【技术实现步骤摘要】
本专利技术涉及智能交通和深度学习技术，具体涉及一种基于深度学习和密度聚类的城市道路交通事故黑点预测方法及系统。
技术介绍
1、随着社会的发展，城市的人口、车辆和建筑设施不断增加，导致城市道路越加拥堵和复杂，也增加了交通事故的发生风险。据统计，每年全球有超过一百万人死于交通事故，其中大部分发生在城市道路上。事实上，城市道路上存在着一些交通事故的高发区域，也就是交通事故黑点，这些地方的交通状况和环境因素都容易引发事故，造成人员伤亡和财产损失。交通事故黑点是城市发展的一大障碍，对城市的各个方面都有着不利的影响，需要引起社会的高度重视和有效的治理。通过采用交通事故黑点预测等技术，可以有效地识别和预防交通事故黑点，从而提高城市的交通安全水平和保障居民的出行安全，为城市的可持续发展创造有利的条件。
2、针对交通事故黑点的研究，相关的专家学者进行了长时间系统的研究，主要包括以下几个阶段。首先，传统的统计方法基于事故频数、频率、严重程度等指标，通过设定临界值或阈值，对比目标路段于相似路段或整个路段的事故水平，从而识别事故黑点。虽然这类方法计算方便，数据处理简单，但是容易忽略事故的随机性和时空特性等，使得识别精度不高，适用范围有限。其次，利用地理信息系统(gis)等工具对事故数据进行空间分析和聚类分析，从而识别事故密集的区域或路段。通常使用核密度估计法、聚类方法、空间自相关等方法，能够从复杂无规律的事故数据中挖掘隐含信息，揭示交通事故的空间分布特征。但是对数据的质量和数量要求较高，计算量较大并且忽略事故的时序特征。最后，利用人工智能、
技术实现思路
1、专利技术目的：本专利技术的目的在于解决现有技术中存在的不足，提供一种基于深度学习和密度聚类的城市道路交通事故黑点预测方法及系统；
2、本专利技术利用深度学习能有效利用海量数据且预测精度高的优点，再结合dbscan基于密度聚类的能力，能够识别任意形状的交通事故黑点。本专利技术提出基于cnn、lstm、dbscan的城市道路交通事故黑点的预测方法。利用cnn从空间数据学习事故的空间分布和影响因素，通过lstm的序列建模能力从时序数据中学习事故的时间变化趋势，捕捉交通事故的长期依赖和周期性，提高预测的准确性和鲁棒性。利用cnn-lstm预测城市道路未来交通事故数量，然后通过dbscan基于密度进行聚类，识别事故密集的区域或路段，发现任意形状的交通事故黑点。
3、技术方案：本专利技术的一种基于深度学习和密度聚类的城市道路交通事故黑点预测方法，包括以下步骤：
4、步骤1、获取研究区域内的历史的交通事故数据、道路结构数据、交通流数据以及气象数据；
5、交通事故历史数据能够帮助模型学习交通事故在不同时间段、地点和条件下的趋势和模式；道路结构数据和交通流数据能够提供时空信息，有效捕捉不同地点和时间的交通事故关联性；气象数据可以使模型更全面地考虑天气对交通事故的影响；
6、步骤2、从交通事故历史数据中提取每起事故的伤亡人数以及对应事故地点的经纬度，所得每起事故的伤亡人数以及对应事故地点的经纬度用于后续获取城市道路线形图像数据时来匹配该线形图像属于哪一类事故数据图像集，同时预测结果也需要通过经纬度匹配到对应位置，并且通过dbscan进行聚类时，寻找事故核心点、边界点和噪声点时也需要经纬度数据匹配预测数据的位置；
7、步骤3、将交通事故划分为四种类型，依次为轻微事故、一般事故、重大事故、特大事故，然后计算每种类型事故对应的数量，分别为n1、n2、n3、n4；
8、步骤4、利用arcgis提取城市道路线形图像(例如在导入arcgis后人工进行操作分割，从而获得不同事故类型所属区域的道路线形图像)，得到城市道路线形图像集p，并按照对应交通事务类型分类，依次划分为轻微事故图像集p1、一般事故图像集p2、重大事故图像集p3和特大事故图像集p4；
9、步骤5、构建基于cnn-lstm模型的预测模型，所述基于cnn-lstm模型的预测模型依次包括cnn网络模块、lstm网络模块和输出层；
10、cnn网络模块通过卷积-池化操作对城市道路线形图像进行特征提取，捕捉交通事故的空间分布关系，与不同类型事故的数量、交通流数据和气象数拼接得到特征x't；lstm网络模块从交通流数据、交通事故数据和气象数据中学习事故的时间变化趋势；输出层输出其所预测的交通事故数量预测结果yt；
11、步骤6、对步骤5所得交通事故数量预测结果yt进行评估，并更新模型参数，提升预测效果；
12、步骤7、使用基于dbscan算法的密度聚类模块对交通事故黑点进行聚类，形成不同的事故黑点；
13、步骤8、将输出的簇结合经纬度数据在arcgis中将事故黑点进行可视化展示。
14、进一步地，所述cnn网络模块对道路线形图像集p中的空间数据进行多层卷积池化操作，提取对应事故区域的空间特征；
15、
16、p＝[p1,p2,p3,p4]；
