CN111882122A - 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 - Google Patents

Abstract

本发明公开了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，具体为：利用深度学习相关技术分别从时间和空间维度建模，提取相应的特征与属性，并将这些模型组件组装与融合，搭建了时空混合残差网络，对真实数据集进行预处理后，输入模型进行事故黑点预测。本发明具有较好的事故黑点预测能力。

Description

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

技术领域

本发明属于交通领域，尤其涉及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。

背景技术

当前世界许多国家都着重于基础设施的改善与道路的建设，促进交通不断的发展，事故受到道路交通发展的影响，也间接的有所增加。事故黑点是交通安全研究的重要方向，在以有限的资源尽可能地整治交通事故方面起到了关键作用。

当前研究事故黑点的方法多为线性回归方法或多元统计分析方法，Lord等研究表明采用广义估计方程比普通数学模型能更好地分析交通事故的时间相关性；MA建立了多变量泊松-对数正态回归模型来进行事故数的预测；考虑了位于同一交通通道的交叉口之间的空间相关性，WANG等采用广义估计方程分析Central Florida地区的交叉口安全影响因素；Huang等应用全贝叶斯技术提出基于模型的热点识别方法的框架，研究表明使用全贝叶斯分层模型相对于经验贝叶斯方法，可以更加准确的识别事故黑点；Mura考虑事故类型和事故产生的影响因素，采用香农熵方法确定黑点的安全水平；Fawcett等提出一种贝叶斯分层模型，用于预测潜在道路事故黑点池中未来几年的事故数；孟祥海研究了滑动窗窗体长度及滑动步长对事故多发路段鉴别影响；Bham基于主成分分析方法提出一种综合分级度量来识别高速路上的事故黑点；Wang建立一元负二项条件自回归模型和二元负二项空间条件自回归模型来分析单车事故和多车事故的影响因素以及它们在事故黑点中的一致性情况；Harirforoush提网络核密度估计的空间分与临界事故率网络筛选综合方法来探测事故黑点；Gill采用多变量泊松-对数正态空间方法结合事故严重程度，以事故损失作为加权基础建立了事故预测模型；Ulak比较了常用的基于网络的热点检测方法，深入了解所选热点检测方法在使用不同空间权重时的异同；Zahran对比了基于风险的空间交通事故分析方法与道路审计方法的差异，并确定了所研究道路的危险水平。

现阶段深度学习在图像识别、自然语言处理等方面取得了重大的突破，而在交通领域的应用还不太广泛，主要应用于交通流的研究。Shi对时空序列预测问题的机器学习方法进行了系统回顾；Li将交通流建模为有向图上的扩散过程，并引入扩散卷积递归神经网络，建立了一种将交通流的空间相关性和时间相关性结合在一起的深度学习框架；Zhao将图卷积网络和门控递归单元相结合，提出了时态图卷积网络模型，进行城市交通量的预测；Zhang基于深度学习的方法提出ST-ResNet模型，用来集中预测一个城市每个区域的人群流入和流出情况。

发明内容

针对目前深度学习在交通上的应用主要是交通流的预测或交通需求的预测，在交通事故领域的应用还较少。为了更好的使用深度学习来研究事故黑点，本发明提供了一种基于时间和空间混合残差网络的事故黑点预测方法。

本发明的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，包括以下步骤：

步骤1：基于空间维度的建模。建立多层的卷积神经网络，完成对事故数据的空间相似性的特征提取。

步骤2：基于时间维度的建模。选择周期性和趋势性的时间段来处理时间维度的信息。

周期性的时间段数据为：

其中l_p为周期性时间段的数量，p为周期的时间间隔长度。

趋势性的时间段数据为：

其中，l_q为趋势性时间段的数量，q为趋势的时间间隔长度。

步骤3：在模型中使用残差单元学习；对于每一个卷积神经网络，堆栈R个残差单元，残差单元的处理过程表示如下：

其中，

表示残差函数，是ReLU函数和卷积的组合，θ^r表示第r个残差单元中所需要进行学习的所有参数。

步骤4：时空混合残差网络建模。

对空间和时间维度建模后，基于参数矩阵对残差单元融合，具体为：

其中，ο表示哈达玛乘积，W_p表示周期性的参数，X_P表示周期性残差单元的输出；W_q表示趋势性的参数，X_q表示趋势性残差单元的输出；W_p和W_q均为需要学习的参数。

