融合异构交通态势的事故预测模型

doi:10.11772/j.issn.1001-9081.2022101619

《计算机应用》唯一官方网站››2023,第43卷››发行（11）: 3625-3631.内政部：10.11772/j.issn.100-9081.2022101619年11月10日

融合异构交通态势的事故预测模型

杨博,段宗涛(),左鹏飞,肖媛媛,王艺霖

长安大学信息工程学院，西安 710064

《华尔街日报》：2022-10-28 修回日期:2023-04-05 日本：2023-08-07 发布日期:2023-05-24 出版日期:2023-11-10
通讯作者:段宗涛
作者简介:杨博（1999—），男，山西运城人，硕士研究生，共因失效会员，主要研究方向：大数据、深度学习
段宗涛（1977—），男，陕西凤翔人，教授，博士，共因失效会员，主要研究方向：大数据智能、交通大数据分析ztduan@chd.edu.cn
是的（1997—），女，山西大同人，硕士研究生，主要研究方向：机器学习、交通大数据分析
肖媛媛（1997—），女，陕西西安人，博士研究生，主要研究方向：机器学习、数据挖掘
王艺霖（1999—），女，山西太原人，硕士研究生，主要研究方向：数据聚类、用户画像。
基金资助:
陕西省重点研发计划项目（2019ZDLGY17-08）；陕西省“特支计划”科技创新领军人才项目（TZ0336）

融合异质交通状况的事故预测模型

柏阳,段宗涛(),蓬菲邹,肖元元,王依林

长安大学信息工程学院，陕西西安710064

收到：2022-10-28 修订过的：2023-04-05 认可的：2023-08-07 在线：2023-05-24 出版：2023-11-10
联系人：段宗涛
关于作者：杨波，1999年出生，硕士研究生。他的研究兴趣包括大数据、深度学习。
段宗涛，1977年生，博士，教授。他的研究兴趣包括大数据智能、大流量数据分析。
邹鹏飞，1997年生，硕士研究生。她的研究兴趣包括机器学习、大流量数据分析。
肖元元，1997年生，博士研究生。她的研究兴趣包括机器学习、数据挖掘。
王依林，1999年出生，硕士研究生。她的研究兴趣包括数据聚类、用户画像。
支持单位：
陕西省重点研发计划（2019ZDLGY17-08）；陕西省“专项支持计划”科技创新领军人才项目（TZ0336）

摘要/摘要

摘要：

信息(单一区域、邻近区域、相似区域和全局区域）的历史多时段时空状态；时空关系捕获模块从微观和宏观角度捕获事故数据局部与全局的动态时空特性；时空数据融合模块进一步融合多区域、多角度的时空状态，并完成下一时段的事故状况预测任务。在美国事故个城市数据集上进行实验，结果表明所提模型的正样本、负样本、加权正负样本的平均F1回报率分别为85.6%、86.4%和86.6%与传统的前馈神经网络（FNN）模型相比，在三个指标上分别提升了14.4%、5.6%和9.3%，能有效抑制事故数据不平衡对实验结果的影响。构建高效的事故预测模型有助于分析道路交通安全形势，减少交通事故的发生，提高交通安全。

关键词: 交通事故预测模型, 交通事故数据, 时空特性, 深度学习, 交通安全

摘要：

针对交通事故数据信息表达有限、不平衡和动态时空特征等问题，提出了一种融合异构交通状况的交通事故预测模型。其中，时空状态聚合模块通过代表动态交通状况的交通事件和天气特征，以及四种类型区域（单个区域、相邻区域、相似区域和全球区域）的历史多时段时空状态，完成语义增强聚合时空关系捕获模块从微观和宏观两个角度捕获事故数据的动态局部和全局时空特征通过时空数据融合模块对多区域、多角度的时空状态进行进一步融合，实现了下一阶段的事故预测任务。在美国事故的五个城市数据集上的实验结果表明，该模型对于事故、非事故和加权平均样本的平均F1核分别为85.6%、86.4%和86.6%，与传统的前馈神经网络相比，这三个指标分别提高了14.4%、5.6%和9.3%网络（FNN），表明该模型可以有效抑制事故数据不平衡对实验结果的影响。构建高效的事故预测模型有助于分析道路交通安全状况，减少交通事故的发生，提高交通安全。

关键词： 交通事故预测模型，交通事故数据，时空特征，深度学习，交通安全

中图分类号:

TP391型

杨博, 段宗涛, 左鹏飞, 肖媛媛, 王艺霖. 融合异构交通态势的事故预测模型[J] 。计算机应用, 2023, 43(11): 3625-3631.

