[发明专利]一种基于GAN的城市重大交通事故数据样本自动生成方法

说明书

本发明涉及一种基于GAN的城市重大交通事故数据样本自动生成方法，目的是自动生成城市重大交通事故数据样本，从而提供大量数据给深度学习模型进行学习和训练，提高模型对交通事故预测的准确率，从而挽回大量由交通事故带来的损失。本发明中的遗传变异‑对抗生成网络主要由两部分组成，一个是生成网络，另一个是鉴别网络。本发明首次将遗传变异算法用于与生成网络结合来生成假的数据样本，同时对抗生成网络也是第一次用于重大交通事故样本生成。

技术领域

本发明涉及一种基于遗传变异-对抗生成网络的城市重大交通事故数据样本生成方法，属于智能交通应用技术领域。

背景技术

重大交通事故尤其是车祸在全世界都是一个巨大的问题，每年全世界约有130万人死于车辆交通事故，约有5千万人在车辆交通事故中受伤。目前已经有基于大数据的机器学习技术来提前预测交通事故以尽量减少损失。众所周知，深度学习技术需要大量交通事故样本，交通事故数据数量越多，模型的准确率越高。但是由于发生及记录的重大交通事故数量并不多，并涉及到一定的隐私，同时相对负样本而言(即没有发生重大交通事故)，正样本(发生的重大交通事故)数量太少，属于不均衡样本，对于模型的训练精度有较大影响，如何增加重大交通事故样本数量提供给模型学习，从而提高重大交通事故预测准确率，成为了一个非常重要的问题。因此，通过人工智能算法，自动生成城市重大交通事故数据样本，有重要价值和意义。

发明内容

本发明的目的是：自动生成城市重大交通事故数据样本，从而提供大量数据给深度学习模型进行学习和训练，提高模型对交通事故预测的准确率，从而挽回大量由交通事故带来的损失。

为了达到上述目的，本发明的技术方案是提供了一种基于GAN的城市重大交通事故数据样本自动生成方法，其特征在于，包括以下步骤：

步骤1、将城市交通事故特征定义为四个维度：天气特性、时间特性、道路特性、车辆类型特性，对真实重大交通事故样本集中每一个事故样本的特征进行独热编码，得到特征向量，作为真实数据样本库X＝{x¹,x²,…,xⁱ,…,x^m}，xⁱ表示第i个特征向量；

步骤2、生成初始假的数据集Z＝{z¹,z²,…,zⁱ,…,z^m}，zⁱ表示第i个假的重大交通事故样本的特征向量；

步骤3、建立生成网络和鉴别网络，生成网络和鉴别网络为神经网络，其中：生成网络的输出层神经元与输入层神经元个数相同；鉴别网络的输入层有真实数据和生成网络生成的数据，鉴别网络的输出层有一个神经元，输出结果为一个值；随后初始化生成网络和鉴别网络的参数，生成网络的参数为θ_d和鉴别网络的参数为θg；

步骤4、从步骤2中生成的假的数据集Z＝{z¹,z²,…,zⁱ,…,z^m}中采样n个样本，输入生成网络中，计算此时生成网络生成的结果：

步骤5.鉴别网络的目标函数V表示为：

式中，D(xⁱ)是真实数据的输出值；是生成网络生成的假数据在鉴别网络中的输出值；

目标为最大化目标函数V，通过梯度上升的方法来更新权重参数：式中，η表示学习率(Learning Rate)，代表每一次参数更新步的长度，表示参数θ_g的导数；