一种基于时空数据融合的城市路网交通事故风险预测方法及系统

本发明涉及城市交通事故预测领域，特别涉及一种基于时空数据融合的城市路网交通事故风险预测方法及系统。

背景技术：

1、交通事故的预测成为了提高道路安全和交通效率的重要任务。交通事故的发生通常与时间和空间因素相关，因此，利用时空数据融合能够全面且系统对整个城市路网事故风险预测。

2、交通事故预测方法的发展过程大致分为统计学习、机器学习、深度学习三个阶段。目前深度学习是进行交通事故预测的热点方法。长短期记忆网络(lstm)能有效捕捉交通事故相关数据中的长期依赖关系，适合处理时序数据。卷积神经网络(cnn)能够保持数据的空间连续性，提取空间数据的局部特征。将cnn与lstm共同运用于交通事故预测也是目前常用的事故预测手段，其优势在于能够同时考虑空间和时间维度的因素对交通事故发生的影响，实现对交通事故的准确预测。

3、尽管cnn和lstm在各自的领域表现出了卓越的性能，但它们仍然存在一些明显的缺陷和改进空间。首先，cnn和lstm主要适用于欧氏结构的数据，而对于非欧氏结构的数据则难以有效地提取特征。其次，lstm相比于传统的rnn虽然具有更强的长期依赖捕获能力，但其结构复杂也容易发生过拟合。

技术实现思路

1、针对现有技术中存在的不足，本发明提供了一种基于时空数据融合的城市路网交通事故风险预测方法及系统，在利用cnn学习传统欧几里得结构的空间数据基础上，进一步采取图卷积网络(gcn)学习道路网络结构数据与图结构数据等非欧几里得结构数据。门控循环单元(gru)与lstm都具有较强的记忆能力和长时间依赖捕捉能力，且二者精度相近。但gru结构相对于lstm更加简单，运算效率更高。所以在时间卷积模块利用gru代替lstm学习事故时间依赖关系。通过空间卷积模块和时间卷积模块实现时空上准确地捕捉路网交通事故的动态变化和空间分布。为了提取交通事故影响因素动态变化的相关性，自适应分配高权重给相关性更高的数据，增加模型的适应能力，本发明通过注意力机制实现节点权重的动态分配。

2、本发明是通过以下技术手段实现上述技术目的的。

3、一种基于时空数据融合的城市路网交通事故风险预测方法，包括如下步骤：

4、获取研究区域内的历史交通事故数据、卫星图像数据、poi数据、道路网络结构、交通流数据和气象数据；

5、基于聚类分析方法对研究网格的动态划分；动态划分后的数据集分为空间数据和时序数据；

6、对事故经纬度数据、卫星图像数据和poi数据这三类空间数据进行特征提取，并分别构建距离邻接矩阵j、相似邻接矩阵s和poi特征矩阵p；

7、对道路网络结构、交通流数据和气象数据这三类时序数据进行特征提取，并分别构建风险特征矩阵、交通流量特征矩阵q和天气特征矩阵w；

8、将距离邻接矩阵j与相似邻接矩阵s进行融合，形成融合邻接矩阵l；

9、将风险特征矩阵r、交通流量特征矩阵q、天气特征矩阵w和poi特征矩阵p进行融合，并归一化处理形成融合特征矩阵g；

10、将邻接矩阵l和融合特征矩阵g输入图卷积网络gcn处理，图卷积网络gcn输出信息输入门控循环单元gru处理，通过注意力机制对gru输出结果进行自适应权重动态分配；

11、注意力机制输出特征矩阵o通过激活函数输出预测结果。

12、进一步，基于聚类分析方法对研究网格的动态划分，具体如下：

13、将研究区域划分为a×b的基础网格；

14、根据基础网格的交通事故数量、交叉口数量、道路长度提取其交通特性；

15、

16、其中，pij表示第i行第j列的基础网格的交通事故数量；qij表示第i行第j列的基础网格的交叉口数量；lij表示第i行第j列的基础网格的道路长度；pmax表示所有基础网格的交通事故数量最大值；qmax表示所有基础网格的交叉口数量最大值；lmax表示所有基础网格的道路长度最大值；fij表示第i行第j列的基础网格的交通特性；

