CN113268916A - 一种基于时空图卷积网络的交通事故预测方法 - Google Patents

Abstract

本发明涉及一种基于时空图卷积网络的交通事故预测方法，本发明主要结合了图卷积网络和长短期记忆网络，分别获取实际交通路网的空间信息特征提取和时序信息的特征提取，并充分考虑了时间、天气和兴趣点等交通信息数据，采用区域划分的方法构建了路网的拓扑结构；首先将区域路网构建为图结构，通过将图卷积网络用于学习复杂的路网拓扑结构，以获得交通状态中的空间相关性，然后把长短期记忆网络用于学习交通事故数据的动态变化，以获得交通状态中的时间相关性，最后将两种网络相结合构建预测模型，基于此对交通事故进行预测，以提高交通事故的预测性能。

Description

一种基于时空图卷积网络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卷积网络的交通事故预测方法。

背景技术

道路交通安全是全世界共同关注的一个重要领域，根据世界卫生组织在2018年发布的《全球道路安全现状报告》显示，全球每年大约有高达135万人死于交通意外，而随着经济的快速发展，道路交通安全状况的形势已经变得越来越严峻，因此，提高对交通事故的预测性能是一项迫切而重要的研究任务，有助于对道路交通异常状态提供及时预警，降低事故危害，减少事故损失。

有人将贝叶斯网络和Logistic回归模型应用于交通事故预测研究；有人采用遗传算法、模式搜索和人工神经网络的方法，使用多层感知器结构，对高速公路交通事故分别进行了预测；有人基于交通事故特征的权重，设计了特征矩阵转化为灰度图像的算法，提出一种新的交通事故预测方法；另有人引入一种新型的图特征提取方法，并据此重新定义图傅里叶变换，提出了一种基于机器学习的框架对交通事故进行预测；上述的方法模型只考虑了时间特征却忽略了空间依赖性，使得事故数据的变化脱离了路网拓扑结构的限制，从而无法准确地对交通事故进行预测。充分利用时空特征是推进交通事故预测研究问题的关键，有人则引入卷积神经网络(CNNs)来提取空间信息并将其与长短期记忆网络(LSTM)相结合，提出了一种用于事故预测的特征融合体系结构。然而卷积神经网络通常用于欧式空间，如图像、规则网格等，这种模型一般不能在具有复杂拓扑结构的城市道路网络的背景下工作，因此在本质上不能描述空间依赖性。

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卷积网络的交通事故预测方法，本发明主要结合了图卷积网络和长短期记忆网络，分别获取实际交通路网的空间信息特征提取和时序信息的特征提取，并充分考虑了时间、天气和兴趣点等交通信息数据，采用区域划分的方法构建了路网的拓扑结构；首先将区域路网构建为图结构，通过将图卷积网络用于学习复杂的路网拓扑结构，以获得交通状态中的空间相关性，然后把长短期记忆网络用于学习交通事故数据的动态变化，以获得交通状态中的时间相关性，最后将两种网络相结合构建预测模型，基于此对交通事故进行预测，以提高交通事故的预测性能。

本发明是通过以下技术方案达到上述目的：一种基于时空图卷积网络的交通事故预测方法，包括如下步骤：

(1)获取原始交通数据，根据不同城市对原始数据进行筛选和分类；并根据区域划分的方式构建交通路网的拓扑结构，并确定其邻接矩阵和特征矩阵；

(2)构建基于时空图卷积网络的交通事故预测模型，该模型与图卷积网络和长短期记忆网络相结合，通过将图卷积网络用于学习复杂的路网拓扑结构，以获得交通状态中的空间相关性，把长短期记忆网络用于学习交通事故数据的动态变化，以获得交通状态中的时间相关性，并且基于此对交通事故进行预测；

