CN112784121A - 一种基于时空图表示学习的交通事故预测方法 - Google Patents

Abstract

本发明涉及一种基于时空图表示学习的交通事故预测方法，首先根据传感器网络构建交通路网的邻接矩阵，对原始交通数据进行筛选和统计，得到特定区域的速度、容量和占有率数据构建特征矩阵。然后建立基于ST‑VGAE结构的交通事故预测模型，通过将邻接矩阵和特征矩阵输入ST‑VGAE中，通过时空图卷积模块表征交通状态，并将其输入到一个卷积神经网络中进行交通事故发生概率的预测。最后，使用处理好的数据训练所建立的交通事故预测模型，并调整模型中的参数以获得最优的交通流预测。实验结果验证了模型在交通事故预测任务上的有效性，并为使用时空图表示学习解决事故预测任务提供新的思路和方法。

Description

一种基于时空图表示学习的交通事故预测方法

技术领域

本发明涉及数据预测技术领域，尤其涉及一种基于时空图表示学习的交通事故预测方法。

背景技术

根据世界卫生组织2017年报告，每年大约有130万人死于交通事故，而高速公路上的交通事故往往会造成更严重伤害。根据美国高速公路安全管理局(NHTSA)的统计数据，2010年，美国因机动车撞车造成的经济损失总计2420亿美元，相当于2010年美国实际国内生产总值(GDP)的1.6％，每年约有200万人因为道路事故受伤。Adler等人证明每一分钟事故的持续影响带来57欧元的损失，在道路占有率高的道路会造成更高的损失。因此提高对事故的预知，有助于提高道路行驶的安全，减少事故造成的经济损失，减少致命车祸的数量。

有人对单辆车车祸和多车车祸进行汇总和分解分析；使用分层Poisson模型和贝叶斯二元Poisson对数正态模型以及相关的随机效应来模拟事故。在分类分析中结合实时交通数据、天气信息和几何特征，采用多层次贝叶斯logistic回归模型对实时碰撞风险进行评估。另有人指出交通事故的时间相关性特征，基于LSTM结合时空数据对事故进行预测。Najjar等人使用卷积神经网络(CNNs)对原始卫星图像进行学习，预测城市级的道路安全地图。有人则认为以往的研究要么忽略了时间信息，要么只使用了一个小而同质的研究区域的数据，没有同时处理好交通的空间异质性和时间相关性，进而提出Hetero-ConvLSTM模型，通过将区域划分的方法，卷积长短期记忆ConvLSTM利用收集的大量时空异构数据(如天气、环境、道路状况和交通量)进行分区域的交通事故预测。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于时空图表示学习的交通事故预测方法，首先根据区域的路网构建图，并在此基础上进行事故预测。收集区域交通特征，以及交通事故的相关数据。然后设计了一个时空图表示学习模型，以这些数据作为模型的输入，学习交通事故的时间和空间相关性，得到交通事故的表征化向量，并应用表征化向量进行事故的预测。本发明可提高交通事故预测的准确性，降低交通事故预测算法的复杂度和计算时间。

本发明是通过以下技术方案达到上述目的：一种基于时空图表示学习的交通事故预测方法，包括如下步骤：

(1)根据传感器网络构建交通路网的邻接矩阵，并获取原始交通数据，对原始交通数据进行筛选和统计得到区域的速度、容量和占有率；

(2)对交通事故数据进行清洗，从原始交通数据中获取事故发生前的交通数据，并对数据进行归一化构建路网的特征矩阵；

(3)构建基于时空图表示学习的交通事故预测模型，通过模型的时空图卷积模块捕获交通数据中的时空动态关联，并通过模型的时空变分图自编码器(ST-VGAE)将高维的交通数据表征为低维交通状态，以此提高模型拟合能力；

(4)对交通事故预测模型进行训练，优化模型中的参数以获得最优的交通事故预测模型，从而获得最优的交通事故预测效果。

作为优选，所述步骤(2)清洗数据时，利用正则化方法处理错误数据，以防止模型过拟合；通过在训练的目标函数中加入L1惩罚项以降低神经网络模型的复杂程度，从而自动降低其对噪声数据的关心程度；并对数据进行归一化处理，归一化公式如下式所示：