杨波、段宗涛、邹鹏飞、肖元元、王依林。融合异质交通状况的事故预测模型[J]。计算机应用杂志，2023，43（11）：3625-3631。

图/表8

参考文献25

1	SILVA P B，ANDRADE M，FERRIERA S.机器学习在道路安全建模中的应用：系统文献综述〔J〕。交通运输工程学报（英文版），2020，7（6）： 775-790.2016年10月10日/j.jtte.2020.07.004
2	任华，宋毅，王杰，等.城市交通事故风险预测的深度学习方法〔C〕//第21届智能交通系统国际会议论文集。皮斯卡塔韦：IEEE2018：3346-3351.10.1109/itsc.2018年8月569437日
三	ZIAKOPOULOS A，YANNIS G.道路安全空间方法综述〔J〕。事故分析与预防，2020，135:编号105323。2016年10月10日/j.aap.2019.105323
4	姜伟，罗杰.交通预测的图形神经网络：综述〔J〕。带应用程序的专家系统，2022，207:No.117921。2016年10月10日/j.eswa.2022.117921
5	哈玛米·M·阿尔，马蒂斯齐沃·T·C.事故热点时空演变的测量〔J〕。事故分析与预防，2021，157:第106133号。2016年10月10日/j.aap.2021.106133
6	于赫，袁润，李忠，等.识别与雪相关的农村单车碰撞中驾驶员伤害严重程度变化的异质因素〔J〕。事故分析与预防，2020，144:第105587号。2016年10月10日/j.aap.2020.105587
7	ABELLÁN J，LóPEZ G，DE OñA J.通过决策树使用决策规则分析交通事故严重程度[J]。带应用程序的专家系统，2013，40（15）： 6047-6054.2016年10月10日/j.eswa.2013.05.27
8	ALOGAILI A，MANNERING F.未观察到的异质性以及驾驶员国籍对沙特阿拉伯车祸伤害严重程度的影响〔J〕。事故分析与预防，2020，144:第105618号。2016年10月10日/j.aap.2020.105618
9	常立毅，陈伟川.基于树模型的数据挖掘在高速公路事故频率分析中的应用〔J〕。安全研究杂志，2005，36（4）： 365-375.10.1016/j.jsr.2005.06.013
10	LV Y，TANG S，ZHAO H.基于k近邻法的公路交通事故实时预测〔C〕//2009年国际测量技术与机电一体化会议论文集。皮斯卡塔韦：IEEE2009： 547-550.10.1109/icmtma.2009.657
11	TEDJOPURNOMO D A，BAO Z，ZHENG B，等.现代深层神经网络交通预测研究综述：趋势、方法与挑战〔J〕。IEEE知识与数据工程汇刊，2022，34（4）： 1544-1561.
12	MOOSAVI S，SAMAVTIAN M H，PARTHARSATHY S，et al.基于异构稀疏数据的事故风险预测：新的数据集和见解[C]//第27届ACM SIGSPATIAL国际地理信息系统进展会议论文集。纽约：ACM2019：33-42.10.1145/3347146.3359078
13	袁Z，周X，YANG T.Hetero-ConvLSTM：基于异质时空数据的交通事故预测深度学习方法〔C〕//第24届ACM SIGKDD国际知识发现与数据挖掘会议论文集。纽约：ACM2018： 984-992.10.1145/3219819.3219922
14	哈密尔顿W。图表示学习〔M〕。AI时间译. 北京：电子工业出版社，2021： 72-113.10.1007/978-3-031-01588-5_9
	哈密尔顿W。图形表示学习〔M〕。人工智能时代，翻译。北京：电子工业出版社2021： 72-113.10.1007/978-3-031-01588-5_9
15	周Z，王毅，谢X，等.风险甲骨文：一个微小的全市交通事故预测框架〔C〕//第34届AAAI人工智能会议论文集。加利福尼亚州帕洛阿尔托：AAAI出版社2020：1258-1265。10.1609/aaai.v34i01.5480
16	于磊，杜斌，胡旭，等.用于交通事故预测的深时空图卷积网络〔J〕。神经计算，2021，423： 135-147.2016年10月10日/j.neucom.2020.09.043
17	陈强，宋X，YAMADA H S，等.从大数据和异构数据中学习深度表示用于交通事故推断〔C〕//第30届AAAI人工智能会议论文集。加利福尼亚州帕洛阿尔托：AAAI出版社2016：338-344.10.1609/aaai.v30i1.10011
18	袁Z，周X，杨T，等.通过异质城市数据预测交通事故：案例研究〔C〕//第六届城市计算国际研讨会论文集。纽约：ACM2017：1-9.
19	LOBO A，FERREIRA S，IGLESIAS I，等.城市道路交通事故与天气条件：解开影响〔J〕。持续性，2019，11（11）：3176号。10.3390/苏11113176
20	MALIN F，NORROS I，INNAMAA S.不同道路类型上道路和天气条件的事故风险〔J〕。事故分析与预防，2019，122： 181-188.2016年10月10日/j.aap.2018.10.104
21	罗兰·J，韦·P·D，菲拉特·C，等.田纳西州查塔努加市车辆事故的建模与预测〔J〕。事故分析与预防，2021，149:第105860号。2016年10月10日/j.aap.2020.105860
22	TAN P N，斯坦巴赫M，库马尔五世。数据挖掘导论（完）〔M〕。人2011： 180-186.
	TAN P N，斯坦巴赫M，库马尔五世。数据挖掘简介〔M〕。FAN M、FAN H J，已翻译。北京：邮电出版社2011： 180-186.
23	WALKER S H，DUNCAN D B.事件概率作为几个自变量函数的估计〔J〕。生物特征，1967，54（1/2）： 167-179.10.1093/生物组/54.1-2.167
24	布雷曼L.随机森林〔J〕。机器学习，2001，45（1）： 5-32.10.1023/a:10101933404324
25	PEDREGOSA F、VAROQUAUX G、GRAMFORT A等。Scikit-learn公司：Python中的机器学习〔J〕。机器学习研究杂志，2011，12： 2825-2830.

