CN114330541A - 道路交通事故风险预测深度学习算法 - Google Patents
道路交通事故风险预测深度学习算法 Download PDFInfo
- Publication number
- CN114330541A CN114330541A CN202111621470.6A CN202111621470A CN114330541A CN 114330541 A CN114330541 A CN 114330541A CN 202111621470 A CN202111621470 A CN 202111621470A CN 114330541 A CN114330541 A CN 114330541A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional
- layer
- traffic accident
- features
- 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.)
- Withdrawn
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 87
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 87
- 238000007637 random forest analysis Methods 0.000 claims abstract description 45
- 230000015654 memory Effects 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000001939 inductive effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 21
- 230000006403 short-term memory Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000007787 long-term memory Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229940050561 matrix product Drugs 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了道路交通事故风险预测深度学习算法，包括S1、特征提取，利用卷积神经网络算法、长短期记忆神经网络算法、卷积长短期记忆神经网络算法处理多源交通数据集，进行特征提取，使用随机森林网络算法对高相关性多源特征进行分类，以分析诱发交通事故的特征，并得到交通事故发生风险性的深度神经网络；S2、建立随机森林神经网络预测模型，采用含有多个决策树的随机森林神经网络预测模型对交通事故风险做分类预测；S3、仿真结果与分析，搭建仿真环境，利用仿真软件、实验数据，利用某地区近几年交通事故数据，使用神经网络库，进行仿真实验，并分析结果。本发明能够有效提高道路交通事故风险预测的精度。
Description
技术领域
本发明属于交通事故风险预测技术领域，尤其涉及道路交通事故风险预测深度学习算法。
背景技术
在对道路交通事故风险预测的研究中，数据融合、深度学习算法、大数据分析技术等已进行应用，随着道路交通数据采集手段的多样化，获得的数据也呈现多源的特性，如何更好的利用这些数据服务道路交通，目前是一个重要的研究课题。在这一研究课题中，多源数据融合技术尤其是以神经网络深度学习为代表的多源数据融合技术发展运用十分关键，有学者对城市交通，基于BP神经网络多源数据融合技术，提出短时交通预测模型和公交到站时间预测模型。对交通事故的预测，早期用到了长短记忆神经网络，其目的就是为解决当位置信息和相关信息之间的时间间隔变得较大时，传统的循环神经网络会出现梯度消散或梯度爆炸的情况。后来，有学者在此基础上与卷积神经网络结合提出了卷积长短期记忆神经网络，传统的卷积神经网络道路交通事故风险预测算法虽然能够在数据量不大的情况下,自主提取特征值,并进行分析处理,最终得出预测告知结果,但其全连接模式冗余,训练效率较低。
发明内容
