CN113222218A - 基于卷积长短时记忆神经网络的交通事故风险预测方法 - Google Patents

基于卷积长短时记忆神经网络的交通事故风险预测方法 Download PDF

Info

Publication number
CN113222218A
CN113222218A CN202110409819.3A CN202110409819A CN113222218A CN 113222218 A CN113222218 A CN 113222218A CN 202110409819 A CN202110409819 A CN 202110409819A CN 113222218 A CN113222218 A CN 113222218A
Authority
CN
China
Prior art keywords
traffic accident
time
risk
branch
accident risk
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
Application number
CN202110409819.3A
Other languages
English (en)
Other versions
CN113222218B (zh
Inventor
方路平
黄友志
刘强
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.)
Zhejiang University of Technology ZJUT
Zhejiang Police College
Original Assignee
Zhejiang University of Technology ZJUT
Zhejiang Police College
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 Zhejiang University of Technology ZJUT, Zhejiang Police College filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110409819.3A priority Critical patent/CN113222218B/zh
Publication of CN113222218A publication Critical patent/CN113222218A/zh
Application granted granted Critical
Publication of CN113222218B publication Critical patent/CN113222218B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于卷积长短时记忆神经网络(ConvLSTM)的城市交通事故风险预测方法，具体为：对预测城市进行空间网格划分；将历史交通事故数据按同一时间间隔统计并映射到网格，生成随时间变化的风险矩阵；根据交通事故的发生在时间上具有连续性和周期性特点，将风险矩阵序列划分为连续性分支和周期性分支；提取城市的天气、节假日等外部数据的特征并量化，构造外部特征向量；建立基于ConvLSTM的深度学习模型对城市各网格区域的交通事故风险进行预测。本发明从交通事故的连续性和周期性两个方面进行建模，利用ConvLSTM同时提取交通事故数据的时间特征和空间特征，并进一步融合外部环境特征，提高了预测结果的准确度，对交通管理和事故预警具有一定的指导意义。

