面向交通事故预测的时空多模态点过程

交通事故预测对于构建智慧城市具有重要意义。然而发生在连续时间域上的交通事故数据同时包含具有不同语义特征的时间、空间模态信息,且这两种模态的不确定性存在差异,因此传统的序列建模方式无法全面描述交通事故的时空相关性,很难实现准确的交通事故预测,对此提出了一种面向交通事故预测的时空多模态点过程模型MSTPP。该模型设计了一种具有双解码器的seq2seq框架。在编码器中提出了衰减感知长短期记忆网络DLSTM用于编码在连续时间域中的交通事故事件序列,有效地融合不同模态信息以及建模事件序列的异步性。在解码阶段,使用两个特殊设计的解码器去处理模态间差异性。在两个真实的交通事故数据集上的实验结果表明,MSTPP在预测下一个交通事故发生的时间和区域任务上相比于其他基准模型具有最优的预测能力。     

道路交通事故径向基神经网络预测模型研究

道路交通事故预测的目的是为交通管理部门提供未来交通安全的发展趋势。论文在进行交通事故统计的基础上,运用径向基神经网络理论,利用Matlab软件建立交通事故预测模型,对1990年至2006年的交通事故死亡人数和经济损失进行网络训练和外推预测。计算结果表明,该模型预测和外推精度高,可用于交通事故预测。     

汽车交通事故混沌分析及预测方法

提出一种新型的事故混沌理论.利用混沌理论和故障树法分析了汽车交通事故中的混沌特性,建立了基于事故混沌理论的汽车交通事故预测模型,并分析了预测模型的最大可预测尺度.该预测模型利用相空间近邻等距法对交通事故中的混沌吸引子进行预测,从而实现了对汽车交通事故的预测.仿真结果表明事故混沌理论对分析和预测汽车交通事故是有效的.     

基于路网结构的城市交通事故短期风险预测方法

城市交通事故一般都发生在公共道路上,然而现有的交通事故风险预测算法都通过对预测区域进行规则网格化来确定预测空间单位,导致预测精度不高且实用价值较低。本文将道路路段作为预测单位,采用图卷积和长短期记忆网络,构建了一种基于路网结构的城市交通事故短期风险预测方法(traffic accidents risk prediction based on road network,TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测,从而可以有针对性地进行治理,减少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练,并与4种常用的计量经济学模型和3种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率和漏报率等方面都优于已有算法。     

基于灰色Verhulst和HMM的交通事故预测算法

道路交通事故预测是保证道路佳通安全的重要技术,以往的道路交通事故预测方法往往具有预测精度不高和收敛速度慢的缺点,为此,设计了一种基于灰色Verhulst模型和隐形马尔科夫链的交通事故预测方法;首先,采用灰色Verhulst模型对观察事件在下一时刻的状态进行预测,采用最小二乘估计法去估计模型中的参数,将预测结果用于初始化HMM模型,并采用前向算法和后向算法对HMM模型进行训练,获得最终的初始分布矩阵、状态转移概率和观察概率分布矩阵,然后采用最终的HMM模型进行交通事故预测;仿真试验结果表明:文中方法能有效地实现交通事故预测,较其它方法相比,具有预测精度高和收敛速度快的优点,具有一定的优越性.     

融合局部和全局时空特征的交通事故风险预测

交通事故预测在城市公共安全、应急处置以及建设规划方面发挥着重要的作用.然而,在预测交通事故风险时仍然存在以下问题:首先交通事故的发生受到众多因素的影响,例如天气、道路状况等.其次交通事故的发生在空间范围内存在多尺度的时空依赖,主要包括局部区域的时空相关性和全局区域的时空相似性.同时,由于实际场景中交通事故发生次数相对较少,给预测带来了零膨胀问题.因此,对交通事故进行准确的预测具有很大的挑战,现有的预测方法无法综合考虑上述问题.提出了一种新颖的融合局部和全局时空特征的交通事故风险预测模型(ST-RiskNet),同时考虑时间、天气、交通流量等影响事故发生的多源因素,通过局部区域时空相关性模块和全局区域时空相似性模块同时建模多尺度的时空相关性和相似性,并设计样本加权损失函数,针对事故风险较大的样本设置较大的权重来解决零膨胀问题.在两个真实交通事故数据集的结果表明,ST-RiskNet的预测效果优于现有的预测方法.     