城市	网格大小	事故时段数	非事故时段数	交通事件数	兴趣点
亚特兰大	9×8	2 446个	147 698	43 228	16 393
奥斯丁	12×13	4 055	282 985	46 822	21 745
夏洛特	11×12	4 945	246 800	52 988	18 718年
达拉斯	15×13	3 252	358 860	70 843	39 041
休斯顿	19×15	5 581	544 211	87 929	60 808

城市	网格大小	事故时段数	非事故时段数	交通事件数	兴趣点
亚特兰大	9×8	2 446	147 698	43 228	16 393
奥斯丁	12×13	4 055	282 985	46 822	21 745
夏洛特	11×12	4 945	246 800	52 988	18 718
达拉斯	15×13	3 252	358 860	70 843	39 041
休斯顿	19×15	5 581	544 211	87 929	60 808

模型	亚特兰大			奥斯丁			夏洛特			达拉斯			休斯顿
模型	Acc公司	非自动抄送	平均加速度	Acc公司	非自动抄送	平均加速度	Acc公司	非自动抄送	平均加速度	Acc公司	非自动抄送	平均加速度	Acc公司	非自动抄送	平均加速度
左后	0.77	0.77	0.77	0.79	0.83	0.81	0.76	0.78	0.77	0.67	0.81	0.76	0.76	0.85	0.82
射频	0.77	0.77	0.77	0.80	0.84	0.82	0.79	0.77	0.78	0.63	0.85	0.78	0.73	0.86	0.81
FNN公司	0.76	0.77	0.76	0.79	0.83	0.81	0.78	0.79	0.79	0.65	0.84	0.78	0.76	0.86	0.82
卫星导航卫星	0.81	0.75	0.78	0.79	0.79	0.79	0.81	0.75	0.78	0.69	0.82	0.78	0.78	0.85	0.82
AP-FHTS公司	0.85	0.81	0.83	0.86	0.86	0.86	0.87	0.84	0.86	0.84	0.91	0.89	0.86	0.90	0.89

