CN114462313B - 交通事故风险预测方法、装置、设备、介质及产品 - Google Patents
交通事故风险预测方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN114462313B CN114462313B CN202210088305.7A CN202210088305A CN114462313B CN 114462313 B CN114462313 B CN 114462313B CN 202210088305 A CN202210088305 A CN 202210088305A CN 114462313 B CN114462313 B CN 114462313B
- Authority
- CN
- China
- Prior art keywords
- historical
- period
- traffic
- matrix
- risk prediction
- 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.)
- Active
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 269
- 230000007613 environmental effect Effects 0.000 claims abstract description 70
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000013058 risk prediction model Methods 0.000 claims description 111
- 238000012549 training Methods 0.000 claims description 77
- 230000015654 memory Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通事故风险预测方法、装置、设备、介质及产品，属于深度学习预测技术领域。该方法包括：获取预设区域在第一时段的交通数据和第二时段的环境特征数据；将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵；构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵；计算时空特征矩阵在第一时段中的每个时刻对应的权重值，确定加权时空特征矩阵；将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵，提高风险预测的准确性。
Description
技术领域
本申请属于深度学习预测技术领域，尤其涉及一种交通事故风险预测方法、装置、设备、介质及产品。
背景技术
随着城市数字化、智慧化的快速发展，城市道路承载和运营能力在不断扩大，人们的出行体验也呈现丰富多样化。然而，快速增长的机动车数量和有限的道路承载能力之间的矛盾带来了越来越多的交通事故。
为了减少交通事故的发生频率，需要对交通事故进行风险预测。现有技术中可以通过构建交通事故风险预测模型来对交通事故进行风险预测，但是，由于现有的交通事故风险预测模型考虑的导致交通事故的因素类别有限，因此会造成模型鲁棒准确性较差，从而使得风险预测结果不准确。
发明内容
本申请实施例提供一种交通事故风险预测方法、装置、设备、介质及产品，能够至少解决现有技术中模型鲁棒准确性较差，导致的风险预测结果不准确的问题。
第一方面，本申请实施例提供一种交通事故风险预测方法，该方法包括：
获取预设区域在第一时段的交通数据和第二时段的环境特征数据；
根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵；
通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵；
基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵；
通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。
第二方面，本申请实施例提供了一种交通事故风险预测装置，该装置包括：
第一获取模块，用于获取预设区域在第一时段的交通数据和第二时段的环境特征数据；
第一映射模块，用于根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵；
第一构建模块，用于通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵；
计算模块，用于基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵；
输入模块，用于通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。
第三方面，本申请实施例提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如第一方面的任一项实施例中所示的交通事故风险预测方法。
第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面的任一项实施例中所示的交通事故风险预测方法。
第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行第一方面的任一项实施例中所示的交通事故风险预测方法。
本申请实施例的交通事故风险预测方法、装置、设备、介质及产品，通过获取预设区域在第一时段的交通数据和第二时段的环境特征数据，并根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵，然后通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵，再基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵，并通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。这样，通过根据环境特征数据和交通数据得到的环境特征矩阵和交通数据矩阵，来对多个子区域在第二时段发生交通事故的风险进行预测，可以在交通因素的基础上结合环境因素，对多个子区域在第二时段的风险指标进行预测，从而提高风险预测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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的附图。
图1是根据一示例性实施例示出的一种交通事故风险预测方法的流程图；
图2是根据一示例性实施例示出的一种卷积神经网络的示意图；
图3是根据一示例性实施例示出的一种长短时记忆网络单元的示意图；
图4是根据一示例性实施例示出的一种交通事故风险预测模型的示意图；
