CN114445624A - 一种城市地理空间内细粒度交通事故风险识别方法 - Google Patents
一种城市地理空间内细粒度交通事故风险识别方法 Download PDFInfo
- Publication number
- CN114445624A CN114445624A CN202210079806.9A CN202210079806A CN114445624A CN 114445624 A CN114445624 A CN 114445624A CN 202210079806 A CN202210079806 A CN 202210079806A CN 114445624 A CN114445624 A CN 114445624A
- Authority
- CN
- China
- Prior art keywords
- traffic accident
- channel
- target area
- image
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于智能交通系统技术领域,涉及一种城市地理空间内细粒度交通事故风险识别方法。包括以下步骤:1、构建数据集;2、提取多尺度特征;3、计算空间注意力;4、计算通道注意力;5、构建损失函数;本发明利用高分辨率城市卫星地图的RGB图像和城市路网二值图像为基础输入,其次融合城市POI分布信息,实现城市地理空间的细粒度交通事故风险评估。本发明仅在训练阶段需要目标区域的交通事故数据作为训练标签,一旦完成模型训练之后,在应用阶段不在需要交通事故数据,因此能够容易的扩展到多个城市。这对于在实际应用中以较低的成本提高交通事故风险预测的普适性和实用性具有重要意义。
Description
技术领域
本发明属于智能交通系统技术领域,涉及一种城市地理空间内细粒度交通事故风险识别方法。
背景技术
现有的交通事故风险识别方法大都基于大量历史交通事故数据,从中分析出事故高发区域,此类方法存在以下限制:
1、大量交通事故数据收集是一项十分困难的工作,尤其对于一些欠发达城市或地区,导致大部分区域缺乏足够的历史交通事故数据而无法构建有效的交通事故风险评估模型;
2、大部分研究仅从历史数据中发现交通事故热点区域,而并未考虑周边环境、路网结构等因素,在预测的粒度和准确度方面并不理想。
发明内容
本发明所要解决的技术问题是克服了现有技术在交通事故预测方面存在的粒度粗、准确性低、以及低可扩展性等问题,提供了一种城市地理空间内细粒度交通事故风险识别方法。
本申请提出了一种城市地理空间内的交通事故风险评估方法,利用易于获取的城市静态多源数据,如城市高分辨率卫星图像、城市路网、兴趣点分布等,能够实现细粒度的交通事故风险评估,有助于提供更为合理的交通事故预防指导措施,并且具有较高的实用性和可扩展性,对于在实际应用中以较低的成本提高交通事故风险预测的普适性和实用性具有重要意义。
为解决上述技术问题,本发明是采用如下技术方案实现的,说明如下:
一种城市地理空间内细粒度交通事故风险识别方法,包括以下步骤:
步骤1:构建数据集
将三通道的RGB城市卫星图像、城市路网二值图像,融合成4通道图像;
提取目标区域范围内不同种类兴趣点POI的数量,整合向量fe作为外部因素输入;
步骤2:提取多尺度特征
通过VGG-16神经网络提取目标区域It和目标邻域Is的多尺度特征(f1-f5);
步骤3:计算空间注意力
捕捉低层级特征和高层级特征之间的复杂空间相关性,通过以下公式对两个层级特征进行空间特征融合:
其中,upsample4表示4倍上采样,conv表示标准卷积操作,σ表示sigmoid激活函数,Wh、Wl分别为生成高层级和低层级特征的可训练参数;最终分别得到目标区域It和目标邻域Is的高、低层级融合后的特征,分别表示为和
步骤4:计算通道注意力
第i个通道的权重值计算公式如下:
步骤5:构建损失函数
损失函数具体计算公式如下:
进一步地,所述不同种类兴趣点POI包括酒店、学校、商店、交通站点,整合向量fe作为外部因素输入。
进一步地,所述通过VGG-16神经网络提取目标区域It和目标邻域Is的多尺度特征(f1-f5);具体内容如下:
通过VGG-16自顶向下生成五级特征,在生成的每一级特征上采用四种不同的空洞卷积层,通过设置卷积核的扩张率r,卷积核大小设置为3×3,设置不同的扩张率,分别设置为r=1,r=3,r=5和r=7;将以上四种扩张率不同的卷积核生成的特征合并,最终得到不同层级的多尺度特征f1-f5。
