第15卷第4期 智能系统学报 Vol.15 No.4 2020年7月 CAAI Transactions on Intelligent Systems Jul.2020 D0L:10.11992tis.201910002 基于路网结构的城市交通事故短期风险预测方法 张延孔，卢家品'，张帅超2，姬晓鹏2，罗月童'，陈为 (1.合肥工业大学计算机与信息学院，安徽合肥230000,2.浙江大学计算机科学与技术学院，浙江杭州 310018) 摘要：城市交通事故一般都发生在公共道路上，然而现有的交通事故风险预测算法都通过对预测区域进行规 则网格化来确定预测空间单位，导致预测精度不高且实用价值较低。本文将道路路段作为预测单位，采用图卷 积和长短期记忆网络，构建了一种基于路网结构的城市交通事故短期风险预测方法(traffic accidents risk predic- tion based on road network,TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测，从而可以有针对 性地进行治理，诚少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练，并与4种常 用的计量经济学模型和3种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率 和漏报率等方面都优于已有算法。 关键词：图卷积：交通事故：事故模式：多源数据：风险预测：路网结构：长短期记忆网络：智慧城市 中图分类号：TP18文献标志码：A文章编号：1673-4785(2020)04-0663-09 中文引用格式：张延孔，卢家品，张帅超，等.基于路网结构的城市交通事故短期风险预测方法J.智能系统学报，2020， 15(4):663-671. 英文引用格式：ZHANG Yankong,LUJiapin,ZHANG Shuaichao,.etal.A short--term risk prediction method for urban traffic acci- dents based on road network[Jl.CAAI transactions on intelligent systems,2020,15(4):663-671. A short-term risk prediction method for urban traffic accidents based on road network ZHANG Yankong',LU Jiapin',ZHANG Shuaichao,JI Xiaopeng',LUO Yuetong',CHEN Wei? (1.School of Computer Science and Information Engineering,Hefei University of Technology,Hefei 230000,China;2.College of Computer Science and Technology,Zhejiang University,Hangzhou 310018,China) Abstract:Urban traffic accidents usually occur on public roads.However,the existing traffic accident risk prediction al- gorithms determine the prediction space unit by regularizing grid of the prediction area,which leads to low prediction accuracy and low practicability.Taking road sections as the prediction unit,this paper constructs a short-term traffic ac- cident risk prediction method based on road network structure(TARPBRN)by using graph convolution and long short- term memory network.This method can predict the traffic accident risk in a short period of the designated section,so as to carry out targeted governance and reduce the occurrence of traffic accidents.In this paper,traffic accident data from Xihu