17、基于k-means将交通特性相似的邻近基础网格划分为相同簇，从而形成若干个单元网格，一个簇内的所有基础网格构成一个单元网格，具体为：

18、随机选择k个基础网格的交通特性向量作为初始的第k个簇的聚类中心

19、根据簇划分公式，将每个基础网格的交通特性向量分配到最近的聚类中心所对应的簇中；

20、

21、其中，表示第i行第j列基础网格第t次迭代时的簇标记，为第k个簇第t-1次迭代时的聚类中心；||·||表示欧几里得距离；

22、根据簇内所有基础网格的交通特性向量的均值确定第k个簇第t次迭代时的聚类中心：

23、

24、其中，表示第k个簇第t次迭代时的聚类中心，ck表示第k个簇，∣ck∣表示该簇的基础网格个数；

25、当则t＝t+1，重复步骤，直到停止迭代并输出聚类结果，得到u个单元网格。

26、进一步，对事故经纬度数据、卫星图像数据和poi数据这三类空间数据进行特征提取，并分别构建距离邻接矩阵j、相似邻接矩阵s和poi特征矩阵p，具体为：

27、提取交通事故数据中事故经纬度数据，将其匹配到相应的研究网格中，将平均历史事故经纬度作为对应网格的中心经纬度：

28、在u个单元网格中任选一个第u单元网格，则第u单元网格平均历史事故经纬度可表示为：

29、

30、其中，ulng表示第u单元网格中历史事故的平均经度；ulat表示第u单元网格中历史事故的平均纬度；n表示第u单元网格中的历史事故数量；xn,lng表示第u单元网格中第n起事故的经度；xn,lat表示第u单元网格中第n起事故的纬度；

31、根据各自中心经纬度计算不同研究网格之间的地理位置距离，构建距离邻接矩阵j，在u个单元网格中任选一个第u单元网格和第v单元网格，

32、第u单元网格与第v单元网格的距离du,v为：

33、

34、其中，vlng表示第u单元网格中历史事故的平均经度；vlat表示第u单元网格中历史事故的平均纬度；当u＝v时，du,v＝0；

35、构建距离邻接矩阵j：

36、

37、以各网格中心经纬度为中心获取地理卫星图像；

38、根据每个网格中的事故数量划分高中低事故频率地区，将相同事故频率的网格地理卫星图像归为一类；将不同事故频率地区的卫星图像输入cnn中经过卷积、池化操作提取图像视觉特征矩阵f；