基于灰色关联的LS-SVM道路交通事故预测

为提高道路交通事故的预测精度以及建模速度,在分析道路交通事故影响因素基础上,提出了基于灰色关联分析的LS-SVM道路交通事故预测模型。该模型首先采用灰色关联分析完成影响因素的相关性分析,结合关联度值,筛选最小二乘向量机模型的输入变量,简化LS-SVM模型结构;然后运用动态改变惯性权重自适应粒子群算法(DCW-APSO)对模型参数进行优化选取;最后应用模型预测1996-2000年的综合道路交通事故死亡率,并将预测结果与其他模型进行对比分析。结果表明：该模型具有较快的收敛速度,并能明显提高道路交通事故预测的精度。     

基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。     

基于改进BP神经网络的道路交通事故预测

道路交通事故因受多种随机因素的影响而呈现出非线性的特点,传统的线性分析方法无法完全揭示其内涵。在分析道路交通事故与人、车、路等因素关系的基础上,利用神经网络具有描述非线性特性的能力,将影响交通事故的多种因素综合起来建立了基于改进BP神经网络的道路交通事故预测模型。选取人口密度、路网密度和机动车辆密度作为交通事故预测模型的输入神经元,采用道路交通综合死亡率作为道路交通事故的输出评价指标,对道路交通事故进行预测。实验结果表明,该预测模型能很好地适用于道路交通事故预测,验证了该模型的可行性和有效性。     

基于神经网络的交通事故仿真预测方法

通过对道路交通事故影响因素的分析,建立了关于道路交通事故影响因素的层次结构模型,并根据此模型建立基于RBF神经网络的道路交通事故计算机仿真预测方法.结合我国1978～2007年道路交通事故次数对RBF神经网络进行训练、检验和预测,同时与BP神经网络预测方法进行比较.结果表明RBF神经网络的平均误差和收敛次数分别为1.19%和701次,而BP神经网络则为9.8%和2401次,可见RBF神经网络具有更快的运算速度和更高的精度.     

基于灰色加权马尔可夫SCGM(1,1)c的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。基于灰色系统理论和马尔可夫链理论,应用系统云灰色模型SCGM(1,1)c拟合道路交通时序数据的总体趋势,所得拟合指标是随机波动的。马尔可夫链原理适合处理波动性大的系统过程,因此选用能更好解决随机波动性的加权马尔可夫链预测方法,提出一种用于道路交通事故次数预测的灰色加权马尔可夫SCGM(1,1)c模型,它适用于时间序列短,数据量少且随机波动不太大的动态过程预测。以某市1975—2010年道路交通事故次数为例进行了预测分析,结果表明该模型既能揭示交通事故次数变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性。     

基于最优加权组合模型的道路交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。针对各种单一灰色预测模型存在的局限性,建立了一种基于最优加权的灰色组合预测模型。根据我国道路交通事故的发展情况,建立了GM（1,1）、Verhulst和SCGM（1,1）c相结合的组合预测模型,运用最优加权法确定组合预测模型的权重系数。利用2001-2007年我国道路交通事故死亡人数的实际值作为原始数据,构建各个单一预测模型和最优组合预测模型,预测其2008-2010年交通事故死亡人数。预测结果表明,组合预测模型比单一GM（1,1）模型、Verhulst模型和SCGM（1,1）c模型具有更高的预测精度。     

基于运营管理视角的高速公路事故等级划分

通过分析高速公路运营管理者对交通事故等级划分的需求,以交通事故的延迟时间及应急处置联动程度为主要研究对象。以预测决策树的方法,建立了交通事件延迟时间预测体系。并以每个参与交通事故应急处置的部门为指标,建立了交通事件应急处置联动等级划分体系。在综合了交通事故延迟时间及应急处置联动等级划分体系后,建立了基于高速公路运营管理视角的交通事故等级划分方法,从而解决了在不同环节上,高速公路营运管理部门的交通事件等级划分问题。     

一种基于贝叶斯网络模型的交通事故预测方法

大部分的交通事故都可以预测.有效的交通事故预测能从很大程度上减少人员伤亡和交通阻塞.贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一.该文提出了一种基于贝叶斯网络模型理论的交通事故预测方法.在综合考虑交通事故成因的基础上利用领域专家知识构建网络模型,在已有的事故数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算事故发生的可能性,达到事故预测的目的.文章的最后,通过历史数据进行仿真实验,对仿真结果和该模型的适用范围进行了分析.     