其中，x_i是原始交通数据，min(x)是历史数据中的最小值，max(x)是历史数据中的最大值；通过线性归一化后使得数据较为均匀地分布在[0,1]之间。

作为优选，所述步骤(3)构建基于时空图表示学习的交通事故预测模型时，将交通路网定义成一个无向图结构，G＝(V,E,A)；|V|＝N代表节点的总数；E代表节点(传感器)之间的连接；

是包含了交通网络拓扑信息的邻接矩阵，其中A_i,j为1表示节点i和j相连，A_i,j为0代表不连通；传感器每隔固定的时间长度收集当前状态的交通数据，交通数据包括流量，占有率，速度；

代表节点i在t时刻下的特征，

代表t时刻下所有节点的特征；

代表T时间段下所有特征；通过将邻接矩阵和特征矩阵输入到基于ST-VGAE中，获取低维的交通状态表征，并将其输入到一个卷积神经网络中预测未来时刻交通事故发生的概率。

作为优选，所述步骤(3)还包括：通过时空图表示学习方法实现交通数据到交通状态的转换，即X→Z，Z为输出低维时变表示向量，即交通状态；其中编码器定义如下：

其中，g_θ表示卷积核，θ表示多项式系数的向量，g_θ*表示图卷积操作，x∈X表示交通信息，

I表示单位矩阵，度矩阵D＝∑_jA_ij是对角矩阵，λ_max是L的最大值；T_k是k阶Chebyshev递推多项式，在空间维度上对图的每个节点捕捉相邻信息的图卷积操作之后，利用时间维度标准卷积，通过合并相邻时间片上的信息来更新节点的信息：

h^l＝ReLU(Φ*(ReLU(w^T·g_θ*x)+b))

其中，h^l表示第l个时空卷积块的输出，ReLU代表激活函数，Φ表示时间卷积核参数，Φ(*)表示时间卷积操作，w表示模型的权重,b表示模型的偏置，x∈X表示交通信息；因此第l+1个卷积块的输出可以被重写为：

h^l+1＝ReLU(Φ*(ReLU(w^T·g_θ*h^l)+b))

其中，h^l+1是第l+1个卷积块的输出，其他参数同上；使用两个时空图卷积模块将时空图进行表征，表征向量h^l+1组成新的特征矩阵X交通状态Z可以通过如下方式得到：

μ＝GCN_μ(X,A)

logσ＝GCN_σ(X,A)

Z～N(μ,σ²)

其中，A是邻接矩阵，GCN()是图卷积操作，μ是分布的均值，σ是分布的方差，从均值和方差形成的分布中采样得到了事故发生前交通状态Z；在得到表征向量后，通过点乘的解码器来重构邻接矩阵，以保证编码器能够准确的表征交通中的时空信息；编码器定义为：

A＝Sigmoid(ZZ^T)

其中，Z^T是Z是转置矩阵，A代表重构后的邻接矩阵；编码器和解码器被定义为：

其中，q(z_i|X,A)＝N(z_i|μ_i,diag(σ²))，q是编码器的输出，X是特征矩阵，A是邻接矩阵，z_i∈Z是编码器表征后的变量，μ_i∈μ是编码后变量分布的均值，diag(σ²)是编码后分布的方差，代表分布的均值；p(A_i,j＝1|z_i,z_j)＝Sigmoid(ZZ^T)，p是解码器的输出，即重构后的邻接矩阵，A是邻接矩阵，z_i,z_j∈Z是编码器表征后的向量；

基于ST-VGAE的损失函数分为两个部分，第一是计算原始邻接矩阵A和重构的邻接矩阵A之间的二元交叉熵，第二部分是计算q(Z|X,A)和p(Z)之间的KL距离，即KL-divergence，如下所示:

Loss_vgae＝E_q(Z|X,A)[log p(A|Z)]-KL[q(Z|X,A)||p(Z)]

