System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及时空交通预测技术,具体涉及一种基于图注意力网络实现的交通事故预测方法。
技术介绍
1、随着经济的增长与科技的发展,乘车出行已经成为人们日常生活的一部分,而当出行需求不断增加以及汽车数量不断增长,交通事故的发生也变得越发频繁。因此,交通事故预测对于辅助驾驶员判断、辅助相关部门调控整体交通,避免交通事故发生,提升道路运行效率有着重要意义。路网级交通事故预测以整个城市交通道路区域作为预测区域,能够全面地考虑交通事故发生的各项影响因素。由于路网交通区域间具有空间相关性、时间相关性,想要实现交通事故预测,需要充分考虑交通事故发生时路网各区域所受的空间影响与时间影响。
2、交通事故预测方法考虑交通事故在时空特征的多重影响。在空间上,交通特征具有相互依赖性和相似性,相互依赖性反映为当某一区域发生交通事故时,其上下区域必定会因此受到影响,而相似性则是具有同样道路特征的区域之间会具有相似的交通特征。在时间上,交通特征具有近邻性、周期性以及趋势性,近邻性反映为下一时刻的交通状态是上一时刻交通状态的延续,周期性反映为交通数据会因人类活动的周期性表现出相同的周期规律,趋势性则是指交通数据随着长时间的推移表现出的一种整体的趋势。
3、由于交通事故发生的影响因素复杂,同时所存在的时空潜在关系不易被察觉,因此目前的主要方法是通过深度学习网络来挖掘潜在信息实现交通事故预测。传统的卷积神经网络只能处理欧式空间,而实际中的城市交通路网则是呈现非欧式空间的不规则图形,因此基于图的神经网络被提出研究应用,并且针对不同图结构的学习任
4、目前,基于图神经网络的交通事故预测研究正在逐步发展。现有文献(learningspatial-temporal correlations from geographical and semantic aspects fortraffic accident risk forecasting)将交通路网构建为图结构,采用cnn网络与gru网络对局部区域时空相关性建模,采用gcn网络与gru网络对全局区域时空相关性建模,最终融合输出得到交通事故预测结果。该文献虽然能够充分考虑到空间、时间的相关性影响,但对于交通事故数据的关注度不够,由于交通事故的发生在整个数据集中占比较少,必须要重点关注交通事故数据,才能避免零膨胀问题的产生。
技术实现思路
1、本专利技术旨在克服已有方法的不足和缺陷,提出一种基于图注意力网络实现的交通事故预测方法,该方法通过将路网区域看作图结构,对整个路网区域进行预测,以gat网络捕获不同子区域节点之间的道路相似性影响,通过邻居节点特征聚合函数实现注意力权重的计算和节点的特征更新,扩大模型对空间信息相关性的捕捉能力;以muli-head self-attention tcn网络对长期上下文信息关联特征进行提取,重点关注数据中的交通事故数据,捕捉序列数据中的时序依赖关系。本专利技术全面地关注交通区域的时空特征,同时以注意力机制关注交通数据中属于少数情况的事故数据,从而得到准确的预测结果。
2、本专利技术至少通过如下技术方案之一实现。
3、一种基于图注意力网络实现的交通事故预测方法,所述方法包括以下步骤:
4、将预测区域划分为若干等大小子区域;
5、获得预测区域在历史时间段的交通特征;
6、构建预测区域的风险相似性图、道路相似性图和poi相似性图;
7、输入交通特征与风险相似性图、道路相似性图和poi相似性图,使用空间特征提取网络对邻近节点网格特征与路网节点道路特征进行提取,得到空间提取特征;
8、对于输出的空间提取特征,使用时间特征提取网络进一步对各节点的时间特征进行提取,得到时空提取特征;
9、对于输出的时空提取特征,使用外生变量特征提取网络进一步对各节点日期特征进行提取;
10、将获得的特征通过全连接层得到交通事故风险预测输出,输出为下一时刻每个节点的交通事故风险值;
11、定义损失函数,对所提出模型进行训练,得到交通事故预测结果。
12、进一步地,所述将预测区域划分为若干等大小子区域以经纬度为标准划分为i×j个子区域,每个区域大小相同。
13、进一步地,所述获得预测区域在历史时间段的交通特征,包括以下步骤:
14、收集预测区域历史时间内的事故信息、道路信息、天气信息的相关数据;
15、对数据预处理获得历史时间段的交通事故风险特征、日期特征、poi特征、天气特征、道路特征以及交通流量特征。
16、进一步地,对数据预处理获得历史时间段的交通事故风险特征,包括以下步骤:
17、将所有交通事故根据事故严重程度划分为三种风险等级,以1、2、3作为交通事故的风险数值,其中交通事故风险数值为1代表发生轻度交通事故,交通事故风险数值为2代表发生中度交通事故,交通事故风险数值为3代表发生严重交通事故;
