CN112784121A - 一种基于时空图表示学习的交通事故预测方法 - Google Patents
一种基于时空图表示学习的交通事故预测方法 Download PDFInfo
- Publication number
- CN112784121A CN112784121A CN202110115399.8A CN202110115399A CN112784121A CN 112784121 A CN112784121 A CN 112784121A CN 202110115399 A CN202110115399 A CN 202110115399A CN 112784121 A CN112784121 A CN 112784121A
- Authority
- CN
- China
- Prior art keywords
- traffic
- convolution
- space
- model
- network
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
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
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,xi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Ai,j为1表示节点i和j相连,Ai,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,gθ表示卷积核,θ表示多项式系数的向量,gθ*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=∑jAij是对角矩阵,λmax是L的最大值;Tk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:
hl=ReLU(Φ*(ReLU(wT·gθ*x)+b))
其中,hl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:
hl+1=ReLU(Φ*(ReLU(wT·gθ*hl)+b))
其中,hl+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hl+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=GCNμ(X,A)
logσ=GCNσ(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(ZZT)
其中,ZT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(zi|X,A)=N(zi|μi,diag(σ2)),q是编码器的输出,X是特征矩阵,A是邻接矩阵,zi∈Z是编码器表征后的变量,μi∈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(Ai,j=1|zi,zj)=Sigmoid(ZZT),p是解码器的输出,即重构后的邻接矩阵,A是邻接矩阵,zi,zj∈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:
Lossvgae=Eq(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)=ΠiN(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:
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,xi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Ai,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,gθ表示卷积核,θ表示多项式系数的向量,gθ*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=∑jAij是对角矩阵,λmax是L的最大值。Tk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:
hl=ReLU(Φ*(ReLU(gθ*xWl)+bl)) (4)
其中,hl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:
hl+1=ReLU(Φ*(ReLU(gθ*hlWl+1)+bl+1)) (5)
其中,hl+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hl+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=GCNμ(X,A) (6)
logσ=GCNσ(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(ZZT) (9)
其中,ZT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(zi|X,A)=N(zi|μi,diag(σ2)),q是编码器的输出,X是特征矩阵,A是邻接矩阵,zi∈Z是编码器表征后的变量,μi∈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(Ai,j=1|zi,zj)=Sigmoid(ZZT),p是解码器的输出,即重构后的邻接矩阵,A是邻接矩阵,zi,zj∈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:
Lossvgae=Eq(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)=ΠiN(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:
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。
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Ai,j为1表示节点i和j相连,Ai,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,gθ表示卷积核,θ表示多项式系数的向量,gθ*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=∑jAij是对角矩阵,λmax是L的最大值;Tk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:
hl=ReLU(Φ*(ReLU(wT·gθ*x)+b))
其中,hl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:
hl+1=ReLU(Φ*(ReLU(wT·gθ*hl)+b))
其中,hl+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hl+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=GCNμ(X,A)
logσ=GCNσ(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(ZZT)
其中,ZT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(zi|X,A)=N(zi|μi,diag(σ2)),q是编码器的输出,X是特征矩阵,A是邻接矩阵,zi∈Z是编码器表征后的变量,μi∈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(Ai,j=1|zi,zj)=Sigmoid(ZZT),p是解码器的输出,即重构后的邻接矩阵,A是邻接矩阵,zi,zj∈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:
Lossvgae=Eq(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)=ΠiN(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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110115399.8A CN112784121B (zh) | 2021-01-28 | 2021-01-28 | 一种基于时空图表示学习的交通事故预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110115399.8A CN112784121B (zh) | 2021-01-28 | 2021-01-28 | 一种基于时空图表示学习的交通事故预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784121A true CN112784121A (zh) | 2021-05-11 |
CN112784121B CN112784121B (zh) | 2022-06-17 |
Family
ID=75759245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110115399.8A Active CN112784121B (zh) | 2021-01-28 | 2021-01-28 | 一种基于时空图表示学习的交通事故预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784121B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408191A (zh) * | 2021-05-31 | 2021-09-17 | 上海师范大学 | 一种基于图自监督学习的pm2.5预测方法及存储介质 |
