道路交通事故风险预测深度学习算法制造技术

本发明专利技术公开了道路交通事故风险预测深度学习算法，包括S1、特征提取，利用卷积神经网络算法、长短期记忆神经网络算法、卷积长短期记忆神经网络算法处理多源交通数据集，进行特征提取，使用随机森林网络算法对高相关性多源特征进行分类，以分析诱发交通事故的特征，并得到交通事故发生风险性的深度神经网络；S2、建立随机森林神经网络预测模型，采用含有多个决策树的随机森林神经网络预测模型对交通事故风险做分类预测；S3、仿真结果与分析，搭建仿真环境，利用仿真软件、实验数据，利用某地区近几年交通事故数据，使用神经网络库，进行仿真实验，并分析结果。本发明专利技术能够有效提高道路交通事故风险预测的精度。事故风险预测的精度。事故风险预测的精度。

【技术实现步骤摘要】
道路交通事故风险预测深度学习算法


[0001]本专利技术属于交通事故风险预测
，尤其涉及道路交通事故风险预测深度学习算法。

技术介绍

[0002]在对道路交通事故风险预测的研究中，数据融合、深度学习算法、大数据分析技术等已进行应用，随着道路交通数据采集手段的多样化，获得的数据也呈现多源的特性，如何更好的利用这些数据服务道路交通，目前是一个重要的研究课题。在这一研究课题中，多源数据融合技术尤其是以神经网络深度学习为代表的多源数据融合技术发展运用十分关键，有学者对城市交通，基于BP神经网络多源数据融合技术，提出短时交通预测模型和公交到站时间预测模型。对交通事故的预测，早期用到了长短记忆神经网络，其目的就是为解决当位置信息和相关信息之间的时间间隔变得较大时，传统的循环神经网络会出现梯度消散或梯度爆炸的情况。后来，有学者在此基础上与卷积神经网络结合提出了卷积长短期记忆神经网络，传统的卷积神经网络道路交通事故风险预测算法虽然能够在数据量不大的情况下,自主提取特征值,并进行分析处理,最终得出预测告知结果,但其全连接模式冗余,训练效率较低。
专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.道路交通事故风险预测深度学习算法，其特征在于，包括以下步骤：S1、特征提取，利用卷积神经网络算法、长短期记忆神经网络算法、卷积长短期记忆神经网络算法处理多源交通数据集，进行特征提取，使用随机森林网络算法对高相关性多源特征进行分类，以分析诱发交通事故的特征，并得到交通事故发生风险性的深度神经网络；S2、建立随机森林神经网络预测模型，采用含有多个决策树的随机森林神经网络预测模型对交通事故风险做分类预测；S3、仿真结果与分析，搭建仿真环境，利用仿真软件、实验数据，利用某地区近几年交通事故数据，使用神经网络库，进行仿真实验，并分析结果。2.根据权利要求1所述道路交通事故风险预测深度学习算法，其特征在于，在特征提取中，特征要素包括随时间变化要素、随空间位置变化要素、随时间空间变化要素，其中，利用卷积神经网络算法提取随时间变化要素，利用长短期记忆神经网络算法提取随空间位置变化要素，利用卷积长短期记忆神经网络算法提取随时间空间变化要素。3.根据权利要求1所述道路交通事故风险预测深度学习算法，其特征在于，所述卷积神经网络包括输入层、卷积层、激活函数、池化层、全连接层及输出层，卷积层与池化层交替组成其低隐藏层，通过卷积层的卷积运算，从而实现多维特征的自主提取，卷积层处理后的数据将被作为池化层的输入，不重叠的整合出邻域的特征点以得到新的特征，全连接层的目的为将卷积层、池化层处理后学习到的特征映射到样本的标准空间中，连接前一层的神经元的所有特征并输出一维向量至分类器，进行特征分类。4.根据权利要求3所述道路交通事故风险预测...

【专利技术属性】
技术研发人员：于志青，姚辉，李坤，王锋，孙振东，
申请(专利权)人：于志青，
类型：发明
国别省市：