基于时空图卷积网络的交通事故风险预测研究

交通事故的预测是通过对过去路段发生的交通事故进行分析,在综合考虑影响交通事故的相关因素后,对未来路段的交通事故发生状态进行预测。以往的大多数研究通常采用传统机器学习方法或单一深度学习模型预测法,利用网格化确定预测空间的单位,忽略了影响交通事故的天气、路况等外部因素,导致模型的预测性能不佳。提出一种基于时空特性的城市交通事故风险预测模型,在模型中使用改进的时空图卷积网络,利用图卷积网络（GCN）提取空间相关特征,并加入批标准化层解决梯度消失爆炸问题。在时间维度上采用门控线性单元（GLU）实现一维卷积操作,提取时间相关特征,并将GCN和GLU组合成时空卷积模块提取时空相关特征,使用均方误差损失函数解决样本数据零膨胀问题。实验结果表明,与GLU、SDCAE和ConvLSTM模型相比,该模型的RMSE指标分别降低了28%、4.87%、4.19%,能有效捕获时空相关性,综合性能得到较大提升。     

基于组合模型的交通事故严重程度预测方法

由于各个单一分类模型对道路交通事故严重程度预测的局限性,本文致力于建立一种组合模型。本文结合卷积神经网络提取时空维度中的特征信息,采用stacking方式将CNNs与XGBoost组合,最终生成道路交通事故严重性的分类模型（多层提升方法）,实验结果表明,此模型在测试集上预测精度为91.51%,组合模型比单一分类模型具有更好的分类结果。基于组合模型的分类结果,对交通事故特征进行重要性排序,开展特征相关性分析,为减少道路交通事故及减轻道路交通事故严重等级的管理措施提供参考依据。     

基于改进PSO优化SVR的交通事故预测模型

为了有效预测交通事故,提出一种基于改进粒子群算法优化支持向量回归机的预测模型。改进粒子群算法利用网格搜索对全局最优粒子的邻域进行精细搜索,结合粒子群算法较快的收敛速度和网格搜索较强局部搜索能力的优点,提高了支持向量回归机相关参数的优化精度,进而改善了交通事故预测模型的预测性能。仿真结果表明,基于改进粒子群算法优化支持向量回归机的交通事故预测模型达到了较快的学习速度和较高的预测精度,具有良好的工程应用性。      

道路交通事故中关联规则挖掘研究

为了有效地对交通事故进行预测,发现交通事故中的潜在规律,本文通过多维关联规则挖掘方法在Clemetine 11.0中建立Apriori关联规则挖掘模型,挖掘导致交通事故发生的频繁因素组合,从中找到规律,从而为交通管理部门采取相应的预防措施提供决策支持。     

基于AdaBoost分类器的实时交通事故预测

传统的道路交通事故预测是对交通事故次数及其造成的损失的历史趋势进行预测,针对其不能反映交通事故与实时交通特性关系、不能有效地预防事故发生的问题,提出一种基于AdaBoost分类器的交通事故实时预测的方法。首先,将交通道路划分为正常、危险两种交通状态,利用实时采集的交通流数据作为特征变量对不同的状态进行表征,将事故的实时预测问题转化为分类问题;然后,采用Parzen窗非参数估计的方法对两种状态在不同时间尺度下候选交通流特征的概率密度函数（PDF）进行估计,利用基于概率分布的可分性判据分析估计的密度函数,选择合适的特征变量及时间尺度,确定样本数据;最后,根据样本数据训练AdaBoost分类器对不同的交通状态进行分类识别。实验结果表明,采用交通流特性的标准差特征对测试样本分类的正确率比平均值特征高7.9%,更能反映不同交通状态的差别,获得更好的分类结果。     

基于新维无偏灰色马尔可夫的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。在传统灰色预测模型和马尔可夫链理论的基础上,利用新信息优先的思想,建立了等维新息无偏灰色马尔可夫预测模型。该模型通过结合灰色预测与马尔可夫链理论的特点,用无偏灰色预测模型拟合系统的发展变化趋势,并以此为基础进行马尔可夫预测,在每一步预测中不断推陈出新,更新原始数据。以2001年—2010年全国道路交通事故死亡人数实测值作为原始数据,构建预测模型,预测其2011年—2015年事故死亡人数。结果表明：等维新息无偏灰色马尔可夫预测模型的误差更小,精度更高,尤其适合中长期预测。