[发明专利]一种基于路网的城市交通事故风险预测方法

权利要求书

1.一种基于路网的城市交通事故风险预测方法，其特征在于，包括如下步骤：

步骤1、根据事故位置和路段集合V，建立事故位置和路段之间的映射关系，得到具有事故位置信息的路段集合；

步骤2、根据路段集合中路段之间的相似度将具有事故信息的路段集合中的路段进行聚类分类得到若干个粗粒度区域，根据粗粒度区域中所有路段的事故信息计算粗粒度区域的事故风险；

步骤3、根据历史长期事故风险获得长期特征，根据历史短期事故风险得到短期特征；

步骤4、将长期特征和与长期特征对应的归一化处理后的天气特征在时间维度上融合，得到第一融合数据，将短期特征和与短期特征对应的归一化处理后的天气特征在时间维度上融合，得到第二融合数据，拼接第一融合数据和第二融合数据，得到拼接后的融合数据；

步骤5、根据待预测的t时刻的外部特征E_t，采用注意力机制，得到在每个历史时间片的重要性权重；根据权重对拼接后的融合数据加权求和得到加权求和后的融合结果；

步骤6、将融合结果输入特征层，在特征层注意力机制的结果中融合分流模块的输出结果获得预测事故风险值Y_t，所述分流模块以历史的平均粗粒度事故风险作为输入，输出结果为分流后的细粒度事故风险结果；所述分流模块包括分流模块输入层L_input、分流模块隐藏层L_hidden和分流模块输出层L_out，L_input∈R^1×C，L_hidden∈R^C×N，L_out∈R^N×1，其中，R^1×C的含义为1×C维的向量，R^C×N的含义为C×N维的向量，R^N×1的含义为N×1维的向量；

所述步骤3具体为：将历史长期事故风险送入第一门控图卷积模块得到长期特征，将历史短期事故风险送入第二门控图卷积模块得到短期特征，历史长期事故风险为历史前l个时间片的事故风险，历史短期事故风险为历史前s个时间片的事故风险，l和s均为正整数，l＞s；所述步骤4中拼接后的融合数据的时间维度为l+s；所述步骤5具体为：将拼接后的融合数据和待预测的t时刻的外部特征E_t输入时间层，E_t为节假日信息的独热编码，根据E_t，在时间层采用注意力机制，得到在每个历史时间片的重要性权重，根据权重，在时间层对拼接后的融合数据加权求和得到加权求和后的融合结果，所述融合结果的时间维度为1；所述步骤6中分流模块以历史前l个时间片的平均粗粒度事故风险作为输入，所述Y_t的特征维度为1。

2.如权利要求1所述的一种基于路网的城市交通事故风险预测方法，其特征在于，所述方法还包括根据步骤2中的粗粒度区域的事故风险计算所述平均粗粒度事故风险的步骤。

3.如权利要求1所述的一种基于路网的城市交通事故风险预测方法，其特征在于，所述细粒度的单元为路段，所述粗粒度的单元为粗粒度区域。

4.如权利要求1所述的一种基于路网的城市交通事故风险预测方法，其特征在于，所述步骤1具体为：

步骤1.1、在路段集合V中寻找一条与事故位置P(lng，lat)距离最小的路段p，事故位置与路段p的距离为d_p；事故位置与某一路段的距离＝事故位置与该路段起点的距离+事故位置与该路段终点的距离-该路段长度；

步骤1.2、定义阈值ε，若d_p＜ε，则事故位置P(lng，lat)与路段p绑定，否则该事故位置P(lng，lat)与路段集合V中的任何路段都不绑定，即得到事故位置P(lng，lat)与路段的映射关系，得到具有事故位置信息的路段集合。