针对现有技术不足，本发明的目的在于提供道路交通事故风险预测深度学习算法，提出卷积长短期记忆森林神经网络算法,卷积长短期记忆森林神经网络算法对交通状态影响较大的因素,按时空变化,采用不同的算法进行特征提取,可在时间和空间两个维度较好的捕捉道路交通事故风险的变化特征，同时，利用随机森林神经网络算法进行训练，可有效提高分类精度，经过决策树一次又一次的选择分类，使得预测值无限逼近真实值，能够有效提高道路交通事故风险预测的精度。
本发明提供如下技术方案：
道路交通事故风险预测深度学习算法，包括以下步骤：
S1、特征提取，利用卷积神经网络算法、长短期记忆神经网络算法、卷积长短期记忆神经网络算法处理多源交通数据集，进行特征提取，使用随机森林网络算法对高相关性多源特征进行分类，以分析诱发交通事故的特征，并得到交通事故发生风险性的深度神经网络；
S2、建立随机森林神经网络预测模型，采用含有多个决策树的随机森林神经网络预测模型对交通事故风险做分类预测；
S3、仿真结果与分析，搭建仿真环境，利用仿真软件、实验数据，利用某地区近几年交通事故数据，使用神经网络库，运用Python语言进行仿真实验，并分析结果。
优选的，在特征提取中，特征要素包括随时间变化要素、随空间位置变化要素、随时间空间变化要素，其中，利用卷积神经网络算法提取随时间变化要素，利用长短期记忆神经网络算法提取随空间位置变化要素，利用卷积长短期记忆神经网络算法提取随时间空间变化要素。
优选的，所述卷积神经网络包括输入层、卷积层、激活函数、池化层、全连接层及输出层，卷积层与池化层交替组成其低隐藏层，通过卷积层的卷积运算，从而实现多维特征的自主提取，卷积层处理后的数据将被作为池化层的输入，不重叠的整合出邻域的特征点以得到新的特征，全连接层的目的为将卷积层、池化层处理后学习到的特征映射到样本的标准空间中，连接前一层的神经元的所有特征并输出一维向量至分类器，进行特征分类。
优选的，所述特征分类的工作方法如下：
A1：首先选定数据集，即从所有训练样本中随机选择N个子集作为训练集；
A2：数据预处理，即将各个权值、阈值设置成接近于0的随机值，并初始化精度以控制参数和学习率；
A3:将训练集中的一组数据输入模型，并给出目标输出；
A4：中间层计算输出，得出模型的实际输出；
A5：比较实际输出与目标输出，计算中间层隐藏单元的输出误差；
A6：依次计算各个权重与偏置的调整量；
A7：依次调整权重与偏置；
A8：训练结束，保存权重与偏置于文件中，训练形成稳定分类器后，直接从文件中导出保存的权重与偏置进行下一轮训练；
A9：分类器输出预测概率值。
优选的，所述随机森林网络算法包括多个决策树和自举汇聚算法。
优选的，首先利用抽样法从输入的特征映射中有效地抽取并形成K个自助样本集，作为训练测试集，每次未被抽到的样本组成K个袋外样本集，若经过特征提取后的交通数据集有M个特征，当卷积长短记忆随机森林神经网络分类决策树的每个节点需要分裂时，随机从这M个特征中选出m个特征，然后再从这m个特征中选取一个作为该节点的分裂特征，直至不能再分裂为止，最后重复前面的操作n次，获得n个卷积长短记忆随机森林神经网络决策树，从而建立随机森林神经网络。
优选的，用卷积神经网络提取随时间变化要素特征，特征提取器包括输入层、卷积层、激活函数、池化层，卷积层卷积过程是使用可训练的过滤器
卷积输入的特征，并加一个偏置bl池化层，进一步降低卷积神经网络参数及模型的过拟合程度，将得到的卷积特征图以每领域内的特征值为单位求和，使其变为一个特征值，然后通过标量加权，再增加偏置βl+1，最后通过一个激活函数，产生大概缩小βl+1倍的特征映射；卷积层将卷积核与输入的每个特征映射图中对应的元素相乘，并对这些值求和，再加上偏置并取激活函数作为输出，卷积层输出的
公式如下：
其中,
优选的，利用长短期记忆神经网络算法提取随空间位置变化要素特征：
it＝σ(wxixt+whiht-1+wci e ct-1+bi)；
ft＝σ(wxfxt+whfht-1+wcf e ct-1+bf)；
ct＝ft e ct-1+it e tanh(wxcxt+whcht-1+bc)；
其中，x为变量，h为预测值，wxi表示输入与输出门之间的权重，bi表示输入门的偏置，e表示矩阵乘积运算，σ(g)、tan(g)是非线性激活函数。
优选的，利用卷积长短期记忆神经网络算法提取随时间空间变化要素特征：
It＝σ(wxixt+whi*Ht-1+wci e ct-1+bi)
Ft＝σ(wxfxt+whf*Ht-1+wcf e ct-1+bf)
ct＝Ft e ct-1+It e tanh(wxcxt+whc*Ht-1+bc)