Description

基于卷积长短时记忆神经网络的交通事故风险预测方法
技术领域
本发明属于交通事故预测领域，尤其是一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法。
背景技术
随着城市化的快速发展，机动车数量的激增，在过去十几年中，交通事故的发生频率在全球范围内显著增加，成为威胁人类生命安全的一个重大问题。面对这些可能和意外的交通事故风险，如何利用现代的交通大数据对其进行预测，成为了研究的热点。预测城市各区域的交通事故风险，可以对事故高风险区域做到提前预警以及帮助交通管理部门规划有效的交通管理方案。
交通事故预测问题属于时空序列预测问题，且受到天气和外部环境多种复杂因素的影响，现有的研究大致可以分为三类。第一类研究主要利用机器学习方法，对单一道路进行建模预测，基于机器学习的方法往往难以学习到与交通事故相关的多源异构数据之间的高维特征和非线性关系，并且只是对单一道路的预测。第二类研究主要使用深度学习方法，如利用循环神经网络(Recurrent Neural Network，RNN)和卷积神经网络(ConvolutionNeural Network，CNN)对整个城市进行网格级别的预测，但是单一网络不能同时学习到时空序列数据的时间相关性和空间相关性。第三类研究主要基于组合模型，结合卷积神经网络和循环神经网络来分别学习交通数据的空间依赖和时间依赖。
发明内容
为了克服以上不足，本发明的目的在于提供一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，从交通事故的连续性和周期性两个方面进行建模，利用ConvLSTM同时学习交通事故数据的时间和空间特征，并进一步融合外部环境特征，来准确有效地预测未来城市各区域的交通事故风险。
本发明解决其技术问题所采用的技术方案是：
一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，包括以下步骤：
(1)城市网格划分：根据地理坐标，将预测城市划分为I×J个大小相同的网格区域，其中每个网格区域用索引(i，j)表示；
(2)构造交通事故时空风险矩阵：根据交通事故发生的时间和地点，按同一时段统计每个区域的事故风险，生成所有网格区域随时间变化的风险矩阵序列，并进行归一化处理。其中，事故风险为每个区域在每个时段内发生的每件交通事故的严重程度之和；
(3)划分连续性分支和周期性分支：根据交通事故的发生在时间上具有连续性和周期性特点，将风险矩阵序列按连续性和周期性进行提取，划分为连续性分支和周期性分支。其中，连续性分支为待预测时段的前lc个相邻的风险矩阵序列，周期性分支为待预测时段的前lp个相隔周期长度的风险矩阵序列；
(4)构造外部特征向量：外部环境包括城市的天气情况和节假日分布，假设整个城市共享同一外部环境，提取每个时段的外部环境数据的特征并进行量化处理，生成每个时段的外部特征向量；
(5)交通事故风险预测：建立包括两个卷积长短时记忆神经网络和一个全连接神经网络的交通事故风险预测模型，将步骤3获得的连续性分支和周期性分支分别作为两个ConvLSTM的输入，步骤4获得的外部特征向量作为全连接网络的输入，输出为待预测时段的风险矩阵，通过构建有监督的训练数据集对模型进行训练，得到城市交通事故风险预测模型，再利用训练好的交通事故风险预测模型进行城市交通事故风险预测。
进一步，所述步骤(2)中，构造交通事故时空风险矩阵的步骤如下：
(2a)取时间间隔t划分时段，则历史时间可以被划分为n个时间间隔的集合{T|t＝0，1，...，n-1}；
(2b)采用每个区域在每个时段内发生的每件交通事故的严重程度之和作为事故风险，并计算每个区域在每个时段的事故风险，具体为：
Figure BDA0003023717370000031
其中，
Figure BDA0003023717370000032
为网格区域(i，j)在时间t内的事故风险值，Vk代表每件交通事故中的车辆数量，Ik代表每件交通事故中的受伤人数，Dk代表每件交通事故中的死亡人数，用死亡人数、受伤人数和事故车辆数的加权来表示每件交通事故严重程度，a1、a2和a3为权重，其中，a3＞a1＝a2，取a1＝a2＝1，a3＝3；
(2c)将历史交通事故数据按时间间隔t计算每个网格内的事故风险，生成交通事故风险矩阵序列{Xt|t＝0，1，...，n-1}，风险矩阵Xt的具体表示如下：
Figure BDA0003023717370000033
进一步，所述步骤(3)中，划分连续性分支和周期性分支的过程如下：
定义连续性分支为lc个相邻的矩阵序列，周期性分支为lp个相隔周期长度的矩阵序列，则连续性分支Xc(t)和周期性分支Xp(t)可以表示为：
Figure BDA0003023717370000034
Figure BDA0003023717370000035
其中：lc表示连续性分支的风险矩阵序列个数，lp表示周期性分支的风险矩阵序列个数，p表示周期长度；
若预测t时的事故风险Xt(假设周期长度p＝7)，可取t-1，t-2，t-3时刻的风险矩阵[Xt-3，Xt-2，Xt-1]作为连续性特征输入；t-7，t-2×7，t-3×7时刻的风险矩阵[Xt-3×7，Xt-2×7，Xt-7]作为周期性特征输入。