图5是根据一示例性实施例示出的另一种交通事故风险预测方法的流程图；
图6是根据一示例性实施例示出的一种交通事故风险预测装置的结构示意图；
图7是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
如背景技术所述，现有技术中的交通事故风险预测模型考虑的导致交通事故的因素类别有限，因此会造成模型鲁棒准确性较差，从而使得风险预测结果不准确。为了解决这个问题，本申请实施例了一种交通事故风险预测方法，通过获取预设区域在第一时段的交通数据和第二时段的环境特征数据，并根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵，然后通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵，再基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵，并通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。这样，通过根据环境特征数据和交通数据得到的环境特征矩阵和交通数据矩阵，来对多个子区域在第二时段发生交通事故的风险进行预测，可以在交通因素的基础上结合环境因素，对多个子区域在第二时段的风险指标进行预测，从而提高风险预测的准确性。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的交通事故风险预测方法进行详细地说明。
图1示出了本申请一个实施例提供的一种交通事故风险预测方法的流程示意图，具体的可以是本申请一个实施例提供的交通事故风险预测方法中所采用的交通事故风险预测模型的训练方法。
如图1所示，本申请实施例提供的交通事故风险预测方法中所采用的交通事故风险预测模型的训练方法可以包括S110-S140：
首先，S110，获取预设区域在多个第一历史时段的多个历史交通数据和在多个第二历史时段的多个历史环境特征数据，以及预设区域的多个子区域在多个第二历史时段的发生交通事故的多个历史风险指标矩阵；
其次，S120，根据多个历史环境特征数据和多个历史交通数据中包括的位置信息，将多个历史环境特征数据和多个历史交通数据映射到预设区域的多个子区域，得到多个子区域在多个第一历史时段的多个历史交通数据矩阵和在多个第二历史时段的多个历史环境特征矩阵；
再次，S130，分别根据每个第一历史时段的历史交通数据矩阵和每个第二历史时段的历史环境特征矩阵，以及每个第二历史时段的历史风险指标矩阵，构建训练样本；
然后，S140，根据多个训练样本，训练交通事故风险预测模型，直至满足训练停止条件，得到训练后的交通事故风险预测模型。
由此，通过获取预设区域在第一时段的交通数据和第二时段的环境特征数据，并根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵，然后通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵，再基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵，并通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。这样，通过根据环境特征数据和交通数据得到的环境特征矩阵和交通数据矩阵，来对多个子区域在第二时段发生交通事故的风险进行预测，可以在交通因素的基础上结合环境因素，对多个子区域在第二时段的风险指标进行预测，从而提高风险预测的准确性。
下面对交通事故风险预测模型的训练过程进行详细说明。
首先，涉及S110，预设区域可以为需要进行交通事故风险预测的区域，例如，可以为某一城市区域。该预设区域可以包括多个子区域，具体的，可以对预设区域进行网格划分，得到多个网格，也即多个子区域。
例如，可以根据城市区域和道路的分布情况，将城市区域按照经纬度划分为I×J个网格，其中第i个网格可以表示为Gi，i＝1，...，m，其中，m可以表示网格的数量，也即子区域的数量，m＝I×J，每个网格，也即子区域，的大小可以为2km×2km(km为千米)。
第二历史时段可以为第一历史时段的下一时段，例如，第一历史时段可以为t到t-m时段，则第二历史时段可以为t到t+n时段。
历史风险指标矩阵可以包括各个子区域在第二历史时段的交通事故风险指标。一个第二历史时段对应一个历史风险指标矩阵。
历史环境特征数据可以反映预设区域在第一历史时段的环境特征。历史交通数据可以反映预设区域在第一历史时段的交通状态。一个第一历史时段对应一个历史环境特征数据和一个历史交通数据。
此外，在一种可选的实施方式中，在S110之前，该方法还可以包括：
获取预设区域在多个第二历史时段的多个历史环境数据；
根据多个历史环境数据，通过嵌入化编码构建多个历史环境特征数据。
这里，历史环境数据可以包括天气数据、时间数据、节假日数据和兴趣点数据，当然还可以包括其他环境数据，在此不做限定。历史环境特征数据可以是通过嵌入化编码对历史环境数据进行特征嵌入得到的。相应的，历史环境特征数据可以包括天气特征数据、时间特征数据、节假日特征数据和兴趣点特征数据，当然还可以包括其他环境特征数据，在此不做限定。
示例性的，由于不同的天气状况对交通事故有着差异化影响，因此历史环境特征数据可以包括天气特征数据，具体的，天气特征数据可以表示为Mt，可以包括天气描述、气压、气温、湿度、可见度、风向和风速等，当然还可以包括其他数据，在此不做限定。
由于交通事故发生的规律和每天、每周中，人们的出行规律密切相关，因此历史环境特征数据可以包括日期特征数据。具体地，日期特征数据可以包括两个特征：hour ofday和day of week，其中，hour of day表示第二历史时段t处于一天当中的哪个小时，可以表示为Dt∈(0，1，2，3，...，23)；day of week表示第二历史时段t处于一周当中的哪天，可以表示为Wt∈(1，2，3，...，7)。
由于节假日期间会出现集中大规模的车辆出行，在这期间发生交通事故的概率非常高，因此历史环境特征数据可以包括节假日特征数据。该节假日特征数据可以表示为Ht，可以表示不同节假日期间交通事故发生概率的差异。具体的，可以根据地域特色定义节假日特征向量。比如，中国的节假日可以包括元旦、春节、清明节、劳动节、端午节、中秋节和国庆节等。
由于周围建筑物会对道路交通状况产生很大影响，例如，被娱乐中心或停车场包围的道路可能比附近安静公园有更高的交通事故风险，因此历史环境特征数据可以包括兴趣点(POI，Point of Interest)特征数据。POI可以很好地反映道路的特征，可以从POI数据提取POI特征数据，进行交通事故预测。例如，可以包括七类POI：住宿、餐饮、购物、金融、商务、生活服务和休闲娱乐，当然也可以包括其他类别，在此不做限定。可以将每个子区域内的每个POI类别的数量作为一个特征进行统计，最后生成POI特征矩阵Pi，i＝1，...，7，每个子区域对应一个POI特征矩阵Pi。