x为变量，*号表示卷积运算，e表示张量乘积运算。Ft，ct等表示张量。
与现有技术相比，本发明具有以下有益效果：
(1)本发明道路交通事故风险预测深度学习算法，通过提出卷积长短期记忆森林神经网络算法,卷积长短期记忆森林神经网络算法对交通状态影响较大的因素,按时空变化,采用不同的算法进行特征提取,可在时间和空间两个维度较好的捕捉道路交通事故风险的变化特征，同时，利用随机森林神经网络算法进行训练，可有效提高分类精度，经过决策树一次又一次的选择分类，使得预测值无限逼近真实值。卷积长短期记忆森林神经网络算法能有效提高道路交通事故风险预测的精度。
(2)本发明道路交通事故风险预测深度学习算法，通过使用卷积神经网络，在处理背景不清楚、推理规则不明确的问题时，卷积神经网络对具有良好的容错能力、自学习能力和特征提取与分类的并行处理能力，允许采样数据有较大的缺损与畸变，运行速度快，自适应性能好，其局部连接和权值共享降低参数量，可减少模型的复杂度，其降采样则进一步降低了输出参数量，可增强模型的泛化能力。
(3)本发明道路交通事故风险预测深度学习算法，通过提出随机森林网络算法，随机森林网络算法采用多个决策时的投票机制来改善决策树，对多维特征的数据集分类有较高的运行效率和准确率。
(4)本发明道路交通事故风险预测深度学习算法，随机森林采用多个决策时的投票机制来改善决策树，对多维特征的数据集分类有较高的运行效率和准确率。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明的流程图。
图2是本发明的卷积神经网络工作原理图。
图3是本发明的随机森林网络算法图。
图4是本发明的卷积长短期记忆随机森林网络结构图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例一：
如图1-4所示，道路交通事故风险预测深度学习算法，包括以下步骤：
S1、特征提取，利用卷积神经网络算法、长短期记忆神经网络算法、卷积长短期记忆神经网络算法处理多源交通数据集，进行特征提取，使用随机森林网络算法对高相关性多源特征进行分类，以分析诱发交通事故的特征，并得到交通事故发生风险性的深度神经网络；
S2、建立随机森林神经网络预测模型，采用含有多个决策树的随机森林神经网络预测模型对交通事故风险做分类预测；
S3、仿真结果与分析，搭建仿真环境，利用仿真软件、实验数据，利用某地区近几年交通事故数据，使用神经网络库，运用Python语言进行仿真实验，并分析结果。
在特征提取中，特征要素包括随时间变化要素、随空间位置变化要素、随时间空间变化要素，其中，利用卷积神经网络算法提取随时间变化要素，利用长短期记忆神经网络算法提取随空间位置变化要素，利用卷积长短期记忆神经网络算法提取随时间空间变化要素。
所述卷积神经网络一般包括输入层、卷积层、激活函数、池化层、全连接层及输出层，卷积层与池化层交替组成其低隐藏层，通过卷积层的卷积运算，从而实现多维特征的自主提取，卷积层处理后的数据将被作为池化层的输入，不重叠的整合出邻域的特征点以得到新的特征，全连接层的目的为将卷积层、池化层处理后学习到的特征映射到样本的标准空间中，连接前一层的神经元的所有特征并输出一维向量至分类器，进行特征分类。
所述特征分类的工作方法如下：
A1：首先选定数据集，即从所有训练样本中随机选择N个子集作为训练集；
A2：数据预处理，即将各个权值、阈值设置成接近于0的随机值，并初始化精度以控制参数和学习率；
A3:将训练集中的一组数据输入模型，并给出目标输出；
A4：中间层计算输出，得出模型的实际输出；
A5：比较实际输出与目标输出，计算中间层隐藏单元的输出误差；
A6：依次计算各个权重与偏置的调整量；
A7：依次调整权重与偏置；
A8：训练结束，保存权重与偏置于文件中，训练形成稳定分类器后，直接从文件中导出保存的权重与偏置进行下一轮训练；
A9：分类器输出预测概率值。
所述随机森林网络算法包括多个决策树和自举汇聚算法。
首先利用抽样法从输入的特征映射中有效地抽取并形成K个自助样本集，作为训练测试集，每次未被抽到的样本组成K个袋外样本集，若经过特征提取后的交通数据集有M个特征，当卷积长短记忆随机森林神经网络分类决策树的每个节点需要分裂时，随机从这M个特征中选出m个特征，然后再从这m个特征中选取一个作为该节点的分裂特征，直至不能再分裂为止，最后重复前面的操作n次，获得n个卷积长短记忆随机森林神经网络决策树，从而建立随机森林神经网络。