District,Hangzhou city are used to train the model,and four econometric models and three existing deep learning prediction algorithms are compared.The experimental results show that the proposed algorithm is superior to the exist- ing ones in accuracy,precision and false negative rate (FNR). Keywords:GCNN;traffic accident;accident mode;multi-source data;risk forecasting;road network structure;LSTM; smart city 世界卫生组织在2015年发表的《全球道路 收稿日期：2019-10-08. 基金项目：国家自然科学基金项目(61602146)：浙江大学 安全状况报告》四中指出每年约有125万人死于 CAD&CG国家重点实验室开放课题(A1814):中央 交通事故。通过交通大数据，识别交通事故中的 高校基本科研业务费专项(75104-036002). 通信作者：张延孔.E-mail:zhangyankong@hfut.edu.cm. 规律并加以治理和预防已成为交通领域重要的研
DOI: 10.11992/tis.201910002 基于路网结构的城市交通事故短期风险预测方法 张延孔1 ，卢家品1 ，张帅超2 ，姬晓鹏2 ，罗月童1 ，陈为2 （1. 合肥工业大学 计算机与信息学院，安徽 合肥 230000; 2. 浙江大学 计算机科学与技术学院，浙江 杭州 310018） 摘 要：城市交通事故一般都发生在公共道路上，然而现有的交通事故风险预测算法都通过对预测区域进行规 则网格化来确定预测空间单位，导致预测精度不高且实用价值较低。本文将道路路段作为预测单位，采用图卷 积和长短期记忆网络，构建了一种基于路网结构的城市交通事故短期风险预测方法 (traffic accidents risk prediction based on road network，TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测，从而可以有针对 性地进行治理，减少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练，并与 4 种常 用的计量经济学模型和 3 种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率 和漏报率等方面都优于已有算法。 关键词：图卷积；交通事故；事故模式；多源数据；风险预测；路网结构；长短期记忆网络；智慧城市 中图分类号：TP18 文献标志码：A 文章编号：1673−4785(2020)04−0663−09 中文引用格式：张延孔, 卢家品, 张帅超, 等. 基于路网结构的城市交通事故短期风险预测方法 [J]. 智能系统学报, 2020, 15(4): 663–671. 英文引用格式：ZHANG Yankong, LU Jiapin, ZHANG Shuaichao, et al. A short-term risk prediction method for urban traffic accidents based on road network[J]. CAAI transactions on intelligent systems, 2020, 15(4): 663–671. A short-term risk prediction method for urban traffic accidents based on road network ZHANG Yankong1 ，LU Jiapin1 ，ZHANG Shuaichao2 ，JI Xiaopeng2 ，LUO Yuetong1 ，CHEN Wei2 (1. School of Computer Science and Information Engineering, Hefei University of Technology, Hefei 230000, China; 2. College of Computer Science and Technology, Zhejiang University, Hangzhou 310018, China) Abstract: Urban traffic accidents usually occur on public roads. However, the existing traffic accident