[发明专利]一种基于深度学习和时空大数据的交通事故黑点预测方法

权利要求书

1.一种基于深度学习和时空大数据的交通事故黑点预测方法，其特征在于，包括以下步骤：

步骤1：基于空间维度的建模：建立多层的卷积神经网络，完成对事故数据的空间相似性的特征提取；

步骤2：基于时间维度的建模：选择周期性和趋势性的时间段来处理时间维度的信息；

周期性的时间段数据为：

其中l_p为周期性时间段的数量，p为周期的时间间隔长度；

趋势性的时间段数据为：

其中，l_q为趋势性时间段的数量，q为趋势的时间间隔长度；

步骤3：在模型中使用残差单元学习；对于每一个卷积神经网络，堆栈R个残差单元，残差单元的处理过程表示如下：

其中，表示残差函数，是ReLU函数和卷积的组合，θ^r表示第r个残差单元中所需要进行学习的所有参数；

步骤4：时空混合残差网络建模：

对空间和时间维度建模后，基于参数矩阵对残差单元融合，具体为：

其中，表示哈达玛乘积，W_p表示周期性的参数，X_P表示周期性残差单元的输出；W_q表示趋势性的参数，X_q表示趋势性残差单元的输出；W_p和W_q均为需要学习的参数；

正则化处理，选择softmax作为正则化函数，将事故数据经过softmax函数映射后，将[0,+∞)的整数型事故数据转化为[0,1]的浮点型数据，具体为：

然后，预测值与真实值之间的损失用均方差来计算：

其中，θ为时空混合残差网络中需要训练的参数；

步骤5：对真实数据集进行预处理后，输入模型进行事故黑点预测。

2.根据权利要求1所述的一种基于深度学习和时空大数据的交通事故黑点预测方法，其特征在于，所述数据预处理具体为：

为了使得事故数据能够满足多层卷积神经网络输入格式的要求，将所在区域分别划分为n×n的空间网格，以作为后续事故数据映射的框架；为每个网格即为一个地点，并为其指定唯一的位置代码l_i；

数据转化的纽带为经纬度坐标，完成城市网格的划分后，将各个事故按其对应的空间坐标应映射到相应的地点上，制作事故映射图；

其中，表示地点l_i中包含的事故数，a_xy表示事故a的坐标，L_i表示地点l_i的坐标范围。