【技术实现步骤摘要】
一种基于图卷积网络的交通事故预测方法
[0001]本专利技术涉及一种基于图卷积网络的交通事故预测方法，属于交通预测
技术介绍
[0002]随着社会经济的发展，城市道路的扩建及优化措施不断发展，但汽车保有量的大幅增加，交通事故发生量只增不减。交通事故的发生受到多方面因素的影响，主要可以分为时间、空间两方面，每起事故的发生与时间、空间两层次的相关因素都存在相关性，有效和准确的预测交通事故发生概率成为保障人们出行的安全有效措施。
[0003]交通事故的发生概率会随着路网的复杂度、交通出行轨迹等时间与空间层面的受到一定程度的影响，这种影响的潜在关系是不易被人们直接察觉应用，因此，通过深度学习来挖掘潜在有益信息进行交通事故预测是目前的主要方法。
[0004]目前，交通事故预测相关研究集中于CNN、LSTM、RNN算法的应用，然而，对于路网结构、交通出行轨迹等影响因素都是非欧几里得结构，而GCN相较于上述算法具有可处理非欧几里得结构的优势，目前，在交通事故预测领域应用GCN作为预测算法的研究较少，即使应用GCN...
【技术保护点】
【技术特征摘要】
1.一种基于图卷积网络的交通事故预测方法，其特征在于，包括：获取预测区域历史时间内的事故数据信息；将预测区域划分为交通小区，并将所述交通小区作为图卷积网络的节点，构建获取图卷积网络的邻接矩阵；根据所述事故数据信息，构建获取空间特征向量、时间特征向量和时空特征向量；利用预构建的基于图卷积网络的深度学习模型对预测区域进行交通事故预测，并根据所述节点和邻接矩阵，以及所述空间特征向量、时间特征向量和时空特征向量，对所述深度学习模型进行训练，获取交通事故预测模型；利用所述交通事故预测模型，获取交通事故发生概率预测结果。2.根据权利要求1所述的基于图卷积网络的交通事故预测方法，其特征在于，获取预测区域历史时间内的事故数据信息包括：收集预测区域历史时间内的事故数据信息；对所述事故数据信息进行预处理；其中，所述预处理包括对所述事故数据信息进行审核和筛选。3.根据权利要求1所述的基于图卷积网络的交通事故预测方法，其特征在于，所述事故数据信息包括事故发生时间及地理数据、预测区域路网数据、历史道路交通流数据、预测区域兴趣点数据和预测区域土地利用数据。4.根据权利要求1所述的基于图卷积网络的交通事故预测方法，其特征在于，将预测区域划分为交通小区，并将所述交通小区作为图卷积网络的节点，构建获取图卷积网络的邻接矩阵包括：对预测区域进行Vonoroi图划分，获取交通小区；将所述交通小区作为图卷积网络的节点；根据各节点的道路共享连接长度，建立各节点之间的相关性，构建获取图卷积网络的邻接矩阵。5.根据权利要求4所述的基于图卷积网络的交通事故预测方法，其特征在于，对预测区域进行Vonoroi图划分，获取交通小区包括：根据事故数据信息中的预测区域路网数据，获取道路交叉口及对应位置；根据所述道路交叉口及对应位置，建立各道路交叉口之间的连线，并对每条连线做垂直平分线；由各所述垂直平分线形成Vonoroi多边形，每个Vonoroi多边形表示一个交通小区。6.根据权利要求4所述的基于图卷积网络的交通事故预测方法，其特征在于，根据各节点的道路共享连接长度，建立各节点之间的相关性，构建获取图卷积网络的邻接矩阵包括：将任意两个节点内所有的道路ID进行对比，若两个节点存在相同的道路ID，则判定这两个节点之间存在道路共享，否则，判定这两个节点不相关；将两个节点之间所有相同的道路ID对应的道路长度进行叠加计算，获取两个节点之间的相关性；根据各节点之间的相关性，构建获取图卷积网络的初始邻接矩阵；对所述初始邻接矩阵进行Min
‑
Max归一化处理，获取图卷积网络的邻接矩阵；其中，所述叠加计算的计算公式如公式(1)所示：
公式(1)中，p为节点p，q为节点q，w
p,q
为节点p与节点q之间的相关性，i为节点p与节点q之间第i个相同的道路ID，m为节点p与节点q之间所有相同的道路ID的总数，为节点p与节点q之间第i个相同的道路ID对应的道路长度，的单位为km；所述初始邻接矩阵的表达式如公式(2)所示：公式(2)中，X为初始邻接矩阵，n为节点总数，w
n,n
为节点n与节点n之间的相关性。7.根据权利要求1所述的基于图卷积网络的交通事故预测方法，其特征在于，根据所述事故数据信息，构建获取空间特征向量、时间特征向量和时空特征向量包括：根据所述事故数据信息中各数据信息变化的波动性随时间、空间变化情况，判断各数据信息所属特征类型，并根据节点和各数据信息的地理位置的映射情况，获取初始空间特征向量、初始时间特征向量和初始时空特征向量；对所述初始空间特征向量、初始时间特征向量和初始时空特征向量进行Z
‑
score标准...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。