的数据构成了训练数据集，当下时间m及以后时刻的数据构成预测数据集；

步骤a4中，将重构后综合基础数据时空矩阵以当下时间m为分界，拆分为训练用基础数据集、预测用基础数据集；训练用基础数据集为当下时间m及以前时刻的数据，当下时间m及以后时刻的数据为预测用基础数据集；

将重构后交通事故时空矩阵以当下时间m为分界，拆分为训练用交通事故数据集、验证用交通事故数据集；训练用交通事故数据集为当下时间m及以前时刻的数据，当下时间m及以后时刻的数据为验证用交通事故数据集；

则，训练数据集包括：

训练用基础数据集{x₁,x₂,…,x_m}、训练用交通事故数据集{y₁,y₂,…,y_m}；

预测数据集包括：

预测用基础数据集{x_m,x_m+1,...,x_M}、验证用交通事故数据集{y_m,y_m+1,...,y_M}。

S8：基于长短期记忆神经网络算法构建交通事故预测模型；

长短期记忆神经网络算法(以下简称：LSTM)是基于传统的神经网络算法增加了重复模块链结构，重复模块链的主要作用是在隐藏层接受输入层信息的同时会接受上一时刻的隐藏层的信息。所以，LSTM能对历史信息进行记忆，并将记忆的信息应用到当前的预测中来。因为交通事故的发生具有很强的时空关联性，基于长短期记忆神经网络算法构建交通事故预测模型，可以得到更准确的预测结果。

以三层循环神经网络为例，说明本发明中基于LSTM构建的交通事故预测模型的预测过程。交通事故预测模型包括三层：输入层、隐藏层和输出层，每层都有若干神经元；

假设当前时刻是m时刻，则将重构后样本数据集S分为训练数据集和预测数据集，根据步骤a4中的拆分结果，交通事故预测模型在训练过程中，输入数据集为的训练用基础数据集{x₁,x₂,…,x_m}，在预测过程中，作为模型输入的数据集为预测用基础数据集{x_m,x_m+1,...,x_M}，将隐藏层定义为{h₁,h₂,…,h_m}；

如图4所示，设t是1到m时刻的任意时刻，w₁是输入层的权值，w₂是隐藏层的权值，w₃是输出层的权值，则，通过图4可知，t时刻隐藏层的数据信息不单有输入层的还包括上一时刻隐藏层传递的信息。x_t-1、x_t、x_t+1是一个时间序列，表示模型的输入层，h_t-1、h_t、h_t+1是模型的隐藏层，y_t-1、y_t、y_t+1是模型的输出层；隐藏层也叫做记忆层，因为上一时刻隐藏层的状态会影响下一时刻的隐藏层，，这种影响可以通过w₂控制

输入层中t时刻所对应的输入为x_t，t表示每个时间间隔在时间轴上的编号，其值是不断递增的；隐藏层在接受输入层和上一时刻的隐藏层的信息之后，会把他们的线性组合放入一个激活函数中，最后一层为输出层即输出模型的预测结果；

基于长短期记忆神经网络算法的交通事故预测的基本流程分为训练阶段和预测阶段，首先是训练阶段，将输入集数据{x₁,x₂,…,x_m}输入到基于LSTM构建的交通事故预测模型，同时产生输出数据，算法根据模型输出数据和实际输出集{y₁,y₂,…,y_m}的误差调整模型权值，然后不断循环该过程，直至模型输出数据与实际输出数据的误差小于预设值，从而完成模型训练；在预测阶段，只要对模型输入预测输入集{x_m,x_m+1,...,x_M}，即可得到以预测事故时空矩阵形式输出的事故预测结果。

