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。

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。