risk prediction algorithms determine the prediction space unit by regularizing grid of the prediction area, which leads to low prediction accuracy and low practicability. Taking road sections as the prediction unit, this paper constructs a short-term traffic accident risk prediction method based on road network structure (TARPBRN) by using graph convolution and long shortterm memory network. This method can predict the traffic accident risk in a short period of the designated section, so as to carry out targeted governance and reduce the occurrence of traffic accidents. In this paper, traffic accident data from Xihu District, Hangzhou city are used to train the model, and four econometric models and three existing deep learning prediction algorithms are compared. The experimental results show that the proposed algorithm is superior to the existing ones in accuracy, precision and false negative rate (FNR). Keywords: GCNN; traffic accident; accident mode; multi-source data; risk forecasting; road network structure; LSTM; smart city 世界卫生组织在 2015 年发表的《全球道路 安全状况报告》[1] 中指出每年约有 125 万人死于 交通事故。通过交通大数据，识别交通事故中的 规律并加以治理和预防已成为交通领域重要的研 收稿日期：2019−10−08. 基金项目：国家自然科学基金项 目 (61602146)；浙江大 学 CAD&CG 国家重点实验室开放课题 (A1814)；中央 高校基本科研业务费专项 (75104-036002). 通信作者：张延孔. E-mail：zhangyankong@hfut.edu.cn. 第 15 卷第 4 期 智 能 系 统 学 报 Vol.15 No.4 2020 年 7 月 CAAI Transactions on Intelligent Systems Jul. 2020
·664· 智能系统学报 第15卷 究课题。 故短期风险预测算法。该算法以真实路段而不是 建立有效的交通事故风险预测系统是交通事 规则网格作为空间预测单位，使用深度学习技术 故预防的关键。如果某一区域的交通事故发生风 预测真实路段在短期内的事故风险，完成了逐天 险是可以预测的，就可以将这一信息传播给附近 和逐小时的交通事故风险预测任务。 的司机，提醒他们选择一条不那么危险的道路； 路网是一个复杂的不规则网络，CNN等处理 交警部门也可以在该区域有针对性地安排巡逻人 规则化数据的深度学习方法无法提取复杂网络的 员，达到减少事故发生的目的。然而交通事故发 局部特征，因此本文引入图卷积神经网络(graph 生风险的准确预测是非常困难的，交通事故的诱 convolutional neural networks,GCNN)模型来计算 发因素多种多样，大致可以分为人、车、路和环境 路网结构的局部特征。GCNN可以处理不规则的 四大类引，其中人的因素是首要因素。人的行为 网络数据，在深度学习领域得到了广泛的应用 主观性较强，不可预测，导致虽然许多研究人 在预测模型方面，2018年，Lin等2o1将GCNN和 已经把注意力集中在交通事故相关的关键因素识 LSTM结合用于纽约市共享单车站点每小时单车 别上，交通事故风险的有效预测仍然是一个具有 需求量的预测，取得良好的效果。 挑战性的问题。 与迭代神经网络(recurrent neural network, 在过去，针对交通事故预测的研究主要聚焦 RNN)相比，长短期记忆网络(long short-.term 在粗粒度、宏观方面上的研究。