[发明专利]一种城市区域交通事故风险预测方法

说明书

本发明公开了一种城市区域交通事故风险预测方法，采用带时空注意力机制的编码器‑解码器深度学习框架来精准预测未来交通事故风险。在大量与交通事故有关的多源异构数据的基础上，通过融合多源异构数据来更加有效、准确地预测未来交通事故风险；主要数据集是交通事故量和不同车的交通流，外部数据是天气、街道设计等外部环境数据；本发明方案提供了一种时空注意力机制，能够同时抓住本地和全局地区的时空特征，不仅提高了模型的精度，而且提高了模型的可解释性，最后可以通过注意力值来解读不同影响因素对预测值的重要程度。该本明提出的框架，能够扩展到其他类似的时空数据领域，拥有普适性价值。

技术领域

本发明属于数据挖掘技术领域。

背景技术

随着城市化的快速发展和道路机动化进程的实现，人民群众的生活更加便捷化。与此同时，机动车的爆发性增长给政府的交通管制带来巨大压力，造成了交通拥堵、空气污染和交通事故等一系列社会安全问题。根据世界卫生组织2015年出版的“全球道路安全状况报告”，每年，道路交通事故在全球造成约130万人死亡，2000万至5000万人受到非致命性伤害。道路交通事故是所有年龄组的主要死亡原因。因此，精确而有效地预测出未来一段时间内城市各区域的交通事故数量对减少交通事故数量而言至关重要。政府和城市管理者可以人为地调控警力，协助当地交通事故隐患排查，减少交通事故发生的可能性。城市设计和规划人员可获知高风险路段的重要影响因子，通过新的城市道路规划从根本上减少交通事故发生。另外，通过获知未来交通事故风险，也可以为个人的出行选择一条更加安全的方案和路线。

通过对现有的专利及相关技术的检索发现，现有的与交通事故风险预测有关的方法有：

(1)陈非，王瑞锦，李凯等，基于多维因素的高速路交通事故分析预测方法，CN108417033A，2018。主要是建模影响高速公路交通事故的多维因素与交通事故的预测模型。该方法对多维影响因素数据建立贝叶斯网络，得到各个因素对交通事故的影响概率，并作为预测模型。

(2)赵海涛，程慧玲，茅天奇等，一种基于PCA和BP神经网络的交通事故预测方法，CN108510126A，2018。构建基于PCA和BP神经网络的交通事故预测模型，导入车联网中的交通事故数据集至模型中，由模型先筛选出交通事故数据集的特征向量；然后使用所述PCA对所述特征向量进行去相关处理，得到特征向量中预设数量的线性无关的特征；之后将所述线性无关的特征输入所述BP神经网络中进行训练。

(3)徐铖铖，刘攀，王炜，基于判别分析的快速道路实时交通事故风险预测方法，CN102360525A，2012。该方法将实时交通流特征参数代入快速道路事故风险判别模型，判断是否有发生交通事故的风险。

通过对现有文献的查阅发现，目前存在的方法存在着以下不足：(1)主要是手工提取与交通事故有关的特征，特征数据主要与车辆本身有关，建立相应的概率模型；(2)大部分方法针对特定路段建立模型，缺少城市区域的交通事故预测；(3)建模特定区域交通事故模型的时候，未考虑周围地区的交通量和交通事故的时空影响。

因此，在本发明的方案中，我们收集了多种异构数据，包括交通事故量数据、各种车辆的流量数据和道路、天气数据等外部数据，旨在利用与交通有关的多源异构数据，考虑到不同地区的时空影响，来精准预测未来时刻城市不同区域的交通事故风险。

在这里，我们将交通事故数据和车流量数据统称为交通指标。我们希望建模历史所有区域的交通指标和外部环境特征，来对未来交通风险进行预测，这其实是非常复杂的。主要有以下几个难点：

(1)区域内部时序影响：同一区域，不同的交通指标对交通事故风险有着不同的影响，这些影响会基于时间动态变化。我们需要一个组件来建模本地的时空特征影响。

(2)外部区域时序影响：其他区域的交通指标对当前区域的交通事故也是有影响的，这些影响也会随时间动态变化。我们需要一个组件来建模全局不同地区的时空特征影响。