18、计算每个子区域在历史时间段发生的交通事故的风险数值总和,作为该节点历史交通事故风险特征。
19、进一步地,所述构建预测区域的风险相似性图、道路相似性图和poi相似性图,包括以下步骤:
20、构建风险相似性图gr=(v,er,ar):每个子区域作为图的节点v,比较节点两两间的风险相似性,选择与节点特征最相似的节点作为其一阶邻居,将一阶邻居节点相连得到图的边er,ar作为图的邻接矩阵,表示为:
21、
22、构建道路相似性图gd=(v,ed,ad):每个子区域作为图的节点v,计算节点两两间的道路相似性,选择相似度前列的l个节点作为一阶邻居,将一阶邻居节点相连得到图的边ed,ad作为图的邻接矩阵,表示为:
23、
24、式中,i、j表示矩阵中的节点i与节点j,ei,j表示节点之间的边,sim(i,j)表示两者间的道路相似度值;
25、构建poi相似性图gp=(v,ep,ap):每个子区域作为图的节点v,通过js散度计算节点两两间的poi相似性,选择相似度前列的l个节点作为一阶邻居,将一阶邻居节点相连得到图的边ep,ap作为图的邻接矩阵,其表示与道路相似性图原理相同。
26、进一步地,所述空间特征提取网络对邻近节点网格特征与路网节点道路特征进行提取,得到空间提取特征,包括以下步骤:
27、采用cnn网络获取邻近节点间的邻近节点网格空间相关性特征;
28、采用gat网络对风险相似性图、道路相似性图和poi相似性图进行处理分别获取节点间的三种路网节点道路空间相关性子特征;
29、对输出的三种路网节点道路空间相关性子特征相加获得路网节点道路特征;
30、通过映射矩阵对路网节点道路特征进行维度转换;
31、通过门控融合单元融合邻近节点网格特征与路网节点道路特征。
32、进一步地,所述cnn网络包括本文档来自技高网...
【技术保护点】
1.一种基于图注意力网络实现的交通事故预测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述将预测区域划分为若干等大小子区域以经纬度为标准划分为I×J个子区域,每个区域大小相同。
3.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述获得预测区域在历史时间段的交通特征,包括以下步骤:
4.根据权利要求3所述的基于图注意力网络实现的交通事故预测方法,其特征在于,对数据预处理获得历史时间段的交通事故风险特征,包括以下步骤:
5.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述构建预测区域的风险相似性图、道路相似性图和POI相似性图,包括以下步骤:
6.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述空间特征提取网络对邻近节点网格特征与路网节点道路特征进行提取,得到空间提取特征,包括以下步骤:
7.根据权利要求6所述的基于图注意力网络实现的交通事故预测方法,其特征
8.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述时间特征提取网络进一步对各节点的时间特征进行提取,包括以下步骤:
9.根据权利要求8所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述多头自注意力机制重点关注来自不同表征子空间的输入,包括以下步骤:
10.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述损失函数采用FocalLoss进行分类损失的计算,表示为:
...【技术特征摘要】
1.一种基于图注意力网络实现的交通事故预测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述将预测区域划分为若干等大小子区域以经纬度为标准划分为i×j个子区域,每个区域大小相同。
3.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述获得预测区域在历史时间段的交通特征,包括以下步骤:
4.根据权利要求3所述的基于图注意力网络实现的交通事故预测方法,其特征在于,对数据预处理获得历史时间段的交通事故风险特征,包括以下步骤:
5.根据权利要求1所述的基于图注意力网络实现的交通事故预测方法,其特征在于,所述构建预测区域的风险相似性图、道路相似性图和poi相似性图,包括以下步骤:
6.根据权利要求1所述的基于图注意力网络实现的交...
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。