(3)在真实交通事故数据集上对交通事故预测模型进行训练，通过调整模型中的参数使得交通事故预测模型的预测性能达到最优，从而获得最佳的交通事故预测效果。

作为优选，所述步骤(2)构建基于时空图卷积网络的交通事故预测模型时，通过将路网定义为G＝(V,E)来表示区域之间的连接关系，将每个划分区域视为一个节点，其中V＝{v₁,v₂,…,v_n}即是一组区域节点的集合，n代表的是区域数量，v₁,v₂,…v_n代表的是各区域节点；E＝{e₁,e₂,…,e_m}表示两个区域之间连通性的边的集合，m代表边数量，e₁,e₂,…,e_m代表各条边；定义邻接矩阵A表示路网之中的连通性，当G是一个非加权的路网时，A是一个有0和1组成的矩阵，其中1表示相应的区域连接，而0则反之；定义特征矩阵X^n×P，即将一系列的历史交通信息作为路网节点的属性特征，其中P代表的是节点属性特征的数量，n代表的是节点数量；因此，时空交通事故预测问题可以表示为在路网G和特征矩阵X定义下的学习映射函数，来求解计算下一个时间T内的交通事故状态，即可表示为方程式：

[X_t+1,X_t+2,…,X_t+T]＝f(G,(X_t-i,X_ti+1,…,X_t))

其中i表示历史时间序列的长度，t表示的是当前的时间序列，T表示的是预测的时间序列长度，f()是一个函数表达式。

作为优选，所述构建的基于时空图卷积网络的交通事故预测模型共包含四个部分：

(i)空间依赖建模，则通过图卷积网络方法实现对空间特征的提取，即根据图卷积网络的表示方程：

其中，第l层网络的输入为

则H^(l+1)表示的是第l+1层网络的输入，

为域，N为图中的节点数量，D表示的是每个节点特征向量的维度，σ表示的是softmax激活函数，

表示的是度矩阵，

表示的是添加了自连接的邻接矩阵，W^(l)为待训练的参数；首先获取节点的特征表示并计算邻接矩阵，其次将特征矩阵和邻接矩阵输入图卷积网络，得到每个标签预测结果的方程式表示：

其中Z表示预测结果，f(X,A)表示图卷积网络预测结果，与Z等价，softmax是一个激活函数，

表示的是邻接矩阵，ReLU()表示的是线性整流函数，X表示节点的特征表示，W⁽⁰⁾为第一层的权值矩阵，用于将节点的特征表示映射为相应的隐层状态，W⁽¹⁾为第二层的权值矩阵，用于将节点的隐层表示映射为相应的输出，即可得到每个标签的预测结果。

作为优选，还包括：

(ii)时间依赖建模，则通过长短期记忆网络方法实现对时间特征的提取，其主要有三个核心控制结构，包括输入门、输出门和遗忘门，总体可通过如下方程式描述：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

其中，在时间t上，σ表示一个sigmoid激活函数，h_t-1表示上一时刻的隐藏层输出，x_t表示当前时刻的输入，f_t表示遗忘门，W_f表示权重，b_f表示差值；i_t和

表示输入门，tanh表示一个映射标识，W_i、W_C和b_i、b_C分别表示权重和偏差；o_t表示输出门，W_o表示权重，b_o表示偏差。

作为优选，还包括：

(iii)时间图卷积建模，模型中的每个单元都由图卷积网络和长短期记忆网络的组织结构建立，即在长短期记忆网络的基础上，保持其门结构和隐藏状态不变，但使得其输入将由图卷积特性来取代，然后通过全连接层得到预测结果；因此，该模型在时间t上的具体计算过程如下方程式所示：

f_t＝σ(W_f·[h_t-1,f(A,X_t)]+b_f)

i_t＝σ(W_i·[h_t-1,f(A,X_t)]+b_i)

o_t＝σ(W_o·[h_t-1,f(A,X_t)]+b_o)

其中，在时间t上，σ表示一个sigmoid激活函数，h_t-1表示上一时刻的隐藏层输出，f(A,X_t)表示图卷积过程，A表示邻接矩阵，X_t表示特征矩阵，f_t表示遗忘门，W_f表示权重，b_f表示差值；i_t和

表示输入门，tanh表示一个映射标识，W_i、W_C和b_i、b_C分别表示权重和偏差；o_t表示输出门，W_o表示权重，b_o表示偏差；考虑到输入信息前向传播和误差反向传播之间的信息传递，以及相邻记忆单元之间的状态影响，可计算出最终的单元状态和隐藏层输出如下：

h_t＝o_t*tanh(C_t)