正则化处理，选择softmax作为正则化函数，将事故数据经过softmax函数映射后，将[0,+∞)的整数型事故数据转化为[0,1]的浮点型数据，具体为：

然后，预测值与真实值之间的损失用均方差来计算：

其中，θ为时空混合残差网络中需要训练的参数。

步骤5：对真实数据集进行预处理后，输入模型进行事故黑点预测。

进一步的，数据预处理具体为：

为了使得事故数据能够满足多层卷积神经网络输入格式的要求，将所在区域分别划分为n×n的空间网格，以作为后续事故数据映射的框架；为每个网格即为一个地点，并为其指定唯一的位置代码l_i。

数据转化的纽带为经纬度坐标，完成城市网格的划分后，将各个事故按其对应的空间坐标应映射到相应的地点上，制作事故映射图。

其中，

表示地点l_i中包含的事故数，a_xy表示事故a的坐标，L_i表示地点l_i的坐标范围。

本发明相比现有技术的有益技术效果为：

本发明利用深度学习相关技术分别从时间和空间维度建模，提取相应的特征与属性，并将这些模型组件组装与融合，搭建了时空混合残差网络，用于事故黑点预测。在对真实数据进行预处理后载入模型进行实验，训练效果良好，损失最后降到0.8624，随机选取序列的预测事故图平均误差为-5.45％，同时与其他模型相比损失最小，结果表明本网络具有较好的事故黑点预测能力。

附图说明

图1为多层卷积神经网络结构。

图2为事故数据时间特性。

图3为残差单元示意图。

图4为本发明时空混合残差网络模型。

图5为模型的代码架构。

图6为本发明时空混合残差网络架构。

图7为事故映射图示例。

图8为模型的训练损失变化图。

图9为模型的测试损失变化图。

具体实施方式

下面结合附图和具体实施方法对本发明做进一步详细说明。

本发明的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具体为：

1、基于空间维度的建模

深度学习中的卷积神经网络(CNN)在处理与位置有关的数据时十分有效，在本发明中用于处理空间维度的信息。

在交通事故预测问题中，发生在不同地点的交通事故是有相似之处的，这其中的空间相似性主要包括道路线形(横纵曲线)、周边环境特征、道路限速等空间特征的相似性，这些空间特征会不同程度的影响事故的发生，在不同的地点隐性的表达。

卷积神经网络在处理这类空间问题上表现出不错的效果的关键原因是因为它的“局部连接”特性。相邻区域的地理和环境特性具有一定的相似性，卷积神经网络可以通过卷积操作，利用过滤器(Filter)或称为核(Kernel)，即前文所述的感知域来捕获这种相似性。单层卷积神经网络仅能捕获过滤器范围内的空间特征，故需要建立多层的卷积神经网络，完成对尽可能大的范围的空间相似性的特征提取。如图1所示，浅层的网络层负责捕获附近地点和距离较近地点的空间相似性，并将这种特性编译到相应的输出中，深层的网络层基于之前的输出，捕获距离较远地点甚至是全城范围内的空间相似性。经过以上的处理，整个城市的空间相似性就已经被提取出来，并储存在最后的网络图中。

2、基于时间维度的建模

由于空间维度通过卷积神经网络提取了单个时间段的空间特性，每张图包含了单个时段里非常大空间特征信息，如果仍按照常规循环神经网络的方法，从时间维度依次展开，处理序列信息，那么会因为序列信息在不断累积，随着网络层的加深，后续储存的序列信息量将变得十分庞大，致使网络模型变得难以训练。由于事故数据在时间维度所具有的周期性和趋势性，如图2所示。因此，选择周期性和趋势性的时间段来处理时间维度的信息。

周期性的时间段数据

其中l_p为周期性时间段的数量，p为周期的时间间隔长度；趋势性的时间段数据

l_q为趋势性时间段的数量，q为趋势的时间间隔长度。

这样的处理有以下优势：保证时间维度仍然具有一定的连续性，可以提取出序列信息；刻画了时间维度的特性；减少了总序列的长度，从而间接减少了卷积神经网络单卷积层所需要处理的图层数量，提高了网络的学习效率。

3、残差单元

在深度学习中，卷积神经网络层数越深，其训练效果越差，即使使用一些比较有效的激活函数(例如，ReLU函数)，或者采取数据正则化的方法，也仍然不能有效的解决这个问题。但是，为了捕获相邻、较近、较远甚至是全城范围的空间特性，必须使用比较深的卷积神经网络。为了解决深层网络训练效果差的问题，本文在模型中使用残差学习。对于每一个卷积神经网络，堆栈了R个残差单元，如图3所示：