进一步地,生成低层级特征具体方法为:对f2进行2倍上采样,对f3进行4倍上采样,将f1与上采样后的f2、f3合并,通过一个卷积层,生成低层级特征fl,维度为d×d×C,其中C为自定义的常量;
其中,concat表示括号中两个矩阵进行拼接,pooling表示池化操作,FC表示全连接层,W′为全连接层中所有的可训练参数,ReLU为ReLU激活函数;
将目标区域内POI特征fe作为双层的全连接网络FC的输入,最终将fe编码为一个隐向量,表示为f′e,维度为1×C。
进一步地,步骤5中所述构建损失函数的前提如下:
统计每个像素点对应位置周围一定范围内发生的交通事故的总和,通过校正系数映射到限定的取值范围内,将取值范围设定为0-100;
构建标签,扫描目标区域图像中的每个像素点,It(i,j)表示目标图像的第i行第j列位置,统计It(i,j)对应地理空间中100米以内历史发生的交通事故数量作为该It(i,j)像素点对应的风险值Ir(i,j)。
进一步地,所述损失函数定义为对应像素点的预测值与真实值之间的绝对误差与真实值加1后的乘积。
进一步地,从4通道图像中选取目标区域It和目标邻域Is作为模型的输入,其中It为维度是d×d×4的4通道正方形图像,Is为中心点与It相同,边长为2d的正方形图像,即维度为2d×2d×4的4通道图像;其中d为目标区域It的边长。
与现有技术相比本发明的有益效果是:
本发明提出了一种基于深度学习的细粒度城市地理空间交通事故风险评估方法,利用高分辨率城市卫星地图的RGB图像和城市路网二值图像为基础输入,其次融合城市POI分布信息,实现城市地理空间的细粒度交通事故风险评估。本发明仅在训练阶段需要目标区域的交通事故数据作为训练标签,一旦完成模型训练之后,在应用阶段不在需要交通事故数据,因此能够容易的扩展到多个城市。这对于在实际应用中以较低的成本提高交通事故风险预测的普适性和实用性具有重要意义。
通过VGG-16网络对目标区域图像以及目标领域的图像提取其不同层次特征。然后采用多尺度特征提取模块对VGG-16网络的各级输出进行多尺度特征提取,并将其进一步合成为两级特征(即低层级特征和高层级特征),最后通过空间注意模块(SpatialAttention,SA)将底层特征和高层特征进行融合。此外,模型通过使用全连接的神经网络(FC)将兴趣点(POI)外部因素通过全连接神经网络生成外部特征向量,此模块还可以容易地扩展以集成更多其他可获取的城市多源数据。最后,利用通道注意模块(Channel-wisedAttention,CA)将外部向量与目标区域图像和包含周围区域图像的最终特征相结合,得到最终输出。
具体实施方式
下面对本发明作详细的描述:
一种城市地理空间内细粒度交通事故风险识别方法,包括以下步骤:
步骤1:构建数据集
将三通道的RGB城市卫星图像、城市路网二值图像,融合成4通道图像,从中选取目标区域It和目标邻域Is作为模型的输入,其中It为维度是d×d×4的4通道正方形图像,Is为中心点与It相同,边长为2d的正方形图像,即维度为2d×2d×4的4通道图像。其中d为目标区域It的边长。
其次,提取目标区域范围内不同种类兴趣点(Point of Interest,POI)的数量,包括酒店、学校、商店、交通站点等共17类,整合为17维的向量fe作为外部因素输入。
步骤2:多尺度特征提取
首先通过VGG-16神经网络提取目标区域It和目标邻域Is的多尺度特征(f1-f5)。具体的,通过VGG-16自顶向下生成五级特征,在生成的每一级特征上采用四种不同的空洞卷积层(不限于四种),通过设置卷积核的扩张率r(指的是卷积核内各点之前的间隔数量),其卷积核大小设置为3×3,但是设置不同的扩张率,分别设置为r=1,r=3,r=5和r=7。将以上四种扩张率不同的卷积核生成的特征合并,最终得到不同层级的多尺度特征f1-f5。
VGG是Visual Geometry Group Network的缩写,中文为:视觉几何群网络。
VGG-16是指网络结构中有13个卷积层和3个全链接层的VGG网络。
这里利用VGG-16不同层级的中间结果,以及后面采用多种空洞卷积,提取得到的多尺度特征,“多”是一个形容词,不设定具体数量。
卷积核大小是固定的3*3,所谓扩张率是指卷积核每个元素之间的间隔,间隔不同,获得的特征就是不同尺度的特征。