进一步，构造外部特征向量的过程如下：
(4a)对城市的天气数据和节假日数据按时间间隔t进行特征提取，并对每天24小时按照凌晨(0:00-7:00)、早高峰(7:00-9:00)、晚高峰(17:00-20:00)、夜晚(20:00-24:00)模式划分；
(4b)量化过程包括对类型数据采用one-hot独热编码，对数值型数据进行归一化处理，生成每个时段的外部特征向量{Et|t＝0，1，...，n-1}，其中E包含所有的外部特征变量。
进一步，所述步骤(5)中，所述交通事故风险预测模型具体包括两个卷积长短时记忆神经网络、一个全连接神经网络和特征融合层，其中：
两个相同结构的卷积长短时记忆神经网络ConvLSTM分别用于对连续性分支Xc(t)和周期性分支Xp(t)进行时空特征提取；全连接神经网络用于对待预测时段的外部特征向量进行特征提取。
所述特征融合层利用基于权重矩阵融合的方法对两个ConvLSTM的输出进行特征融合，得到融合结果X，具体为：
Figure BDA0003023717370000041
其中：
Figure BDA0003023717370000042
表示Hadamard积，L表示网络层数，
Figure BDA0003023717370000043
和
Figure BDA0003023717370000044
分别为两个网络的输出，Wc和Wp分别为两个网络学习到的权重矩阵；
再将全连接网络的输出XE与X进行矩阵相加，然后利用tanh激活函数将输出映射到[-1，1]范围内，具体为：
Figure BDA0003023717370000045
从而得到预测结果
Figure BDA0003023717370000046
进一步地，所述交通事故风险预测模型训练时采用MSE(Mean Square Error，均方误差)计算损失，损失函数L(θ)具体为：
Figure BDA0003023717370000047
其中：
Figure BDA0003023717370000048
为模型的预测结果，Xt为真实值，θ是模型学习的所有参数，
Figure BDA0003023717370000049
是矩阵
Figure BDA00030237173700000410
的L2范数，通过训练得到最小损失函数，获得交通事故风险预测模型中的参数。
与现有技术相比本发明的优点和效果：
(1)本发明提出了一种端到端的城市交通事故风险预测框架，使用者仅需将交通数据处理成文中所述的格式，输入到模型即可得到预测结果；(2)本发明从交通事故的连续性和周期性两个方面进行建模，利用ConvLSTM同时学习交通事故数据的时空特征，并结合外部环境数据，来准确有效地预测未来城市各区域的交通事故风险。
附图说明
图1为本发明的流程示意图
图2为划分连续性分支和周期性分支示意图
图3为ConvLSTM网络结构图
图4为交通事故风险预测模型图
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图4，一种基于循环神经网络的交通事故风险预测方法，包括以下步骤：
(1)城市网格划分：根据地理坐标，将预测城市划分为I×J个大小相同的网格区域，其中每个网格区域用索引(i，j)表示；
(2)构造交通事故时空风险矩阵：根据交通事故发生的时间和地点，按同一时段统计每个区域的事故风险，生成所有网格区域随时间变化的风险矩阵序列，并进行归一化处理。其中，事故风险为每个区域在每个时段内发生的每件交通事故的严重程度之和；
作为一优选方案，构造交通事故时空风险矩阵具体通过如下步骤实现：
(2a)取时间间隔t划分时段，则历史时间可以被划分为n个时间间隔的集合{T|t＝0，1，...，n-1}；
(2b)采用每个区域在每个时段内发生的每件交通事故的严重程度之和作为事故风险值，并计算每个区域在每个时段的事故风险，具体为：
Figure BDA0003023717370000051
其中，
Figure BDA0003023717370000052
为网格区域(i，j)在时间t内的事故风险值，Vk代表每件交通事故中的车辆数量，Ik代表每件交通事故中的受伤人数，Dk代表每件交通事故中的死亡人数，用死亡人数、受伤人数和事故车辆数的加权来表示每件交通事故严重程度，a1、a2和a3分别为它们的权重，优选取a1＝a2＝1，a3＝3；
(2c)将历史交通事故数据按时间间隔t计算每个网格内的事故风险，生成交通事故风险矩阵序列{Xt|t＝0，1，...，n-1}，风险矩阵Xt的具体表示如下：
Figure BDA0003023717370000061
(3)划分连续性分支和周期性分支：根据交通事故的发生在时间上具有连续性和周期性特点，将风险矩阵序列按连续性和周期性进行提取，划分为连续性分支和周期性分支。其中，连续性分支为待预测时段的前lc个相邻的风险矩阵序列，周期性分支为待预测时段的前lp个相隔周期长度的风险矩阵序列；待预测时段t的连续性分支Xc(t)和周期性分支Xp(t)可以表示为：
Figure BDA0003023717370000062
