动态路网下城市交通事故风险预测模型研究与实现

通过图卷积神经网络对交通事故进行风险预测是交通领域的研究热点。然而,现有的使用图卷积神经网络对交通事故进行风险预测的研究存在着缺乏语义邻接性的构造、无法进行图权重的自适应学习的问题。针对以上问题,文中基于多源交通大数据,构建了数据驱动的多粒度、多视角的时空拓扑图,实现了交通网络中时空关联性和依赖性的精准建模。图上的结点从时间和空间两个维度对路段结点的交通状态进行综合描述,边则从地理邻接性和语义邻接性两个视角表现了路段之间的抽象邻接关系。在时空拓扑图的基础上,文中设计了基于动态时空图网络的交通事故风险预测模型,实现了路段级交通事故风险的准确预测。该模型引入了具有多头注意力机制的空间图网络层对空间关联性进行学习,同时采用了基于一维扩张卷积的时间学习单元捕获短时依赖性与长时周期性。在北京地区的实际交通数据集上进行大规模实验,所提方法的召回率达到0.899,F1-Score达到0.860,其他指标与主流方法相比也均有所提升。

时空图卷积网络下的路网交通事故风险预测

路网交通事故预测是实现道路管控、路线规划的最重要方式之一。考虑到路网中各路段特征与环境因素的影响,建立基于图卷积神经网络(GCN)和门控循环单元(GRU)的时空门控图卷积(STGRGCN)模型预测交通事故风险。通过GCN提取出道路间的空间关联性,通过GRU提取出环境因素中的时间关联性,再通过GCN与GRU的复合模块提取出时空关联性。选取美国全国交通事故数据集中洛杉矶市和休斯顿市相关数据对模型进行检验,STGRGCN模型的均方根误差、平均绝对误差以及召回率在两个城市分别为4.09、2.14、0.714和5.79、3.24、0.683,优于已有统计模型、机器学习模型以及复合模型。设计该除各模块的消融实验,证明该模型各模块皆有助于提升预测性能。

融合时序知识图谱的路段级交通事故风险预测

从历史交通事故数据中探究事故发生的规律,实现准确的路段级交通事故风险预测,可以有效提升交通出行的安全与效率.然而,由于天气、交通状态等多源因素的影响、交通事故之间复杂的时空相关性和事故数据的稀疏性,实现准确的路段级交通事故风险预测面临巨大的挑战.针对上述挑战,文中提出融合时序知识图谱的双层次多视角时空图神经网络模型(Two-Level and Multi-view Spatial-Temporal Graph Neural Network by Incorporating Temporal Knowledge Graph,STGN-TKG).首先,构建交通事故时序知识图谱并设计交通事故时序知识图谱历时嵌入模型,挖掘多源影响因素数据之间的动态、高阶相关性.然后,利用空间图卷积注意力模块和时序表征模块,从两个层次、多个语义视角,充分建模交通事故之间复杂的时空相关性.最后,提出符合实际场景的事故风险传播策略,缓解数据稀疏带来的零膨胀问题.在两个真实的路段级交通事故风险数据集上的实验表明,STGN-TKG在路段级事故风险预测任务中表现较优.

面向高速公路事故风险预测的深度学习方法

高速公路的交通事故风险预测对智能交通和公共安全具有重要意义。现有方法通过挖掘历史事故的时空特征预测交通事故风险。但是,在高速公路事故风险预测中仍存在以下两个挑战。首先,事故具有不均衡的空间分布,相邻路段的事故分布差异可能较大,而相隔较远却具有相似拓扑连接关系路段的事故分布可能较相似。另外,由于事故的偶发性,其在时间维的分布非常稀疏,因此在捕获事故影响因素时缺乏足够的样本。针对第一个挑战,使用自适应图卷积网络以数据驱动的方式学习路段间的空间相关性;此外,根据Mixup策略进行数据增广以生成足够多的事故风险样本解决事故数量稀疏的问题,然后用对比学习方法以更好地区分风险与非风险样本,以实现更准确的事故风险预测。基于桂林市高速公路网真实交通数据集的实验结果表明,相比于最优方法,该方法的平均绝对误差指标降低了18.3%,平均准确率、召回率指标分别提升了8.1%、6.9%,因此,该方法可以更准确地预测高速公路事故风险。