研究空间粒度精 memory network,LSTM因其可以进行长时间预 度聚焦在省、市层次，时间粒度聚焦在年、月份层 测的特点而在时序数据预测中广泛使用。但 次41。因此研究成果的针对性不高，实用性较 LSTM在处理超长序列时会导致训练时间大大增 差，仅能提供参考性意见。近年来，随着大数据 长，同时在超长的序列中进行反向传播也可能会 和深度学习技术的发展9，交通事故的短期实时 导致梯度消失，从而削弱模型的可靠性。本文结 预测成为了可能。2016年，Chen等u通过Stack 合交通事故的时序特征，设计了双链LSTM(double 去噪自动编码器来提取人的移动特征构建深度学 link LSTM.DLSTM),处理交通事故风险预测中超 习网络来预测日本境内交通事故风险，2018年， 长输入的问题，取得了较好的效果。 RenI综合考虑交通事故的周期性和空间分布模 综上所述，本文的主要贡献有以下几点： 1)提出基于路网结构、以真实路段作为空间 式并结合其他重要因素如天气、空气质量等，采 预测单元，逐日、逐小时对城市交通事故短期风 用LSTM模型，构建了短期北京市的交通事故风 险进行预测，提高了预测结果的准确性和实际应 险预测系统。以上方法都对预测区域进行规则 用价值。 化网格划分，针对每一个网格统计其数据特征， 2)采用深度学习技术构建了基于路网的城市 预测网格区域短期事故发生风险。2018年，Bao 短期交通事故风险预测模型。在模型中使用 等)在划分的网格的基础上，利用卷积神经网络 GCNN提取交通事故预测属性的空间特征，使用 (convolutional neural networks,CNN)来计算网格的 优化后的DLSTM提取预测属性的时间特征，并 局部区域特征，从而得到了更好的预测效果。 将两者结合提取其时空特征。 但这些基于网格划分的交通事故短期预测 3)利用杭州市的多源交通数据对模型进行了 方法，将规则化网格作为预测的空间单位，这些 训练，并与已有的计量经济学模型和深度学习模 网格内包含大量的非道路区域，如居民区、商场 型进行了对比，实验证明本文算法在准确度、正 区等。非道路区域通常不会有交通事故的发生， 确率和漏报率上均优于已有算法。 这在一定情况下影响了预测的准确度。交警在 1多源交通数据及预处理 进行巡逻、救援等执勤任务时都以路段为单位进 行划分，划分网格的预测结果只能在任务分配时 1.1多源交通数据 提供一定程度的参考；以网格作为交通事故风险 本文采用浙江省杭州市西湖区总共5类与交 预测单位也不能满足司机根据事故发生风险来 通有关的数据进行交通事故风险的短期预测。 选择行进路线的需求。因此基于划分网格的短 交通事故数据交通事故数据由杭州市交警 期交通事故预测方法准确度普遍不高且实用价 支队提供，数据时间跨度为2015年7月11日一 值较低。 2015年12月21日。交通事故数据主要包括交通 因此，本文提出基于路网结构的城市交通事 事故发生的时间和位置信息，格式如表1所示
究课题。 建立有效的交通事故风险预测系统是交通事 故预防的关键。如果某一区域的交通事故发生风 险是可以预测的，就可以将这一信息传播给附近 的司机，提醒他们选择一条不那么危险的道路； 交警部门也可以在该区域有针对性地安排巡逻人 员，达到减少事故发生的目的。然而交通事故发 生风险的准确预测是非常困难的，交通事故的诱 发因素多种多样，大致可以分为人、车、路和环境 四大类[2-3] ，其中人的因素是首要因素。人的行为 主观性较强，不可预测，导致虽然许多研究人员 已经把注意力集中在交通事故相关的关键因素识 别上，交通事故风险的有效预测仍然是一个具有 挑战性的问题。 在过去，针对交通事故预测的研究主要聚焦 在粗粒度、宏观方面上的研究。研究空间粒度精 度聚焦在省、市层次，时间粒度聚焦在年、月份层 次 [4-8]。因此研究成果的针对性不高，实用性较 差，仅能提供参考性意见。近年来，随着大数据 和深度学习技术的发展[9-14] ，交通事故的短期实时 预测成为了可能。2016 年，Chen 等 [15] 通过 Stack 去噪自动编码器来提取人的移动特征构建深度学 习网络来预测日本境内交通事故风险; 2018 年， Ren[16] 综合考虑交通事故的周期性和空间分布模 式并结合其他重要因素如天气、空气质量等，采 用 LSTM 模型，构建了短期北京市的交通事故风 险预测系统。以上方法都对预测区域进行规则 化网格划分，针对每一个网格统计其数据特征， 预测网格区域短期事故发生风险。2018 年，Bao 等 [17] 在划分的网格的基础上，利用卷积神经网络 (convolutional neural networks, CNN) 来计算网格的 局部区域特征，从而得到了更好的预测效果。 但这些基于网格划分的交通事故短期预测 方法，将规则化网格作为预测的空间单位，这些 网格内包含大量的非道路区域，如居民区、商场 区等。