Figure BDA0003023717370000063
其中：lc表示连续性分支的风险矩阵序列个数，lp表示周期性分支的风险矩阵序列个数，p表示周期长度；
优选地，lc＝lp＝3，周期长度p＝7，则预测t时的事故风险Xt，可取t-1，t-2，t-3时刻的风险矩阵[Xt-3，Xt-2，Xt-1]作为连续性特征输入；t-7，t-2×7，t-3×7时刻的风险矩阵[Xt-3×7，Xt-2×7，Xt-7]作为周期性特征输入，如图2和3所示。
(4)构造外部特征向量：外部环境包括城市的天气情况和节假日分布，假设整个城市共享同一外部环境，提取每个时段的外部环境数据的特征并进行量化处理，生成每个时段的外部特征向量；
作为一优选方案，构造外部特征向量具体通过如下步骤实现：
(4a)天气数据包括每小时的天气情况(如晴朗、小雨、大雨等)、可见度和降雨量，节假日数据包括节日和双休日。对其中的类型数据进行one-hot独热编码，对其中的数值型数据进行归一化处理，按时间间隔t进行特征提取，得到天气特征向量{Wt|t＝0，1，...，n-1}和节假日特征向量{Ht|t＝0，1，...，n-1}；
(4b)另外，交通事故在每天的不同时段会呈现不同的模式，将每日24小时根据按不同模式划分为凌晨(0:00-7:00)、早高峰(7:00-9:00)、上午工作时间(9:00-12:00)、午休时间(12:00-14:00)、下午工作时间(14:00-17:00)、晚高峰(17:00-20:00)、夜晚(20:00-24:00)，采用one-hot编码，并按时间间隔t进行特征提取，得到时段特征{Pt|t＝0，1，...，n-1}；
(4c)将上述特征整合为外部特征向量{Et|t＝0，1，...，n-1}，Et具体表示如下：
Figure BDA0003023717370000071
(5)建立交通事故风险预测模型：建立包括两个卷积长短时记忆神经网络和一个全连接神经网络的交通事故风险预测模型，如图4所示，将步骤3获得的连续性分支和周期性分支分别作为两个ConvLSTM的输入，步骤4获得的外部特征向量作为全连接网络的输入，输出为待预测时段的风险矩阵，通过基于权重矩阵融合的方法进行特征融合，最后得到预测结果。
作为一优选方案，建立城市交通事故风险预测模型具体通过如下步骤实现：
(5a)采用两个相同结构的ConvLSTM分别对连续性分支Xc(t)和周期性分支Xp(t)进行时空特征提取，其中对连续性分支进行学习的ConvLSTM具体公式如下：
Figure BDA0003023717370000072
Figure BDA0003023717370000073
Figure BDA0003023717370000074
Figure BDA0003023717370000075
Figure BDA0003023717370000076
其中，*表示卷积运算，
Figure BDA0003023717370000077
表示Hadamard积，it、ft、ot、Ct和Ht分别表示输入门、遗忘门、输出门、细胞状态和隐藏状态，Ct-1和Ht-1分别表示前一时期的细胞状态和隐藏状态，σ表示sigmoid激活函数，W和b分别表示网络的权重和偏置；将L层的隐藏状态
Figure BDA0003023717370000078
作为ConvLSTM对连续性分支的输出，记为
Figure BDA0003023717370000079
同理，周期性分支的输出为记为
Figure BDA00030237173700000710
(5b)利用基于权重矩阵融合的方法对两个分支的输出进行特征融合，得到融合结果X，具体为：
Figure BDA00030237173700000711
其中：
Figure BDA00030237173700000712
表示Hadamard积，L表示网络层数，Wc和Wp分别为两个网络学习到的权重矩阵；
(5c)将全连接网络的输出XE与X进行矩阵相加，然后利用tanh激活函数将输出映射到[-1，1]范围内，具体为：
Figure BDA0003023717370000081
从而得到预测结果
Figure BDA0003023717370000082
(5d)所述交通事故风险预测模型训练时采用MSE(Mean Square Error，均方误差)计算损失，损失函数L(θ)具体为：
Figure BDA0003023717370000083
其中：
Figure BDA0003023717370000084
为模型的预测结果，Xt为真实值，θ是模型学习的所有参数，
Figure BDA0003023717370000085
是矩阵
Figure BDA0003023717370000086
的L2范数，通过训练得到最小损失函数，获得交通事故风险预测模型中的参数。
本发明实例提供一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，从交通事故的连续性和周期性两个方面进行建模，利用两个独立的ConvLSTM网络分别学习交通事故的连续性和周期性并进行融合，最后进一步融合外部环境特征，提高了预测的准确度，对交通管理和事故预警具有一定的指导意义。

