[发明专利]一种基于时空前序编解码预测器的交通事故识别方法

权利要求书

1.一种基于时空前序编解码预测器的交通事故识别方法，其特征在于，包括如下步骤：

(1)将按时间排序的交通速度和交通流量序列使用并列的卷积神经网络进行特征提取，提取交通速度和流量的时间周期性和上下游的空间关联性；

(2)通过时空位置嵌入保证交通流时空特征的同步捕捉；

(3)基于步骤(2)所得交通速度和流量的时空特征，结合空间Transformer捕获交通流静态和动态的空间依赖性，交通流空间特征分为静态空间依赖性和动态空间依赖性，动态空间依赖性在拥堵状态下的早晚高峰和畅通状态下的平峰区间有明显的变化；其中静态空间依赖性主要由路段的拓扑结构、各个路段车道数以及路段与匝道的连接情况决定，而动态空间依赖性主要由随时间周期性变化的交通流决定的；

(4)基于步骤(3)中所得到的交通流静态和动态的空间依赖性结合时间Transformer捕获交通流的双向时间依赖性；

(5)重复步骤(3)与步骤(4)多次提取交通速度和交通流量序列深层次的时间依赖性和空间依赖性；

(6)根据步骤(5)中所得到的包含深层次时空特征的交通速度和交通流量使用卷积神经网络得到最终的事故发生概率，识别当前是否发生事故。

2.根据权利要求1所述的一种基于时空前序编解码预测器的交通事故识别方法，其特征在于：所述步骤(2)包括如下步骤：

(2.1)根据图邻接矩阵初始化空间性位置嵌入矩阵得到嵌入空间性位置信息以考虑节点之间的连通性和距离，用于模拟空间依赖关系；

(2.2)初始化空间性位置嵌入矩阵沿y轴平铺，生成并与沿x轴平铺时间性位置嵌入矩阵一起得到带有固定维度d_G的时空位置嵌入特征具体公式如下：

其中：F_t是一个1×1卷积层，用于在每个时间步长将连接的特征转换为每个节点的d维向量，X^S是Q个节点在时间步长P下的三维张量输入，D^T为时间位置嵌入矩阵。

3.根据权利要求1所述的一种基于时空前序编解码预测器的交通事故识别方法，其特征在于：所述步骤(3)包括如下步骤：

(3.1)将中的二维张量放入Q个图卷积并行提取空间特征；空间性Transformer主要包含静态图卷积和动态图卷积；

(3.2)融合静态图卷积的输出和动态图卷积学习的输出X^G得到门控机制g；具体计算公式如下所示：

g＝sigmoid(f_S(Y^S)+f_G(X^G))

其中，X^G为动态图卷积的输出，f_S和f_G是线性投影，分别将Y^SS和X^G转换为一维向量，Y^S为U^S和的特征融合输出；

(3.3)将和X^S加权后通过门控机制g得到输出Y^S，具体计算公式如下所示：

空间性Transformer的输出收集了P个时间步长的