非道路区域通常不会有交通事故的发生， 这在一定情况下影响了预测的准确度。交警在 进行巡逻、救援等执勤任务时都以路段为单位进 行划分，划分网格的预测结果只能在任务分配时 提供一定程度的参考；以网格作为交通事故风险 预测单位也不能满足司机根据事故发生风险来 选择行进路线的需求。因此基于划分网格的短 期交通事故预测方法准确度普遍不高且实用价 值较低。 因此，本文提出基于路网结构的城市交通事 故短期风险预测算法。该算法以真实路段而不是 规则网格作为空间预测单位，使用深度学习技术 预测真实路段在短期内的事故风险，完成了逐天 和逐小时的交通事故风险预测任务。 路网是一个复杂的不规则网络，CNN 等处理 规则化数据的深度学习方法无法提取复杂网络的 局部特征，因此本文引入图卷积神经网络 (graph convolutional neural networks, GCNN) 模型来计算 路网结构的局部特征。GCNN 可以处理不规则的 网络数据,在深度学习领域得到了广泛的应用[18-20]。 在预测模型方面，2018 年，Lin 等 [20] 将 GCNN 和 LSTM 结合用于纽约市共享单车站点每小时单车 需求量的预测，取得良好的效果。 与迭代神经网络 (recurrent neural network, RNN) 相比，长短期记忆网络 (long short-term memory network, LSTM) 因其可以进行长时间预 测的特点而在时序数据预测中广泛使用。但 LSTM 在处理超长序列时会导致训练时间大大增 长，同时在超长的序列中进行反向传播也可能会 导致梯度消失，从而削弱模型的可靠性。本文结 合交通事故的时序特征，设计了双链 LSTM(double link LSTM, DLSTM)，处理交通事故风险预测中超 长输入的问题，取得了较好的效果。 综上所述，本文的主要贡献有以下几点： 1) 提出基于路网结构、以真实路段作为空间 预测单元，逐日、逐小时对城市交通事故短期风 险进行预测，提高了预测结果的准确性和实际应 用价值。 2) 采用深度学习技术构建了基于路网的城市 短期交通事故风险预测模型。在模型中使用 GCNN 提取交通事故预测属性的空间特征，使用 优化后的 DLSTM 提取预测属性的时间特征，并 将两者结合提取其时空特征。 3) 利用杭州市的多源交通数据对模型进行了 训练，并与已有的计量经济学模型和深度学习模 型进行了对比，实验证明本文算法在准确度、正 确率和漏报率上均优于已有算法。 1 多源交通数据及预处理 1.1 多源交通数据 本文采用浙江省杭州市西湖区总共 5 类与交 通有关的数据进行交通事故风险的短期预测。 交通事故数据 交通事故数据由杭州市交警 支队提供，数据时间跨度为 2015 年 7 月 11 日— 2015 年 12 月 21 日。交通事故数据主要包括交通 事故发生的时间和位置信息，格式如表 1 所示。 ·664· 智 能 系 统 学 报 第 15 卷
第4期 张延孔，等：基于路网结构的城市交通事故短期风险预测方法 ·665· 表1交通事故数据格式 表4微波检测器检测数据格式 Table 1 Traffic accident data format Table 4 Microwave detector detection data format 字段名 内容介绍 格式示例 字段名 内容介绍 格式示例 D 事故编号 2015071100060612 发生时间 D 检测记录编号 283706900 Time 2015-07-1100:06:06 ADDR 发生地点 环城北路杭州大厦 WavelD 微波检测器编号 890 Coord x 发生经度 120.161984 Totalflow 5秒内车辆数量 6 Coord y 发生纬度 30.272192 Speed 5秒内车辆平均速度 30 两车刮擦.公交车逃逸。 Content 事故描述 Collectdate 记录时间 2015-07-1200:00:00 现双方在武林广场处 出租车轨迹数据本文使用的出租车轨迹 路网结构数据本文所使用路网结构数据 数据来自于杭州市出租车公司。时间跨度为2015年 从OpenStreetMap网站下载，并经过简化处理获 6月22日一6月30日，为期9天的数据。因为数 得，其数据格式如表2所示。路网结构数据中记 录各个道路路段的关键节点的经纬度坐标，及该 据时间跨度很小，故本文未将其用作预测交通 路段邻接路段的编号。 事故风险的属性信息，只将其作为构建路网图 结构的支撑数据。出租车轨迹数据的格式如表5 表2路网结构数据格式 Table 2 Road network structure data format 所示。 