39、通过欧式距离表示视觉特征矩阵f之间的相关性，构建相似邻接矩阵s；第u单元网格与第v单元网格的的视觉特征向量之间的欧式距离su,v为：

40、

41、其中，m表示卫星图像经过cnn提取出来的总特征值个数；fu,m单元网格u第m个特征代表的视觉特征矩阵；fv,m单元网格v第m个特征代表的视觉特征矩阵；

42、构建相似邻接矩阵s：

43、

44、通过地图软件api提取学校、医院、商业区、住宅区、交叉口处poi设施的信息，计算每个网格各类poi设施数量，生成poi特征矩阵p。

45、进一步，对道路网络结构、交通流数据和气象数据这三类时序数据进行特征提取，并分别构建风险特征矩阵r、交通流量特征矩阵q和天气特征矩阵w，具体为：

46、根据历史事故数据中的伤亡人数计算每个事故的风险指数ai,n，将各个事故风险指数聚合到对应网格中，得到每个网格的每日风险指数r'i,t′；

47、

48、

49、其中，ai,n表示第i单元网格第n起事故的风险指数，r'i,t′表示第t′天时第i单元网格的风险指数；

50、根据网格事故风险指数划分网格事故风险等级，构建风险特征矩阵r，风险特征矩阵r中元素为ri,t′，可表示为：

51、

52、其中，ri,t′表示第t′天时第i单元网格的风险等级，a为第一特定值，b为第二特定值，c为第三特定值，a<b<c；

53、通过车辆运行记录计算每日各网格的交通流量，根据每日交通流量构建每日网格的交通流量特征矩阵q；

54、根据气象数据匹配路网每日气温和天气情况，构建天气特征矩阵w。

55、进一步，将距离邻接矩阵j与相似邻接矩阵s进行融合，形成融合邻接矩阵l，具体为：

56、融合邻接矩阵l：l＝(1-α)j'+αs'；

57、其中，为归一化处理后的距离邻接矩阵；为归一化处理后的相似邻接矩阵，v和h表示距离邻接矩阵j与相似邻接矩阵s的度矩阵，α表示权重系数。

58、进一步，将邻接矩阵l和融合特征矩阵g输入图卷积网络gcn处理，具体为：

59、定义gcn层的前向传播过程：

60、

61、其中，

62、式中：h(l+1)表示gcn第l+1层的输出，d表示l的度矩阵，表示归一化的度矩阵，w(l)表示gcn中第l层的权重，σ表示relu激活函数。

63、进一步，图卷积网络gcn输出信息输入门控循环单元gru处理，具体为：

64、zτ＝σ(wzhτ+uzhτ-1+bz)

65、rτ＝σ(wrhτ+urhτ-1+br)

66、

67、

68、其中，hτ表示τ时刻的输入也就是τ时刻gcn的输出；zτ表示更新门；rτ表示重置门，表示候选隐藏状态；hv表示τ时刻的输出及隐藏状态；⊙是逐元素相乘；σ是sigmoid函数，tanh是双曲正切函数。wz表示输入hτ到更新门的权重矩阵；wr表示输入hτ到重置门的权重矩阵；wh表示输入hτ到候选隐藏状态的权重矩阵；uz表示τ-1时刻的hτ-1到更新门的权重矩阵；ur表示τ-1时刻的hτ-1到重置门的权重矩阵；bz表示更新门的偏置向量；br表示重置门的偏置向量；bh表示候选隐藏状态的偏置向量。

69、进一步，通过注意力机制对gru输出结果进行自适应权重动态分配，具体为：

70、计算第τ时间步的注意力权重，表示模型对于不同输入元素的关注程度，即每个元素对最终输出的贡献程度；

71、

72、其中，αt表示第τ时间步的注意力权重，tanh是激活函数，t是时间步的数量，wt表示相关性权重矩阵；

73、对每个时间步的隐藏状态进行加权求和，得到最终的注意力输出特征：

74、o＝ατhτ

75、其中，o表示注意力输出特征矩阵。

76、进一步，注意力机制输出特征矩阵o通过激活函数输出预测结果，具体为：

77、利用全连接层将o作为输入，得到一个输出矩阵y；

78、y＝sigmoid(wyo+by)

79、其中，y表示预测结果，即不同单元网格在未来某个时间步的交通事故预测值，sigmoid是激活函数，wy表示预测权重矩阵，by表示预测偏置向量。

80、一种基于时空数据融合的城市路网交通事故风险预测方法的预测系统，包括特征提取模块、空间卷积模块、时间卷积模块和注意力机制模块；所述特征提取模块用于提取与交通事故相关的空间特征和时序特征；所述空间卷积模块基于图卷积网络gcn，用于处理邻接矩阵l和融合特征矩阵g；所述时间卷积模块基于门控循环单元gru，所述空间卷积模块输出输入时间卷积模块；所述注意力机制模块对gru输出结果进行自适应权重动态分配。

81、本发明的有益效果在于：

82、本发明所述的基于时空数据融合的城市路网交通事故风险预测方法，考虑了交通事故的空间维度和时间维度的特征，构建了考虑时空因素的交通事故预测模型。该发明基于k-means聚类方法动态划分研究网格，构成拓扑图结构，利用图卷积网络进行学习，能够实现整个城市路网的交通事故风险预测。分别利用gcn和gru模型对空间特征与时序特征进行学习，同时考虑了欧式结构数据与非欧式结构数据，以确保能够充分挖掘空间特征和时序特征与交通事故的内在关联。注意力机制则让模型关注重要特征，忽略不相关的因素，提高模型的表示能力和预测性能。