一种基于硬参数共享多任务学习的交通事故预测方法技术

本发明专利技术提出了一种基于硬参数共享多任务学习的交通事故预测方法，其步骤如下：对交通事故原始数据进行预处理；对影响交通事故发生的外部因素的数据进行处理分别得到静态因素数据和动态因素数据；通过多通道卷积网络和压缩

【技术实现步骤摘要】
一种基于硬参数共享多任务学习的交通事故预测方法


[0001]本专利技术涉及交通事故预测的
，尤其涉及一种基于硬参数共享多任务学习的交通事故预测方法。

技术介绍

[0002]随着城市的快速发展和交通流量的急剧增加，发生交通事故的频率也明显增加。根据世界卫生组织(WHO)2018年全球道路安全状况的报告，每年约有135万人死于道路交通事故，另有2000万至5000万人遭受非致命性伤害，其中许多人因此残疾。道路交通事故给个人、家庭和整个国家带来了巨大的经济损失，其损失占大多数国家国内生产总值的3％。交通事故预测可以帮助政府和政策制定者采取某些方法和策略来减少交通事故造成的损失。对于个人来说，交通事故预测可以帮助人们通过提前预警来避免交通事故。
[0003]早期，一些传统的基于统计和线性回归的方法，如支持向量机(SVM)和自回归综合移动平均(ARIMA)被广泛用于预测交通事故。它们把一个地区的交通事故数量作为时间序列数据，这种方法的局限性在于不能捕捉到不同地区间交通事故复杂的空间和时间相关性。近年来，随着交通数据的普及和深度学习技术的发展，各种深度学习模型，如长短时记忆网络(LSTM)、卷积神经网络(CNN)、基于自动编码器(AE)和基于时空注意力等被应用于预测整个城市的交通事故。深度学习模型可以有效地学习交通事故数据的非线性时空关联性，与传统方法相比，这是一个很大的进步。然而，这些深度学习方法仍然存在着一些问题。
[0004]首先，这些深度学习方法对区域划分的主要方式是网格图，即把整个城市划分为若干个方格。这种方式破坏了地理的固有属性，打破了空间上固有的地理信息，而且预测的结果很难与原始的交通区域相匹配。其次，这些深度学习方法大多只预测未来交通事故的风险指数这一个任务。交通风险指数是一个很模糊的指标，对于非专业人士来说可以获得的信息不够明确且过于单一。第三，这些深度学习方法在考虑外部因素对交通事故的影响时，大多将其作为固有特征加入到模型中，而不考虑其对交通事故不同的影响程度。最后一个问题是所有交通事故预测模型均存在的共性问题，即由于交通事故的发生是一个小概率事件，从而导致在很长一段时间内只有少量的非零样本。这就导致了严重的样本不平衡问题，影响模型的预测效果。