其中E是计算原始的邻接矩阵和重构的邻接矩阵之间的二元交叉熵，p(Z)＝Π_iN(0,I)代表方差为I的正态分布，KL是计算表征后的交通状态和正态分布之间的距离；通过基于时空图表示学习的交通事故预测模型得到交通状态的表征后，将表征向量用于交通事故预测，即通过一层卷积层和全连接层，得到未来时间片上发生交通事故的概率，如下所示：

其中，Z是ST-VGAE表征后的向量，

是发生的事故概率；Φ是标准卷积核参数，Φ*是一维卷积运算，w表示模型的权重，b表示模型的偏置。

作为优选，所述步骤(4)中对模型中的参数进行调优以获得最优的交通事故预测模型，其中参数包括网络结构参数和学习算法参数，通过学习获得的最终优化参数为：VGAE学习速率为1e-3；CNN学习速率为1e-3；卷积块个数为2个；空间卷积块输出特征维度为64；时间卷积块输出特征维度为32；图卷积输出特征维度为1；训练轮数为50；每轮学习数为2400；基于时空图表示学习的神经网络模型采用图卷积神经网络模型和标准卷积网络组成；网络共有10层；第一层是图卷积网络，输出特征维度为64，第二层是卷积核为1×5的标准卷积网络，第三层是卷积核为1×5的残差网络，第四层是输出维度为32的图卷积网络，第五层是卷积核为1×5的标准卷积网络，第六层是卷积核为1×5的残差网络，第7、8层输出维度为1图卷积网络，用于生成表征向量；第9层是卷积核为10的标准卷积网络，第10层是输出层包含55个神经元的全连接网络。

本发明的有益效果在于：本发明可提高交通事故预测的准确性，降低交通事故预测算法的复杂度和计算时间。

附图说明

图1是本发明的方法流程示意图；

图2是本发明的交通事故预测整体框架图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：如图1所示，一种基于时空图表示学习的交通事故预测方法具体如下：

步骤一，根据传感器网络构建交通路网的邻接矩阵，并获取原始交通数据，对原始交通数据进行筛选和统计得到区域的速度、容量和占有率；并对对交通事故数据进行清洗，从原始交通数据中获取事故发生前的交通数据，并对数据进行归一化构建路网的特征矩阵；

具体的，对原始交通数据进行筛选和统计，得到指定路段的以5分钟为周期的平均速度、平均容量和平均占有率。为了提高数据正确率，本发明利用正则化方法来处理错误数据，以防止模型过拟合；通过在训练的目标函数中加入L1惩罚项来降低神经网络模型的复杂程度，从而自动地降低其对噪声数据的关心程度。

为了避免数据与神经网络参数之间产生数值差太大异，从而导致不同层间学习速率差异明显，对数据进行归一化处理，归一化公式如下式(1)所示：

其中，x_i是原始交通数据，min(x)是历史数据中的最小值，max(x)是历史数据中的最大值。通过线性归一化后可以使数据较为均匀地分布在[0,1]之间。

步骤二，构建基于时空图表示学习的交通事故预测模型，通过模型的时空图卷积模块捕获交通数据中的时空动态关联，并通过ST-VGAE将高维的交通数据表征为低维交通状态，以此提高模型拟合能力。

本发明建立的基于时空图表示学习的交通事故预测模型中，建立的基于时空图表示学习的交通事故预测模型中，将交通路网定义成一个无向图结构，G＝(V,E,A)。|V|＝N代表图中节点的总数，如图2所示，将传感器当作图的节点。E是图中的边，代表节点(传感器)之间的连接。

是包含了交通网络拓扑信息的邻接矩阵，其中A_i,j为1表示节点i和j相连，为0代表不连通。传感器每隔固定的时间长度收集当前状态的交通数据，交通数据包括流量，占有率，速度等。