其中，C_t表示的是最终单元状态，，f_t表示遗忘门当前时刻的状态值，C_t-1表示上一时刻的状态值，i_t和

表示输入门当前时刻的状态值，h_t表示当前时刻的隐藏层输出，o_t表示输出门当前时刻的状态值，tanh表示一个映射标识。

作为优选，还包括：

(iv)损失函数，在实验训练过程中，模型预测的目标是使交通事故预测结果尽可能地接近实际交通事故状态，即损失函数的目的是最小化两者之间的误差，因此，模型损失函数的方程式可表示为：

Loss＝||y_t-y_t||+λL_reg

其中，Loss表示损失函数，y_t和y_t分别表示实际值和预测值，L_reg表示的是L2正则项，用于避免过拟合的问题，λ表示的是一个超参数。

作为优选，所述步骤(3)中通过调整模型中的超参数使得交通事故预测模型的预测性能达到最优，其中模型的超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超参数为：时空图卷积按网络学习速率为1e-3；卷积块个数为5个；图卷积输出特征维度为1；长短期记忆网络输出特征维度为16；全连接神经网络输出维度为10；训练学习次数为2500；基于时空图卷积网络的交通事故预测模型中的神经网络模型采用图卷积神经网络模型和长短期记忆网络模型相结合；该网络先经过一层图卷积神经网络，捕获数据的空间特性，再经过三层的长短期记忆网络，捕获数据的时间特性，最后经过一层全连接层；图卷积神经网络的输入维度为315，输出维度为1；长短期记忆网络有三层，总共含有三个神经元，每层的输入维度为5，隐藏节点个数为16，输出最后一层所选取的有效输出维度为16；全连接层包含16个神经元，输入维度为16，输出维度为10。

本发明的有益效果在于：本发明首先将区域路网构建为图结构，通过将图卷积网络用于学习复杂的路网拓扑结构，以获得交通状态中的空间相关性，然后把长短期记忆网络用于学习交通事故数据的动态变化，以获得交通状态中的时间相关性，最后将两种网络相结合构建预测模型，基于此对交通事故进行预测，以提高交通事故的预测性能；本发明可克服现有交通事故预测方法大多忽略交通事故时间和空间上的依赖性问题。

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，一种基于时空图卷积网络的交通事故预测方法，具体如下：

步骤一，获取原始交通数据，根据不同城市为标准，对原始数据进行分类筛选，并通过数据中已划分好的各城市不同区域的交通路网状况构建邻接矩阵和特征矩阵；

步骤二，构建基于时空图卷积网络的交通事故预测模型，该模型与图卷积网络和长短期记忆网络相结合，通过将图卷积网络用于学习复杂的路网拓扑结构，以获得交通状态中的空间相关性，然后把长短期记忆网络用于学习交通事故数据的动态变化，以获得交通状态中的时间相关性，最后将两种网络相结合构建预测模型，基于此对交通事故进行预测。

本发明建立的基于时空图卷积网络的交通事故预测模型中，通过将路网定义为G＝(V,E)来表示区域之间的连接关系，将每个划分区域视为一个节点，其中V＝{v₁,v₂,…,v_n}即是一组区域节点的集合，n代表的是区域数量，v₁,v₂,…v_n代表的是各节点；E＝{e₁,e₂,…,e_m}表示了两个区域之间连通性的边的集合，m代表的是便数量，e₁,e₂,…,e_m代表的是各条边；定义邻接矩阵A表示路网之中的连通性，当G是一个非加权的路网时，A是一个有0和1组成的矩阵，其中1表示相应的区域连接，而0则反之；定义特征矩阵X^n×P，即将一系列的历史交通信息作为路网节点的属性特征，其中P代表的是节点属性特征的数量，n代表的是节点数量。因此，时空交通事故预测问题可以表示为在路网G和特征矩阵X定义下的学习映射函数，来求解计算下一个时间T内的交通事故状态，即可表示为方程式：

[X_t+1,X_t+2,…,X_t+T]＝f(G,(X_t-i,X_t-i+1,…,X_t))

