基于深度学习的个性化交通事故风险预测推荐方法技术

本发明专利技术公开了一种基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：将城市划分为网格区域；计算各网格区域各时段的交通事故数据、交通流量数据、天气特征数据；利用深度学习方法进行模型训练，获得交通事故风险预测模型；根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。本发明专利技术利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。

Personalized Traffic Accident Risk Prediction Recommendation Method Based on Deep Learning

The invention discloses a personalized traffic accident risk prediction recommendation method based on deep learning, which includes the following steps: dividing the city into grid areas; calculating traffic accident data, traffic flow data and weather characteristic data of each grid area in each period; using deep learning method to train the model to obtain the traffic accident risk prediction model; and according to the current time Traffic accident data, traffic flow data and weather characteristics data are input, and traffic accident risk prediction model is used to calculate the next moment of urban regional traffic accident risk prediction. The method uses in-depth learning to learn the non-linear, high-dimensional and complex correlation relationship between traffic accident impact factors and traffic accidents, to predict the traffic accident risk at the city level, and to improve the accuracy of the prediction results.

【技术实现步骤摘要】
基于深度学习的个性化交通事故风险预测推荐方法
本专利技术涉及深度学习
，特别涉及一种基于深度学习的个性化交通事故风险预测推荐方法。
技术介绍
近年来，随着社会经济的发展，国民的汽车保有量不断增加，汽车保有量的增加，虽然带来了交通的便利，但同时也造成了道路拥堵，和交通事故的增加，交通事故的增加，不仅会造成人员财产损失，还进一步带来了交通拥堵，通过预测预测城市区域交通事故风险，可以及时为人们出行提供路线建议，绕开易发交通事故区域。现有工作中，人们已经在交通事故的分析问题上已经做了大量的研究。这些工作大体可以分为两类：一类是对城市交通事故致因因素(驾驶人特征、道路因素、路况、天气因素)进行研究，其之间分析关联性；另一类是利用机器学习、神经网络的方法对道路交通事故进行建模预测，如决策树、随机森林、贝叶斯网络、人工神经网络、卷积神经网络等。现有的交通事故风险预测方法存在以下缺陷：1)现有的方法主要以传统的机器学习方法为主，难以学习出交通事故致因因素之间高维的非线性的关系；2)现有的方法大多只关注部分封闭路段的交通事故预测，城市级别的交通事故预测较少；3)现有的方法缺乏考虑交通流在空间中邻近区域之间的相关性强，较远区域相关性弱的特点。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的个性化交通事故风险预测推荐方法，其利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。为实现上述目的，本专利技术采用以下技术方案：基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：S1、根据城市道路分布情况，将城市划分为I×J网格区域；S2、根据历史交通事故数据，计算每起交通事故对应的网格坐标以及各网格区域各时段的交通事故数据；S3、根据历史交通流量数据，计算各网格区域各时段的交通流量数据；S4、对天气数据进行特征提取并进行量化，获得天气特征数据；S5、将所述交通事故数据、交通流量数据及天气特征数据作为输入，利用深度学习方法进行模型训练，获得交通事故风险预测模型；S6、根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。优选地，步骤S5具体包括：S51、选取时刻t的交通流量数据、交通事故数据和天气特征数据进行组合作为输入，选取时刻t+1的交通事故数据作为输出，构建样本并划分为训练集和测试集；S52、构建深度学习模型并进行训练，所述深度学习模型包括4层卷积神经网络层，4层反卷积神经网络层、4层批规范层和1层全连接层，训练过程中每个卷积神经网络层的输出先进行批规范化再将结果作为下一层的输入；S53、将训练集输入到深度学习模型中进行训练，将测试集输入到训练好的模型中，得到输出结果并对异常数据进行剔除，最终获得所述交通事故风险预测模型。优选地，步骤S2具体包括：S21、提取历史交通事故数据中的关键字段{ID，E，τ，X，Y}，其中ID表示交通事故编号，E表示交通事故描述，τ表示报警时间，X表示交通事故所在位置的经度，Y表示交通事故所在位置的纬度；S22、对历史交通事故数据进行预处理，删除重复、无效记录；S23、获得每起交通事故对应的网格坐标并映射到网格区域，计算每个网格区域每个时段的交通事故数据S(i，j，t)。优选地，步骤S3具体包括：S31、获取历史交通流量数据；S32、将交通流量检测设备的位置映射到网格区域，计算每个网格区域每个时段的交通流量数据L(i，j，t)。优选地，步骤S4具体包括：S41、提取历史天气数据中的天气特征，所述天气特征包括可见度、天气情况及降雨量；S42、对所述天气特征进行量化，映射到网格区域中，计算每个网格区域每个时段的天气特征数据。优选地，在所述深度学习模型中，卷积与反卷积过程中均使用补零操作，卷积神经网络层和反卷积神经网络层中使用tanh函数作为激活函数，全连接层使用sigmoid函数作为激活函数。进一步地，在步骤S6之后还包括以下步骤：S7、建立驾驶员风险预测模型，结合所述驾驶员风险预测模型和交通事故风险预测模型构建驾驶员交通事故风险预测模型。优选地，步骤S7中的所述建立驾驶员风险预测模型通过以下方法实现：根据历史交通事故数据获取驾驶员信息，所述驾驶员信息包括性别信息、年龄信息及驾龄信息，所述年龄信息根据身份证号码关联的出生日期和交通事故发生时间计算得出，所述驾龄信息根据驾驶证时间和交通事故发生时间计算得出；将每起交通事故和对应的驾驶员信息映射到网格区域；建立驾驶员风险预测模型，计算每个网格区域每个时段不同特征驾驶员发生交通事故的风险。采用上述技术方案后，本专利技术与
技术介绍
相比，具有如下优点：本专利技术利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。城市的每一个区域交通流与其周围乃至整个城市中的其他区域的交通流均有联系，利用卷积结构学习一个区域与其周围区域甚至更远的区域之间的潜在联系，随着卷积层数的增加，可以学习出城市周围甚至更远的区域对该区域的影响特征，进一步提升了预测结果的准确性。现有技术大多只关注于某一封闭路段的一小部分的事故预测，本专利技术针对城市级别交通事故风险预测，通过选取历史交通流量数据、交通事故数据、天气特征进行高维特征学习训练模型，从而实现城市级别交通事故风险预测。附图说明图1为本专利技术的流程示意图；图2为本专利技术的工作流程图；图3示出了城市网格区域划分的结果；图4为交通事故风险预测模型示意图；图5为深度学习模型训练流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例请参阅图1和图2，本专利技术公开了一种基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：S1、根据城市道路分布情况，将城市划分为I×J网格区域(参考图3所示)。S2、根据历史交通事故数据，计算每起交通事故对应的网格坐标以及各网格区域各时段的交通事故数据。步骤S2具体包括：S21、提取历史交通事故数据中的关键字段{ID，E，τ，X，Y}，其中ID表示交通事故编号，E表示交通事故描述，τ表示报警时间，X表示交通事故所在位置的经度，Y表示交通事故所在位置的纬度。S22、对历史交通事故数据进行预处理，删除重复、无效记录。S23、获得每起交通事故对应的网格坐标并映射到网格区域，计算每个网格区域每个时段的交通事故数据S(i，j，t)。S3、根据历史交通流量数据，计算各网格区域各时段的交通流量数据。步骤S3具体包括：S31、获取历史交通流量数据。S32、将交通流量检测设备的位置映射到网格区域，计算每个网格区域每个时段的交通流量数据L(i，j，t)。S4、对天气数据进行特征提取并进行量化，获得天气特征数据。步骤S4具体包括：S41、提取历史天气数据中的天气特征，天气特征包括可见度、天气情况及降雨量。S42、对天气特征进行量化，映射到网格区域中，计算每个网格区域每个时段的天气特征数据。S5、将交通事故数据、交通流量数据及天气特征数据作为输入，本文档来自技高网...