用卷积神经网络提取随时间变化要素特征，特征提取器包括输入层、卷积层、激活函数、池化层，卷积层卷积过程是使用可训练的过滤器
卷积输入的特征，并加一个偏置bl池化层，进一步降低卷积神经网络参数及模型的过拟合程度，将得到的卷积特征图以每领域内的特征值为单位求和，使其变为一个特征值，然后通过标量加权，再增加偏置βl+1，最后通过一个激活函数，产生大概缩小βl+1倍的特征映射；卷积层将卷积核与输入的每个特征映射图中对应的元素相乘，并对这些值求和，再加上偏置并取激活函数作为输出，卷积层输出的
公式如下：
其中,
利用长短期记忆神经网络算法提取随空间位置变化要素特征：
it＝σ(wxixt+whiht-1+wci e ct-1+bi)；
ft＝σ(wxfxt+whfht-1+wcf e ct-1+bf)；
ct＝ft e ct-1+it e tanh(wxcxt+whcht-1+bc)；
其中，x为变量，h为预测值，wxi表示输入与输出门之间的权重，bi表示输入门的偏置，e表示矩阵乘积运算，σ(g)、tan(g)是非线性激活函数。
利用卷积长短期记忆神经网络算法提取随时间空间变化要素特征：
It＝σ(wxixt+whi*Ht-1+wci e ct-1+bi)
Ft＝σ(wxfxt+whf*Ht-1+wcf e ct-1+bf)
ct＝Ft e ct-1+It e tanh(wxcxt+whc*Ht-1+bc)
x为变量，*号表示卷积运算，e表示张量乘积运算。Ft，ct等表示张量。
实施例二
如图1-4所示，道路交通事故风险预测深度学习算法，包括以下步骤：
S1、特征提取，利用卷积神经网络算法、长短期记忆神经网络算法、卷积长短期记忆神经网络算法处理多源交通数据集，进行特征提取，使用随机森林网络算法对高相关性多源特征进行分类，以分析诱发交通事故的特征，并得到交通事故发生风险性的深度神经网络；所述多源数据集采用多源数据融合技术对多数据源数据进行数据融合，数据融合分为三个层次：决策层、特征层、数据层。层次不同，数据处理的颗粒度不同，选择的处理方法不同，应用的目的也不同。数据层：在采集到的原始数据上直接进行融合，这是低层次的融合。特征层：先抽取待融合数据的特征属性，然后对这种特有的属性完成整合、分析，归纳。决策层：以待解决的问题为出发点，利用上级别融合的结论，作出综合判断，为最终结论奠定基础。常用的数据融合方法，在交通领域，常用的数据融合技术，数据层主要有最大似然估计法、神经网络法、卡尔曼滤波技术等；特征层主要有Bages推理、D-S证据理论、神经网络法、聚类分析法、模糊数学法等；决策层主要有神经网络法、Bages推理、表决法、D-S证据理论等。
卷积神经网络是一种带有卷积结构的前馈深度神经网络，其目的是构造出适合的模型对事物进行特征提取，而后根据抓取的特征对事物进行分类、识别及动态预测事物的下一步如何发展；
卷积神经网络一般包括输入层、卷积层、激活函数、池化层、全连接层及输出层，其核心步骤是特征提取，即如何提取到能最大程度区分事物的特征，卷积层与最大池化层交替组成其低隐藏层，多隐藏层的卷积层和池化层是实现卷积神经网络特征提取功能的核心模块，通过卷积层的卷积运算，能够增强原始数据集的某些高相关性特征并降低噪声，从而实现多维特征的自主提取。卷积层处理后的数据将被作为池化层的输入，不重叠的整合出邻域的特征点以得到新的特征。如果提取特征无法将不同事物进行划分，特征提取步骤将毫无意义。全连接层的目的就是将卷积层、池化层处理后学习到的特征映射到样本的标准空间中，连接前一层的神经元的所有特征并输出的一维向量至分类器，进行特征分类，其工作原理结合图2所示：
其训练过程包括以下步骤所示：
A1：首先选定数据集，即从所有训练样本中随机选择N个子集作为训练集；
A2：数据预处理，即将各个权值、阈值设置成接近于0的随机值，并初始化精度以控制参数和学习率；
A3:将训练集中的一组数据输入模型，并给出目标输出；
A4：中间层计算输出，得出模型的实际输出；
A5：比较实际输出与目标输出，计算中间层隐藏单元的输出误差；
A6：依次计算各个权重与偏置的调整量；
A7：依次调整权重与偏置；
A8：训练结束，保存权重与偏置于文件中，训练形成稳定分类器后，直接从文件中导出保存的权重与偏置进行下一轮训练；
A9：分类器输出预测概率值。
在处理背景不清楚、推理规则不明确的问题时，卷积神经网络对比其他传统技术具有良好的容错能力、自学习能力和特征提取与分类的并行处理能力，允许采样数据有较大的缺损与畸变，运行速度快，自适应性能好。其局部连接和权值共享降低参数量，可减少模型的复杂度。其降采样则进一步降低了输出参数量，可增强模型的泛化能力。