代表节点i在t时刻下的特征，

代表t时刻下所有节点的特征。

代表T时间段下所有特征。通过将邻接矩阵和特征矩阵输入到ST-VGAE中，获取低维的交通状态表征，并将其输入到一个卷积神经网络中预测未来时刻交通事故发生的概率。本发明可通过如下方式描述：通过时空图表示学习方法，实现交通数据到交通状态的转换，即X→Z，Z为输出低维时变表示向量，即交通状态。这里编码器定义如下：

其中，g_θ表示卷积核，θ表示多项式系数的向量，g_θ*表示图卷积操作，x∈X表示交通信息，

I表示单位矩阵，度矩阵D＝∑_jA_ij是对角矩阵，λ_max是L的最大值。T_k是k阶Chebyshev递推多项式，在空间维度上对图的每个节点捕捉相邻信息的图卷积操作之后，利用时间维度标准卷积，通过合并相邻时间片上的信息来更新节点的信息：

h^l＝ReLU(Φ*(ReLU(g_θ*xW^l)+b^l)) (4)

其中，h^l表示第l个时空卷积块的输出，ReLU代表激活函数，Φ表示时间卷积核参数，Φ(*)表示时间卷积操作，w表示模型的权重,b表示模型的偏置，x∈X表示交通信息。因此，第l+1个卷积块的输出可以被重写为：

h^l+1＝ReLU(Φ*(ReLU(g_θ*h^lW^l+1)+b^l+1)) (5)

其中，h^l+1是第l+1个卷积块的输出，其他参数同上；使用两个时空图卷积模块将时空图进行表征，表征向量h^l+1组成新的特征矩阵X交通状态Z可以通过如下方式得到：

μ＝GCN_μ(X,A) (6)

logσ＝GCN_σ(X,A) (7)

Z～N(μ,σ²) (8)

其中，A是邻接矩阵，GCN()是图卷积操作，μ是分布的均值，σ是分布的方差，从均值和方差形成的分布中采样得到了事故发生前交通状态Z。在得到表征向量后，通过点乘的解码器来重构邻接矩阵，这样做的目的是保证编码器能够准确的表征交通中的时空信息。编码器定义为：

A＝Sigmoid(ZZ^T) (9)

其中，Z^T是Z是转置矩阵，A代表重构后的邻接矩阵。编码器和解码器也可以被定义为：

其中，q(z_i|X,A)＝N(z_i|μ_i,diag(σ²))，q是编码器的输出，X是特征矩阵，A是邻接矩阵，z_i∈Z是编码器表征后的变量，μ_i∈μ是编码后变量分布的均值，diag(σ²)是编码后分布的方差，代表分布的均值。p(A_i,j＝1|z_i,z_j)＝Sigmoid(ZZ^T)，p是解码器的输出，即重构后的邻接矩阵，A是邻接矩阵，z_i,z_j∈Z是编码器表征后的向量。

ST-VGAE的损失函数分为两个部分，第一部分是计算原始邻接矩阵A和重构的邻接矩阵A之间的二元交叉熵，第二部分是计算q(Z|X,A)和p(Z)之间的KL距离，即KL-divergence，如下所示:

Loss_vgae＝E_q(Z|X,A)[log p(A|Z)]-KL[q(Z|X,A)||p(Z)] (12)

E是计算原始的邻接矩阵和重构的邻接矩阵之间的二元交叉熵，p(Z)＝Π_iN(0,I)代表方差为I的正态分布，KL是计算表征后的交通状态和正态分布之间的距离。通过ST-VGAE模型得到交通状态的表征后，将表征向量用于交通事故预测，即通过一层卷积层和全连接层，可以得到未来时间片上发生交通事故的概率，如下所示：

其中，Z是ST-VGAE表征后的向量，

是发生的事故概率。Φ是标准卷积核参数，Φ*是一维卷积运算，w表示模型的权重，b表示模型的偏置。

步骤三，对交通事故预测模型进行训练，优化模型中的参数以获得最优的交通事故预测模型，从而获得最优的交通事故预测效果。本发明对美国加利佛尼亚第4区2018年1月1日至2018年1月31日以及第8区2016年7月1日至2016年8月31日的真实路面数据进行处理，将其分为训练集和测试集，按照图2的流程对模型进行训练。本发明对模型中的诸多可调参数进行调优以获得最优的预测模型，这些参数包括网络结构参数和学习算法参数，通过学习获得的最终优化参数如下表1所示：

