[发明专利]一种城市区域交通事故风险预测方法

摘要

本发明公开了一种城市区域交通事故风险预测方法，采用带时空注意力机制的编码器‑解码器深度学习框架来精准预测未来交通事故风险。在大量与交通事故有关的多源异构数据的基础上，通过融合多源异构数据来更加有效、准确地预测未来交通事故风险；主要数据集是交通事故量和不同车的交通流，外部数据是天气、街道设计等外部环境数据；本发明方案提供了一种时空注意力机制，能够同时抓住本地和全局地区的时空特征，不仅提高了模型的精度，而且提高了模型的可解释性，最后可以通过注意力值来解读不同影响因素对预测值的重要程度。该本明提出的框架，能够扩展到其他类似的时空数据领域，拥有普适性价值。

主权项

1.一种城市区域交通事故风险预测方法，包括以下步骤：步骤一、模型输入：按照时间维度和空间维度统计出与交通事故有关的多源异构数据(1)将目标城市按交通行政区划分成子区域，统计子区域在历史时刻下的不同车型的车流量和交通事故量；将不同车型的车流量和交通事故量数据作为第i个区域z_i的多项交通指标n_I是交通指标的个数；(2)设置时间窗口大小T；(3)在固定的时间窗口T下，将地区z_i临近的历史p个时间戳的数据按照时间先后叠加在一起，形成地区z_i的一段本地的历史交通指标序列其中表示地区z_i与当前时刻t₀距离t个时间戳的历史交通指标向量，t∈[0,p‑1]；(4)在(3)的时间窗口T下，将所有地区集合Z临近的历史p个时间戳的数据按照时间先后叠加在一起，形成一段全局的历史交通指标序列其中Z＝{z₁,z₂,…,z_m,},m是地区的个数，表示所有的m个地区与当前时刻t₀距离t个时间戳的历史交通指标向量，t∈[0,p‑1]；步骤二、编码器：学习本地的时序变化和周围地区的时空影响；根据步骤一中得到的前p个时间戳的交通指标向量，来预测地区z_i未来q个时间戳的交通事故风险；基本的深度学习框架是编码器‑解码器，编码器用来编码历史p个时刻的交通指标，解码器用来解码生成未来q个时刻的交通事故风险；其中，编码器的基础单元使用若干个可以建模长效时间依赖的门控循环单元(GRU)；编码器阶段的具体步骤如下：(1)获得加权的本地输入使用本地空间注意力机制，获取未来交通事故风险与本地不同交通指标的重要度；对于每一个历史时间戳t,t∈[t₀‑(p‑1),t₀],计算编码器的第t个隐藏层单元输入h_t‑1与t时刻本地交通指标向量的重要度系数进而得到加权的本地输入(2)获得加权的全局输入使用全局空间注意力机制，获取未来交通事故风险与全局不同地区的交通指标的重要度；对于每一个历史时间戳t,t∈[t₀‑(p‑1),t₀],计算编码器的第t个隐藏层单元输入h_t‑1与t时刻所有地区交通指标向量的重要度系数接下来对全部地区交通指标向量使用Conv1*1组件进行降维处理，得到降维后全部地区交通指标向量最后，得到加权的全局输入这样得到每个时刻t的全部空间输入步骤三、解码器：使用时间注意力机制和外部特征的时序预测；解码器阶段生成未来q个时刻的交通事故风险的预测值，同时，融入了外部环境特征，提高预测准确性；解码器的基础单元也是使用若干个可以建模长效时间依赖的门控循环单元(GRU)；解码器阶段的具体步骤如下：(1)时间注意力机制建立历史和未来的联系:使用时间注意力机制，建立编码器中历史每个历史时刻t的隐藏层单元输出h_t和解码器中未来每个时刻t′隐藏层单元输入d_t′‑1的注意力值γ_t，其中，t∈[t₀‑(p‑1),t₀]；解码器阶段的值e_t′就是解码器第t′时刻隐藏层单元的上下文信息，帮助模型更好地学习历史时刻对未来时刻的动态影响；(2)融合外部环境特征：在解码器中预测未来每个时刻交通事故风险的时候，需要结合道路设计、天气、时间、POI兴趣点和区域ID等外部特征；对于上述特征中类别特征采用One‑hot独热编码，数值特征归一化处理；然后，将所有的外部特征使用嵌入层编码的方式获得最终未来t′时刻的外部特征输入(3)将第t′‑1时刻的预测值第t′时刻的上下文信息e_t′和外部特征三部分数据输入到解码器第t′时刻的神经单元GRU中，得到未来第t′时刻交通事故风险；(4)重复(3)的过程，最后得到地区z_i在未来q个时刻的交通事故风险值。