[發(fā)明專利]一種基于時空前序編解碼預測器的交通事故識別方法

在審

• 申請?zhí)枺?/td>: 202110689139.1
• 申請日: 2021-06-22
• 公開（公告）號: CN113538904A
• 公開（公告）日: 2021-10-22
• 發(fā)明（設計）人: 沈國江;管林濤;黃志強;陳洋;劉志;孔祥杰
• 申請（專利權）人: 浙江工業(yè)大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/04;G06N3/08
• 代理公司: 杭州之江專利事務所(普通合伙) 33216
• 代理人: 張慧英

本發(fā)明涉及一種基于時空前序編解碼預測器的交通事故識別方法，具體步驟如下：使用并列的卷積神經(jīng)網(wǎng)絡進行特征提取，提取交通速度和流量的時間周期性和上下游的空間關聯(lián)性，隨后通過時空位置嵌入保證交通流時空特征的同步捕捉，并將交通流的時空特征結合時空Transformer捕獲交通流靜態(tài)和動態(tài)的時空依賴性。之后通過多次提取時交通流空依賴性結合卷積神經(jīng)網(wǎng)絡得到事故發(fā)生概率，最終實時地精準地識別交通事故的發(fā)生。本發(fā)明能夠利用城市交通數(shù)據(jù)：固定站點平均車速，固定站點平均流量，對城市交通事故進行有效識別，為城市交通安全提供有效信息，具有識別精度高、實時性強、模型訓練時間短等特點。

技術領域

本發(fā)明涉及交通事故識別技術領域，尤其涉及一種基于時空前序編解碼預測器的交通事故識別方法。

背景技術

隨著社會經(jīng)濟和基礎設施的發(fā)展，城市在高速發(fā)展的同時越來越多的問題也開始顯現(xiàn)。而隨著信息技術的不斷進步，城市信息化應用水平也在不斷提升，智慧城市的概念得以實現(xiàn)。作為一種新的城市運行模式，智慧城市有望為現(xiàn)有的多數(shù)城市問題的解決提供幫助，建設智慧城市在提升城市綜合競爭力、引領信息技術應用、實現(xiàn)城市可持續(xù)發(fā)展等方面具有重要意義。目前，例如阿里城市大腦、智慧停車等交通領域里的智慧城市應用已經(jīng)在多地開展試點。這些應用可提高城市交通能力，降低環(huán)境污染，提高人們的出行效率并增強交通安全，進而提高城市生活水平。

事故識別是智慧城市體系中的關鍵一環(huán)。近年來，研究人員在事故識別中已經(jīng)取得了許多成果。在傳統(tǒng)的方法中，大多數(shù)研究人員專注于分析城市道路特征與事故的聯(lián)系，如道路水平曲率，道路幾何特征等，并建立模型來進行事故識別。而隨著微波設備、地磁設備等交通監(jiān)控設備的出現(xiàn)和數(shù)據(jù)傳輸能力的不斷提高，多維實時交通數(shù)據(jù)可以得到大規(guī)模的快速采集并進行存儲。通過分析這些多維實時交通數(shù)據(jù)，我們得以從多維度分析交通數(shù)據(jù)與事故的映射關系，提升對于事故識別的預測準確率，及時做出應對措施，降低出行成本，同時提高出行安全。而隨著各種神經(jīng)網(wǎng)絡模型的出現(xiàn)，研究人員開始利用神經(jīng)網(wǎng)絡模型對交通數(shù)據(jù)的時間相關性進行分析，但是大多數(shù)模型無法對交通數(shù)據(jù)中復雜的時間關聯(lián)進行挖掘。深度學習技術作為新興的人工智能方法在挖掘復雜問題的深層次關系展現(xiàn)出較好的效果，目前大多數(shù)研究人員試圖利用深度學習方法解決復雜交通問題。

事故識別是智慧交通中的一個重要方向。現(xiàn)有的工作主要致力于建立具有更多維度的事故影響因素模型，例如，交通上游和下游的關系，天氣等以提高事故識別的準確性。但是這些工作無法捕捉城市道路中交通速度和交通流量中深層次的時空關系，導致事故識別的準確率不夠高，使得交通事故預測難以應用于智慧城市系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明為克服上述的不足之處，目的在于提供一種基于時空前序編解碼預測器的交通事故識別方法，本發(fā)明可實時把握城市道路交通安全狀況，進而為城市交通管理者提供有效的參考，提高居民出行的安全性。

本發(fā)明是通過以下技術方案達到上述目的：一種基于時空前序編解碼預測器的交通事故識別方法，包括如下步驟：

(1)將按時間排序的交通速度和交通流量序列使用并列的卷積神經(jīng)網(wǎng)絡進行特征提取，提取交通速度和流量的時間周期性和上下游的空間關聯(lián)性；

(2)通過時空位置嵌入保證交通流時空特征的同步捕捉；

(3)基于步驟(2)所得交通速度和流量的時空特征，結合空間Transformer捕獲交通流靜態(tài)和動態(tài)的空間依賴性，交通流空間特征分為靜態(tài)空間依賴性和動態(tài)空間依賴性，動態(tài)空間依賴性在擁堵狀態(tài)下的早晚高峰和暢通狀態(tài)下的平峰區(qū)間有明顯的變化；其中靜態(tài)空間依賴性主要由路段的拓撲結構、各個路段車道數(shù)以及路段與匝道的連接情況決定，而動態(tài)空間依賴性主要由隨時間周期性變化的交通流決定的；

(4)基于步驟(3)中所得到的交通流靜態(tài)和動態(tài)的空間依賴性結合時間Transformer捕獲交通流的雙向時間依賴性；

(5)重復步驟(3)與步驟(4)多次提取交通速度和交通流量序列深層次的時間依賴性和空間依賴性；