表1

时空图表示学习中的神经网络模型采用图卷积神经网络模型和标准卷积网络组成。网络共有10层。第一层是图卷积网络，输出特征维度为64，第二层是卷积核为1×5的标准卷积网络，第三层是卷积核为1×5的残差网络，第四层是输出维度为32的图卷积网络，第五层是卷积核为1×5的标准卷积网络，第六层是卷积核为1×5的残差网络，第7、8层输出维度为1图卷积网络，用于生成表征向量。第9层是卷积核为10的标准卷积网络，第10层是输出层包含55个神经元的全连接网络。通过以上方法的设计，最终建立了一个交通事故预测模型，给出指定区域实时的交通事故风险，通过参数调优，优化整体预测。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (5)

1.一种基于时空图表示学习的交通事故预测方法，其特征在于，包括如下步骤：

(1)根据传感器网络构建交通路网的邻接矩阵，并获取原始交通数据，对原始交通数据进行筛选和统计得到区域的速度、容量和占有率；

(2)对交通事故数据进行清洗，从原始交通数据中获取事故发生前的交通数据，并对数据进行归一化构建路网的特征矩阵；

(3)构建基于时空图表示学习的交通事故预测模型，通过模型的时空图卷积模块捕获交通数据中的时空动态关联，并通过模型的变分图自编码器将高维的交通数据表征为低维交通状态，以此提高模型拟合能力；

(4)对交通事故预测模型进行训练，优化模型中的参数以获得最优的交通事故预测模型，从而获得最优的交通事故预测效果。

2.根据权利要求1所述的一种基于时空图表示学习的交通事故预测方法，其特征在于：所述步骤(2)清洗数据时，利用正则化方法处理错误数据，以防止模型过拟合；通过在训练的目标函数中加入L1惩罚项以降低神经网络模型的复杂程度，从而自动降低其对噪声数据的关心程度；并对数据进行归一化处理，归一化公式如下式所示：

其中，x_i是原始交通数据，min(x)是历史数据中的最小值，max(x)是历史数据中的最大值；通过线性归一化后使得数据较为均匀地分布在[0,1]之间。

3.根据权利要求1所述的一种基于时空图表示学习的交通事故预测方法，其特征在于：所述步骤(3)构建基于时空图表示学习的交通事故预测模型时，将交通路网定义成一个无向图结构，G＝(V,E,A)；|V|＝N代表节点的总数；E代表节点(传感器)之间的连接；

是包含了交通网络拓扑信息的邻接矩阵，其中A_i,j为1表示节点i和j相连，A_i,j为0代表不连通；传感器每隔固定的时间长度收集当前状态的交通数据，交通数据包括流量，占有率，速度；

代表节点i在t时刻下的特征，

代表t时刻下所有节点的特征；

代表T时间段下所有特征；通过将邻接矩阵和特征矩阵输入到基于时空变分图自编码器中，获取低维的交通状态表征，并将其输入到一个卷积神经网络中预测未来时刻交通事故发生的概率。

4.根据权利要求3所述的一种基于时空图表示学习的交通事故预测方法，其特征在于：所述步骤(3)还包括：通过时空图表示学习方法实现交通数据到交通状态的转换，即X→Z，Z为输出低维时变表示向量，即交通状态；其中编码器定义如下：

其中，g_θ表示卷积核，θ表示多项式系数的向量，g_θ*表示图卷积操作，x∈X表示交通信息，

I表示单位矩阵，度矩阵D＝∑_jA_ij是对角矩阵，λ_max是L的最大值；T_k是k阶Chebyshev递推多项式，在空间维度上对图的每个节点捕捉相邻信息的图卷积操作之后，利用时间维度标准卷积，通过合并相邻时间片上的信息来更新节点的信息：

h^l＝ReLU(Φ*(ReLU(w^T·g_θ*x)+b))