基于此，历史环境特征数据可以表示为Zt＝{Mt，Dt，Wt，Ht，P1～7}，其中t为第二历史时段。
如此，通过上述过程，可以获取到第二历史时段的历史环境特征数据，以便在对交通事故风险指标进行预测的时候，考虑外部环境因素对交通事故发生概率的影响，提高风险预测的准确性。
其次，涉及S120，历史环境特征数据和历史交通数据中均可以包括位置信息，例如，经纬度信息。可以根据该位置信息将历史环境特征数据和历史交通数据映射到预设区域的多个子区域，得到预设区域的多个子区域在第一历史时段对应的历史环境特征矩阵和历史交通数据矩阵。
在一种可选的实施方式中，每个历史交通数据可以包括历史交通事故的属性信息和历史流量记录；
基于此，S120具体可以包括：
根据多个属性信息和多个历史流量记录中包括的位置信息，将多个属性信息和多个历史流量记录映射到预设区域的多个子区域，得到每个子区域对应的多个属性信息和多个历史流量记录；
根据每个子区域对应的多个属性信息中包括的事故数量和事故严重程度，确定每个子区域在多个第一历史时段的多个历史事故风险指标；
根据每个子区域对应的多个历史流量记录，确定每个子区域在多个第一历史时段的多个历史流量数据；
根据每个子区域在多个第一历史时段的多个历史事故风险指标和多个历史流量数据，确定多个历史交通数据矩阵。
这里，属性信息可以包括交通事故记录编号、交通事故的相关描述、交通事故发生时的报警时间、交通事故发生位置的经纬度以及事故严重程度，当然还可以包括其他属性信息，在此不做限定。可以根据交通事故发生位置的经纬度将预设区域的属性信息映射到各个子区域，得到各个子区域对应的属性信息。例如，属性信息可以表示为{ID，Info，Time，longitude，latitude，Severity}，其中，ID可以表示交通事故记录编号，Info可以表示交通事故的相关描述，Time可以表示交通事故发生时的报警时间，longitude可以表示交通事故发生位置的经度，latitude可以表示交通事故发生位置的纬度，Severity可以表示事故严重程度(0-轻度，1-中度，2-重度)，具体的，该事故严重程度可以根据交通事故的相关描述中所描述的事故当事人的伤亡情况确定。
根据某一子区域的属性信息中包括的交通事故记录编号可以确定各严重程度的事故发生的次数，根据该次数和该属性信息中包括的事故严重程度，可以确定该子区域在第一历史时段的历史事故风险指标，具体的，可以通过对不同严重程度的事故发生的次数赋予不同的权重，来提高重度事故的影响程度，降低轻度事故的影响程度。因此，可以根据预设权重对不同严重程度的事故发生的次数进行加权求和计算，得到该子区域在第一历史时段的历史事故风险指标，具体计算公式可以为：
其中，可以为第i个子区域在第t时段内的事故风险指标，/>可以表示第i个子区域在第t时段内发生事故严重程度为轻度的事故次数，/>可以表示第i个子区域在第t时段内发生事故严重程度为中度的事故次数，/>可以表示第i个子区域在第t时段内发生事故严重程度为重度的事故次数，d1，d2，d3可以预设权重。
历史流量记录可以包括预设区域在第一历史时段内的流量记录，可以通过卡口、电警等流量监测设备获取。可以根据流量监测设备监测区域的位置将预设区域的历史流量记录映射到各个子区域，得到各个子区域对应的历史流量记录。对各个子区域在第一历史时段内的历史流量记录进行统计，可以得到各个子区域在第一历史时段内的历史流量数据。
然后，可以根据每个子区域在第一历史时段的历史事故风险指标和历史流量数据，确定预设区域的多个子区域对应的历史交通数据矩阵。
如此，可以通过历史交通事故的属性信息和历史流量记录，来对多个子区域在第二历史时段的交通事故风险指标进行预测，使预测结果更加准确。
基于此，在一种可选的实施方式中，上述根据每个子区域在多个第一历史时段的多个历史事故风险指标和多个历史流量数据，确定多个历史交通数据矩阵，具体可以包括：
根据每个子区域在多个第一历史时段的多个历史事故风险指标，构建多个历史事故风险指标矩阵；
根据每个子区域在多个第一历史时段的多个历史流量数据，构建多个历史流量数据矩阵；
根据多个历史事故风险指标矩阵和多个历史流量数据矩阵，确定通道数为2的多个历史交通数据矩阵。
这里，根据各个子区域在第一历史时刻的历史事故风险指标可以构建历史事故风险指标矩阵，根据各个子区域在第一历史时刻的历史流量数据可以构建历史交通流量矩阵，根据该历史事故风险指标矩阵和历史交通流量矩阵可以构建通道数为2的历史交通数据矩阵。
在一个示例中，历史事故风险指标矩阵可以为：
历史交通流量矩阵可以为：
其中，t＝(1，...，T)可以为第一历史时段中的第一历史时刻。
具体的，可以先设置时间序列的滑动窗口k，将历史交通流量矩阵和历史事故风险指标矩阵，通过拼接形成通道数为2的矩阵序列Si∈R2×I×J，i＝t-k+1，也即历史交通数据矩阵。
如此，可以将历史事故风险指标和历史流量数据变换为可以输入到交通事故风险预测模型中的历史交通数据矩阵，便于进行模型输入。
再次，涉及S130，一个训练样本可以包括一个第一历史时段的历史交通数据矩阵和一个第二历史时段的历史环境特征矩阵，以及一个第二历史时段的历史风险指标矩阵，则多个第一历史时段的多个历史交通数据矩阵、多个第二历史时段的多个历史环境特征矩阵和多个第二历史时段的多个历史风险指标矩阵可以构成多个训练样本。此外，还可以按照8:2的比例划分训练样本和测试样本，当然也可以为其他比例，在此不做限定。
另外，在S130之前，还可以删除历史交通数据中的无效数据和重复数据。
然后，涉及S140，训练停止条件可以是预先设置的交通事故风险预测模型训练停止的条件。具体的，训练停止条件可以是交通事故风险预测模型的损失函数小于某一个阈值，还可以是交通事故风险预测模型进行训练的迭代次数达到某一次数。具体的训练停止条件可以根据用户需求自行选取，在此不做限定。
基于此，在一种可选的实施方式中，S140具体可以包括：
对每个训练样本，分别执行如下步骤：
通过预设的交通事故风险预测模型，根据训练样本中的历史交通数据矩阵，构建不同子区域的历史交通数据的历史空间关联特征，以抓取不同子区域的历史交通数据在第一历史时段中多个历史时刻间的历史时序特征，得到历史时空特征矩阵；
基于预设的交通事故风险预测模型的自注意力机制，计算历史时空特征矩阵在第一历史时段中的每个时刻对应的历史权重值，得到历史权重序列，以根据历史权重序列和历史时空特征矩阵，确定历史加权时空特征矩阵；
通过预设的交通事故风险预测模型，将历史加权时空特征矩阵和训练样本中的历史环境特征矩阵输入到融合预测模块，以使融合预测模块对历史加权时空特征矩阵和历史环境特征矩阵进行计算，得到多个子区域在第二历史时段发生交通事故的历史风险预测指标矩阵；
根据各个训练样本的历史风险预测指标矩阵和历史风险指标矩阵，确定交通事故风险预测模型的损失函数值；
在损失函数值不满足训练停止条件的情况下，调整交通事故风险预测模型的模型参数，并利用训练样本训练参数调整后的交通事故风险预测模型，直至满足训练停止条件，得到训练后的交通事故风险预测模型。