残差单元的处理过程表示如下：

其中，

表示残差函数，是ReLU函数和卷积的组合，θ^r表示第r个残差单元中所需要进行学习的所有参数。

4、时空混合残差网络

分别对空间和时间维度建模后，构建了相关的组件，但是仅有这些组成元件并不能构成完整的神经网络，需要安装一定的规则或连接方式进行组装，最终的网络结构如图4所示：

不同的地点所发生的事故都在一定程度上表现出周期性和趋势性，但是各自地点所体现出的程度却不是完全相同的，为了能够准确的在不同地点反映出其周期性和趋势性，使用了基于参数矩阵的融合方法：

其中，ο表示哈达玛乘积(对应元素间乘积)，W_p表示周期性的参数，X_P表示周期性残差单元的输出；W_q表示趋势性的参数，X_q表示趋势性残差单元的输出；W_p和W_q均为需要学习的参数。

常见的正则化函数有tanh和softmax，此类正则化处理的目的是为了让梯度下降的更快，加速模型的收敛，tanh将所有的数据映射到[-1,1]区间，softmax把所有的数据映射到[0,1]区间。因为事故是一种小概率事件，而且并不会在所有的位置都发生，反而在大多数位置的事故数为零，虽然在已有的深度学习研究交通流问题中常用tanh，但若盲目的使用tanh，则会导致许多没有事故发生的位置都会被映射成值-1，反而会导致梯度不能迅速下降，影响模型的训练效果。对于事故数据来说，由于其和交通流数据相比的特殊性，可能存在数据稀疏问题，故而选择softmax作为正则化函数是更加合适的选择，将网格事故数据经过softmax函数映射后，将[0,+∞)的整数型事故数据就转化为了[0,1]的浮点型数据，在后续训练中达到加速模型收敛的目的。

然后，预测值与真实值之间的损失用均方差来计算：

其中，θ为时空混合残差网络中需要训练的参数。

5、对真实数据集进行预处理后，输入模型进行事故黑点预测。

模型实现与实验验证

本模型的代码基于表1的环境编写和运行.

表1环境情况

模型实现代码结果如5所示。具体网络架构如图6所示。具体的，各模块所实现的功能如表2所示：

表2模块与功能

数据预处理

本例使用的数据是美国弗吉尼亚州的事故数据。该数据集包含了弗吉尼亚州从2010年1月1日至2017年3月18日所发生的事故，从总共79万条数据中筛选18万条数据，进行时空混合残差网络的实验，数据坐标范围如表3所示，分别为东南角和西北角。

表3数据范围顶点坐标

为了使得事故数据能够满足多层卷积神经网络输入格式的要求，将所在区域分别划分为n×n的空间网格，以作为后续事故数据映射的框架。不同网格划分的概况如表4所示：

表4网格划分概况

在完成网格划分之后，为每个网格即为一个地点，并为其指定唯一的位置代码l_i。

完成城市网格的划分后，需要把统计完成的事故数据映射到相应的地点网格l_i上，以将表格类型的事故数据转化为图类型的事故数据，构建事故映射图，作为多层卷积神经网络处理的可接收的基本数据格式。

数据转化的纽带为经纬度坐标。完成城市网格的划分后，每个网格的空间坐标范围也就相应的确定了，以此为网格地点l_i的统计范围，将各个事故按其对应的空间坐标应映射到相应的地点上，制作事故映射图，如图7所示。

其中，

表示地点l_i中包含的事故数，a_xy表示事故a的坐标，L_i表示地点l_i的坐标范围。

实验结果分析

分别对16×16和32×32的网络规模的模型进行了实验，发现16×16的网络规模更加适合本数据集。故以下的分析均基于16×16的网络规模的实验结果。

图8为模型的训练损失(loss)变化图。颜色较浅的折线为实际损失(loss)变化曲线，但是不便于分析，故进行了平滑处理，得到平滑后的训练损失变化曲线。为了有更好的展示效果，未将损失的高位部分展示出来，模型的损失值最高点位于8.234，随后迅速下降，约于150步附近达到0.8858处，随后在波动中整体呈现出损失下降的趋势，说明模型在不断的被训练与优化，且符合深度神经网络模型训练的普遍情况，约于2790步处达到模型的最优点，损失值为0.658。