CN113554175A (zh) * | 2021-09-18 | 2021-10-26 | 平安科技(深圳)有限公司 | 一种知识图谱构建方法、装置、可读存储介质及终端设备 |
CN113780662A (zh) * | 2021-09-14 | 2021-12-10 | 北京航空航天大学 | 一种流量预测方法、装置、设备和介质 |
CN113903170A (zh) * | 2021-08-30 | 2022-01-07 | 航天科工广信智能技术有限公司 | 基于结构自适应自演化深度学习的大规模路网交通流预测方法 |
CN113947902A (zh) * | 2021-10-18 | 2022-01-18 | 上海海事大学 | 一种基于Seq2Seq自编码器模型的交通事故实时检测和预警方法 |
CN114090651A (zh) * | 2021-11-10 | 2022-02-25 | 哈尔滨工业大学(深圳) | 基于双通道图神经网络自编码器的交通流异常数据判断方法 |
CN114169647A (zh) * | 2022-01-07 | 2022-03-11 | 重庆大学 | 持续记忆的自适应异质时空图卷积的交通预测方法及系统 |
CN114462313A (zh) * | 2022-01-25 | 2022-05-10 | 青岛海信网络科技股份有限公司 | 交通事故风险预测方法、装置、设备、介质及产品 |
CN114944053A (zh) * | 2022-03-16 | 2022-08-26 | 浙江工业大学 | 一种基于时空超图神经网络的交通流预测方法 |
CN115422694A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路段缺失流量推算方法、电子设备及存储介质 |
CN116978236A (zh) * | 2023-09-25 | 2023-10-31 | 南京隼眼电子科技有限公司 | 交通事故预警方法、装置和存储介质 |
WO2024031763A1 (zh) * | 2022-08-09 | 2024-02-15 | 之江实验室 | 一种基于图神经网络的时空感知信息预测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111243269A (zh) * | 2019-12-10 | 2020-06-05 | 福州市联创智云信息科技有限公司 | 基于融合时空特征的深度网络的交通流预测方法 |
CN112084328A (zh) * | 2020-07-29 | 2020-12-15 | 浙江工业大学 | 一种基于变分图自编码器与K-Means的科技论文聚类分析方法 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
-
2021
- 2021-01-28 CN CN202110115399.8A patent/CN112784121B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111243269A (zh) * | 2019-12-10 | 2020-06-05 | 福州市联创智云信息科技有限公司 | 基于融合时空特征的深度网络的交通流预测方法 |
CN112084328A (zh) * | 2020-07-29 | 2020-12-15 | 浙江工业大学 | 一种基于变分图自编码器与K-Means的科技论文聚类分析方法 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
Non-Patent Citations (2)
Title |
---|
BING YU等: ""Spatial-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting"", 《ARXIV:1709.04875》 * |
薛声军: ""基于时空图卷积网络的城市路网交通流预测研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408191A (zh) * | 2021-05-31 | 2021-09-17 | 上海师范大学 | 一种基于图自监督学习的pm2.5预测方法及存储介质 |
CN113903170A (zh) * | 2021-08-30 | 2022-01-07 | 航天科工广信智能技术有限公司 | 基于结构自适应自演化深度学习的大规模路网交通流预测方法 |
CN113780662B (zh) * | 2021-09-14 | 2024-04-23 | 北京航空航天大学 | 一种流量预测方法、装置、设备和介质 |
CN113780662A (zh) * | 2021-09-14 | 2021-12-10 | 北京航空航天大学 | 一种流量预测方法、装置、设备和介质 |
CN113554175A (zh) * | 2021-09-18 | 2021-10-26 | 平安科技(深圳)有限公司 | 一种知识图谱构建方法、装置、可读存储介质及终端设备 |
CN113554175B (zh) * | 2021-09-18 | 2021-11-26 | 平安科技(深圳)有限公司 | 一种知识图谱构建方法、装置、可读存储介质及终端设备 |
CN113947902A (zh) * | 2021-10-18 | 2022-01-18 | 上海海事大学 | 一种基于Seq2Seq自编码器模型的交通事故实时检测和预警方法 |
CN114090651A (zh) * | 2021-11-10 | 2022-02-25 | 哈尔滨工业大学(深圳) | 基于双通道图神经网络自编码器的交通流异常数据判断方法 |
CN114169647A (zh) * | 2022-01-07 | 2022-03-11 | 重庆大学 | 持续记忆的自适应异质时空图卷积的交通预测方法及系统 |
CN114169647B (zh) * | 2022-01-07 | 2024-05-07 | 重庆大学 | 持续记忆的自适应异质时空图卷积的交通预测方法及系统 |
CN114462313A (zh) * | 2022-01-25 | 2022-05-10 | 青岛海信网络科技股份有限公司 | 交通事故风险预测方法、装置、设备、介质及产品 |
CN114462313B (zh) * | 2022-01-25 | 2024-04-16 | 青岛海信网络科技股份有限公司 | 交通事故风险预测方法、装置、设备、介质及产品 |
CN114944053A (zh) * | 2022-03-16 | 2022-08-26 | 浙江工业大学 | 一种基于时空超图神经网络的交通流预测方法 |
WO2024031763A1 (zh) * | 2022-08-09 | 2024-02-15 | 之江实验室 | 一种基于图神经网络的时空感知信息预测方法和系统 |
CN115422694A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路段缺失流量推算方法、电子设备及存储介质 |
CN116978236A (zh) * | 2023-09-25 | 2023-10-31 | 南京隼眼电子科技有限公司 | 交通事故预警方法、装置和存储介质 |
CN116978236B (zh) * | 2023-09-25 | 2023-12-15 | 南京隼眼电子科技有限公司 | 交通事故预警方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112784121B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784121B (zh) | 一种基于时空图表示学习的交通事故预测方法 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及系统 | |
Zang et al. | Long-term traffic speed prediction based on multiscale spatio-temporal feature learning network | |
CN112241814B (zh) | 一种基于强化时空图神经网络的交通预测方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
Bo et al. | Wind speed forecasting system based on the variational mode decomposition strategy and immune selection multi-objective dragonfly optimization algorithm | |
CN111127888A (zh) | 一种基于多源数据融合的城市交通流预测方法 | |
CN113268916A (zh) | 一种基于时空图卷积网络的交通事故预测方法 | |
CN110458337B (zh) | 一种基于c-gru的网约车供需预测方法 | |
CN115565369B (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
CN115050177A (zh) | 一种基于时空多头注意力机制的高速公路拥堵预测方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN111931978A (zh) | 一种基于时空特性的城市轨道交通客流状态预测方法 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
CN115565370B (zh) | 一种局部时空图卷积交通流量预测方法及系统 | |
CN116755095A (zh) | 一种短临降水预测方法、装置、终端设备及存储介质 | |
CN116206451A (zh) | 一种智慧交通车流数据分析方法 | |
CN115796359A (zh) | 基于深度Koopman算符的PM2.5时空预测方法 | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
CN114626607A (zh) | 一种基于时空图小波卷积神经网络的交通流预测方法 |
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 |