越江越海隧道入口段追尾事故风险预测模型研究

针对越江越海隧道入口段追尾事故风险问题,本文首先基于上海长江隧道入口处路侧监控视频提取车速数据,通过聚类算法得到不同交通流状态下的实际平均速度,作为设置实验参数的依据。然后在驾驶模拟实验中,分别在晴天、雨天、雪天等不同环境下设置拥堵流、拥挤流、自由流3种交通流状况,并且在不同环境下分别设置一次追尾事故高危风险情境,获取驾驶行为数据。通过相关性分析和随机森林方法进行变量筛选和重要性排序,发现车头时距最小值、两车速度差最大值、急躁、加速度标准差、拥堵流这5个变量对事故风险有显著影响。最后,引入随机过采样方法优化不平衡数据问题,构建随机森林模型,结果表明,基于随机过采样策略的随机森林预测模型AUC指标提高了6.8%,且对比随机森林、XGBoost、支持向量机模型,基于随机过采样-随机森林算法的短时追尾事故风险预测模型效果最佳。

面向NSM的高速公路大区段事故风险预测方法

为探究路网交通安全管理(NSM)中的事故风险预测方法,以国内高速公路的大区段路段为研究对象,首先分别采用系统聚类、k-means动态聚类和二阶聚类方法对路段进行聚类,确定最优聚类方法和聚类数量,然后对"同质性路段"分别建立负二项回归、贝叶斯负二项回归、随机或固定效应的负二项回归和多层混合效应负二项回归4种模型,通过精度评价指标选择出最优的事故预测模型,最后计算出相应路段的事故风险大小并识别出事故多发路段。结果表明:选择最优的聚类方法和聚类数量相较于未聚类的情况将有效提高事故预测的拟合精度,其均方方差下降了64%。当选择二阶聚类方法且聚类数量为3时,"同质性路段"负二项回归的事故模型拟合精度最高,其模型的赤池信息量AIC为464.79,贝叶斯信息量BIC为476.98,均方方差为99.22。在4种事故预测模型中,负二项回归具有良好的预测精度,其预测结果的均方方差最小,为108.64。采用统计学方法识别"同质性路段"的事故多发路段,共识别出辽宁省22条事故多发路段。

异常驾驶行为数据驱动的高速公路实时事故风险预测

为研究事故风险的关键致因,建立高速公路实时事故风险预测模型,探究异常驾驶行为对事故风险的影响,采集了G25高速公路长兴段7日的交通事故及4种异常驾驶行为,即急左变道、急右变道、急加速与急制动行为的数据。基于随机森林模型,对事故前一段时间内上游及下游各250 m内4种驾驶行为的频数与该路段事故风险的关系进行拟合,建立了高速公路实时事故风险预测模型,并使用特征重要度图和部分依赖图(PDP)对模型进行了解释。采用受试者工作特征曲线下面积(AUC)与精度对模型预测效果进行了评价,通过特征重要度评价各变量对事故风险的影响。研究发现,该模型具有良好的泛化性能与准确率,在验证集上的AUC和精度分别可达到0.809和0.821。其PDP表明事故前15 min及30 min内上下游急加速和急制动行为的频数对事故风险的影响较大,且两者之间存在非线性关系,其中,急制动行为的数量与事故风险的部分依赖图均具有S形曲线特征。综上,使用异常驾驶行为数据作为变量建立的事故预测模型具有良好的预测性能与可解释性,可用于事故风险预测与预防,助力事故致因研究。该方法具有辅助管理部门进行风险预警的实用价值,为高速公路实时事故防控提供参考。

连续数据环境下的道路交通事故风险预测模型

针对现有研究多基于病例对照的欠采样方法,即每起事故从连续交通流数据中按一定比例抽取对照的非事故数据构建模型,而该类模型在连续数据环境中的预测精度存在缺陷的状况,对城市交通连续观测并动态调控的技术环境(简称连续数据环境)开展道路交通事故风险预测模型构建研究。首先提出基于全样本交通流数据,结合"调整事故分类阈值"的方法解决事故风险预测研究中的非平衡数据分类问题;而后采用上海市城市快速路2014年5,6月的线圈检测交通流数据及历史事故数据开展实证研究,以受试者工作特征曲线下面积为评价指标,对比基于全样本和抽样样本构建的常用事故风险预测模型(逻辑回归、随机森林)的整体预测能力;以灵敏度和特异度的几何均数为评价指标,对比3种分类阈值计算方式(约登指数法、事故占比法和交叉点法)对事故/非事故综合预测精度的影响。结果表明:在连续数据环境下,采用全样本数据建模能使模型整体预测能力提高13.06%;基于约登指数法进行分类阈值计算可使模型的事故/非事故综合预测精度最佳。