这里，历史风险预测指标矩阵可以为将某一第一历史时段的历史交通数据矩阵和第二历史时段的历史环境特征矩阵输入到预设的交通事故风险预测模型中后，预测出的各个子区域在该第二历史时段的风险指标。交通事故风险预测模型可以抓取不同子区域的历史交通数据的历史空间关联特征以及获取不同子区域的历史交通数据在第一历史时段中多个历史时刻间的历史时序特征。
由于交通事故在空间上表现为局部相邻区域的关联性，例如，邻近区域发生交通拥堵，可以导致目标区域在对应时段内发生交通事故的可能性增大。因此，可以建模局部区域的空间关联特征，也即构建多个子区域间的历史空间关联特征。
除了相邻区域的空间相关性，历史交通数据通常还存在时间维度上的短期和长期关联性。因此，可以抓取多个历史时刻间的历史时序特征。
此外，在实际场景中，不同时间段的历史交通数据对第二历史时段的影响是不同的，而且会随着时间而发生动态变化。为突出不同时间段的历史交通数据对第二历史时段交通事故风险预测指标不同程度的影响，可以采用时序自注意力机制来动态捕获历史交通数据对第二历史时段交通事故风险预测指标的影响，从而计算出历史时空特征矩阵在第一历史时段中的每个时刻对应的历史权重值，得到历史权重序列。
然后，可以根据该历史权重序列对历史时空特征矩阵进行加权计算，得到历史加权时空特征矩阵，在解码器阶段可以利用融合预测模块，融合历史加权时空特征矩阵和历史环境特征矩阵，得到第二历史时段的历史风险预测指标矩阵。
在一个示例中，该历史权重序列的计算公式可以为：
其中，ψ(·)可以为归一化指数(softmax)激活函数，可以为修正线性单元(Rectified linear unit，ReLU)激活函数，/>和/>可以为权重参数，ba可以为偏置向量，A可以为历史权重序列，H可以为历史时空特征矩阵。
历史加权时空特征矩阵的计算公式可以为：
历史风险预测指标矩阵的计算公式可以为：
其中，*可以为1×1的卷积核，WH和WZ可以为具体地卷积核参数，FC(·)可以为全连接层，可以为历史风险预测指标矩阵，Z可以为第二历史时段的历史环境特征矩阵。
如此，通过上述过程可以从历史空间关联特征和历史时序特征，以及不同时间段的历史交通数据对第二历史时段交通事故风险预测指标不同程度的影响等多方面确定历史风险预测指标矩阵，可以使风险预测更加准确。
在一种可选的实施方式中，通过预设的交通事故风险预测模型，根据训练样本中的历史交通数据矩阵，构建不同子区域的历史交通数据的历史空间关联特征，以抓取不同子区域的历史交通数据在第一历史时段中多个历史时刻间的历史时序特征，得到历史时空特征矩阵，可以包括：
根据历史交通数据矩阵，通过预设的交通事故风险预测模型中的卷积神经网络构建多个子区域间的历史空间关联特征，得到历史空间特征矩阵；
根据历史空间特征矩阵，通过预设的交通事故风险预测模型中的长短时记忆网络，抓取多个子区域在第一历史时段中多个历史时刻间的历史时序特征，得到历史时空特征矩阵。
这里，由于交通事故在空间上表现为局部相邻区域的关联性，例如，邻近区域发生交通拥堵，可以导致目标区域在对应时段内发生交通事故的可能性增大。因此，可以利用卷积神经网络(Convolutional Neural Network，CNN)在捕获空间依赖中表现的特征共享和平移不变性等优势，使用卷积操作来建模局部区域的空间关联特征，也即多个子区域间的历史空间关联特征。
除了相邻区域的空间相关性，历史交通数据通常还存在时间维度上的短期和长期关联性。这里使用长短时记忆网络(Long Short-Term Memory，LSTM)来建模多个历史时刻间的历史时序特征。
在一个示例中，卷积神经网络的计算公式可以为：
其中，*可以为卷积操作，可以为卷积层的权重，/>可以为卷积层的偏置参数，f(·)可以为ReLU激活函数，/>可以为历史空间特征矩阵，St可以为历史交通数据矩阵，t可以为第一历史时段中的时刻。
具体的，卷积神经网络可以如图2所示，可以包括输入层210、卷积层220、池化层230、全连接层240和输出层250。
长短时记忆网络的计算公式可以简化为：
其中，可以为历史空间特征矩阵，Ht可以为历史时空特征矩阵，ht-1可以为t-1时刻长短时记忆网络的隐藏特征。
具体来说，如图3所示，每个长短时记忆网络单元都包含一个存储单元ct，对存储单元ct的访问将由三个门控制，分别是遗忘门(ft)310、输入门(it)320和输出门(ot)330。其中，tanh可以为双曲正切函数，σ可以为逻辑回归函数。具体地说，长短时记忆网络单元在时间t的更新公式表示为：
it＝σ(xtUi+ht-1Wi+bi)
ft＝σ(xtUf+ht-1Wf+bf)
ot＝σ(xtUo+ht-1Wo+bo)
ht＝tanh(Ct)*ot
其中，{Wi，Wf，Wo，Wg}可以为连接第t-1时刻递归层和第t时刻隐藏层的权重，{Ui，Uf，Uo，Ug}可以为连接第t-1时刻隐藏层和第t时刻递归层的权重，{bi，bf，bo，bg}可以为相应神经元的偏置向量，ht可以为t时刻长短时记忆网络的隐藏特征，Ct可以为t时刻长短时记忆网络的细胞状态，Ct-1可以为t-1时刻长短时记忆网络的细胞状态，xt可以为t时刻的历史空间特征。
最后通过长短时记忆网络输出历史时空特征矩阵Ht＝{ht-k+1，，…，ht-1，ht}。
如此，可以通过卷积神经网络和长短时记忆网络挖掘到历史交通数据矩阵的时间和空间特征，从而便于根据历史空间关联特征和历史时序特征更准确的进行风险预测。
在本申请的实施例中，通过将训练样本输入至预设的交通事故风险预测模型中，得到与训练样本中的第一历史时段的历史交通数据矩阵和第二历史时段的历史环境特征矩阵对应的第二历史时段的历史风险预测指标矩阵，在得到各训练样本对应的历史风险预测指标矩阵后，可基于各训练样本对应的历史风险预测指标矩阵和历史风险指标矩阵，确定交通事故风险预测模型的损失函数值，在损失函数值不满足训练停止条件的情况下，调整交通事故风险预测模型的模型参数，并利用训练样本训练参数调整后的交通事故风险预测模型，直至满足训练停止条件，如此可得到训练后的交通事故风险预测模型，以便利用该训练后的交通事故风险预测模型对第一时段的交通数据和第二时段的环境特征数据进行处理，得到各个子区域在与第一时段对应的第二时段的风险预测指标矩阵。
另外，在一种可选的实施方式中，上述调整交通事故风险预测模型的模型参数，具体可以包括：
通过自适应矩估计亚当优化算法调整交通事故风险预测模型的模型参数。
这里，在训练交通事故风险预测模型的过程中，为了使得优化参数相对平稳，可以采用自适应矩估计亚当优化算法进行参数优化。具体地，自适应矩估计亚当优化算法可以利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。
如此，采用自适应矩估计亚当优化算法进行参数优化，可以使交通事故风险预测模型的预测结果更加准确。
此外，在一种可选的实施方式中，上述根据各个训练样本的历史风险预测指标矩阵和历史风险指标矩阵，确定交通事故风险预测模型的损失函数值，具体可以包括：
通过以下计算公式，确定损失函数值：
这里，θ可以为交通事故风险预测模型中所有层的参数集合，T可以为训练样本的数量，t可以为第二历史时段包括的时刻，t∈{1,2,…,T}，可以为弗洛比尼亚斯范式，可以为第t时刻的历史风险预测指标矩阵，Yt可以为第t时刻的历史风险指标矩阵，β可以为正则化参数，W可以为交通事故风险预测模型中权重参数的集合。
