【技术实现步骤摘要】
本专利技术属于交通事故预测，具体涉及基于循环神经网络的交通事故严重程度预测方法。
技术介绍
1、随着城市化进程的加快以及居民生活水平的不断提高，机动车保有量飞速上涨，人民群众的生活也愈发便捷。但随之而来的交通拥堵、交通事故等社会问题也日益突出，尤其是交通事故所造成的人员伤亡和财产损失已经成为影响居民安居乐业以及社会和平稳定的重要因素之一。随着智能交通系统和车联网的逐步应用，交通事故预测不仅为自动驾驶提供交通流的变化，而且还可以有效降低交通出行风险，是未来车联网和自动驾驶出行的重要基础。
2、交通事故预测主要包括事故频率、事故严重程度和事故风险等方面，其中交通事故严重程度预测可以指导行人安全高效出行，同时为城市管理者提供调配管理和优化交通组织的方向和经验。随着大数据时代的到来和深度学习技术的完善与进展,大数据驱动和机器学习的广泛应用进一步深入。本专利技术采用数据驱动的机器学习方法，借助对数据集的聚类处理，构建深度学习模型，对城市区域内的交通事故严重程度进行预测。
技术实现思路
1、针对现有的需求，本专利技术提供基于循环神经网络的交通事故严重程度预测方法，可有效对道路交通事故严重程度进行预测，提高公路道路运行的安全性。本专利技术技术方案包括以下步骤：
2、s1、分别对影响城市道路交通事故严重程度的人、车、路和环境等因素中的各离散变量进行赋值量化，以得到各事故因素对应的量化指标表；
3、s2、基于密度聚类算法optics，将事故数据进行聚类，基于pyt
4、s3、借助keras选取深度学习模型的损失函数、激活函数、优化器等参数，实现模型的训练以及训练结果可视化；
5、s4、将真实道路交通事故各种影响因素对应的量化数据，输入训练后的循环神经网络，输出交通事故严重程度的预测结果。
6、基于rnn的交通事故严重程度预测系统，包括依次连接的变量赋值模块、模型训练模块、预测模块；
7、变量赋值模块，分别对影响道路交通事故严重程度的各事故因素中的各离散变量子因素进行赋值量化，基于交通事故训练样本集、optics聚类算法对各事故因素中的各连续变量子因素进行离散区间化赋值，以得到处理后道路交通事故训练样本集；
8、模型训练模块，基于量化指标表、处理后道路交通事故训练样本集对rnn模型进行训练，得到可预测道路交通事故严重程度的循环神经网络模型；
9、预测模块，将真实道路交通场景中多种重要子因素对应的量化数据，输入训练后的rnn模型，最后输出交通事故严重程度的预测结果。
10、本专利技术的效果
11、本专利技术可对城市交通事故严重程度进行有效预测，提高城市道路运行的安全性。本专利技术中采用密度聚类算法optics将事故数据进行聚类，可以有效解决样本密度不一样的问题，并能获得较好的聚类结果。本方案基于optics算法改进，避免每次调节eps和minpts值都会导致需要重新训练整个数据集，可以在给定eps值和minpts值训练一次后，固定minpts值尝试使用不同的eps值来得到不同的结果。这些优点使得optics算法特别适用于筛选交通事故严重程度的训练样本集。采用改进optics算法可以剔除噪音点，提高训练模型准确率。keras框架是一种高层神经网络api，由纯python编写而成并基于tensorflow、theano以及cntk后端，可以使用gpu进行硬件加速，往往比cpu运算快很多倍。因此在keras框架下进行rnn层数与优化器的设置、训练批次batch size和epoch的选取，可为模型训练和结果带来更高的精度和更小的损失。
本文档来自技高网...【技术保护点】
1.一种基于循环神经网络的交通事故严重程度预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，事故因素包括驾驶员因素、行人因素、车辆因素、道路因素和环境因素。
3.根据权利要求1所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，步骤S2中，所述基于密度聚类算法OPTICS，将事故数据进行聚类，基于Python环境编译实现其算法，并将聚类结果对应各影响因素，形成城市道路交通事故训练样本集x的方法为：
4.根据权利要求3所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，所述S23中的基于python编译软件中的sklearn库函数中的聚类模块建立OPTICS聚类函数模块，使用OPTICS聚类函数依据数据集的属性计算各段数据集之间的核心距离，对不同段的数据集距离核心点的距离进行聚类的方法为：
5.根据权利要求4所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，所述J2中的进一步定义核心距离和可达距离的递归结构函数的方法为：
6.根
7.根据权利要求1所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，步骤S3中所述借助Keras选取深度学习模型的参数，实现模型的训练以及训练结果可视化的方法为：
8.根据权利要求7所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，步骤S34中所述建立损失函数，基于优化器和激活函数建立数据训练模型，完成数据集的预处理，在训练模型中添加训练数据集后执行训练的步骤为：
9.根据权利要求1所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，步骤S4中所述真实道路交通事故各种影响因素对应的量化数据，输入训练后的循环神经网络，输出交通事故严重程度的预测结果的方法为：
10.基于RNN的交通事故严重程度预测系统，其特征在于，包括变量赋值模块、模型训练模块、预测模块；
...【技术特征摘要】
1.一种基于循环神经网络的交通事故严重程度预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，事故因素包括驾驶员因素、行人因素、车辆因素、道路因素和环境因素。
3.根据权利要求1所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，步骤s2中，所述基于密度聚类算法optics，将事故数据进行聚类，基于python环境编译实现其算法，并将聚类结果对应各影响因素，形成城市道路交通事故训练样本集x的方法为：
4.根据权利要求3所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，所述s23中的基于python编译软件中的sklearn库函数中的聚类模块建立optics聚类函数模块，使用optics聚类函数依据数据集的属性计算各段数据集之间的核心距离，对不同段的数据集距离核心点的距离进行聚类的方法为：
5.根据权利要求4所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，所述j2中的进一步定义核心距离和可达距离的递归结构函数的方法为：
6.根据权利要求4所述的基于循环神经网络的交通事故严重程度预测方法，其特征在于，所述...
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。