S9：将训练数据集输入到交通事故预测模型中，对交通事故预测模型进行训练，得到训练好的交通事故预测模型。

S10:将预测用基础数据集输入到训练好的交通事故预测模型中，即可得到待检测地区内的事故预测结果。

如图5所示，本发明技术方案中，本发明技术方案中，基于待检测地区的卡口数据、天气数据、GPS速度数据、交通事故数据，设置提取时间后，基于Geohash算法进行编码，将卡口数据、天气数据、GPS速度数据、交通事故数据匹配到相同编码的地图区块上，完成数据集在空间上的区块划分；还需要设置一定时间间隔对数据进行时间维度上划分，完成综合基础数据时空矩阵(包括卡口数据、天气数据、GPS速度数据)、交通事故时空矩阵的构建(包括交通事故数据)；然后将对应的两时空矩阵进行横向拼接，通过基于生成时对抗神经网络构建的样本重构网络模型对缺失的数据元素进行重构，获得重构后样本数据集；将重构后样本数据集以当前时刻m划分为训练数据集、预测数据集；通过训练数据集对基于LSTM方法发构建的交通事故预测模型进行训练，得到训练好的交通事故预测模型；输入预测数据集，获得待检测地区内的事故预测结果。

基于本发明技术方案，从更加宏观、全面的角度研判事故风险；针对现有事故预警方法无法为未安装毫米波雷达等车辆安全传感器的驾驶人和交通管理部门提供服务，本发明融合与交通事故风险关联性较高的卡口流量数据、GPS速度数据和天气数据，同时利用生成式对抗神经网络解决数据缺失和正负样本分布不均衡问题，提出基于长短期记忆神经网络算法的交通事故预测方法，可为交通出行相关的任意对象提供事故风险预警信息。

Claims (6)

1.一种基于时空网格化数据的城市交通事故预警方法，其包括以下步骤：

S1：获取待检测地区的地图信息；

其特征在于，其还包括以下步骤：

S2：基于Geohash算法对所述待检测地区地图进行分区，获得N*N维的区块，记做待检测地区地图分区；获得所述待检测地区地图分区对应的Geohash编码；

S3：设置一个时间段为抽取时间，将所述抽取时间分为M份，获得M个抽取子时间；将M个所述抽取子时间与N*N维的所述待检测地区地图分区匹配，获得M个N*N维的时空矩阵Matrix；

S4：获取所述待检测地区内的综合基础数据；

所述综合基础数据包括：卡口数据、天气数据、GPS速度数据；

所述天气数据包括：降雨量、能见度；

所述卡口数据包括：每个所述卡口测量的流量数据，记做待分析卡口流量数据；

S5：将所述综合基础数据在时间上所述抽取时间同步分割，获得M份综合基础数据子集；

将所有所述综合基础数据子集根据其对应的GPS信息、时间信息，匹配填入到所述时空矩阵Matrix对应元素中，获得综合基础数据时空矩阵A；

所述综合基础数据子集填入对应的所述综合基础数据时空矩阵A时，矩阵中任何一项数据为空，则填入0；

S6：构建交通事故时空矩阵；

获取所述待检测地区内、所述抽取时间内的交通事故数据集，按照所述交通事故数据集对应的发生时间、发生地点的GPS数据信息，用数值1匹配填入到所述所述时空矩阵Matrix中，获得交通事故时空矩阵B；

所述交通事故时空矩阵B中数值为空的元素，填入0；

S7：基于生成式对抗网络构建样本重构网络模型；

S8：基于所述样本重构网络模型抽重构原始样本数据集，生成训练数据集和预测数据集；其包括以下步骤：

a1：将所述综合基础数据时空矩阵A、所述交通事故时空矩阵B横向拼接，形成M个N*2N维的所述原始样本数据集；

a2：将所述原始样本数据集输入到所述样本重构网络模型中，获得M个N*2N个重构后样本数据集；

a3：将所述重构后样本数据集再次进行拆分，形成M个N*N维重构后综合基础数据时空矩阵、M个N*N维重构后交通事故时空矩阵；

a4：将所述重构后综合基础数据时空矩阵、所述重构后交通事故时空矩阵分别以当下时间m为分界进行拆分；当下时间m及以前时刻的数据构成了所述训练数据集，当下时间m及以后时刻的数据构成所述预测数据集；

S8：基于长短期记忆神经网络算法构建交通事故预测模型；

S9：将所述训练数据集输入到所述交通事故预测模型中，对所述交通事故预测模型进行训练，得到训练好的所述交通事故预测模型；

S10:将所述预测用基础数据集输入到训练好的所述交通事故预测模型中，即可得到所述待检测地区内的事故预测结果。

2.根据权利要求1所述一种基于时空网格化数据的城市交通事故预警方法，其特征在于：所述样本重构网络模型基于生成网络和判别网络相互博弈，最终让所述生成网络的模型学习到真实数据分布；所述生成式网络是以伪造分布形态类似于真实样本的数据为目标，所述判断别网络的目标是区别真实数据和生成的伪造数据。所述样本重构网络模型包括：生成器G、判别器D，在给定生成器G的情况下，来优化判别器D；训练所述判别器的过程也是最小化交叉熵的过程，所述样本重构网络模型的损失函数的数学表达式为：

