[发明专利]交通事故严重性预测CSP-CNN模型及其建模方法

权利要求书

1.交通事故严重性预测CSP-CNN模型的建模方法，其特征在于，具体步骤如下：

步骤一：基于交通事故特征的重要性将交通事故数据转换成交通事故数据灰度图像集，并将其输入至模型输入层，交通事故严重性预测模型CSP-CNN的输入数学形式表达如下：

其中，d表示交通事故数据集x的索引，N表示交通事故数据集x的总数，PC为交通事故数据集x的父特征个数，CC为所有交通事故数据集x的父特征下最大的子特征个数，max(PC，CC)表示PC和CC两者的最大值，P_MM表示交通事故数据集的灰度图像像素矩阵x_d中的第M行M列的像素；

步骤二:卷积计算：对模型输入层提供的输入使用激活函数ReLU进行卷积计算，激活函数ReLU为：

g(h)＝max(0，h)； (2)

其中，h为卷积神经元的输入；

卷积计算公式为：

其中：a_k，l表示卷积层Feature Map的第k行第l列元素，其中，k和l的取值范围为[1，F]；C是信道个数，其与卷积层的filter个数相同；F是filter的大小，filter的宽度和高度相同；w_c，e，f表示第c个信道filter的第e行第f列权重；p_c，e，f表示第c个信道灰度图像的第e行第f列的像素元素；w_b表示filter的偏置项，每次模型运行时，随机初始化w_b；为卷积神经元的输入；

步骤三：全连接层计算：将最后一个卷积层提取和学习的特征向量使用下列公式经过flatten操作转变成一维向量作为全连接层的输入：

a^flatten＝flatten([a₁，a₂，...，a_c])，c∈[1，C]； (4)

其中，a^flatten表示转变的一维向量，即为flatten后的全连接层的Feature Map；[a₁，a₂，…，a_c]为最后一个卷积层的输出，即为最后一个卷积层提取和学习的特征向量[FeatureMap1，Feature Map2，…，FeatureMapc]；

全连接层的计算公式如下：

其中：表示全连接层的线性输出，w_fl表示全连接层的权重，b_fl表示全连接层的偏置项；

步骤四：交通事故严重性预测：设置交通事故严重等级为轻微交通事故或严重交通事故或致命交通事故三类，模型输出层依据全连接层的输出利用Softmax激活函数预测交通事故严重性，输出为设置的交通事故等级的概率值，概率值最大的交通事故等级即为预测的交通事故严重性；

步骤五：对交通事故严重性预测CSP-CNN模型进行训练，确认CSP-CNN模型超参数组合；

所述步骤一中基于交通事故特征的重要性将交通事故数据转换成交通事故数据灰度图像集实现过程如下：

步骤1：获取经过预处理的交通事故数据集的特征矩阵FM；

步骤2：依据原始交通事故数据集的总条数分配k个线程，针对每一个线程，将交通事故数据集的特征矩阵FM中相应的特征向量FV转换为灰度图像；

步骤3：将每一个线程得到的特征向量FV转换的灰度图像grayImage存储在灰度图链表grayImageList中，并返回灰度图像grayImage。

2.根据权利要求1所述交通事故严重性预测CSP-CNN模型的建模方法，其特征在于，所述步骤1中交通事故数据集预处理的步骤如下：

(1)对不完整、错误和重复的交通事故数据进行删除，并对影响交通事故伤亡严重性的子特征进行删减；

(2)交通事故数据集归一化，去除数据的单位限制，将数据转化为无量纲的纯数值：利用统计学中的标准化方法Z-score Normalization对交通事故数据集x进行归一化，得到数据符号标准正态分布，Z-score Normalization的转化函数为：

其中，x^*代表单个特征下的某个数据，u为单个特征下所有数据的均值，σ为单个特征下所有数据的标注差；依次对交通事故数据集x中的每个特征分别进行计算。