[發(fā)明專利]基于深度學(xué)習(xí)的高速公路交通事故嚴(yán)重度預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201810353740.1
• 申請日: 2018-04-19
• 公開（公告）號: CN108665093B
• 公開（公告）日: 2021-07-27
• 發(fā)明（設(shè)計）人: 何杰;章晨;劉子洋;邢璐;周博見
• 申請（專利權(quán)）人: 東南大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 常虹

1.基于深度學(xué)習(xí)的高速公路交通事故嚴(yán)重度預(yù)測方法，其特征在于，包括如下步驟：

(1)收集L個交通事故發(fā)生時的道路條件、駕駛員情況、車輛情況等M個變量因素，構(gòu)成樣本集S＝(s₁,s₂,…,s_L)，其中s_l＝(f_1l,f_2l,…,f_Ml)^T，f_hl為編號為l的事故的第h個變量因素；記錄每個交通事故的嚴(yán)重度值，r_l為編號為l的事故的嚴(yán)重度值，h＝1..M，l＝1..L；

(2)對收集到的L個事故樣本的變量因素進行降維和歸一化，設(shè)降維后的樣本s_l′為I維，IM，s_l′＝(f_1l′,f_2l′,…,f_Il′)^T，f_il′為降維后保留的變量因素，i＝1..I；

歸一化處理的公式為：

x_il＝(f_il′-MinValue)/(MaxValue-MinValue)

其中x_il為變量因素f_il′歸一化后的值，MinValue為{f_i1′,f_i2′,…,f_iL′}中的最小值，MaxValue為{f_i1′,f_i2′,…,f_iL′}中的最大值；

(3)建立深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，構(gòu)建交通事故嚴(yán)重度預(yù)測模型；

(4)將待預(yù)測事故的變量因素按照步驟(2)中的降維方法進行降維，得到降維后的待預(yù)測事故變量因素向量x，將x代入步驟(3)建立的交通事故嚴(yán)重度預(yù)測模型中，得到待預(yù)測事故的嚴(yán)重度預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的高速公路交通事故嚴(yán)重度預(yù)測方法，其特征在于，所述道路條件包括坡度方向、平曲線方向，分別由0或1表示正或負(fù)。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的高速公路交通事故嚴(yán)重度預(yù)測方法，其特征在于，所述駕駛員情況包括駕駛員年齡、駕駛員性別；其中駕駛員性別由0或1表示男或女。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的高速公路交通事故嚴(yán)重度預(yù)測方法，其特征在于，所述車輛情況包括事故車輛車齡。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的高速公路交通事故嚴(yán)重度預(yù)測方法，其特征在于，步驟(2)中采用主成分分析法對變量因素樣本集S進行降維。

6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的高速公路交通事故嚴(yán)重度預(yù)測方法，其特征在于，步驟(2)中采用獨立成分分析法對變量因素樣本集S進行降維。

7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的高速公路交通事故嚴(yán)重度預(yù)測方法，其特征在于，步驟(3)中構(gòu)建交通事故嚴(yán)重度預(yù)測模型的步驟為：

(3.1)建立具有一層隱含層的神經(jīng)網(wǎng)絡(luò)，所述神經(jīng)網(wǎng)絡(luò)輸入層有I個輸入單元，整個輸入層為經(jīng)步驟(2)降維和歸一化后的樣本x_l＝(x_1l,x_2l,…,x_Il)^T，l＝1..L；所述神經(jīng)網(wǎng)絡(luò)的隱含層具有J個神經(jīng)元；所述神經(jīng)網(wǎng)絡(luò)的輸出層有K個輸出單元，K＝1，為事故的嚴(yán)重度值；

(3.2)建立隱含層與輸入層連接權(quán)重矩陣，公式如下：

其中H_j(l)為用第l個樣本作為輸入時隱含層第j個節(jié)點的值，g_j是隱含層第j個節(jié)點的激活函數(shù)，表示輸入層第i個節(jié)點和隱含層第j個節(jié)點的連接權(quán)重；j＝1..J；

(3.3)建立隱含層與輸出層連接權(quán)重矩陣，公式如下：

其中ψ_k(l)為用第l個樣本作為輸入時輸出層第k個節(jié)點的值，g_k是輸出層第k個節(jié)點的激活函數(shù)，表示輸出層第k個節(jié)點和隱含層第j個節(jié)點的連接權(quán)重；k＝1..K；

(3.4)通過Back-propagation算法分別計算輸出層和隱含層的梯度，依據(jù)梯度確定每一迭代過程中連接權(quán)值的初始變化量，最后根據(jù)設(shè)定好的學(xué)習(xí)速率對權(quán)值進行更新，公式如下：

e_k(m)＝O_k(m)-ψ_k(m)

為第m個樣本在輸出層的梯度，e_k(m)為真實值與預(yù)測值的誤差，為連接隱含層和輸出層權(quán)值的變化量；a(m)為學(xué)習(xí)速率，η(m)為迭代步長；

為第m個樣本在隱含層的梯度，為連接隱含層和輸入層權(quán)值的變化量；

因此連接權(quán)值的更新如下：

(3.5)用步驟(2)降維和歸一化后的樣本作為輸入，對應(yīng)的事故嚴(yán)重度值作為輸出，訓(xùn)練步驟(3.1)-(3.4)建立的模型，獲取隱含層與輸入層連接權(quán)重和隱含層與輸出層連接權(quán)重。