[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

说明书

本发明公开了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，具体为：利用深度学习相关技术分别从时间和空间维度建模，提取相应的特征与属性，并将这些模型组件组装与融合，搭建了时空混合残差网络，对真实数据集进行预处理后，输入模型进行事故黑点预测。本发明具有较好的事故黑点预测能力。

技术领域

本发明属于交通领域，尤其涉及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。

背景技术

当前世界许多国家都着重于基础设施的改善与道路的建设，促进交通不断的发展，事故受到道路交通发展的影响，也间接的有所增加。事故黑点是交通安全研究的重要方向，在以有限的资源尽可能地整治交通事故方面起到了关键作用。

当前研究事故黑点的方法多为线性回归方法或多元统计分析方法，Lord等研究表明采用广义估计方程比普通数学模型能更好地分析交通事故的时间相关性；MA建立了多变量泊松-对数正态回归模型来进行事故数的预测；考虑了位于同一交通通道的交叉口之间的空间相关性，WANG等采用广义估计方程分析Central Florida地区的交叉口安全影响因素；Huang等应用全贝叶斯技术提出基于模型的热点识别方法的框架，研究表明使用全贝叶斯分层模型相对于经验贝叶斯方法，可以更加准确的识别事故黑点；Mura考虑事故类型和事故产生的影响因素，采用香农熵方法确定黑点的安全水平；Fawcett等提出一种贝叶斯分层模型，用于预测潜在道路事故黑点池中未来几年的事故数；孟祥海研究了滑动窗窗体长度及滑动步长对事故多发路段鉴别影响；Bham基于主成分分析方法提出一种综合分级度量来识别高速路上的事故黑点；Wang建立一元负二项条件自回归模型和二元负二项空间条件自回归模型来分析单车事故和多车事故的影响因素以及它们在事故黑点中的一致性情况；Harirforoush提网络核密度估计的空间分与临界事故率网络筛选综合方法来探测事故黑点；Gill采用多变量泊松-对数正态空间方法结合事故严重程度，以事故损失作为加权基础建立了事故预测模型；Ulak比较了常用的基于网络的热点检测方法，深入了解所选热点检测方法在使用不同空间权重时的异同；Zahran对比了基于风险的空间交通事故分析方法与道路审计方法的差异，并确定了所研究道路的危险水平。

现阶段深度学习在图像识别、自然语言处理等方面取得了重大的突破，而在交通领域的应用还不太广泛，主要应用于交通流的研究。Shi对时空序列预测问题的机器学习方法进行了系统回顾；Li将交通流建模为有向图上的扩散过程，并引入扩散卷积递归神经网络，建立了一种将交通流的空间相关性和时间相关性结合在一起的深度学习框架；Zhao将图卷积网络和门控递归单元相结合，提出了时态图卷积网络模型，进行城市交通量的预测；Zhang基于深度学习的方法提出ST-ResNet模型，用来集中预测一个城市每个区域的人群流入和流出情况。

发明内容

针对目前深度学习在交通上的应用主要是交通流的预测或交通需求的预测，在交通事故领域的应用还较少。为了更好的使用深度学习来研究事故黑点，本发明提供了一种基于时间和空间混合残差网络的事故黑点预测方法。

本发明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，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。