技术实现思路

[0005]针对现有交通事故预测方法预测精度低，预测结果不全面的技术问题，本专利技术提出一种基于硬参数共享多任务学习的交通事故预测方法，通过构建一个硬参数共享底层将多个交通事故预测任务的模型参数共享，使多个任务结合在一起相互影响，能够实现全面的交通事故预测；且由于多任务学习可以相互促进的特性，每个预测任务的精度都会比单独进行预测时的精度要高。
[0006]为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于硬参数共享多任务学习的交通事故预测方法，其步骤如下：
[0007]步骤S1：对交通事故原始数据进行预处理，得到多个预测任务的历史数据；
[0008]步骤S2：对预处理后的历史数据中影响交通事故发生的外部因素的数据进行处理，分别得到静态因素数据和动态因素数据；
[0009]步骤S3：利用多通道卷积网络、压缩
‑
激发网络、Transformer网络和注意力长短期记忆网络搭建多任务学习架构的硬参数共享底层；
[0010]步骤S4：通过多通道卷积网络和压缩
‑
激发网络的共同作用提取各种静态因素数据的特征，得到静态因素相关性信息；
[0011]步骤S5：通过Transformer网络提取各种动态因素数据的特征，得到随时间变化影响交通事故发生的动态因素相关性信息；
[0012]步骤S6：将静态因素相关性信息和动态因素相关性信息与多个预测任务的历史数据进行信息融合来提取外部因素对交通事故的影响，得到信息融合数据；利用注意力长短期记忆网络对信息融合数据进行处理捕捉交通事故复杂的时间相关性；
[0013]步骤S7：根据不同的预测任务分别构建其特定的网络层，在特定的网络层分别提取不同预测任务的特定表示，得到不同预测任务的预测值；
[0014]步骤S8：构建多个预测任务的联合损失函数，将多个预测任务的历史数据按照比例8：2划分为训练集和测集，利用Adam优化器和训练集优化硬参数共享底层和特定的网络层得到预测模型；
[0015]步骤S9：保存训练好的预测模型，使用测试集对预测模型进行预测，得到多个交通事故预测任务的预测结果。
[0016]优选地，所述多个预测任务包括：预测交通事故风险指数任务、预测是否会发生交通事故任务、预测交通事故风险等级任务。
[0017]优选地，所述步骤S1中预处理的实现方法为：对于预测交通事故风险指数任务的历史数据，根据交通事故原始数据在一定时间内发生的交通事故数量及严重程度进行加权得到交通事故风险指数值：
[0018][0019]其中，Δt为时间间隔，d为区域，s为受伤的严重程度，按照轻伤有意识、轻伤无意识、重伤、死亡分为4级，为在区域d、时间间隔Δt内受伤程度为s的人数；score
Δt,d
表示在区域d、时间间隔Δt内的交通事故风险指数值；
[0020]对于预测是否会发生交通事故任务的历史数据，根据交通事故原始数据采取布尔值进行二分类，若在一定时间间隔内某区域d内发生了交通事故则记为1，若没有发生则记为0；
[0021]对于预测交通事故风险等级任务的历史数据，将得到的所有时间所有区域的交通事故风险指数值按照从小到大的顺序排列，剔除相同值，然后按照6：3：1的比例将风险指数划分三个取值范围，分别记作低风险、中风险和高风险三个风险等级。
[0022]优选地，所述步骤S2中得到静态因素数据和动态因素数据的方法为：将交通事故原始数据中影响交通事故的外部因素中不随时间发生变化的因素的数据归纳整合在一起作为静态因素数据；将交通事故原始数据中影响交通事故的外部因素中随时间发生变化的
因素的数据归纳整合在一起作为动态因素数据；不随时间发生变化的因素包括兴趣点、道路特征或行政区域人口；随时间发生变化的因素包括天气、交通流量或日期。
[0023]优选地，所述步骤S4中多通道卷积网络和压缩
‑
激发网络的处理方法为：将每种静态因素数据视为一个特征通道输入到多通道卷积网络中，多通道卷积网络通过多个通道卷积层的作用将其通道数压缩至与批大小相同，学习和聚合不同静态因素数据的特征在局部感受野上的表征；
[0024]将多通道卷积网络输出的数据输入到压缩
‑
激发网络中，通过自适应全局平均池化层将多通道卷积网络输出的数据顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，然后通过两个全连接层和两个激活层分别为每个特征通道生成权重，其中的参数被学习用来显式地建模特征通道间的相关性；最后与多通道卷积网络输出的数据逐通道进行点积求和完成对静态因素数据的相关性加权处理，得到包含相关性的带权静态因素数据即静态因素相关性信息；其中，两个激活层的激活函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于硬参数共享多任务学习的交通事故预测方法，其特征在于，其步骤如下：步骤S1：对交通事故原始数据进行预处理，得到多个预测任务的历史数据；步骤S2：对预处理后的历史数据中影响交通事故发生的外部因素的数据进行处理，分别得到静态因素数据和动态因素数据；步骤S3：利用多通道卷积网络、压缩