Claims (6)

1.一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，该方法包括以下步骤：
(1)城市网格划分：根据地理坐标，将预测城市划分为I×J个大小相同的网格区域；
(2)构造交通事故时空风险矩阵：根据交通事故发生的时间和地点，按同一时段统计每个网格区域的事故风险，生成所有网格区域随时间变化的风险矩阵序列，并进行归一化处理。其中，事故风险为每个区域在每个时段内发生的每件交通事故的严重程度之和；
(3)划分连续性分支和周期性分支：根据交通事故的发生在时间上具有连续性和周期性特点，将风险矩阵序列按连续性和周期性进行提取，划分为连续性分支和周期性分支。其中，连续性分支为待预测时段的前lc个相邻的风险矩阵序列，周期性分支为待预测时段的前lp个相隔周期长度的风险矩阵序列；
(4)构造外部特征向量：外部环境包括城市的天气情况和节假日分布，假设整个城市共享同一外部环境，提取每个时段的外部环境数据的特征并进行量化处理，生成每个时段的外部特征向量；
(5)交通事故风险预测：建立基于卷积长短时记忆神经网络的城市交通事故风险预测模型，将步骤3获得的待预测时段的连续性分支和周期性分支和步骤4获得的待预测时段的外部特征向量作为输入，待预测时段的风险矩阵作为输出，通过构建有监督的训练数据集对模型进行训练，得到城市交通事故风险预测模型，再利用训练好的交通事故风险预测模型进行城市交通事故风险预测。
2.如权利要求1所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(2)中，生成所有网格区域随时间变化的风险矩阵序列的过程如下：
(2a)取时间间隔t划分时段，则历史时间可以被划分为n个时间间隔的集合{T|t＝0,1,...,n-1}；
(2b)采用每个区域在每个时段内发生的每件交通事故的严重程度之和作为事故风险，并计算每个区域在每个时段的事故风险，具体为：
Figure FDA0003023717360000021
其中，
Figure FDA0003023717360000022
为网格区域(i,j)在时间t内的事故风险值，(i,j)为区域索引，Vk代表每件交通事故中的车辆数量，Ik代表每件交通事故中的受伤人数，Dk代表每件交通事故中的死亡人数，用死亡人数、受伤人数和事故车辆数的加权来表示每件交通事故严重程度，a1、a2和a3为权重，其中，a3＞a1＝a2；
(2c)将历史交通事故数据按时间间隔t计算每个网格内的事故风险，生成所有网格区域随时间变化的交通事故风险矩阵序列{Xt|t＝0,1,...,n-1}，风险矩阵Xt的具体表示如下：
Figure FDA0003023717360000023
3.如权利要求2所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(3)中，划分连续性分支和周期性分支的过程如下：
定义连续性分支为待预测时段t的前lc个相邻的矩阵序列，周期性分支为待预测时段t的前lp个相隔周期长度的矩阵序列，则连续性分支Xc(t)和周期性分支Xp(t)可以表示为：
Figure FDA0003023717360000024
Figure FDA0003023717360000025
其中：lc表示连续性分支的风险矩阵序列个数，lp表示周期性分支的风险矩阵序列个数，p表示周期长度。
4.如权利要求1所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(4)中，构造外部特征向量的过程如下：
(4a)对城市的天气数据和节假日数据按时间间隔t进行特征提取，并对每天24小时按照凌晨(0:00-7:00)、早高峰(7:00-9:00)、晚高峰(17：00-20:00)、夜晚(20:00-24:00)模式划分；
(4b)量化过程包括对类型数据采用one-hot独热编码，对数值型数据进行归一化处理，生成每个时段的外部特征向量{Et|t＝0,1,...,n-1}，其中E包含所有的外部特征变量。
5.如权利要求1所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(5)中，所述交通事故风险预测模型具体包括两个卷积长短时记忆神经网络、一个全连接神经网络和特征融合层，其中：
两个相同结构的卷积长短时记忆神经网络ConvLSTM分别用于对连续性分支Xc(t)和周期性分支Xp(t)进行时空特征提取；全连接神经网络用于对待预测时段的外部特征向量进行特征提取。
所述特征融合层利用基于权重矩阵融合的方法对两个ConvLSTM的输出进行特征融合，得到融合结果X，具体为：
Figure FDA0003023717360000031
其中：
Figure FDA0003023717360000032
表示Hadamard积，L表示网络层数，
Figure FDA0003023717360000033
和
Figure FDA0003023717360000034
分别为两个网络的输出，Wc和Wp分别为两个网络学习到的权重矩阵；
再将全连接网络的输出XE与X进行矩阵相加，然后利用tanh激活函数将输出映射到[-1，1]范围内，具体为：
Figure FDA0003023717360000035
从而得到预测结果
Figure FDA0003023717360000036
6.如权利要求1所述的一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，其特征在于，所述步骤(5)中，所述交通事故风险预测模型训练时采用MSE计算损失，损失函数L(θ)具体为：
Figure FDA0003023717360000037
其中：
Figure FDA0003023717360000038
为模型的预测结果，Xt为真实值，θ是模型学习的所有参数，
Figure FDA0003023717360000039
是矩阵
Figure FDA00030237173600000310
的L2范数，通过训练得到最小损失函数，获得交通事故风险预测模型中的参数。
CN202110409819.3A 2021-04-16 2021-04-16 基于卷积长短时记忆神经网络的交通事故风险预测方法 Active CN113222218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110409819.3A CN113222218B (zh) 2021-04-16 2021-04-16 基于卷积长短时记忆神经网络的交通事故风险预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110409819.3A CN113222218B (zh) 2021-04-16 2021-04-16 基于卷积长短时记忆神经网络的交通事故风险预测方法

