[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

说明书

本发明涉及一种基于时空前序编解码预测器的交通事故识别方法，具体步骤如下：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，随后通过时空位置嵌入保证交通流时空特征的同步捕捉，并将交通流的时空特征结合时空Transformer捕获交通流静态和动态的时空依赖性。之后通过多次提取时交通流空依赖性结合卷积神经网络得到事故发生概率，最终实时地精准地识别交通事故的发生。本发明能够利用城市交通数据：固定站点平均车速，固定站点平均流量，对城市交通事故进行有效识别，为城市交通安全提供有效信息，具有识别精度高、实时性强、模型训练时间短等特点。

技术领域

本发明涉及交通事故识别技术领域，尤其涉及一种基于时空前序编解码预测器的交通事故识别方法。

背景技术

随着社会经济和基础设施的发展，城市在高速发展的同时越来越多的问题也开始显现。而随着信息技术的不断进步，城市信息化应用水平也在不断提升，智慧城市的概念得以实现。作为一种新的城市运行模式，智慧城市有望为现有的多数城市问题的解决提供帮助，建设智慧城市在提升城市综合竞争力、引领信息技术应用、实现城市可持续发展等方面具有重要意义。目前，例如阿里城市大脑、智慧停车等交通领域里的智慧城市应用已经在多地开展试点。这些应用可提高城市交通能力，降低环境污染，提高人们的出行效率并增强交通安全，进而提高城市生活水平。

事故识别是智慧城市体系中的关键一环。近年来，研究人员在事故识别中已经取得了许多成果。在传统的方法中，大多数研究人员专注于分析城市道路特征与事故的联系，如道路水平曲率，道路几何特征等，并建立模型来进行事故识别。而随着微波设备、地磁设备等交通监控设备的出现和数据传输能力的不断提高，多维实时交通数据可以得到大规模的快速采集并进行存储。通过分析这些多维实时交通数据，我们得以从多维度分析交通数据与事故的映射关系，提升对于事故识别的预测准确率，及时做出应对措施，降低出行成本，同时提高出行安全。而随着各种神经网络模型的出现，研究人员开始利用神经网络模型对交通数据的时间相关性进行分析，但是大多数模型无法对交通数据中复杂的时间关联进行挖掘。深度学习技术作为新兴的人工智能方法在挖掘复杂问题的深层次关系展现出较好的效果，目前大多数研究人员试图利用深度学习方法解决复杂交通问题。

事故识别是智慧交通中的一个重要方向。现有的工作主要致力于建立具有更多维度的事故影响因素模型，例如，交通上游和下游的关系，天气等以提高事故识别的准确性。但是这些工作无法捕捉城市道路中交通速度和交通流量中深层次的时空关系，导致事故识别的准确率不够高，使得交通事故预测难以应用于智慧城市系统。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于时空前序编解码预测器的交通事故识别方法，本发明可实时把握城市道路交通安全状况，进而为城市交通管理者提供有效的参考，提高居民出行的安全性。

本发明是通过以下技术方案达到上述目的：一种基于时空前序编解码预测器的交通事故识别方法，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；