式中，P_r表示真实的数据类；P_g为生成的数据类。

3.根据权利要求1所述一种基于时空网格化数据的城市交通事故预警方法，其特征在于：步骤a2中，将所述原始样本数据集输入到所述样本重构网络模型中，获得所述重构后样本数据集的操作步骤；具体包括如下步骤：

a21：设：所述原始样本数据集的所述抽取时间的起始时刻为：Traing_B，终止时刻为Traing_E；

在Traing_B和Traing_E之间，任取一个时刻Traing_t；

a22：设当前时刻为Traing_t,将Traing_t时刻对应的拼接后所述原始样本数据集输入到所述样本重构网络模型的卷积层得到一组输出，记做：训练用基准数据矩阵；

a23：将随机生成的正态分布矩阵输入到所述样本重构网络模型的所述生成器G，得到另一组输出，记做：训练用对比数据矩阵；

a24：基于所述判别器D对比两组输出做真伪判断；

如果所述判别器D判断所述训练用基准数据矩阵和所述训练用对比数据矩阵不相同，则对所述生成器G和所述判别器D的参数进行调节；然后循环执行步骤a21～a24；

否则，执行步骤a25；

a25:获得训练好的所述样本重构网络模型；

a26：将一组正态分布随机样本集输入到训练好的所述样本重构网络模型的所述生成器G中，对所述综合基础数据时空矩阵A、所述交通事故时空矩阵B中缺失的元素进行重构补全，输出M个N*2N维所述重构后样本数据集。

4.根据权利要求1所述一种基于时空网格化数据的城市交通事故预警方法，其特征在于：步骤a3中，将所述重构后样本数据集再次进行拆分时，采取横向拆分：

设：所述重构后样本数据集为S：

其中，x_i为N*N维所述重构后综合基础数据时空矩阵{x₁,x₂,…,x_M}，

y_i个为N*N维所述重构后交通事故时空矩阵{y₁,y₂,…,y_M}。

5.根据权利要求1所述一种基于时空网格化数据的城市交通事故预警方法，其特征在于：步骤a4中，将所述重构后综合基础数据时空矩阵以当下时间m为分界，拆分为训练用基础数据集、预测用基础数据集；所述训练用基础数据集为当下时间m及以前时刻的数据，当下时间m及以后时刻的数据为所述预测用基础数据集；

将所述重构后交通事故时空矩阵以当下时间m为分界，拆分为训练用交通事故数据集、验证用交通事故数据集；所述训练用交通事故数据集为当下时间m及以前时刻的数据，当下时间m及以后时刻的数据为所述验证用交通事故数据集；

则，所述训练数据集包括：

所述训练用基础数据集{x₁,x₂,…,x_m}、所述训练用交通事故数据集{y₁,y₂,…,y_m}；

所述预测数据集包括：

所述预测用基础数据集{x_m,x_m+1,...,x_M}、所述验证用交通事故数据集{y_m,y_m+1,...,y_M}。

6.根据权利要求1所述一种基于时空网格化数据的城市交通事故预警方法，其特征在于：步骤S5中，所述综合基础数据时空矩阵A表示为：

其中，A_ij为综合基础数据时空矩阵A的元素，设，A_ij对应的待检测地区地图分区内，共有k个卡口，则第i个时间步的时空矩阵内第j行、第k列的矩阵元素对应l个卡口Door_ijk；

则：q表示卡口Door_ijk的流量数据平均值，q_i表示卡口Door_ijk测量的每一条流量数据，v表示卡口Door_ijk对应的z个GPS数据速度的平均值，q_i为卡口Door_ijk测量每一个GPS数据速度，pre为A_ij对应的地图区块的在第i个时间步内的降水量，vism为A_ij对应的地图区块的在第i个时间步内的能见度。

Images