Publications (2)

Publication Number Publication Date
CN113222218A true CN113222218A (zh) 2021-08-06
CN113222218B CN113222218B (zh) 2022-06-10

Family

ID=77087836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110409819.3A Active CN113222218B (zh) 2021-04-16 2021-04-16 基于卷积长短时记忆神经网络的交通事故风险预测方法

Country Status (1)

Country Link
CN (1) CN113222218B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114238428A (zh) * 2022-02-24 2022-03-25 亿景智联(北京)科技有限公司 一种城市动态地理画像生成方法以及装置
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
CN115482665A (zh) * 2022-09-13 2022-12-16 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

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120317058A1 (en) * 2011-06-13 2012-12-13 Abhulimen Kingsley E Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's
US20150019276A1 (en) * 2011-12-21 2015-01-15 Per Egedal Method for Computer-Assisted Determination of the Usage of Electrical Energy Produced by a Power Generation Plant, Particularly a Renewable Power Generation Plant
CN107529651A (zh) * 2017-08-18 2018-01-02 北京航空航天大学 一种基于深度学习的城市交通客流预测方法和设备
CN111401712A (zh) * 2020-03-09 2020-07-10 交通运输部科学研究院 一种城市轨道交通风险评估系统及方法
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
CN111797572A (zh) * 2020-07-06 2020-10-20 中国矿业大学(北京) 一种城市事故灾害演化模拟及风险预测预警方法
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
CN112085947A (zh) * 2020-07-31 2020-12-15 浙江工业大学 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN112084928A (zh) * 2020-09-04 2020-12-15 东南大学 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法
CN112257935A (zh) * 2020-10-26 2021-01-22 中国人民解放军空军工程大学 一种基于lstm—rbf神经网络模型的航空安全预测方法
WO2021023724A1 (en) * 2019-08-05 2021-02-11 Université de Montréal System simulating a decisional process in a mammal brain about motions of a visually observed body