图9为模型的测试损失变化图。颜色较浅的折线为实际损失变化曲线，但是不便于分析，故进行了平滑处理，得到平滑后的测试损失变化曲线。可观察到，经过训练后的模型，刚开始损失值就较低，起始为0.9601，后有所上升，属于随机情况，最高值为10步附近的1.019，随后也迅速下降，约于130步附近达到0.9223，随后在波动中呈现下降趋势，在328步附近达到最低值0.8624。

测试损失略高于训练损失，属于正常情况，因为测试损失不仅包括了模型的泛化能力，还包括了训练集上的损失。根据训练损失和测试损失，可说明该时空混合残差网络具有预测事故黑点的能力。

从真实事故数据中随机选取4个时间序列的事故映射图，并同时选取对应序列的预测事故图，用于实验结果的绝对误差分析。实验结果的具体绝对误差如表5所示，其中绝对误差的定义为(预测值-真实值)/真实值。

表5绝对误差

由表5可知，事故黑点预测效果整体非常好，其中效果最好的地区误差甚至降到了1％附近，虽然有部分地区在某些序列偶有偏高，但由于事故是小概率时间，且事故的发生具有一定程度上的随机性，无法做到准确的定位、预测每一起交通事故，更多的是尽可能准确的去预测在何时、何地会出现大量的交通事故，即事故黑点，故总体而言序列a、b、c、d的预测准确度均在较高水平。

对于本次选取的4个随机序列，平均绝对误差为-5.45％，除去效果最差的序列a，其余3个序列的平均误差仅为-2.89％，已经达到非常高的准确度。

除了进行本文所提出的时空混合残差网络实验，为了对比模型的效果，还应用了自回归模型(AR)，有时序选择的长短时记忆网络(S-LSTM)，卷积长短时记忆网络(ConvLSTM)，进行对比实验。实验的损失计算仍用均方差，其结果如表6所示：

表6实验效果对比

由上表显示的结果可得出，本文所提供的时空混合残差网络具有较好的预测效果，优于其他几个模型，验证了本模型的有效性。

Claims (2)

1.一种基于深度学习和时空大数据的交通事故黑点预测方法，其特征在于，包括以下步骤：

步骤1：基于空间维度的建模：建立多层的卷积神经网络，完成对事故数据的空间相似性的特征提取；

步骤2：基于时间维度的建模：选择周期性和趋势性的时间段来处理时间维度的信息；

周期性的时间段数据为：

其中l_p为周期性时间段的数量，p为周期的时间间隔长度；

趋势性的时间段数据为：

其中，l_q为趋势性时间段的数量，q为趋势的时间间隔长度；

步骤3：在模型中使用残差单元学习；对于每一个卷积神经网络，堆栈R个残差单元，残差单元的处理过程表示如下：

其中，

表示残差函数，是ReLU函数和卷积的组合，θ^r表示第r个残差单元中所需要进行学习的所有参数；

步骤4：时空混合残差网络建模：

对空间和时间维度建模后，基于参数矩阵对残差单元融合，具体为：

其中，

表示哈达玛乘积，W_p表示周期性的参数，X_P表示周期性残差单元的输出；W_q表示趋势性的参数，X_q表示趋势性残差单元的输出；W_p和W_q均为需要学习的参数；

正则化处理，选择softmax作为正则化函数，将事故数据经过softmax函数映射后，将[0,+∞)的整数型事故数据转化为[0,1]的浮点型数据，具体为：

然后，预测值与真实值之间的损失用均方差来计算：

其中，θ为时空混合残差网络中需要训练的参数；

步骤5：对真实数据集进行预处理后，输入模型进行事故黑点预测。

2.根据权利要求1所述的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，其特征在于，所述数据预处理具体为：

为了使得事故数据能够满足多层卷积神经网络输入格式的要求，将所在区域分别划分为n×n的空间网格，以作为后续事故数据映射的框架；为每个网格即为一个地点，并为其指定唯一的位置代码l_i；

数据转化的纽带为经纬度坐标，完成城市网格的划分后，将各个事故按其对应的空间坐标应映射到相应的地点上，制作事故映射图；

其中，

表示地点l_i中包含的事故数，a_xy表示事故a的坐标，L_i表示地点l_i的坐标范围。

Images