示例性的，可以设定该交通事故风险预测模型的超参数及结构组成，可以包括隐含层数及每层的节点数、激励函数、学习速率、损失函数、优化函数、批处理大小、迭代次数等。
如此，在历史风险指标矩阵处加1，可以解决训练样本标签的零膨胀问题，在损失函数的计算公式中添加正则项，可以进行参数正则化，解决模型训练的过拟合问题。
具体的，交通事故风险预测模型可以如图4所示，可以包括卷积神经网络410、长短时记忆网络420、自注意力机制430和融合预测模块440。其中，FC可以为融合预测模块中的全连接层，可以为第t+1时刻的历史风险预测指标矩阵，Yt+1可以为第t+1时刻的历史风险指标矩阵，Loss为损失函数，St-k+1、St-k…St可以为第t-k+1至t时段中各个时刻的历史交通数据矩阵。
下面结合附图5对本申请实施例提供的交通事故风险预测方法进行详细说明。
图5示出了本申请实施例提供的一种交通事故风险预测方法的流程示意图，如图5所示，本申请实施例提供的交通事故风险预测方法可以包括S510-S530：
首先，S510，获取预设区域在第一时段的交通数据和第二时段的环境特征数据；
其次，S520，根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵；
再次，S530，通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵；
然后，S540，基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵；
最后，S550，通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。
由此，通过获取预设区域在第一时段的交通数据和第二时段的环境特征数据，并根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵，然后通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵，再基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵，并通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。这样，通过根据环境特征数据和交通数据得到的环境特征矩阵和交通数据矩阵，来对多个子区域在第二时段发生交通事故的风险进行预测，可以在交通因素的基础上结合环境因素，对多个子区域在第二时段的风险指标进行预测，从而提高风险预测的准确性。
下面对本申请实施例提供的交通事故风险预测方法进行详细说明。
首先，涉及S510，第二时段可以为第一时段的下一时段，第一时段可以为历史时段，第二时段可以为待预测时段。
其次，涉及S520，这里的环境特征数据与上述交通事故风险预测模型的训练过程中的历史环境特征数据对应，在此不再赘述。这里的交通数据与上述交通事故风险预测模型的训练过程中的历史交通数据对应，在此不再赘述。
然后，涉及S530，交通事故风险预测模型为根据多个训练样本训练得到的，每个训练样本可以包括第一历史时段的历史交通数据矩阵和第二历史时段的历史环境特征矩阵，以及第二历史时段的历史风险指标矩阵。在得到第二时段的环境特征矩阵和第一时段的交通数据矩阵后，可以根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，并抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵。
具体的如何构建不同子区域的交通数据的空间关联特征，并抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵，可参考上述交通事故风险预测模型训练过程中得到时空特征矩阵的方法，在此不再赘述。
再次，涉及S540，如何计算权重序列并进行加权计算，确定加权时空特征矩阵，均可参考上述交通事故风险预测模型的训练过程，在此不再赘述。
最后，涉及S550，如何得到风险预测指标矩阵，可参考上述交通事故风险预测模型的训练过程，在此不再赘述。
基于相同的发明构思，本申请还提供了一种交通事故风险预测装置。下面结合图6对本申请实施例提供的交通事故风险预测装置进行详细说明。
图6是根据一示例性实施例示出的一种交通事故风险预测装置的结构框图。
如图6所示，该交通事故风险预测装置可以包括：
第一获取模块601，用于获取预设区域在第一时段的交通数据和第二时段的环境特征数据；
第一映射模块602，用于根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵；
第一构建模块603，用于通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵；
计算模块604，用于基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵；
输入模块605，用于通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。
由此，通过获取预设区域在第一时段的交通数据和第二时段的环境特征数据，并根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵，然后通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵，再基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵，并通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。这样，通过根据环境特征数据和交通数据得到的环境特征矩阵和交通数据矩阵，来对多个子区域在第二时段发生交通事故的风险进行预测，可以在交通因素的基础上结合环境因素，对多个子区域在第二时段的风险指标进行预测，从而提高风险预测的准确性。
在其中一个实施例中，该交通事故风险预测装置还可以包括：
第二获取模块，用于获取预设区域在多个第一历史时段的多个历史交通数据和在多个第二历史时段的多个历史环境特征数据，以及预设区域的多个子区域在多个第二历史时段的发生交通事故的多个历史风险指标矩阵，第二历史时段为第一历史时段的下一时段；
第二映射模块，用于根据多个历史环境特征数据和多个历史交通数据中包括的位置信息，将多个历史环境特征数据和多个历史交通数据映射到预设区域的多个子区域，得到多个子区域在多个第一历史时段的多个历史交通数据矩阵和在多个第二历史时段的多个历史环境特征矩阵；
第二构建模块，用于分别根据每个第一历史时段的历史交通数据矩阵和每个第二历史时段的历史环境特征矩阵，以及每个第二历史时段的历史风险指标矩阵，构建训练样本；
模型训练模块，用于根据多个训练样本，训练交通事故风险预测模型，直至满足训练停止条件，得到训练后的交通事故风险预测模型。
在其中一个实施例中，模型训练模块，具体可以包括：