卷积核是对原始图像从左上角,即(0,0)像素点开始扫描输入的目标图像,进行卷积操作,每一个层级得到的输出结果大小是一致的,所以能够直接合并。
在此之后,对f2进行2倍上采样,对f3进行4倍上采样,然后将f1与上采样后的f2、f3合并,通过一个卷积层,生成低层级特征fl,维度为d×d×C,其中C为自定义的常量。相似地,对f4进行2倍上采样,对f5进行4倍上采样,之后将f3与上采样后的f4、f5合并,再通过另一个卷积层,生成高层级特征fh,维度为
步骤3:空间注意力计算
不同的空间位置对交通事故风险的评估影响是不同的,为了捕捉低层级特征和高层级特征之间的复杂空间相关性,通过以下公式对两个层级特征进行空间特征融合:
其中,upsample4表示4倍上采样,conv表示标准卷积操作,σ表示sigmoid激活函数,Wh、Wl分别为生成高层级和低层级特征的可训练参数。
步骤4:通道注意力计算
将和拼接成通道为2C的图像,表示为维度为d×d×2C。中不同的通道对交通事故风险的评估结果具有不同的语义信息,因此对交通事故风险预测结果的准确性具有不同程度的影响。此外,在对目标区域不同的外部环境下,不同通道的对预测结果的影响也是高度动态变化的。为此,将与目标区域外部因素特征向量进行融合。
具体的,首先对执行最大池化操作用以缩减特征维度,之后将每个通道展开为一个向量,作为双层全连接神经网络(FC)的输入,最后采用ReLU激活函数,得到输出结果向量v,其维度为1×C。至此,的每个通道转换为维度为1×C的向量,将2C个通道向量合并,最终得到维度为1×C×2C,此过程用公式表示如下:
其中,concat表示括号中两个矩阵进行拼接,pooling表示池化操作,FC表示全连接层,W′为全连接层中所有的可训练参数,ReLU为ReLU激活函数。
接下来,将目标区域内POI特征,即步骤1得到的fe作为双层的全连接网络FC的输入,最终将fe编码为一个隐向量,表示为f′e,维度为1×C。对于外部特征提取过程,如果有条件能够获得更多可用数据时,FC可以进一步扩展以接收更多特征。
其中αi为第i个通道对应的权重,我们将权重向量与合并后生成的特征相乘,得到的结果再经过卷积层,最终得到对于目标区域图像中每个像素点对应位置的交通事故风险。表示f′e的转置,表示的第n个通道,n为变量,从1到2C,上面公式的分母是求和公式,表示n取值从1到2C进行求和。
步骤5:构建损失函数
统计每个像素点对应位置周围一定范围内发生的交通事故的总和,然后通过校正系数映射到限定的取值范围内,这里将取值范围设定为0-100。在构建标签时,扫描目标区域图像中的每个像素点,It(i,j)表示目标图像的第i行第j列位置,统计It(i,j)对应地理空间中100米以内历史发生的交通事故数量作为该It(i,j)像素点对应的风险值Ir(i,j)。
为了提高模型对于事故高发区域预测误差的敏感度,损失函数定义为对应像素点的预测值与真实值之间的绝对误差与真实值加1后的乘积,加1是为了使真实风险值为0的像素点权重为1,这样对于风险较高的区域其误差具有更大的权重,损失函数具体计算公式如下:
其中,d为目标区域图像的边长,为目标区域图像中第i行第j列对应的交通事故风险预测值,Ir(i,j)为通过历史数据统计得到的对应位置标签值,θ表示为模型中所有的训练参数,最终通过梯度下降求解所有参数。通过梯度下降,不断的寻找最优参数,直到损失函数小于某个阈值。
本申请所提出的方法从视觉信息与城市多源数据融合的角度对城市地理空间上的交通事故风险进行评估。针对以往交通事故预测模型在预测的粒度和精度的不足,本申请利用城市卫星图像、城市路网数据、以及POI分布数据等容易获取的城市静态大数据,实现细粒度城市地理空间交通事故风险评估。本申请仅在训练过程中需要目标区域的历史交通事故数据,在完成模型训练之后将不再需要这一数据。选择数据丰富的城市或地区完成模型训练,之后可以应用到数据相对匮乏的欠发达城市或地区,这使得本申请具有更高的可拓展性和应用性,对于普及交通事故风险预测模型的广泛应用具有重要意义。
综上所述,本申请提出的方法最终以较低的成本实现城市细粒度交通事故风险评估,对于保障居民安全出行、改善城市基础交通建设等方面具有重要意义。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
Claims (8)
1.一种城市地理空间内细粒度交通事故风险识别方法,其特征在于:包括以下步骤:
步骤1:构建数据集