S2、建立随机森林神经网络预测模型，采用含有多个决策树的随机森林神经网络预测模型对交通事故风险做分类预测；所述随机森林网络算法包括决策树和自举汇聚算法，随机森林神经网络采用多个决策时的投票机制来改善决策树，对多维特征的数据集分类有较高的运行效率和准确率。因此，需要采用含有多个决策树的随机森林模型对交通事故风险做分类预测。
结合卷积神经网络、随机森林神经网络、长短期记忆神经网络提出一种卷积长短期记忆森林网络算法，其结构为：在特征提取方面，用卷积神经网络、长短期记忆神经网络、卷积长短期记忆神经网络作为特征提取器，卷积神经网络的多层全连接与分类器由随机森林神经网络取代，随机森林神经网络结构结合图4所示。
首先利用卷积神经网络、长短期记忆神经网络、卷积长短期记忆神经网络处理多源交通数据集，进行特征提取，再选择随机森林网络算法对已处理的高相关性多源特征进行分类，以分析诱发交通事故的特征并得到交通事故发生风险性的深度神经网络。
当提取交通数据集中可能诱发交通事故的高相关性特征后，将提取的特征映射重塑成合适作为随机神经网络分类输入的大小，构建随机森林神经网络分类器。首先利用抽样法从输入的特征映射中有效地抽取并形成K个自助样本集，作为训练测试集，每次未被抽到的样本组成K个袋外样本集，若经过特征提取后的交通数据集有M个特征，当卷积长短记忆随机森林神经网络分类决策树的每个节点需要分裂时，随机从这M个特征中选出m个特征(m<M)，然后再从这m个特征中选取一个作为该节点的分裂特征，直至不能再分裂为止。最后重复前面的操作n次，获得n个卷积长短记忆随机森林神经网络决策树，从而建立随机森林神经网络。
S3、仿真结果与分析，搭建仿真环境，利用仿真软件、实验数据，利用某地区近几年交通事故数据，使用神经网络库，运用Python语言进行仿真实验，并分析结果。
在特征提取中，特征要素包括随时间变化要素、随空间位置变化要素、随时间空间变化要素，其中，利用卷积神经网络算法提取随时间变化要素，利用长短期记忆神经网络算法提取随空间位置变化要素，利用卷积长短期记忆神经网络算法提取随时间空间变化要素。
通过上述技术方案得到的装置是道路交通事故风险预测深度学习算法，对基于深度学习算法的数据融合技术进行深入的研究，利用神经网络深度学习算法对多源交通数据进行融合，进而对道路交通事故风险进行预测，给出预测模型，并对模型进行分析、仿真验证。卷积长短期记忆森林神经网络算法对交通状态影响较大的因素,按时空变化,采用不同的算法进行特征提取,可在时间和空间两个维度较好的捕捉道路交通事故风险的变化特征，同时，利用随机森林神经网络算法进行训练，可有效提高分类精度，经过决策树一次又一次的选择分类，使得预测值无限逼近真实值。卷积长短期记忆森林神经网络算法能有效提高道路交通事故风险预测的精度。
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化；凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.道路交通事故风险预测深度学习算法，其特征在于，包括以下步骤：
S1、特征提取，利用卷积神经网络算法、长短期记忆神经网络算法、卷积长短期记忆神经网络算法处理多源交通数据集，进行特征提取，使用随机森林网络算法对高相关性多源特征进行分类，以分析诱发交通事故的特征，并得到交通事故发生风险性的深度神经网络；
S2、建立随机森林神经网络预测模型，采用含有多个决策树的随机森林神经网络预测模型对交通事故风险做分类预测；
S3、仿真结果与分析，搭建仿真环境，利用仿真软件、实验数据，利用某地区近几年交通事故数据，使用神经网络库，进行仿真实验，并分析结果。
2.根据权利要求1所述道路交通事故风险预测深度学习算法，其特征在于，在特征提取中，特征要素包括随时间变化要素、随空间位置变化要素、随时间空间变化要素，其中，利用卷积神经网络算法提取随时间变化要素，利用长短期记忆神经网络算法提取随空间位置变化要素，利用卷积长短期记忆神经网络算法提取随时间空间变化要素。
3.根据权利要求1所述道路交通事故风险预测深度学习算法，其特征在于，所述卷积神经网络包括输入层、卷积层、激活函数、池化层、全连接层及输出层，卷积层与池化层交替组成其低隐藏层，通过卷积层的卷积运算，从而实现多维特征的自主提取，卷积层处理后的数据将被作为池化层的输入，不重叠的整合出邻域的特征点以得到新的特征，全连接层的目的为将卷积层、池化层处理后学习到的特征映射到样本的标准空间中，连接前一层的神经元的所有特征并输出一维向量至分类器，进行特征分类。