构建子模块，用于对每个训练样本，通过预设的交通事故风险预测模型，根据训练样本中的历史交通数据矩阵，构建不同子区域的历史交通数据的历史空间关联特征，以抓取不同子区域的历史交通数据在第一历史时段中多个历史时刻间的历史时序特征，得到历史时空特征矩阵；
计算子模块，用于对每个训练样本，基于预设的交通事故风险预测模型的自注意力机制，计算历史时空特征矩阵在第一历史时段中的每个时刻对应的历史权重值，得到历史权重序列，以根据历史权重序列和历史时空特征矩阵，确定历史加权时空特征矩阵；
输入子模块，用于对每个训练样本，通过预设的交通事故风险预测模型，将历史加权时空特征矩阵和训练样本中的历史环境特征矩阵输入到融合预测模块，以使融合预测模块对历史加权时空特征矩阵和历史环境特征矩阵进行计算，得到多个子区域在第二历史时段发生交通事故的历史风险预测指标矩阵；
第一确定子模块，用于对每个训练样本，根据各个训练样本的历史风险预测指标矩阵和历史风险指标矩阵，确定交通事故风险预测模型的损失函数值；
调整子模块，用于对每个训练样本，在损失函数值不满足训练停止条件的情况下，调整交通事故风险预测模型的模型参数，并利用训练样本训练参数调整后的交通事故风险预测模型，直至满足训练停止条件，得到训练后的交通事故风险预测模型。
在其中一个实施例中，构建子模块，具体可以包括：
构建单元，用于根据历史交通数据矩阵，通过预设的交通事故风险预测模型中的卷积神经网络构建多个子区域间的历史空间关联特征，得到历史空间特征矩阵；
抓取单元，用于根据历史空间特征矩阵，通过预设的交通事故风险预测模型中的长短时记忆网络，抓取多个子区域在第一历史时段中多个历史时刻间的历史时序特征，得到历史时空特征矩阵。
在其中一个实施例中，第一确定子模块，具体可以包括：
确定单元，用于通过以下计算公式，确定损失函数值：
其中，θ为交通事故风险预测模型中所有层的参数集合，T为训练样本的数量，t为第二历史时段包括的时刻，t∈{1,2,…,T}，表示弗洛比尼亚斯范式，/>为第t时刻的历史风险预测指标矩阵，Yt为第t时刻的历史风险指标矩阵，β为正则化参数，W为交通事故风险预测模型中权重参数的集合。
在其中一个实施例中，每个历史交通数据包括历史交通事故的属性信息和历史流量记录，第二映射模块，具体可以包括：
映射子模块，用于根据多个属性信息和多个历史流量记录中包括的位置信息，将多个属性信息和多个历史流量记录映射到预设区域的多个子区域，得到每个子区域对应的多个属性信息和多个历史流量记录；
第二确定子模块，用于根据每个子区域对应的多个属性信息中包括的事故数量和事故严重程度，确定每个子区域在多个第一历史时段的多个历史事故风险指标；
第三确定子模块，用于根据每个子区域对应的多个历史流量记录，确定每个子区域在多个第一历史时段的多个历史流量数据；
第四确定子模块，用于根据每个子区域在多个第一历史时段的多个历史事故风险指标和多个历史流量数据，确定多个历史交通数据矩阵。
图7是根据一示例性实施例示出的一种电子设备的结构示意图。
如图7所示，该电子设备7能够实现根据本申请实施例中的交通事故风险预测方法以及交通事故风险预测装置的电子设备的示例性硬件架构的结构图。该电子设备可以指代本申请实施例中的电子设备。
该电子设备7可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701可以包括中央处理器(CPU)，或者特定集成电路(application specific integrated circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(hard disk drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，USB)驱动器或者两个及其以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在综合网关设备的内部或外部。在特定实施例中，存储器702是非易失性固态存储器。在特定实施例中，存储器702包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存，或者两个或及其以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现图1至图5所示实施例中的方法，并达到相应技术效果，为简洁描述在此不再赘述。
在一个实施例中，该电子设备7还可包括收发器703和总线704。其中，如图7所示，处理器701、存储器702和收发器703通过总线704连接并完成相互间的通信。
总线704包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围控件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线704可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于实现本申请实施例所记载的交通事故风险预测方法。
在一些可能的实施方式中，本申请提供的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤，例如，所述计算机设备可以执行本申请实施例所记载的交通事故风险预测方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请是参照根据本申请的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程信息处理设备的处理器以产生一个机器，使得通过计算机或其他可编程信息处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程信息处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程信息处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种交通事故风险预测方法，其特征在于，所述方法包括：
获取预设区域在第一时段的交通数据和第二时段的环境特征数据；
根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵；
通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵；
基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵；
通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。
2.根据权利要求1所述的方法，其特征在于，在所述获取预设区域在第一时段的交通数据和第二时段的环境特征数据之前，所述方法还包括：
获取预设区域在多个第一历史时段的多个历史交通数据和在多个第二历史时段的多个历史环境特征数据，以及预设区域的多个子区域在多个第二历史时段的发生交通事故的多个历史风险指标矩阵，第二历史时段为第一历史时段的下一时段；