‑
激发网络、Transformer网络和注意力长短期记忆网络搭建多任务学习架构的硬参数共享底层；步骤S4：通过多通道卷积网络和压缩
‑
激发网络的共同作用提取各种静态因素数据的特征，得到静态因素相关性信息；步骤S5：通过Transformer网络提取各种动态因素数据的特征，得到随时间变化影响交通事故发生的动态因素相关性信息；步骤S6：将静态因素相关性信息和动态因素相关性信息与多个预测任务的历史数据进行信息融合来提取外部因素对交通事故的影响，得到信息融合数据；利用注意力长短期记忆网络对信息融合数据进行处理捕捉交通事故复杂的时间相关性；步骤S7：根据不同的预测任务分别构建其特定的网络层，在特定的网络层分别提取不同预测任务的特定表示，得到不同预测任务的预测值；步骤S8：构建多个预测任务的联合损失函数，将多个预测任务的历史数据按照比例8：2划分为训练集和测集，利用Adam优化器和训练集优化硬参数共享底层和特定的网络层得到预测模型；步骤S9：保存训练好的预测模型，使用测试集对预测模型进行预测，得到多个交通事故预测任务的预测结果。2.根据权利要求1所述的基于硬参数共享多任务学习的交通事故预测方法，其特征在于，所述多个预测任务包括：预测交通事故风险指数任务、预测是否会发生交通事故任务、预测交通事故风险等级任务。3.根据权利要求2所述的基于硬参数共享多任务学习的交通事故预测方法，其特征在于，所述步骤S1中预处理的实现方法为：对于预测交通事故风险指数任务的历史数据，根据交通事故原始数据在一定时间内发生的交通事故数量及严重程度进行加权得到交通事故风险指数值：其中，Δt为时间间隔，d为区域，s为受伤的严重程度，按照轻伤有意识、轻伤无意识、重伤、死亡分为4级，为在区域d、时间间隔Δt内受伤程度为s的人数；score
Δt,d
表示在区域d、时间间隔Δt内的交通事故风险指数值；对于预测是否会发生交通事故任务的历史数据，根据交通事故原始数据进行二分类，若在一定时间间隔内某区域d内发生了交通事故则记为1，若没有发生则记为0；对于预测交通事故风险等级任务的历史数据，将得到的所有时间所有区域的交通事故风险指数值按照从小到大的顺序排列，剔除相同值，然后按照6：3：1的比例将风险指数划分三个取值范围，分别记作低风险、中风险和高风险三个风险等级。4.根据权利要求2或3所述的基于硬参数共享多任务学习的交通事故预测方法，其特征
在于，所述步骤S2中得到静态因素数据和动态因素数据的方法为：将交通事故原始数据中影响交通事故的外部因素中不随时间发生变化的因素的数据归纳整合在一起作为静态因素数据；将交通事故原始数据中影响交通事故的外部因素中随时间发生变化的因素的数据归纳整合在一起作为动态因素数据；不随时间发生变化的因素包括兴趣点、道路特征或行政区域人口；随时间发生变化的因素包括天气、交通流量或日期。5.根据权利要求4所述的基于硬参数共享多任务学习的交通事故预测方法，其特征在于，所述步骤S4中多通道卷积网络和压缩
‑
激发网络的处理方法为：将每种静态因素数据视为一个特征通道输入到多通道卷积网络中，多通道卷积网络通过多个通道卷积层的作用将其通道数压缩至与批大小相同，学习和聚合不同静态因素数据的特征在局部感受野上的表征；将多通道卷积网络输出的数据输入到压缩
‑
激发网络中，通过自适应全局平均池化层将多通道卷积网络输出的数据顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，然后通过两个全连接层和两个激活层分别为每个特征通道生成权重，其中的参数被学习用来显式地建模特征通道间的相关性；最后与多通道卷积网络输出的数据逐通道进行点积求和完成对静态因素数据的相关性加权处理，得到包含相关性的带权静态因素数据即静态因素相关性信息；其中，两个激活层的激活函数分别为ReLu激活函数和Sigmoid激活函数。6.根据权利要求5所述的基于硬参数共享多任务学习的交通事故预测方法，其特征在于，所述步骤S5中动态因素相关性信息的获取方法为：将动态因素数据输入到Transformer网络中，通过多头自注意力层计算不同属性的动态因素在其子空间内的动态相关性权重，然后在多头自注意力联合层将不同子空间中的信息合并；将合并后的数据通过残差连接、归一化后送入前馈网络，将前馈网络的输出数据通过残差连接、归一化后得到包含动态相关性的带权动态因素数据，即动态因素相关性信息；所述步骤S6中的信息融合的实现方法为：将多个预测任务的历...

【专利技术属性】
技术研发人员：周毅，侯宏鑫，王力，宁念文，石华光，张延宇，
申请(专利权)人：河南大学，
类型：发明
国别省市：