字段名 内容介绍 格式示例 表5出租车轨迹数据格式 D 路段ID 13 Table 5 Taxi trajectory data format XIng 路段起点经度 120.161984 字段名 内容介绍 格式示例 Xlat 路段起点纬度 30.272192 ID 出租车记录D 15 YIng 路段终点经度 120.161984 Date 发生时间 2015-06-2223:59:00 Ylat 路段终点纬度 30.272192 City 所属城市 HZ Way 路段所属道路名 秋石高架 与该路段相邻的所有 carID 出租车牌号 75636 neiborID 13,1645 路段id,用“，”隔开 Lng 出租车所在位置经度 120.171984 Distance 路段长度 130.134 Lat 出租车所在道路纬度 30.272192 Type 所属区域类型 商业区 Speed 出租车速度 42 Level 道路等级 一级公路 Angel 出租车前轮角度 60 flow num 车道数 三车道 Isfull 出租车是否载客 1 道路微波检测数据道路微波检测数据由杭 天气数据 本文所使用的数据由爬虫从天气 州市交警支队提供，数据时间跨度同交通事故数 据一致，为2015年7月11日一12月21日。 后报网(htp:www.tianqihoubao.com)爬取获得， 微波检测数据由两部分构成：微波检测器分布数 天气数据的时间跨度为2015年7月11日一12 据和微波检测器输出数据。微波检测器分布数据 月21日，同交通事故数据一致，天气数据的主要 如表3所示。 格式如表6所示。 表3微波检测器分布数据格式 表6天气数据格式 Table 3 Microwave detector distributed data format Table 6 Weather data format 字段名 内容介绍 格式示例 字段名 格式介绍 示例 ID 微波检测器编号 23 Province 省 浙江 Name 位置描述 庆春路秋涛路西口 City 城市 杭州 Lng 微波检测器位置经度 120.194988 Date 日期 微波检测器位置纬度 2015-06-22 Lat 30.252766 微波检测器每5s记录一次道路路况，每条记 Tainq! 白天天气、夜晚天气 晴/多云 最高气温、最低气温 30℃/25℃ 录包含该路段在5s内通过的车辆数目，以及通 Temperature 过车辆的平均速度，微波检测器检测数据格式如 北风微风/无持续 Feng 白天夜晚风力、风向 风向微风 表4所示
表 1 交通事故数据格式 Table 1 Traffic accident data format 字段名 内容介绍 格式示例 ID 事故编号 2 015071 100060 612 Time 发生时间 2015-07-11 00:06:06 ADDR 发生地点 环城北路杭州大厦 Coord_x 发生经度 120.161984 Coord_y 发生纬度 30.272192 Content 事故描述 两车刮擦，公交车逃逸， 现双方在武林广场处 路网结构数据 本文所使用路网结构数据 从 OpenStreetMap 网站下载，并经过简化处理获 得，其数据格式如表 2 所示。路网结构数据中记 录各个道路路段的关键节点的经纬度坐标，及该 路段邻接路段的编号。 表 2 路网结构数据格式 Table 2 Road network structure data format 字段名 内容介绍 格式示例 ID 路段ID 13 Xlng 路段起点经度 120.161 984 Xlat 路段起点纬度 30.272 192 Ylng 路段终点经度 120.161 984 Ylat 路段终点纬度 30.272 192 Way 路段所属道路名 秋石高架 neiborID 与该路段相邻的所有 路段id，用“，”隔开 13,16,45 Distance 路段长度 130.134 Type 所属区域类型 商业区 Level 道路等级 一级公路 flow_num 车道数 三车道 道路微波检测数据 道路微波检测数据由杭 州市交警支队提供，数据时间跨度同交通事故数 据一致， 为 2015 年 7 月 11 日 — 1 2 月 21 日 。 微波检测数据由两部分构成：微波检测器分布数 据和微波检测器输出数据。微波检测器分布数据 如表 3 所示。 表 3 微波检测器分布数据格式 Table 3 Microwave detector distributed data format 字段名 内容介绍 格式示例 ID 微波检测器编号 23 Name 位置描述 庆春路秋涛路西口 Lng 微波检测器位置经度 120.194 988 Lat 微波检测器位置纬度 30.252 766 微波检测器每 5 s 记录一次道路路况，每条记 录包含该路段在 5 s 内通过的车辆数目，以及通 过车辆的平均速度，微波检测器检测数据格式如 表 4 所示。 