根据多个历史环境特征数据和多个历史交通数据中包括的位置信息，将多个历史环境特征数据和多个历史交通数据映射到预设区域的多个子区域，得到多个子区域在多个第一历史时段的多个历史交通数据矩阵和在多个第二历史时段的多个历史环境特征矩阵；
分别根据每个第一历史时段的历史交通数据矩阵和每个第二历史时段的历史环境特征矩阵，以及每个第二历史时段的历史风险指标矩阵，构建训练样本；
根据多个训练样本，训练交通事故风险预测模型，直至满足训练停止条件，得到训练后的交通事故风险预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据多个训练样本，训练交通事故风险预测模型，直至满足训练停止条件，得到训练后的交通事故风险预测模型，包括：
对每个训练样本，分别执行如下步骤：
通过预设的交通事故风险预测模型，根据训练样本中的历史交通数据矩阵，构建不同子区域的历史交通数据的历史空间关联特征，以抓取不同子区域的历史交通数据在第一历史时段中多个历史时刻间的历史时序特征，得到历史时空特征矩阵；
基于预设的交通事故风险预测模型的自注意力机制，计算历史时空特征矩阵在第一历史时段中的每个时刻对应的历史权重值，得到历史权重序列，以根据历史权重序列和历史时空特征矩阵，确定历史加权时空特征矩阵；
通过预设的交通事故风险预测模型，将历史加权时空特征矩阵和训练样本中的历史环境特征矩阵输入到融合预测模块，以使融合预测模块对历史加权时空特征矩阵和历史环境特征矩阵进行计算，得到多个子区域在第二历史时段发生交通事故的历史风险预测指标矩阵；
根据各个训练样本的历史风险预测指标矩阵和历史风险指标矩阵，确定交通事故风险预测模型的损失函数值；
在损失函数值不满足训练停止条件的情况下，调整交通事故风险预测模型的模型参数，并利用训练样本训练参数调整后的交通事故风险预测模型，直至满足训练停止条件，得到训练后的交通事故风险预测模型。
4.根据权利要求3所述的方法，其特征在于，所述通过预设的交通事故风险预测模型，根据训练样本中的历史交通数据矩阵，构建不同子区域的历史交通数据的历史空间关联特征，以抓取不同子区域的历史交通数据在第一历史时段中多个历史时刻间的历史时序特征，得到历史时空特征矩阵，包括：
根据历史交通数据矩阵，通过预设的交通事故风险预测模型中的卷积神经网络构建多个子区域间的历史空间关联特征，得到历史空间特征矩阵；
根据历史空间特征矩阵，通过预设的交通事故风险预测模型中的长短时记忆网络，抓取多个子区域在第一历史时段中多个历史时刻间的历史时序特征，得到历史时空特征矩阵。
5.根据权利要求3所述的方法，其特征在于，所述根据各个训练样本的历史风险预测指标矩阵和历史风险指标矩阵，确定交通事故风险预测模型的损失函数值，具体包括：
通过以下计算公式，确定损失函数值：
其中，θ为交通事故风险预测模型中所有层的参数集合，T为训练样本的数量，t为第二历史时段包括的时刻，t∈{1,2,…,T}，表示弗洛比尼亚斯范式，/>为第t时刻的历史风险预测指标矩阵，Yt为第t时刻的历史风险指标矩阵，β为正则化参数，W为交通事故风险预测模型中权重参数的集合。
6.根据权利要求2所述的方法，其特征在于，每个所述历史交通数据包括历史交通事故的属性信息和历史流量记录；
所述根据多个历史环境特征数据和多个历史交通数据中包括的位置信息，将多个历史环境特征数据和多个历史交通数据映射到预设区域的多个子区域，得到多个子区域在多个第一历史时段的多个历史交通数据矩阵和在多个第二历史时段的历史环境特征矩阵，包括：
根据多个属性信息和多个历史流量记录中包括的位置信息，将多个属性信息和多个历史流量记录映射到预设区域的多个子区域，得到每个子区域对应的多个属性信息和多个历史流量记录；
根据每个子区域对应的多个属性信息中包括的事故数量和事故严重程度，确定每个子区域在多个第一历史时段的多个历史事故风险指标；
根据每个子区域对应的多个历史流量记录，确定每个子区域在多个第一历史时段的多个历史流量数据；
根据每个子区域在多个第一历史时段的多个历史事故风险指标和多个历史流量数据，确定多个历史交通数据矩阵。
7.一种交通事故风险预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取预设区域在第一时段的交通数据和第二时段的环境特征数据；
第一映射模块，用于根据环境特征数据和交通数据中包括的位置信息，将环境特征数据和交通数据分别映射到预设区域的多个子区域，得到多个子区域在第一时段的交通数据矩阵和第二时段的环境特征矩阵；
第一构建模块，用于通过训练后的交通事故风险预测模型，根据交通数据矩阵，构建不同子区域的交通数据的空间关联特征，以抓取不同子区域的交通数据在第一时段中多个时刻间的时序特征，得到时空特征矩阵；
计算模块，用于基于训练后的交通事故风险预测模型的自注意力机制，计算时空特征矩阵在第一时段中的每个时刻对应的权重值，得到权重序列，以根据权重序列和时空特征矩阵，确定加权时空特征矩阵；
输入模块，用于通过训练后的交通事故风险预测模型，将加权时空特征矩阵和环境特征矩阵输入到融合预测模块，以使融合预测模块对加权时空特征矩阵和环境特征矩阵进行计算，得到多个子区域在第二时段发生交通事故的风险预测指标矩阵。
8.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的交通事故风险预测方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的交通事故风险预测方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-6任意一项所述的交通事故风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210088305.7A CN114462313B (zh) | 2022-01-25 | 2022-01-25 | 交通事故风险预测方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210088305.7A CN114462313B (zh) | 2022-01-25 | 2022-01-25 | 交通事故风险预测方法、装置、设备、介质及产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114462313A CN114462313A (zh) | 2022-05-10 |
| CN114462313B true CN114462313B (zh) | 2024-04-16 |
Family
ID=81411201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210088305.7A Active CN114462313B (zh) | 2022-01-25 | 2022-01-25 | 交通事故风险预测方法、装置、设备、介质及产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114462313B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854321B (zh) * | 2024-03-07 | 2024-07-09 | 北京建筑大学 | 基于交通环境提前感知的交通事故风险预测方法及系统 |