17、其中，z(l)为第l个卷积核的输出，w(l)为第l个卷积核的权重矩阵，b(l)为第l个卷积核的偏置向量，σ为激活函数，*为卷积运算符；
18、然后将所得输出z(t)与其他时序数据进行拼接；
19、xt＝[zt,nt,qt,wt]；
20、nt＝[n1,t,n2,t,n2,t,n2,t]；
21、其中，zt表示卷积神经网络cnn在时间步为t时的输出，nt，qt，wt表示时间步为t时不同类型事故的数量、交通流数据和气象数据；
22、最后，为消除数据中量纲和数量级的影响，对zt进行标准化处理；
23、
24、其中，x′为标准化后的数据集，xj表示xt数据集中第j列数据。
25、进一步地，所述cnn网络模块包括卷积层、池化层、激活函数和dropout层；所述卷积层通过卷积操作能够有效地提取城市道路线形数据中的局部特征。具体方法为通过卷积核在输入数据上进行滑动，对每个局部区域执行加权求和，生成特征图。由于此处主要是提取道路线形的空间特征，为在保持较低的参数量和计算量的同时，仍然能够提供较好的特征提取能力和非线性能力，因此本专利技术卷积核设为3×3，步长为1。所述池化层(下采样层)对卷积操作之后的特征图进行3×3的平均池化的操作，步长为1，实现特征降维以及数据大小和数量压缩，还能够在减小数据量的同时保持原始数据的特征不变性，防止模型过拟合。所述激活函数采用relu函数，收敛速度快，保持梯度不会衰减，从而缓解梯度消失问题。所述dropout层在训练过程中，每次随机选择一些神经元不参与模型得到训练，可以尽量避免模型的过拟合，使得模型的鲁棒性更强。dropout值设置为0.2，即神经元的失活比例为20％。
2本文档来自技高网...
【技术保护点】
1.一种基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述CNN网络模块对道路线形图像集p中的空间数据进行多层卷积池化操作，提取对应事故区域的空间特征；
3.根据权利要求1或2所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述CNN网络模块包括卷积层、池化层、激活函数和Dropout层；
4.根据权利要求1所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，所述LSTM网络模块对特征X′t中的时序特征进行学习；
5.根据权利要求1或4所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述LSTM网络模块包括激活函数、优化函数和正则化层：
6.根据权利要求1所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述基于CNN-LSTM模型的预测模型的输出层的预测结果yt计算公式为：yt＝wyht+by
7.根据权利
8.根据权利要求1所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述步骤7交通事故黑点进行聚类的详细方法为：
9.根据权利要求8所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述寻找交通事故核心点的具体过程为：
10.一种用于实现权利要求1至9任一项所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法的系统，其特征在于，包括空间卷积模块，时序数据学习模块和密度聚类模块；
...【技术特征摘要】
1.一种基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述cnn网络模块对道路线形图像集p中的空间数据进行多层卷积池化操作，提取对应事故区域的空间特征；
3.根据权利要求1或2所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述cnn网络模块包括卷积层、池化层、激活函数和dropout层；
4.根据权利要求1所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，所述lstm网络模块对特征x′t中的时序特征进行学习；
5.根据权利要求1或4所述的基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，所述lstm网络模块包括激活函数、优化函数和正则化层：
6...
【专利技术属性】
技术研发人员：韩珣，孟光荣，何美玲，武晓晖，范江洋，
申请(专利权)人：四川警察学院，
类型：发明
国别省市：
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。