将三通道的RGB城市卫星图像、城市路网二值图像,融合成4通道图像;
提取目标区域范围内不同种类兴趣点POI的数量,整合向量fe作为外部因素输入;
步骤2:提取多尺度特征
通过VGG-16神经网络提取目标区域It和目标邻域Is的多尺度特征(f1-f5);
步骤3:计算空间注意力
捕捉低层级特征fl和高层级特征fh之间的复杂空间相关性,通过以下公式对两个层级特征进行空间特征融合:
其中,upsample4表示4倍上采样,conv表示标准卷积操作,σ表示sigmoid激活函数,Wh、Wl分别为生成高层级和低层级特征的可训练参数;最终分别得到目标区域It和目标邻域Is的高、低层级融合后的特征,分别表示为和
步骤4:计算通道注意力
第i个通道的权重值计算公式如下:
步骤5:构建损失函数
损失函数具体计算公式如下:
2.根据权利要求1所述的一种城市地理空间内细粒度交通事故风险识别方法,其特征在于:
所述不同种类兴趣点POI包括酒店、学校、商店、交通站点,整合向量fe作为外部因素输入。
3.根据权利要求1所述的一种城市地理空间内细粒度交通事故风险识别方法,其特征在于:
所述通过VGG-16神经网络提取目标区域It和目标邻域Is的多尺度特征(f1-f5);具体内容如下:
通过VGG-16自顶向下生成五级特征,在生成的每一级特征上采用四种不同的空洞卷积层,通过设置卷积核的扩张率r,卷积核大小设置为3×3,设置不同的扩张率,分别设置为r=1,r=3,r=5和r=7;将以上四种扩张率不同的卷积核生成的特征合并,最终得到不同层级的多尺度特征f1-f5。
5.根据权利要求1所述的一种城市地理空间内细粒度交通事故风险识别方法,其特征在于:
其中,concat表示括号中两个矩阵进行拼接,pooling表示池化操作,FC表示全连接层,W′为全连接层中所有的可训练参数,ReLU为ReLU激活函数;
将目标区域内POI特征fe作为双层的全连接网络FC的输入,最终将fe编码为一个隐向量,表示为f′e,维度为1×C。
6.根据权利要求1所述的一种城市地理空间内细粒度交通事故风险识别方法,其特征在于:
步骤5中所述构建损失函数的前提如下:
统计每个像素点对应位置周围一定范围内发生的交通事故的总和,通过校正系数映射到限定的取值范围内,将取值范围设定为0-100;
构建标签,扫描目标区域图像中的每个像素点,It(i,j)表示目标图像的第i行第j列位置,统计It(i,j)对应地理空间中100米以内历史发生的交通事故数量作为该It(i,j)像素点对应的风险值Ir(i,j)。
7.根据权利要求1所述的一种城市地理空间内细粒度交通事故风险识别方法,其特征在于:
所述损失函数定义为对应像素点的预测值与真实值之间的绝对误差与真实值加1后的乘积。
8.根据权利要求1所述的一种城市地理空间内细粒度交通事故风险识别方法,其特征在于:
从4通道图像中选取目标区域It和目标邻域Is作为模型的输入,其中It为维度是d×d×4的4通道正方形图像,Is为中心点与It相同,边长为2d的正方形图像,即维度为2d×2d×4的4通道图像;其中d为目标区域It的边长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210079806.9A CN114445624A (zh) | 2022-01-24 | 2022-01-24 | 一种城市地理空间内细粒度交通事故风险识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210079806.9A CN114445624A (zh) | 2022-01-24 | 2022-01-24 | 一种城市地理空间内细粒度交通事故风险识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445624A true CN114445624A (zh) | 2022-05-06 |
Family
ID=81368880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210079806.9A Pending CN114445624A (zh) | 2022-01-24 | 2022-01-24 | 一种城市地理空间内细粒度交通事故风险识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445624A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925994A (zh) * | 2022-05-07 | 2022-08-19 | 厦门大学 | 一种基于深度学习的城中村风险评估和风险因素定位方法 |