其中i表示历史时间序列的长度，t表示的是当前的时间序列，T表示的是预测的时间序列长度，f()是一个函数表达式。构建基于时空图卷积网络的交通事故预测模型共包含四个部分：(1)空间依赖建模，则通过图卷积网络方法实现对空间特征的提取，即根据图卷积网络的表示方程：

其中，第l层网络的输入为

则H^(l+1)表示的是第l+1层网络的输入，

为域，N为图中的节点数量，D表示的是每个节点特征向量的维度，σ表示的是softmax激活函数，

表示的是度矩阵，

表示的是添加了自连接的邻接矩阵，W^(l)为待训练的参数；首先获取节点的特征表示并计算邻接矩阵，其次将特征矩阵和邻接矩阵输入图卷积网络，得到每个标签预测结果的方程式表示：

其中Z表示预测结果，f(X,A)表示图卷积网络预测结果，与Z等价，softmax是一个激活函数，

表示的是邻接矩阵，ReLU()表示的是线性整流函数，X表示节点的特征表示，W⁽⁰⁾为第一层的权值矩阵，用于将节点的特征表示映射为相应的隐层状态，W⁽¹⁾为第二层的权值矩阵，用于将节点的隐层表示映射为相应的输出，即可得到每个标签的预测结果。(2)时间依赖建模，则通过长短期记忆网络方法实现对时间特征的提取，其主要有三个核心控制结构，包括输入门、输出门和遗忘门，总体可通过如下方程式描述：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

其中，在时间t上，σ表示一个sigmoid激活函数，h_t-1表示上一时刻的隐藏层输出，x_t表示当前时刻的输入，f_t表示遗忘门，W_f表示权重，b_f表示差值；i_t和

表示输入门，tanh表示一个映射标识，W_i、W_C和b_i、b_C分别表示权重和偏差；o_t表示输出门，W_o表示权重，b_o表示偏差。(3)时间图卷积建模，模型中的每个单元都由图卷积网络和长短期记忆网络的组织结构建立，即在长短期记忆网络的基础上，保持其门结构和隐藏状态不变，但使得其输入将由图卷积特性来取代，然后通过全连接层得到预测结果；因此，该模型在时间t上的具体计算过程如下方程式所示：

f_t＝σ(W_f·[h_t-1,f(A,X_t)]+b_f)

i_t＝σ(W_i·[h_t-1,f(A,X_t)]+b_i)

o_t＝σ(W_o·[h_t-1,f(A,X_t)]+b_o)

其中，在时间t上，σ表示一个sigmoid激活函数，h_t-1表示上一时刻的隐藏层输出，f(A,X_t)表示图卷积过程，A表示邻接矩阵，X_t表示特征矩阵，f_t表示遗忘门，W_f表示权重，b_f表示差值；i_t和

表示输入门，tanh表示一个映射标识，W_i、W_C和b_i、b_C分别表示权重和偏差；o_t表示输出门，W_o表示权重，b_o表示偏差；考虑到输入信息前向传播和误差反向传播之间的信息传递，以及相邻记忆单元之间的状态影响，可计算出最终的单元状态和隐藏层输出如下：

h_t＝o_t*tanh(C_t)

其中，C_t表示的是最终单元状态，，f_t表示遗忘门当前时刻的状态值，C_t-1表示上一时刻的状态值，i_t和

表示输入门当前时刻的状态值，h_t表示当前时刻的隐藏层输出，o_t表示输出门当前时刻的状态值，tanh表示一个映射标识。

(4)损失函数，在实验训练过程中，模型预测的目标是使交通事故预测结果尽可能地接近实际交通事故状态，即损失函数的目的是最小化两者之间的误差，因此，模型损失函数的方程式可表示为：

Loss＝||y_t-y_t||+λL_reg

其中，Loss表示损失函数，y_t和y_t分别表示实际值和预测值，L_reg表示的是L2正则项，用于避免过拟合的问题，λ表示的是一个超参数。

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。

本发明对美国亚特兰大、奥斯汀和夏洛特三个城市在2018年6月至2018年8月(即12周)的真实交通事故数据进行分析研究，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，其中模型的超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超参数如下表1所示：

