一种基于多源风险的城市主次干路网交通事故风险评估方法

本发明涉及一种基于多源风险的城市主次干路网交通事故风险评估方法，属于智能交通。

背景技术：

1、城市主次干路交通担负着城市内各类车辆的行驶和交通运输活动，是城市道路交通的重要载体，对城市的经济、社会和环境等各个方面都有着重要影响。相比于其它道路交通环境而言，城市时空范围内往往汇聚了较多的道路交通风险元素，这些来自不同风险源的风险元素之间相互作用普遍，使得城市主次干路呈现出交通事故高发的特征。传统的道路交通事故防控技术主要是在交通事故发生之后对事故频发的“事故黑点”进行识别和重点关注，这种交通安全管理模式存在“事后性”和“被动性”的缺点，不能满足道路交通事故风险事前预防的需求。因此，需要一种对城市主次干路的交通事故风险进行实时评估的技术，对高风险情况进行及时预警和干预，从源头上降低交通事故发生可能性。

2、近年来，随着信息采集、传输、处理等技术的快速发展，数据获取来源渠道逐渐增多、数据融合技术逐渐丰富，基于多源风险数据的交通事故风险实时感知与量化评估逐渐成为道路交通安全研究与技术应用的重要发展方向。但是在获取了道路交通系统多源风险高维度的时空数据之后，如何基于多源风险精准地对事故风险进行量化评估仍然是一大难题。此外，传统技术主要侧重单一道路类型(如高速公路、快速路)的交通事故风险评估工作，这些技术成果无法满足城市主次干路网层面风险全时、全域精准感知和综合量化的需求。

3、针对现有的实时风险评估模型普遍存在的难以在时空层面对多源风险进行表征、难以对多源风险进行融合的问题提出本发明，旨在设计一种实现城市主次干路网层级的交通事故风险实时评估的模块。

技术实现思路

1、发明目的：本发明主要解决城市主次干路网交通事故风险评估的问题，提出一种基于多源风险的城市主次干路网交通事故风险评估方法。

2、技术方案：为实现上述目的，本发明提出一种基于多源风险的城市主次干路网的交通事故风险评估方法，该方法包括以下步骤：

3、s1、获取待评估城市主次干路网上的历史交通事故样本、未发生事故的非事故样本，以及历史交通流、道路特征和天气状况数据集；

4、s2、根据时间、地点信息，对s1所述样本的所在路段以及相邻路段的交通流风险源、道路特征风险源和天气状况风险源进行特征提取，并对多源风险进行特征融合，构建风险评估模型；

5、s3、在风险评估模型中输入数据集进行模型训练，根据最大约登指数选择最佳风险分级阈值；

6、s4、实时获取待评估道路上的交通流、道路特征和天气状况数据，使用s2和s3确定的风险评估模型实时计算待评主次干路上的风险水平。

7、进一步的，步骤s1的具体方法如下：

8、s101、所述历史交通事故样本集包括事故发生的时间和地点信息，时间精确到分钟，位置为所在的路段id信息，所述非事故样本集是在除发生事故以外的时间随机提取的样本集，包含时间和地点信息；

9、s102、交通流数据集由车辆的gps装置获取，包括速度标准差、拥堵水平参数，以及参数采集时间，精确到分钟级、地点信息，即所在路段id；所述道路特征数据集包括车道数量、车道宽度、路段限速参数和路段id信息；所述天气状况数据集由预设位置的气象站获取，包括能见度、风速、降雨量参数，以及参数的采集时间，精确到小时；

10、s103、将s101中所述的事故样本集中的事故样本标签标注为1，将非事故样本集中的非事故样本的标签标注为0。

11、进一步的，步骤s2的具体方法如下：

12、s201、将原始的主次干路连接关系转换为可输入模型的图结构，原始的主次干路网连接关系表示为：

13、g0＝{v0,e0}

14、其中，e0代表主次干路网上路段的集合，v0代表路段间连接点的集合；

15、将主次干路网连接关系中的路段集合与连接点的集合进行相互转换，得到可输入的图结构：

16、g＝(v,e,a)

17、式中，v是图结构中的节点，由路段集合e0转换而来；e是图结构中的边，表示节点之间的连接边，由路段连接点的集合转换而来；a为邻接矩阵，表示图结构中任意两节点之间的连通性，若aij等于1，代表第i个节点与第j个节点直接相连；若没有直接相连，aij等于0；

18、s202、所述道路特征风险源特征提取是指基于s201所述的图结构g，利用空间图卷积网络操作对s1中所述的样本所在的路段以及与其直接相连的邻接路段的道路特征信息进行聚合和提取的过程，方法如下：