| CN117968774B (zh) * | 2024-03-28 | 2024-07-02 | 武汉市豪迈电力自动化技术有限责任公司 | 用于架空输电线路牵引放线作业的智能监测与控制系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993970A (zh) * | 2019-03-15 | 2019-07-09 | 西南交通大学 | 一种城市区域交通事故风险预测方法 |
| CN111882878A (zh) * | 2020-09-02 | 2020-11-03 | 烟台大学 | 一种基于交通流预测的最大化关键道路通行能力的方法 |
| CN112784121A (zh) * | 2021-01-28 | 2021-05-11 | 浙江工业大学 | 一种基于时空图表示学习的交通事故预测方法 |
| CN113222218A (zh) * | 2021-04-16 | 2021-08-06 | 浙江工业大学 | 基于卷积长短时记忆神经网络的交通事故风险预测方法 |
| CN113283665A (zh) * | 2021-06-10 | 2021-08-20 | 北京邮电大学 | 一种基于路网的城市交通事故风险预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859291B (zh) * | 2020-06-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
-
2022
- 2022-01-25 CN CN202210088305.7A patent/CN114462313B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993970A (zh) * | 2019-03-15 | 2019-07-09 | 西南交通大学 | 一种城市区域交通事故风险预测方法 |
| CN111882878A (zh) * | 2020-09-02 | 2020-11-03 | 烟台大学 | 一种基于交通流预测的最大化关键道路通行能力的方法 |
| CN112784121A (zh) * | 2021-01-28 | 2021-05-11 | 浙江工业大学 | 一种基于时空图表示学习的交通事故预测方法 |
| CN113222218A (zh) * | 2021-04-16 | 2021-08-06 | 浙江工业大学 | 基于卷积长短时记忆神经网络的交通事故风险预测方法 |
| CN113283665A (zh) * | 2021-06-10 | 2021-08-20 | 北京邮电大学 | 一种基于路网的城市交通事故风险预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于深度学习的车联边缘网络交通事故风险预测算法研究;赵海涛;程慧玲;丁仪;张晖;朱洪波;;电子与信息学报;20200115(01);全文 * |
| 基于神经网络的区域交通事故数预测建模研究;李兴兵;黄力;;信息系统工程;20200520(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114462313A (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114462313B (zh) | 交通事故风险预测方法、装置、设备、介质及产品 | |
| Zhang et al. | Deep spatio-temporal residual networks for citywide crowd flows prediction | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
| CN105761488B (zh) | 基于融合的实时极限学习机短时交通流预测方法 | |
| CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
| US20240054321A1 (en) | Traffic prediction | |
| CN110047291B (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
| CN114519932B (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
| JP2011138487A (ja) | 空間−時間関係に基づく交通予測方法およびシステム | |
| CN113177657A (zh) | 轨道交通客流预测方法及装置 | |
| CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
| CN114594532B (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
| Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
| CN114287023A (zh) | 用于交通预测的多传感器学习系统 | |
| CN114493034B (zh) | 一种面向区域流量预测的时空全局语义表示学习方法 | |
| CN114802303A (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| CN117558124A (zh) | 一种基于多源信息深度融合的通道运行状态推演预测方法 | |
| CN116523104A (zh) | 基于情景感知和深度学习的异常群体流量预测方法及装置 | |
| CN116502763A (zh) | 一种基于时空图神经网络的人群拥堵预测方法及系统 | |
| CN118262516A (zh) | 一种基于多种注意力神经网络的车辆交通预测方法及系统 | |
| CN110633853A (zh) | 时空数据预测模型的训练方法、装置及电子设备 | |
| Thakali et al. | Model-based versus data-driven approach for road safety analysis: Do more data help? | |
| CN112651577B (zh) | 一种基于融合时空数据的隧道形变预测方法 | |
| CN115796590A (zh) | 道路团雾事故风险的预测方法、装置、电子设备及介质 |
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 |