[發(fā)明專利]交通事故嚴(yán)重性預(yù)測CSP-CNN模型及其建模方法

有效

• 申請?zhí)枺?/td>: 201810930337.0
• 申請日: 2018-08-15
• 公開（公告）號: CN109034264B
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計）人: 李彤;鄭明;朱銳
• 申請（專利權(quán)）人: 云南大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 昆明金科智誠知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 53216
• 代理人: 胡亞蘭

本發(fā)明公開了一種交通事故嚴(yán)重性預(yù)測CSP?CNN模型及其建模方法。CSP?CNN模型包括模型輸入層，模型輸入層輸入交通事故數(shù)據(jù)轉(zhuǎn)換的交通事故數(shù)據(jù)灰度圖像集，并對其輸入卷積層進(jìn)行卷積計算，得到最后一個卷積層提取的特征向量，并將該特征向量輸入至全連接層；全連接層對輸入的特征向量進(jìn)行flatten操作，將其轉(zhuǎn)換成一維向量后進(jìn)行線性處理，全連接層包含3個隱藏單元，輸出3個線性處理結(jié)果至模型輸出層；模型輸出層設(shè)置3個交通事故嚴(yán)重性等級，并利用Softmax激活函數(shù)對交通事故嚴(yán)重性進(jìn)行預(yù)測。本發(fā)明充分考慮了交通事故特征之間的時空關(guān)系、組合關(guān)系及更深層次的內(nèi)在關(guān)系，并對交通事故嚴(yán)重性進(jìn)行了預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘技術(shù)領(lǐng)域，特別是涉及一種基于深度學(xué)習(xí)的交通事故嚴(yán)重性預(yù)測模型及其建模方法。

背景技術(shù)

每年，全世界超過125萬人的人生因道路交通事故而終止，還有2000萬至5000萬人受到非致命傷害，其中許多因此而殘疾。道路交通傷害給個人、家庭和整個國家?guī)砭薮蠼?jīng)濟(jì)損失，道路交通碰撞的損失占大多數(shù)國家國內(nèi)生產(chǎn)總值的3％。

事故嚴(yán)重性預(yù)測是事故管理的重要步驟之一，它為應(yīng)急人員評估事故的嚴(yán)重性、評估事故的潛在影響、實(shí)施有效的事故管理程序提供了重要信息。由于正確預(yù)測交通事故嚴(yán)重性的工作將會對拯救那些事故中的生命提供了極其重要的幫助，因此，交通事故嚴(yán)重性的預(yù)測問題可以說是當(dāng)前智能交通系統(tǒng)領(lǐng)域的一大挑戰(zhàn)。

目前交通事故嚴(yán)重性預(yù)測方法可分為統(tǒng)計學(xué)習(xí)方法和深度學(xué)習(xí)方法兩大類。近年來，深度學(xué)習(xí)作為一種新的機(jī)器學(xué)習(xí)方法開始受到研究者和商界人士的高度關(guān)注，其中，深度學(xué)習(xí)理論對文本、圖像和聲音進(jìn)行了解釋，在文本、圖像和語音識別等領(lǐng)域得到了廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)技術(shù)作為一種高效的深度學(xué)習(xí)技術(shù)，因其具有處理多維數(shù)據(jù)的能力、實(shí)現(xiàn)的靈活性、通用性和較強(qiáng)的預(yù)測能力等優(yōu)點(diǎn)而被廣泛應(yīng)用于交通預(yù)測問題中。在交通事故嚴(yán)重性預(yù)測方面，MehmetMetinKunt等，發(fā)表的名稱為“Prediction for Traffic AccidentSeverity:Comparing the Artificial Neural Network,Genetic Algorithm,CombinedGenetic Algorithm and Pattern Search Methods”,Transport,2011,26,(4),353-366通過在遺傳方法(GA)、模式搜索和人工神經(jīng)網(wǎng)絡(luò)(ANN)中的多層感知器(MLP)結(jié)構(gòu)建模方法中使用12個事故相關(guān)參數(shù)來預(yù)測高速公路交通事故的嚴(yán)重性。這些模型的建立基于德黑蘭-格洪高速公路2007年發(fā)生的總共1000起車禍數(shù)據(jù)集，根據(jù)R值，均方根誤差(RMSE)，平均絕對誤差(MAE)和平方誤差總和(SSE)選擇最佳擬合模型。實(shí)驗(yàn)結(jié)果表明，MLP的R最高值約為0.87，表明MLP提供了最佳預(yù)測結(jié)果。Zeng,Q.and Huang,H.,發(fā)表的名稱為“A Stable andOptimized Neural Network Model for Crash Injury Severity Prediction”,AccidentAnalysisPrevention,2014,73,351-358提出了一種凸組合(CC)方法來快速和穩(wěn)定地訓(xùn)練用于交通事故嚴(yán)重性預(yù)測的神經(jīng)網(wǎng)絡(luò)(NN)模型以及經(jīng)改良的NN剪枝用于函數(shù)逼近(N2PFA)方法來優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，并將它們與由傳統(tǒng)反向傳播(BP)方法和有序邏輯(OL)模型訓(xùn)練的NN進(jìn)行比較，結(jié)果表明，CC方法在收斂能力和訓(xùn)練速度上優(yōu)于BP方法。與完全連接的NN相比，優(yōu)化的NN包含少得多的網(wǎng)絡(luò)節(jié)點(diǎn)并且具有幾乎差不多的分類準(zhǔn)確度。它們都比OL模型具有更好的擬合和預(yù)測性能，這再次證明了神經(jīng)網(wǎng)絡(luò)在預(yù)測交通事故嚴(yán)重性方面優(yōu)于統(tǒng)計模型。Sameen等，發(fā)表的名稱為“Severity Prediction of Traffic Accidents withRecurrent Neural Networks”,Applied Sciences,2017,7,(6)通過循環(huán)神經(jīng)網(wǎng)絡(luò)(LSTM-RNN)，對2009年至2015年期間馬來西亞南北高速公路發(fā)生的1130起交通事故進(jìn)行分析并應(yīng)用于交通事故嚴(yán)重性的預(yù)測。他們的實(shí)驗(yàn)結(jié)果表明，與MLP和貝葉斯邏輯回歸(BLR)模型相比，LSTM-RNN模型優(yōu)于MLP和BLR模型，LSTM-RNN模型的驗(yàn)證準(zhǔn)確率為71.77％，而MLP和BLR模型分別達(dá)到65.48％和58.30％。