[发明专利]一种基于时空图表示学习的交通事故预测方法

说明书

本发明涉及一种基于时空图表示学习的交通事故预测方法，首先根据传感器网络构建交通路网的邻接矩阵，对原始交通数据进行筛选和统计，得到特定区域的速度、容量和占有率数据构建特征矩阵。然后建立基于ST‑VGAE结构的交通事故预测模型，通过将邻接矩阵和特征矩阵输入ST‑VGAE中，通过时空图卷积模块表征交通状态，并将其输入到一个卷积神经网络中进行交通事故发生概率的预测。最后，使用处理好的数据训练所建立的交通事故预测模型，并调整模型中的参数以获得最优的交通流预测。实验结果验证了模型在交通事故预测任务上的有效性，并为使用时空图表示学习解决事故预测任务提供新的思路和方法。

技术领域

本发明涉及数据预测技术领域，尤其涉及一种基于时空图表示学习的交通事故预测方法。

背景技术

根据世界卫生组织2017年报告，每年大约有130万人死于交通事故，而高速公路上的交通事故往往会造成更严重伤害。根据美国高速公路安全管理局(NHTSA)的统计数据，2010年，美国因机动车撞车造成的经济损失总计2420亿美元，相当于2010年美国实际国内生产总值(GDP)的1.6％，每年约有200万人因为道路事故受伤。Adler等人证明每一分钟事故的持续影响带来57欧元的损失，在道路占有率高的道路会造成更高的损失。因此提高对事故的预知，有助于提高道路行驶的安全，减少事故造成的经济损失，减少致命车祸的数量。

有人对单辆车车祸和多车车祸进行汇总和分解分析；使用分层Poisson模型和贝叶斯二元Poisson对数正态模型以及相关的随机效应来模拟事故。在分类分析中结合实时交通数据、天气信息和几何特征，采用多层次贝叶斯logistic回归模型对实时碰撞风险进行评估。另有人指出交通事故的时间相关性特征，基于LSTM结合时空数据对事故进行预测。Najjar等人使用卷积神经网络(CNNs)对原始卫星图像进行学习，预测城市级的道路安全地图。有人则认为以往的研究要么忽略了时间信息，要么只使用了一个小而同质的研究区域的数据，没有同时处理好交通的空间异质性和时间相关性，进而提出Hetero-ConvLSTM模型，通过将区域划分的方法，卷积长短期记忆ConvLSTM利用收集的大量时空异构数据(如天气、环境、道路状况和交通量)进行分区域的交通事故预测。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于时空图表示学习的交通事故预测方法，首先根据区域的路网构建图，并在此基础上进行事故预测。收集区域交通特征，以及交通事故的相关数据。然后设计了一个时空图表示学习模型，以这些数据作为模型的输入，学习交通事故的时间和空间相关性，得到交通事故的表征化向量，并应用表征化向量进行事故的预测。本发明可提高交通事故预测的准确性，降低交通事故预测算法的复杂度和计算时间。

本发明是通过以下技术方案达到上述目的：一种基于时空图表示学习的交通事故预测方法，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，并通过模型的时空变分图自编码器(ST-VGAE)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；

(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。

作为优选，所述步骤(2)清洗数据时，利用正则化方法处理错误数据，以防止模型过拟合；通过在训练的目标函数中加入L1惩罚项以降低神经网络模型的复杂程度，从而自动降低其对噪声数据的关心程度；并对数据进行归一化处理，归一化公式如下式所示：