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120317058A1 (en) * 2011-06-13 2012-12-13 Abhulimen Kingsley E Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's
US20150019276A1 (en) * 2011-12-21 2015-01-15 Per Egedal Method for Computer-Assisted Determination of the Usage of Electrical Energy Produced by a Power Generation Plant, Particularly a Renewable Power Generation Plant
CN107529651A (zh) * 2017-08-18 2018-01-02 北京航空航天大学 一种基于深度学习的城市交通客流预测方法和设备
WO2021023724A1 (en) * 2019-08-05 2021-02-11 Université de Montréal System simulating a decisional process in a mammal brain about motions of a visually observed body
CN111401712A (zh) * 2020-03-09 2020-07-10 交通运输部科学研究院 一种城市轨道交通风险评估系统及方法
CN111797572A (zh) * 2020-07-06 2020-10-20 中国矿业大学(北京) 一种城市事故灾害演化模拟及风险预测预警方法
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
CN112085947A (zh) * 2020-07-31 2020-12-15 浙江工业大学 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN112084928A (zh) * 2020-09-04 2020-12-15 东南大学 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法
CN112257935A (zh) * 2020-10-26 2021-01-22 中国人民解放军空军工程大学 一种基于lstm—rbf神经网络模型的航空安全预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
周晓等: "基于卡尔曼滤波的道路平均速度预测模型研究", 《浙江工业大学学报》 *
周晓等: "基于卡尔曼滤波的道路平均速度预测模型研究", 《浙江工业大学学报》, vol. 48, no. 04, 31 December 2020 (2020-12-31) *
张志豪等: "基于LSTM神经网络模型的交通事故预测", 《计算机工程与应用》 *
张志豪等: "基于LSTM神经网络模型的交通事故预测", 《计算机工程与应用》, vol. 55, no. 14, 31 December 2019 (2019-12-31) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN114238428A (zh) * 2022-02-24 2022-03-25 亿景智联(北京)科技有限公司 一种城市动态地理画像生成方法以及装置
CN115482665A (zh) * 2022-09-13 2022-12-16 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
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

Also Published As

Publication number Publication date
CN113222218B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN113222218B (zh) 基于卷积长短时记忆神经网络的交通事故风险预测方法
CN109658695B (zh) 一种多因素的短时交通流预测方法
CN111860951B (zh) 一种基于动态超图卷积网络的轨道交通客流预测方法
An et al. A novel fuzzy-based convolutional neural network method to traffic flow prediction with uncertain traffic accident information
CN111612243B (zh) 交通速度预测方法、系统及存储介质
Li et al. A hybrid deep learning framework for long-term traffic flow prediction
Ye et al. Attention-based spatio-temporal graph convolutional network considering external factors for multi-step traffic flow prediction
CN113268916A (zh) 一种基于时空图卷积网络的交通事故预测方法
CN111009129B (zh) 基于时空深度学习模型的城市道路交通流预测方法及装置
Zhang et al. A Traffic Prediction Method of Bicycle-sharing based on Long and Short term Memory Network.
CN113283665B (zh) 一种基于路网的城市交通事故风险预测方法
CN115148019A (zh) 一种基于节假日拥堵预测算法的预警方法及系统
Zou et al. Air quality prediction based on a spatiotemporal attention mechanism
Bao et al. Spatial–temporal complex graph convolution network for traffic flow prediction
CN113823090A (zh) 一种基于多时空图卷积网络的交通流预测方法
Xu et al. AGNP: Network-wide short-term probabilistic traffic speed prediction and imputation
Xiong et al. DCAST: a spatiotemporal model with DenseNet and GRU based on attention mechanism
CN116721538A (zh) 一种用于动态交通状况下的自适应学习交通流预测的方法
CN113192325B (zh) 一种交通事件相关性分析方法及系统
Hu et al. Multi-source information fusion based dlaas for traffic flow prediction
CN116665448A (zh) 一种基于图卷积网络的交通速度实时预测方法及系统
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
CN111260121B (zh) 一种基于深度瓶颈残差网络的城市范围的人流量预测方法
CN115409276A (zh) 基于时空图自注意力模型的交通预测迁移学习方法
CN115938112A (zh) 交通需求预测方法、系统、电子设备及计算机存储介质

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