19、对于s1所述某样本所在的第i条路段，在第l层信息聚合层上对自身以及邻接路段的道路特征信息进行聚合后，输出特征表示为：

20、

21、式中，j代表第i条路段自身以及其邻接路段，第i条路段自身及其邻接路段j共同构成了路段集合n(i)，cij等于n(i)和n(j)分别代表第i条路段和第j条路段的节点度；代表来自于路段j在第l层信息聚合层上的输入特征；wl和bl分别为第l层上的训练权重和偏差；bn是指利用批量标准化方法对特征进行归一化处理，非线性激活函数采用的是relu函数；

22、将s1中所述的道路特征数据输入空间图卷积网络中提取道路特征风险源其中，n为路段的数量，froad是空间图卷积网络输出特征的维度；

23、s203、交通流风险源特征提取是指利用时空图卷积网络在时间和空间维度分别对交通流信息进行聚合和提取的过程，方法如下：

24、在空间维度上，利用s202所述空间图卷积网络在每个时间片段上对自身以及邻接路段的交通流信息进行聚合，所述时间片段为s101所述样本发生时间前5～10分钟、10～15分钟与15～20分钟三个时间片段，在时间片段t上，对于s1所述某样本所在的第i条路段，聚合了自身以及邻接路段的交通流信息后，输出特征表示为：

25、

26、式中，j代表第i条路段自身以及邻接路段，代表来自于第j条路段在时间片段t上的输入特征；

27、在时间维度上，利用时间卷积网络对交通流信息进行进一步的聚合，对于第i条路段，在第l层时间卷积层上的通道m的输出特征表示为：

28、

29、式中，*代表互相关算符，f为输入通道的数量，是通道k的输入特征，和为第l层通道k上的训练权重和偏差，σ为激活函数；

30、空间图卷积网络层和时间卷积网络层组成时空卷积模块，时空卷积模块组成时空图卷积组件，将s1中所述的交通流数据作为特征输入时空图卷积组件中，经过上述操作提取交通运行状态风险源特征其中，ftraffic是时空图卷积模块输出特征的维度；

31、s204、天气状况风险源特征提取是指采用全连接层模块降低输入的天气状况信息的维度以及噪声，将s1中所述的天气状况数据作为特征输入全连接层模块中提取天气状况风险源特征其中，fweather是全连接层模块输出特征维度；

32、s205、所述多源风险特征融合是指利用基于注意机制的特征融合模块对多源风险riroad，ritraffic和riweather进行特征融合；

33、将风险源特征riroad，ritraffic和riweather拼接成向量ri后乘以三个不同的权重矩阵wq，wk和wv得到查询向量qi、键向量ki和值向量vi；将键向量ki和查询向量qi相乘得到关联强度矩阵ai，对关联强度矩阵ai通过归一化处理得到注意权重矩阵ai'；将值向量vi与注意权重矩阵ai'相乘后得到特征融合向量oi；

34、利用sigmoid函数对特征融合向量oi处理获得交通事故风险评估值ri：

35、ri＝sigmoid(wt·oi+b)

36、式中：wt和b为输出层的可训练参数，t为转置符号。

37、进一步的，步骤s3的具体方法如下：

38、s301、将s1所述数据集输入s2所述模型进行训练，输出数据集的交通事故风险评估值集合r＝{rn}；

39、s302、以0为初值、1为终值、0.001为步长构造分类阈值序列c＝{cj}，对于任一分类阈值cj，将风险评估值集合r中所有的风险评估值依次与其进行比较：

40、

41、其中，为经比较后评估的是否会发生事故，yn为真实情况下是否发生了事故，当时，记为真阳性tpn；当yn＝0时，记为假阳性fpn；当yn＝1时，记为假阴性fnn；当时，记为真阴性tnn，集合r中所有的评估值均与该分类阈值cj比较后，分别统计真阳性tpn的数量tp、假阳性fpn的数量fp、假阴性fnn的数量fn以及真阴性tnn的数量tn，并计算该阈值cj下的召回率tprj和误报率fprj：

42、

43、

44、将分类阈值序列c＝{cj}中所有的cj遍历完后，获得召回率集合tpr＝{tprj}和误报率集合fpr＝{fprj}；

45、s303、所述约登指数为每一个分类阈值cj对应的tprj与fprj的差值，选取约登指数最大处对应的cj为判断事故发生与否的最佳分类阈值

46、进一步的，步骤s4的具体方法如下：

47、s401、对于待评估主次干路，采集s1中所述的实时交通流、道路特征和实时天气状况信息数据；

48、s402、将待测数据输入s2所述的风险评估模型对当前路段风险指数进行实时评估，如果风险值低于s303中所述的最佳分类阈值则认为当前情况属于低风险，不需要采取干预也不需要发布预警信息；如果风险值高于s303中所述的最佳分类阈值则认为当前情况为高风险场景，发布预警信息并采取干预措施降低风险。

49、有益效果，与现有技术相比，本发明的技术方案具有如下有益技术效果：

50、本发明的实用解决了城市主次干路网交通事故风险实时评估的难点，实现了对城市主次干路交通事故风险进行实时评估和预警的功能，提高交通系统运行的安全性和可靠性。