【技术保护点】
1.基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，包括以下步骤：S1、根据城市道路分布情况，将城市划分为I×I网格区域；S2、根据历史交通事故数据，计算每起交通事故对应的网格坐标以及各网格区域各时段的交通事故数据；S3、根据历史交通流量数据，计算各网格区域各时段的交通流量数据；S4、对天气数据进行特征提取并进行量化，获得天气特征数据；S5、将所述交通事故数据、交通流量数据及天气特征数据作为输入，利用深度学习方法进行模型训练，获得交通事故风险预测模型；S6、根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。

【技术特征摘要】
1.基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，包括以下步骤：S1、根据城市道路分布情况，将城市划分为I×I网格区域；S2、根据历史交通事故数据，计算每起交通事故对应的网格坐标以及各网格区域各时段的交通事故数据；S3、根据历史交通流量数据，计算各网格区域各时段的交通流量数据；S4、对天气数据进行特征提取并进行量化，获得天气特征数据；S5、将所述交通事故数据、交通流量数据及天气特征数据作为输入，利用深度学习方法进行模型训练，获得交通事故风险预测模型；S6、根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。2.根据权利要求1所述的一种基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，步骤S5具体包括以下分步骤：S51、选取时刻t的交通流量数据、交通事故数据和天气特征数据进行组合作为输入，选取时刻t+1的交通事故数据作为输出，构建样本并划分为训练集和测试集；S52、构建深度学习模型并进行训练，所述深度学习模型包括4层卷积神经网络层，4层反卷积神经网络层、4层批规范层和1层全连接层，训练过程中每个卷积神经网络层的输出先进行批规范化再将结果作为下一层的输入；S53、将训练集输入到深度学习模型中进行训练，将测试集输入到训练好的模型中，得到输出结果并对异常数据进行剔除，最终获得所述交通事故风险预测模型。3.根据权利要求2所述的一种基于深度学习的个性化交通事故风险预测推荐方法，其特征在于，步骤S2具体包括：S21、提取历史交通事故数据中的关键字段{ID，E，τ，X，Y}，其中ID表示交通事故编号，E表示交通事故描述，τ表示报警时间，X表示交通事故所在位置的经度，Y表示交通事故所在位置的纬度；S22、对历史交通事故数据进行预处理，删除重复、无效记录；S23、获得...

【专利技术属性】
技术研发人员：范晓亮，陈超，程明，王程，温程璐，郑传潘，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35