模型	亚特兰大			奥斯丁			夏洛特			达拉斯			休斯顿
模型	Acc公司	非自动抄送	平均加速度	Acc公司	非自动抄送	平均加速度	Acc公司	非自动抄送	平均加速度	Acc公司	非自动抄送	平均加速度	Acc公司	非自动抄送	平均加速度
左后	0.77	0.77	0.77	0.79	0.83	0.81	0.76	0.78	0.77	0.67	0.81	0.76	0.76	0.85	0.82
射频	0.77	0.77	0.77	0.80	0.84	0.82	0.79	0.77	0.78	0.63	0.85	0.78	0.73	0.86	0.81
FNN公司	0.76	0.77	0.76	0.79	0.83	0.81	0.78	0.79	0.79	0.65	0.84	0.78	0.76	0.86	0.82
SSAG公司	0.81	0.75	0.78	0.79	0.79	0.79	0.81	0.75	0.78	0.69	0.82	0.78	0.78	0.85	0.82
AP-FHTS公司	0.85	0.81	0.83	0.86	0.86	0.86	0.87	0.84	0.86	0.84	0.91	0.89	0.86	0.90	0.89

[1]	张涵钰, 李振波, 李蔚然, 杨普.基于机器视觉的水产养殖计数研究综述[J] 。《计算机应用》唯一官方网站, 2023, 43(9): 2970-2982.
[2]	陈俊韬, 朱子奇.基于多尺度特征提取与融合的图像复制-粘贴伪造检测[J] 。《计算机应用》唯一官方网站, 2023, 43(9): 2919-2924.
[3]	何子仪, 杨燕, 张熠玲.欢迎光临[J] 。《计算机应用》唯一官方网站, 2023, 43(9): 2651-2656.
[4]	王一, 谢杰, 程佳, 豆立伟.基于深度学习的RGB（RGB）图像目标位姿估计综述[J] 。《计算机应用》唯一官方网站, 2023, 43(8): 2546-2555.
[5]	李校林, 杨松佳.基于深度学习的多用户毫米波中继网络混合波束赋形[J] 。《一、，2023, 43(8): 2511-2516.
[6]	郭祥, 姜文刚, 王宇航.基于改进Inception-ResNet公司的加密流量分类方法[J] 。《计算机应用》唯一官方网站, 2023, 43(8): 2471-2476.
[7]	崔雨萌, 王靖亚, 刘晓文, 闫尚义, 陶知众.融合注意力和裁剪机制的通用文本分类模型[J] 。《计算机应用》唯一官方网站, 2023, 43(8): 2396-2405.
[8]	张琨, 杨丰玉, 钟发, 曾广东, 周世健.未来[J] 。《计算机应用》唯一官方网站, 2023, 43(8): 2517-2526.
[9]	岑黎彬, 李靖东, 林淳波, 王晓玲.基于深度自回归模型的近似查询处理方法[J] 。《计算机应用》唯一官方网站, 2023, 43(7): 2034-2039.
[10]	梁敏, 刘佳艺, 李杰.融合迭代反馈与注意力机制的图像超分辨重建方法[J] 。《计算机应用》唯一官方网站, 2023, 43(7): 2280-2287.
[11]	叶坤佩, 熊熙, 丁哲.基于领域融合和时间权重的招工推荐模型[J] 。《计算机应用》唯一官方网站, 2023, 43(7): 2133-2139.
[12]	薛薛薛薛薛薛薛薛薛薛薛薛薛薛薛薛薛薛薛薛。融合指针网络与关系嵌入的三元组联合抽取模型[J] 。《计算机应用》唯一官方网站, 2023, 43(7): 2116-2124.
[13]	郑帅, 张晓龙, 邓鹤, 任宏伟.基于多尺度特征融合和网格注意力机制的三维肝脏影像分割方法[J] 。《计算机应用》唯一官方网站, 2023, 43(7): 2303-2310.
[14]	陈一驰, 陈斌.计算机视觉中的终身学习综述[J] 。《一、，2023, 43(6): 1785-1795.
[15]	靳鑫, 刘仰川, 朱叶晨, 张子健, 高欣.基于残差编解码-生成对抗网络的正弦图修复的稀疏角度锥束CT施工[J] 。《计算机应用》唯一官方网站, 2023, 43(6): 1950-1957.

融合异构交通态势的事故预测模型

融合异质交通状况的事故预测模型

RichHTML格式

PDF格式

可视化

摘要/摘要

引用本文

使用本文

图/表8

参考文献25

相关文章15

编辑推荐

韵律学