CN117057606A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险预测模型训练方法、风险预测方法及相关设备 |
-
2022
- 2022-01-24 CN CN202210079806.9A patent/CN114445624A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925994A (zh) * | 2022-05-07 | 2022-08-19 | 厦门大学 | 一种基于深度学习的城中村风险评估和风险因素定位方法 |
CN117057606A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险预测模型训练方法、风险预测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537192B (zh) | 一种基于全卷积网络的遥感影像地表覆盖分类方法 | |
CN114445624A (zh) | 一种城市地理空间内细粒度交通事故风险识别方法 | |
CN114547017B (zh) | 一种基于深度学习的气象大数据融合方法 | |
CN113255589B (zh) | 一种基于多卷积融合网络的目标检测方法及系统 | |
CN110197152A (zh) | 一种用于自动驾驶系统的道路目标识别方法 | |
CN106600574A (zh) | 一种基于遥感影像与高程数据的滑坡提取方法 | |
CN110619605B (zh) | 并行气象要素降尺度方法、装置、电子设备及存储介质 | |
CN112801183A (zh) | 一种基于YOLO v3的多尺度目标检测方法 | |
CN114019467A (zh) | 一种基于MobileNet模型迁移学习的雷达信号识别与定位方法 | |
CN116343043B (zh) | 一种具有多尺度特征融合功能的遥感影像变化检测方法 | |
CN114898089B (zh) | 一种融合高分影像和poi数据的功能区提取与分类方法 | |
CN116343053B (zh) | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 | |
CN116363521B (zh) | 一种遥感影像语义预测方法 | |
CN113807278A (zh) | 一种基于深度学习的土地利用分类及变化预测方法 | |
CN114972860A (zh) | 一种基于注意增强的双向特征金字塔网络的目标检测方法 | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 | |
CN114782949A (zh) | 一种边界引导上下文聚合的交通场景语义分割方法 | |
Li et al. | Maskformer with improved encoder-decoder module for semantic segmentation of fine-resolution remote sensing images | |
CN112529828B (zh) | 参考数据非敏感的遥感影像时空融合模型构建方法 | |
CN111680667A (zh) | 一种基于深度神经网络的遥感图像地物分类方法 | |
Zhang et al. | Semantic segmentation of traffic scene based on DeepLabv3+ and attention mechanism | |
CN113094422B (zh) | 一种城市道路交通流量图生成方法、系统及设备 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN114913504A (zh) | 一种融合自注意力机制的遥感图像的车辆目标识别方法 |
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 |