4.根据权利要求3所述道路交通事故风险预测深度学习算法，其特征在于，所述特征分类的工作方法如下：
A1：首先选定数据集，即从所有训练样本中随机选择 N 个子集作为训练集；
A2：数据预处理，即将各个权值、阈值设置成接近于 0 的随机值，并初始化精度以控制参数和学习率；
A3:将训练集中的一组数据输入模型，并给出目标输出；
A4：中间层计算输出，得出模型的实际输出；
A5：比较实际输出与目标输出，计算中间层隐藏单元的输出误差；
A6：依次计算各个权重与偏置的调整量；
A7：依次调整权重与偏置；
A8：训练结束，保存权重与偏置于文件中，训练形成稳定分类器后，直接从文件中导出保存的权重与偏置进行下一轮训练；
A9：分类器输出预测概率值。
5.根据权利要求1所述道路交通事故风险预测深度学习算法，其特征在于，所述随机森林网络算法包括多个决策树和自举汇聚算法。
6.根据权利要求1所述道路交通事故风险预测深度学习算法，其特征在于，首先利用抽样法从输入的特征映射中有效地抽取并形成K个自助样本集，作为训练测试集，每次未被抽到的样本组成K个袋外样本集，若经过特征提取后的交通数据集有M个特征，当卷积长短记忆随机森林神经网络分类决策树的每个节点需要分裂时，随机从这M个特征中选出m个特征，然后再从这m个特征中选取一个作为该节点的分裂特征，直至不能再分裂为止，最后重复前面的操作n次，获得n个卷积长短记忆随机森林神经网络决策树，从而建立随机森林神经网络。
7.根据权利要求1所述道路交通事故风险预测深度学习算法，其特征在于，在所述步骤S3中，运用Python语言进行仿真实验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111621470.6A CN114330541A (zh) | 2021-12-28 | 2021-12-28 | 道路交通事故风险预测深度学习算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111621470.6A CN114330541A (zh) | 2021-12-28 | 2021-12-28 | 道路交通事故风险预测深度学习算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114330541A true CN114330541A (zh) | 2022-04-12 |
Family
ID=81015802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111621470.6A Withdrawn CN114330541A (zh) | 2021-12-28 | 2021-12-28 | 道路交通事故风险预测深度学习算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330541A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115689040A (zh) * | 2022-11-11 | 2023-02-03 | 浙江省交通运输科学研究院 | 基于卷积神经网络的交通事故严重程度预测方法及系统 |
| CN115879777A (zh) * | 2023-03-03 | 2023-03-31 | 吉林大学 | 基于时空大数据的石油安全智能推演系统及其方法 |
| CN116226702A (zh) * | 2022-09-09 | 2023-06-06 | 武汉中数医疗科技有限公司 | 一种基于生物电阻抗的甲状腺采样数据识别方法 |
| CN116503026A (zh) * | 2023-06-26 | 2023-07-28 | 广东省科技基础条件平台中心 | 科技项目的运维风险评估方法、系统及存储介质 |
-
2021
- 2021-12-28 CN CN202111621470.6A patent/CN114330541A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116226702A (zh) * | 2022-09-09 | 2023-06-06 | 武汉中数医疗科技有限公司 | 一种基于生物电阻抗的甲状腺采样数据识别方法 |