表1

时空图卷积按网络学习速率为1e-3；卷积块个数为5个；图卷积输出特征维度为1；长短期记忆网络输出特征维度为16；全连接神经网络输出维度为10；训练学习次数为2500；基于时空图卷积网络的交通事故预测模型中的神经网络模型采用图卷积神经网络模型和长短期记忆网络模型相结合。该网络先经过一层图卷积神经网络，捕获数据的空间特性，在经过三层的长短期记忆网络，捕获数据的时间特性，最后经过一层全连接层。图卷积神经网络的输入维度为315，输出维度为1。长短期记忆网络有三层，总共含有三个神经元，每层的输入维度为5，隐藏节点个数为16，输出最后一层所选取的有效输出维度为16。全连接层包含16个神经元，输入维度为16，输出维度为10。

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 (7)

1.一种基于时空图卷积网络的交通事故预测方法，其特征在于，包括如下步骤：

(1)获取原始交通数据，根据不同城市对原始数据进行筛选和分类；并根据区域划分的方式构建交通路网的拓扑结构，并确定其邻接矩阵和特征矩阵；

(2)构建基于时空图卷积网络的交通事故预测模型，该模型与图卷积网络和长短期记忆网络相结合，通过将图卷积网络用于学习复杂的路网拓扑结构，以获得交通状态中的空间相关性，把长短期记忆网络用于学习交通事故数据的动态变化，以获得交通状态中的时间相关性，并且基于此对交通事故进行预测；

(3)在真实交通事故数据集上对交通事故预测模型进行训练，通过调整模型中的参数使得交通事故预测模型的预测性能达到最优，从而获得最佳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卷积网络的交通事故预测方法，其特征在于：所述步骤(2)构建基于时空图卷积网络的交通事故预测模型时，通过将路网定义为G＝(V,E)来表示区域之间的连接关系，将每个划分区域视为一个节点，其中V＝{v₁,v₂,…,v_n}即是一组区域节点的集合，n代表的是区域数量，v₁,v₂,…v_n代表的是各区域节点；E＝{e₁,e₂,…,e_m}表示两个区域之间连通性的边的集合，m代表边数量，e₁,e₂,…,e_m代表各条边；定义邻接矩阵A表示路网之中的连通性，当G是一个非加权的路网时，A是一个有0和1组成的矩阵，其中1表示相应的区域连接，而0则反之；定义特征矩阵X^n×P，即将一系列的历史交通信息作为路网节点的属性特征，其中P代表的是节点属性特征的数量，n代表的是节点数量；因此，时空交通事故预测问题可以表示为在路网G和特征矩阵X定义下的学习映射函数，来求解计算下一个时间T内的交通事故状态，即可表示为方程式：

[X_t+1,X_t+2,…,X_t+T]＝f(G,(X_t-i,X_ti+1,…,X_t))

其中i表示历史时间序列的长度，t表示的是当前的时间序列，T表示的是预测的时间序列长度，f()是一个函数表达式。

3.根据权利要求2所述的一种基于时空图卷积网络的交通事故预测方法，其特征在于：所述构建的基于时空图卷积网络的交通事故预测模型共包含四个部分：

(i)空间依赖建模，则通过图卷积网络方法实现对空间特征的提取，即根据图卷积网络的表示方程：

其中，第l层网络的输入为

则H^(l+1)表示的是第l+1层网络的输入，

为域，N为图中的节点数量，D表示的是每个节点特征向量的维度，σ表示的是softmax激活函数，

表示的是度矩阵，

表示的是添加了自连接的邻接矩阵，W^(l)为待训练的参数；首先获取节点的特征表示并计算邻接矩阵，其次将特征矩阵和邻接矩阵输入图卷积网络，得到每个标签预测结果的方程式表示：

其中Z表示预测结果，f(X,A)表示图卷积网络预测结果，与Z等价，softmax是一个激活函数，

表示的是邻接矩阵，ReLU()表示的是线性整流函数，X表示节点的特征表示，W⁽⁰⁾为第一层的权值矩阵，用于将节点的特征表示映射为相应的隐层状态，W⁽¹⁾为第二层的权值矩阵，用于将节点的隐层表示映射为相应的输出，即可得到每个标签的预测结果。