其中，h^l表示第l个时空卷积块的输出，ReLU代表激活函数，Φ表示时间卷积核参数，Φ(*)表示时间卷积操作，w表示模型的权重,b表示模型的偏置，x∈X表示交通信息；因此第l+1个卷积块的输出可以被重写为：

h^l+1＝ReLU(Φ*(ReLU(w^T·g_θ*h^l)+b))

其中，h^l+1是第l+1个卷积块的输出，其他参数同上；使用两个时空图卷积模块将时空图进行表征，表征向量h^l+1组成新的特征矩阵X交通状态Z可以通过如下方式得到：

μ＝GCN_μ(X,A)

logσ＝GCN_σ(X,A)

Z～N(μ,σ²)

其中，A是邻接矩阵，GCN()是图卷积操作，μ是分布的均值，σ是分布的方差，从均值和方差形成的分布中采样得到了事故发生前交通状态Z；在得到表征向量后，通过点乘的解码器来重构邻接矩阵，以保证编码器能够准确的表征交通中的时空信息；编码器定义为：

A＝Sigmoid(ZZ^T)

其中，Z^T是Z是转置矩阵，A代表重构后的邻接矩阵；编码器和解码器被定义为：

其中，q(z_i|X,A)＝N(z_i|μ_i,diag(σ²))，q是编码器的输出，X是特征矩阵，A是邻接矩阵，z_i∈Z是编码器表征后的变量，μ_i∈μ是编码后变量分布的均值，diag(σ²)是编码后分布的方差，代表分布的均值；p(A_i,j＝1|z_i,z_j)＝Sigmoid(ZZ^T)，p是解码器的输出，即重构后的邻接矩阵，A是邻接矩阵，z_i,z_j∈Z是编码器表征后的向量；

基于时空变分图自编码器的损失函数分为两个部分，第一是计算原始邻接矩阵A和重构的邻接矩阵A之间的二元交叉熵，第二部分是计算q(Z|X,A)和p(Z)之间的KL距离，即KL-divergence，如下所示:

Loss_vgae＝E_q(Z|X,A)[log p(A|Z)]-KL[q(Z|X,A)||p(Z)]

其中E是计算原始的邻接矩阵和重构的邻接矩阵之间的二元交叉熵，p(Z)＝Π_iN(0,I)代表方差为I的正态分布，KL是计算表征后的交通状态和正态分布之间的距离；通过基于时空图表示学习的交通事故预测模型得到交通状态的表征后，将表征向量用于交通事故预测，即通过一层卷积层和全连接层，得到未来时间片上发生交通事故的概率，如下所示：

其中，Z是ST-VGAE表征后的向量，

是发生的事故概率；Φ是标准卷积核参数，Φ*是一维卷积运算，w表示模型的权重，b表示模型的偏置。

5.根据权利要求1所述的一种基于时空图表示学习的交通事故预测方法，其特征在于：所述步骤(4)中对模型中的参数进行调优以获得最优的交通事故预测模型，其中参数包括网络结构参数和学习算法参数，通过学习获得的最终优化参数为：VGAE学习速率为1e-3；CNN学习速率为1e-3；卷积块个数为2个；空间卷积块输出特征维度为64；时间卷积块输出特征维度为32；图卷积输出特征维度为1；训练轮数为50；每轮学习数为2400；基于时空图表示学习的神经网络模型采用图卷积神经网络模型和标准卷积网络组成；网络共有10层；第一层是图卷积网络，输出特征维度为64，第二层是卷积核为1×5的标准卷积网络，第三层是卷积核为1×5的残差网络，第四层是输出维度为32的图卷积网络，第五层是卷积核为1×5的标准卷积网络，第六层是卷积核为1×5的残差网络，第7、8层输出维度为1图卷积网络，用于生成表征向量；第9层是卷积核为10的标准卷积网络，第10层是输出层包含55个神经元的全连接网络。

Images