| CN116226702B (zh) * | 2022-09-09 | 2024-04-26 | 武汉中数医疗科技有限公司 | 一种基于生物电阻抗的甲状腺采样数据识别方法 |
| CN115689040A (zh) * | 2022-11-11 | 2023-02-03 | 浙江省交通运输科学研究院 | 基于卷积神经网络的交通事故严重程度预测方法及系统 |
| CN115879777A (zh) * | 2023-03-03 | 2023-03-31 | 吉林大学 | 基于时空大数据的石油安全智能推演系统及其方法 |
| CN116503026A (zh) * | 2023-06-26 | 2023-07-28 | 广东省科技基础条件平台中心 | 科技项目的运维风险评估方法、系统及存储介质 |
| CN116503026B (zh) * | 2023-06-26 | 2024-02-09 | 广东省科技基础条件平台中心 | 科技项目的运维风险评估方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021043193A1 (zh) | 神经网络结构的搜索方法、图像处理方法和装置 | |
| WO2021042828A1 (zh) | 神经网络模型压缩的方法、装置、存储介质和芯片 | |
| CN114330541A (zh) | 道路交通事故风险预测深度学习算法 | |
| CN109034264B (zh) | 交通事故严重性预测csp-cnn模型及其建模方法 | |
| CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
| CN111310672A (zh) | 基于时序多模型融合建模的视频情感识别方法、装置及介质 | |
| CN110782015A (zh) | 神经网络的网络结构优化器的训练方法、装置及存储介质 | |
| CN111291809B (zh) | 一种处理装置、方法及存储介质 | |
| WO2021218517A1 (zh) | 获取神经网络模型的方法、图像处理方法及装置 | |
| CN107526785A (zh) | 文本分类方法及装置 | |
| CN113705769A (zh) | 一种神经网络训练方法以及装置 | |
| CN111292195A (zh) | 风险账户的识别方法及装置 | |
| Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
| CN113255366B (zh) | 一种基于异构图神经网络的方面级文本情感分析方法 | |
| CN113361549A (zh) | 一种模型更新方法以及相关装置 | |
| CN112861752A (zh) | 一种基于dcgan与rdn的作物病害识别方法及系统 | |
| CN112651940A (zh) | 基于双编码器生成式对抗网络的协同视觉显著性检测方法 | |
| CN113239897A (zh) | 基于时空特征组合回归的人体动作评价方法 | |
| CN109508640A (zh) | 一种人群情感分析方法、装置和存储介质 | |
| CN109583659A (zh) | 基于深度学习的用户操作行为预测方法和系统 | |
| CN116152554A (zh) | 基于知识引导的小样本图像识别系统 | |
| CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
| CN111612046B (zh) | 特征金字塔图卷积神经网络及其在3d点云分类中的应用 | |
| CN115812210A (zh) | 用于增强机器学习分类任务的性能的方法和设备 | |
| Guo et al. | Dynamic neural network structure: A review for its theories and applications |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220412 |
|
| WW01 | Invention patent application withdrawn after publication |