[发明专利]一种基于时空图表示学习的交通事故预测方法

权利要求书

1.一种基于时空图表示学习的交通事故预测方法，其特征在于，包括如下步骤：

(1)根据传感器网络构建交通路网的邻接矩阵，并获取原始交通数据，对原始交通数据进行筛选和统计得到区域的速度、容量和占有率；

(2)对交通事故数据进行清洗，从原始交通数据中获取事故发生前的交通数据，并对数据进行归一化构建路网的特征矩阵；

(3)构建基于时空图表示学习的交通事故预测模型，通过模型的时空图卷积模块捕获交通数据中的时空动态关联，并通过模型的变分图自编码器将高维的交通数据表征为低维交通状态，以此提高模型拟合能力；其中构建基于时空图表示学习的交通事故预测模型时，将交通路网定义成一个无向图结构，G＝(V,E,A)；|V|＝N代表节点的总数；E代表节点之间的连接，其中节点指的是传感器；是包含了交通网络拓扑信息的邻接矩阵，其中A_i,j为1表示节点i和j相连，A_i,j为0代表不连通；传感器每隔固定的时间长度收集当前状态的交通数据，交通数据包括流量，占有率，速度；代表节点i在t时刻下的特征，代表t时刻下所有节点的特征；代表T时间段下所有特征；通过将邻接矩阵和特征矩阵输入到基于时空变分图自编码器中，获取低维的交通状态表征，并将其输入到一个卷积神经网络中预测未来时刻交通事故发生的概率；

通过时空图表示学习方法实现交通数据到交通状态的转换，即X→Z，Z为输出低维时变表示向量，即交通状态；其中编码器定义如下：

其中，g_θ表示卷积核，θ表示多项式系数的向量，g_θ*表示图卷积操作，x∈X表示交通信息，I表示单位矩阵，度矩阵D＝Σ_jA_ij是对角矩阵，λ_max是L的最大值，A是邻接矩阵；T_k是k阶Chebyshev递推多项式，在空间维度上对图的每个节点捕捉相邻信息的图卷积操作之后，利用时间维度标准卷积，通过合并相邻时间片上的信息来更新节点的信息：

h^l＝ReLU(Φ*(ReLU(w^T·g_θ*x)+b))

其中，h^l表示第l个时空卷积块的输出，ReLU代表激活函数，Φ表示时间卷积核参数，Φ*()表示时间卷积操作，w表示模型的权重,b表示模型的偏置，x∈X表示交通信息；因此第l+1个卷积块的输出可以被重写为：

h^l+1＝ReLU(Φ*(ReLU(w^T·g_θ*h^l)+b))

其中，h^l+1是第l+1个卷积块的输出，其他参数同上；使用两个时空图卷积模块将时空图进行表征，表征向量h^l+1组成新的特征矩阵X，交通状态Z可以通过如下方式得到：

μ＝GCN_μ(X,A)

logσ＝GCN_σ(X,A)

Z～N(μ,σ²)

其中，A是邻接矩阵，GCN()是图卷积操作，μ是分布的均值，σ是分布的方差，从均值和方差形成的分布中采样得到了事故发生前交通状态Z；在得到表征向量后，通过点乘的解码器来重构邻接矩阵，以保证编码器能够准确的表征交通中的时空信息；编码器定义为：

其中，Z^T是Z是转置矩阵，代表重构后的邻接矩阵；编码器和解码器被定义为：

其中，q(z_i|X,A)＝N(z_i|μ_i,diag(σ²))，q是编码器的输出，X是特征矩阵，A是邻接矩阵，z_i∈Z是编码器表征后的变量，μ_i∈μ是编码后变量分布的均值，diag(σ²)是编码后分布的方差，代表分布的均值；p(A_i,j＝1|z_i,z_j)＝Sigmoid(ZZ^T)，p是解码器的输出，即重构后的邻接矩阵，A是邻接矩阵，z_i,z_j∈Z是编码器表征后的向量；

基于时空变分图自编码器的损失函数分为两个部分，第一是计算原始邻接矩阵A和重构的邻接矩阵之间的二元交叉熵，第二部分是计算q(Z|X,A)和p(Z)之间的KL距离，即KL-divergence，如下所示:

Loss_vgae＝E_q(Z|X,A)[log p(A|Z)]-KL[q(Z|X,A)||p(Z)]

其中E是计算原始的邻接矩阵和重构的邻接矩阵之间的二元交叉熵，p(Z)＝Π_iN(0,I)代表方差为I的正态分布，KL是计算表征后的交通状态和正态分布之间的距离；通过基于时空图表示学习的交通事故预测模型得到交通状态的表征后，将表征向量用于交通事故预测，即通过一层卷积层和全连接层，得到未来时间片上发生交通事故的概率，如下所示：

其中，Z是时空变分图自编码器表征后的向量，是发生的事故概率；Φ表示时间卷积核参数，Φ*()表示时间卷积操作，w表示模型的权重，b表示模型的偏置；

(4)对交通事故预测模型进行训练，优化模型中的参数以获得最优的交通事故预测模型，从而获得最优的交通事故预测效果。