一种基于深度学习的计算交通事故发生概率的方法技术

本发明专利技术涉及一种基于深度学习的概率计算方法模型。通过总结出时间段、车速及路段方向等基础数据构建交通事故特征向量，同时确定了是否发生交通事故的两种概率计算方法状态。在训练阶段，对于深度学习中的无噪自编码网络方法，从无标签数据集中获得可表征深层特征的的隐藏层参数并生成新的特征集合。在概率计算方法阶段，对于有标签的新数据集，我们将利用Softmax回归学习生成交通事故的概率计算方法分类器。对于学习率的设定，通过实验比较人工设定与基于指数衰减的学习率衰减策略在交通事故概率计算方法中的概率计算方法性能。实验发现，将基于指数衰减的学习率衰减策略应用于交通事故概率计算方法具有相对较好的稳定性，同时准确率为88％到89％之间。同时准确率为88％到89％之间。同时准确率为88％到89％之间。

【技术实现步骤摘要】
一种基于深度学习的计算交通事故发生概率的方法


[0001]本专利技术属于交通控制
，尤其涉及一种计算交通事故发生概率的方法，该方法将深度学习算法应用到对交通事故发生概率的计算中，该方法以时间段、路段方向、车速为真实数据采集的数据维度，并在后续深度学习中采用构建自编码网络的方式，针对江苏省高速公路的特点构建交通事故自编码网络计算模型，并对学习率进行调整，实现精确、稳定计算交通事故发生概率。

技术介绍

[0002]汽车化进程的不断推进带来了交通拥堵、交通事故频发等问题，这极大地限制了社会经济发展。据世界卫生组织发布的统计，全世界每年道路交通事故造成的伤害、死亡的经济损失总量达到5000亿美元。因此，如何尽可能减少交通事故的发生就尤为重要。本文将应用深度学习算法对交通事故的发生概率进行计算，以影响道路状态的环境数据、人流出行的时段分布、路段的形势方向等交通基础数据为基础，构建一个以客观存在交通数据为处理对象，可对交通事故发生的概率进行计算的有效方法，以最精确的程度计算交通事故发生的概率，减少交通事故发生。
[0003]现有技术中对于交通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的计算交通事故发生概率的方法，其特征在于，通过归纳合并交通情况的基础数据构建特征向量，进而计算是否发生交通事故的概率，该方法包括如下步骤：步骤(1)数据特征提取：对于每个已有样本提取交通情况基础数据构建特征向量，所述交通情况基础数据的字段包括：以时为单位的时间段T，以公里/小时为单位的车速S，以上行、下行、双向为单位的路段方向D；样本的数据格式为x＝{T，S，D}；步骤(2)数据预处理：对于已有样本的数据x＝{T，S，D}使用归一化公式，将时间段、路段方向车速数据归一化；所述归一化公式为：x1＝(x-min)/(max-min)，max与min分别是选取样本数据T、S、D每个字段中的最大数据值与最小数据值，x1为经过归一化处理后的值；步骤(3)构建训练模型：设置三层的自编码网络，所述自编码网络由输入层，隐藏层和输出层组成；输入层为经过归一化处理的初始输入数据，隐藏层采用Sigmoid函数作为隐藏层的变换核函数，将隐藏层结点数设定为2，输入和输出神经元数量相等；所述训练模型的阈值threshold为0.60；步骤(4)使用构建的训练模型进行训练阶段，具体步骤如下：步骤(4.1)训练方法：
①
初始化N个可视层偏差b
i
＝0以及M个隐藏层偏差c
j
＝0
②
计算M个Sigmoid函数值
③
计算N个Sigmoid函数值
④
使用如下公式进行k轮参数更新：
⑤
更新N个可视层偏差值
⑥
更新M个隐藏层偏差值其中，c
j
为隐藏层偏差，b
i
为可视层偏差，其中可视层为输入层与输出层，σ为Sigmoid函数，w
ji
(0≤j＜M，0≤i＜N)为参数(权重)，y
i
为输出层数据值，M为隐藏层结点个数，N为输入层/输出层结点个数，x
’
为N维噪声输入数据，设定N＝2，学习率μ＝0.02，迭代次数k＝1500；步骤(4.2)训练过程和参数：利用步骤(3)构建的构建训练模型，使用步骤(4.1)的训练算法在原始输入数据中添加噪声部分破坏数据获得输入层的输入节点T、S、D的输入数据，接着所述自编码网络模型通过把受到损...

【专利技术属性】
技术研发人员：周伟健，王世鲲，孙同心，
申请(专利权)人：上海电科智能系统股份有限公司，
类型：发明
国别省市：