4.根据权利要求3所述的一种基于时空图卷积网络的交通事故预测方法，其特征在于，还包括：

(ii)时间依赖建模，则通过长短期记忆网络方法实现对时间特征的提取，其主要有三个核心控制结构，包括输入门、输出门和遗忘门，总体可通过如下方程式描述：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

其中，在时间t上，σ表示一个sigmoid激活函数，h_t-1表示上一时刻的隐藏层输出，x_t表示当前时刻的输入，f_t表示遗忘门，W_f表示权重，b_f表示差值；i_t和

表示输入门，tanh表示一个映射标识，W_i、W_C和b_i、b_C分别表示权重和偏差；o_t表示输出门，W_o表示权重，b_o表示偏差。

5.根据权利要求3所述的一种基于时空图卷积网络的交通事故预测方法，其特征在于，还包括：

(iii)时间图卷积建模，模型中的每个单元都由图卷积网络和长短期记忆网络的组织结构建立，即在长短期记忆网络的基础上，保持其门结构和隐藏状态不变，但使得其输入将由图卷积特性来取代，然后通过全连接层得到预测结果；因此，该模型在时间t上的具体计算过程如下方程式所示：

f_t＝σ(W_f·[h_t-1,f(A,X_t)]+b_f)

i_t＝σ(W_i·[h_t-1,f(A,X_t)]+b_i)

o_t＝σ(W_o·[h_t-1,f(A,X_t)]+b_o)

其中，在时间t上，σ表示一个sigmoid激活函数，h_t-1表示上一时刻的隐藏层输出，f(A,X_t)表示图卷积过程，A表示邻接矩阵，X_t表示特征矩阵，f_t表示遗忘门，W_f表示权重，b_f表示差值；i_t和

表示输入门，tanh表示一个映射标识，W_i、W_C和b_i、b_C分别表示权重和偏差；o_t表示输出门，W_o表示权重，b_o表示偏差；考虑到输入信息前向传播和误差反向传播之间的信息传递，以及相邻记忆单元之间的状态影响，可计算出最终的单元状态和隐藏层输出如下：

h_t＝o_t*tanh(C_t)

其中，C_t表示的是最终单元状态，，f_t表示遗忘门当前时刻的状态值，C_t-1表示上一时刻的状态值，i_t和

表示输入门当前时刻的状态值，h_t表示当前时刻的隐藏层输出，o_t表示输出门当前时刻的状态值，tanh表示一个映射标识。

6.根据权利要求3所述的一种基于时空图卷积网络的交通事故预测方法，其特征在于，还包括：

(iv)损失函数，在实验训练过程中，模型预测的目标是使交通事故预测结果尽可能地接近实际交通事故状态，即损失函数的目的是最小化两者之间的误差，因此，模型损失函数的方程式可表示为：

Loss＝||y_t-y_t||+λL_reg

其中，Loss表示损失函数，y_t和y_t分别表示实际值和预测值，L_reg表示的是L2正则项，用于避免过拟合的问题，λ表示的是一个超参数。

7.根据权利要求1所述的一种基于时空图卷积网络的交通事故预测方法，其特征在于：所述步骤(3)中通过调整模型中的超参数使得交通事故预测模型的预测性能达到最优，其中模型的超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超参数为：时空图卷积按网络学习速率为1e-3；卷积块个数为5个；图卷积输出特征维度为1；长短期记忆网络输出特征维度为16；全连接神经网络输出维度为10；训练学习次数为2500；基于时空图卷积网络的交通事故预测模型中的神经网络模型采用图卷积神经网络模型和长短期记忆网络模型相结合；该网络先经过一层图卷积神经网络，捕获数据的空间特性，再经过三层的长短期记忆网络，捕获数据的时间特性，最后经过一层全连接层；图卷积神经网络的输入维度为315，输出维度为1；长短期记忆网络有三层，总共含有三个神经元，每层的输入维度为5，隐藏节点个数为16，输出最后一层所选取的有效输出维度为16；全连接层包含16个神经元，输入维度为16，输出维度为10。

Images