[发明专利]基于卷积长短时记忆神经网络的交通事故风险预测方法

说明书

本发明公开了一种基于卷积长短时记忆神经网络(ConvLSTM)的城市交通事故风险预测方法，具体为：对预测城市进行空间网格划分；将历史交通事故数据按同一时间间隔统计并映射到网格，生成随时间变化的风险矩阵；根据交通事故的发生在时间上具有连续性和周期性特点，将风险矩阵序列划分为连续性分支和周期性分支；提取城市的天气、节假日等外部数据的特征并量化，构造外部特征向量；建立基于ConvLSTM的深度学习模型对城市各网格区域的交通事故风险进行预测。本发明从交通事故的连续性和周期性两个方面进行建模，利用ConvLSTM同时提取交通事故数据的时间特征和空间特征，并进一步融合外部环境特征，提高了预测结果的准确度，对交通管理和事故预警具有一定的指导意义。

技术领域

本发明属于交通事故预测领域，尤其是一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法。

背景技术

随着城市化的快速发展，机动车数量的激增，在过去十几年中，交通事故的发生频率在全球范围内显著增加，成为威胁人类生命安全的一个重大问题。面对这些可能和意外的交通事故风险，如何利用现代的交通大数据对其进行预测，成为了研究的热点。预测城市各区域的交通事故风险，可以对事故高风险区域做到提前预警以及帮助交通管理部门规划有效的交通管理方案。

交通事故预测问题属于时空序列预测问题，且受到天气和外部环境多种复杂因素的影响，现有的研究大致可以分为三类。第一类研究主要利用机器学习方法，对单一道路进行建模预测，基于机器学习的方法往往难以学习到与交通事故相关的多源异构数据之间的高维特征和非线性关系，并且只是对单一道路的预测。第二类研究主要使用深度学习方法，如利用循环神经网络(Recurrent Neural Network，RNN)和卷积神经网络(ConvolutionNeural Network，CNN)对整个城市进行网格级别的预测，但是单一网络不能同时学习到时空序列数据的时间相关性和空间相关性。第三类研究主要基于组合模型，结合卷积神经网络和循环神经网络来分别学习交通数据的空间依赖和时间依赖。

发明内容

为了克服以上不足，本发明的目的在于提供一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，从交通事故的连续性和周期性两个方面进行建模，利用ConvLSTM同时学习交通事故数据的时间和空间特征，并进一步融合外部环境特征，来准确有效地预测未来城市各区域的交通事故风险。

本发明解决其技术问题所采用的技术方案是：

一种基于卷积长短时记忆神经网络的城市交通事故风险预测方法，包括以下步骤：

(1)城市网格划分：根据地理坐标，将预测城市划分为I×J个大小相同的网格区域，其中每个网格区域用索引(i，j)表示；

(2)构造交通事故时空风险矩阵：根据交通事故发生的时间和地点，按同一时段统计每个区域的事故风险，生成所有网格区域随时间变化的风险矩阵序列，并进行归一化处理。其中，事故风险为每个区域在每个时段内发生的每件交通事故的严重程度之和；

(3)划分连续性分支和周期性分支：根据交通事故的发生在时间上具有连续性和周期性特点，将风险矩阵序列按连续性和周期性进行提取，划分为连续性分支和周期性分支。其中，连续性分支为待预测时段的前l_c个相邻的风险矩阵序列，周期性分支为待预测时段的前l_p个相隔周期长度的风险矩阵序列；

(4)构造外部特征向量：外部环境包括城市的天气情况和节假日分布，假设整个城市共享同一外部环境，提取每个时段的外部环境数据的特征并进行量化处理，生成每个时段的外部特征向量；