一种路网级交通事故风险预测方法

现有的深度学习方法将空间区域网格化,不符合事故发生的自然形态。考虑到交通事故大多发生在道路上,为了在空间维度上更精准地完成事故风险预测任务,针对路段级别的事故风险预测问题,提出了一种融合尺度缩减注意力机制和图卷积网络的城市交通事故风险预测(SA-GCN)模型。首先,有效结合历史长期和短期事故风险、外部天气特征,采用门控图卷积模块捕获时空相关性,并使用注意力机制以获得不同时空特征的动态性表达;其次,针对事故数据的稀疏性和空间异质性问题,引入了尺度缩减模块,以聚类后粗粒度区域的事故风险引导路段级别的事故风险预测。在公开性能测量系统数据集上的实验结果表明,SA-GCN模型优于其他6种基准模型,并且比现有最新模型的准确率提升了11%。

基于历史事故数据的液化天然气工厂设备风险事故预测研究

针对液化天然气工厂内设备的风险事故预测问题,研究引入基于差分自回归移动平均(ARIMA)、最小二乘支持向量机(LS-SVM)以及BP神经网络(BPNN)的组合模型,首先对液化天然气工厂内设备风险事故预测的难点进行分析,在此基础上,以我国某液化天然气工厂为例,进行基于组合模型的液化天然气工厂设备风险事故预测实例研究。研究表明:基于差分自回归移动平均、最小二乘支持向量机以及BP神经网络的组合模型可以对液化天然气工厂内设备风险事故历史序列进行很好的拟合,组合模型的预测精度相对较高;同时,组合模型在短期内的预测值与实际风险事故变化趋势一致,预测结果处于可接受的范围。该组合模型可用于液化天然气工厂设备运行安全变化趋势判断,也可以为液化天然气工厂制定设备运行风险防控方案提供指导。

基于集成学习的不平衡交通事故风险研究

针对交通事故中的事故类别不平衡现象,采用随机欠采样(random undersampling,RUS)结合极端梯度提升(extreme gradient boosting,XGBoost),建立一种基于RUS-XGBoost的类别不平衡事故风险预测模型。采取样本扰动、特征扰动和参数扰动方法构建具有差异性的子模型进行预测;用AUC和代价敏感错误率评价模型的预测效果,与其他模型比较验证其优越性;根据此模型计算的增益值探究影响事故风险的主要因素。使用英国政府公开的交通事故数据集进行实验表明,该模型预测效果优于单一Logistic回归、随机森林和XGBoost模型,以及Logistic回归集成、随机森林集成模型。

一种改进的公路事故多发路段处机动车安全风险评价方法

针对事故多发路段中存在的风险机动车隐患问题,研究并提出一种改进的DBSCAN聚类识别公路事故多发路段办法,而后使用Kprototype算法对事故多发路段进行聚类,分离出道路状况相似路段,继而对同一类事故多发路段中的车辆使用基于重设阈值的累积逻辑回归进行分析,得到进入该类路段车辆的实时风险指数,是一种对进入事故多发路段的车辆进行实时预警的有效方法。结果表明:改进的参数自适应DBSCAN聚类算法用于鉴别事故多发路段,不仅能够实现任意长度且更为集中的事故多发路段提取,而且能够通过事故严重程度加权识别出事故严重程度较高的路段。与累积逻辑回归算法相比,基于重设阈值的累积逻辑回归算法对事故多发路段中车辆事故风险预测准确率能得到显著提高。

基于轨迹数据的山区危险性弯道路段交通事故风险动态预测

针对山区双车道公路危险性弯道路段交通事故多发的现实问题,提出主动评估短时交通流状态下的交通事故风险,以降低交通事故发生率。采用无人机高空拍摄弯道路段交通流运行状态,利用计算机识别技术提取高精度的车辆轨迹和交通流数据,结合山区双车道公路弯道路段危险驾驶行为特征表征交通冲突,以距离碰撞时间为交通冲突量化指标,提出山区车道公路弯道路段交通冲突严重程度类型的阈值划分标准。在此基础上,选取统计分析(LR模型)和非参数数据挖掘技术(RF和SVM模型)构建山区双车道公路弯道路段交通事故风险动态预测模型,以混淆矩阵和AUC为评价指标,对比分析各模型的整体预测能力;最后,选择预测精度最好的模型定量分析特征变量与交通事故风险之间的关系。研究结果表明:在车辆轨迹和交通流实测数据的环境下,采用RF算法构建的山区双车道公路弯道路段交通事故动态风险预测模型准确度最高,准确率达到78.9%,AUC为0.8462,较LR模型和SVM模型精度分别提高了21.8%和15.93%,可以较为准确的评估山区双车道公路弯道路段交通事故风险的高低;车头时距(A;)和货车混入率(R;)是风险动态预测模型中相对重要度最高的2个特征变量,且在A;小于20 s、R;达到0.6时事故风险发生概率会大幅增大。研究成果可应用于山区双车道公路的短临动态预警系统的设计,指导安全管理对策制定。