表 4 微波检测器检测数据格式 Table 4 Microwave detector detection data format 字段名 内容介绍 格式示例 ID 检测记录编号 283706 900 WaveID 微波检测器编号 890 Totalflow 5秒内车辆数量 6 Speed 5秒内车辆平均速度 30 Collectdate 记录时间 2015-07-12 00:00:00 出租车轨迹数据 本文使用的出租车轨迹 数据来自于杭州市出租车公司。时间跨度为 2015 年 6 月 22 日—6 月 30 日，为期 9 天的数据。因为数 据时间跨度很小，故本文未将其用作预测交通 事故风险的属性信息，只将其作为构建路网图 结构的支撑数据。出租车轨迹数据的格式如表 5 所示。 表 5 出租车轨迹数据格式 Table 5 Taxi trajectory data format 字段名 内容介绍 格式示例 ID 出租车记录ID 15 Date 发生时间 2015-06-22 23:59:00 City 所属城市 HZ carID 出租车牌号 75636 Lng 出租车所在位置经度 120.171 984 Lat 出租车所在道路纬度 30.272 192 Speed 出租车速度 42 Angel 出租车前轮角度 60 Isfull 出租车是否载客 1 天气数据 本文所使用的数据由爬虫从天气 后报网 (http://www.tianqihoubao.com/) 爬取获得， 天气数据的时间跨度为 2015 年 7 月 11 日—12 月 21 日，同交通事故数据一致，天气数据的主要 格式如表 6 所示。 表 6 天气数据格式 Table 6 Weather data format 字段名 格式介绍 示例 Province 省 浙江 City 城市 杭州 Date 日期 2015-06-22 Tainqi 白天天气、夜晚天气 晴/多云 Temperature 最高气温、最低气温 30 ℃/ 25 ℃ Feng 白天夜晚风力、风向 北风 微风 /无持续 风向 微风 第 4 期 张延孔，等：基于路网结构的城市交通事故短期风险预测方法 ·665·
·666· 智能系统学报 第15卷 1.2数据预处理 观察数据可知，以上数据数值范围都不统一， 本文提出的基于路网结构的城市交通事故短 因此并不能直接作为神经网络的输入。因此针对 期风险预测算法以真实路段作为空间预测单元， 于所有的枚举类特征，例如天气、风向、道路所属 因此使用的所有属性特征应该按照路段进行划 区域等，本文采用one-hot编码。对于所有的数值 分。由21节可知，所有数据的位置信息以经纬 型特征，本文统计最大值、最小值，然后根据最大 度来描述，因此首先要将经纬度所代表信息绑定 最小值将其映射到区间0,1]。于是所有的特征值 到相应路段。假设预测路段集合为S,待绑定的 都处在[0,1]区间内，使得深度学习框架能获得良 位置为Pgsn,位置与路段绑定的算法如下。 好的效果。 1)针对于路段集合S中第i条路段，其长度 在此说明，本文仅对输入特征数据进行量纲 为l,位置Pg与其起点和终点的距离分别为 统一处理，对于预测结果，本文使用单位时间内 d-ai、d-ed,距离采用欧几里德距离公式计算，则 事故发生的次数并没有映射到区间0，]，这也与 可得路段差值d,=d-tsmi+d-end-ho 已有算法的交通事故风险描述一致。 2)寻找路段m使得dm为所有路段差值的最 2交通事故预测深度学习模型 小值。 3)定义阈值8，若dm小于阈值8，则该位置与 本节首先详细地描述了基于路网的交通事故 路段m绑定；若dm不小于阈值ε，则该位置与预测 风险预测模型(traffic accidents risk prediction based 集合中的任何路段都不绑定。 on road network,TARPBRN)的总体架构，然后分 根据以上位置点与路段的绑定算法，可以将 别对每个主要模块进行了具体介绍。 交通事故、微波检测器及出租车位置信息绑定到 2.1 TARPBRN模型架构 相应路段。从而可得路段在预测交通事故时的所 由1.2节可知，本文将交通事故的诱发因素 有属性特征。本文将路段属性数据分为3类：空 从数据特征出发主要分为三大类：时间相关特 间相关数据、时间相关数据、时空相关数据。 征、空间相关特征和时空相关特征，针对每一类 空间相关数据仅与路段相关的特征，对于 特征，分别采用不同的网络结构进行特征提取。 任意时间段数据值都一样。该类数据有路段长 TARPBRN模型的总体架构如图1所示。首先， 度、道路等级、车道数、道路所属区域等。 对3类属性数据进行特征提取操作。对于空间相 时间相关数据仅与时间段相关联的数据， 关数据，本文使用多层GCNN来提取空间特征。 对于所有的路段数据值都一样。该类特征有天 对于时间相关数据采用DLSTM提取时间特征。 气、风力、风向、气温等。 对于时空相关数据，本文将GCNN和DLSTM相 时空相关数据是与时间段、路段都有关联 结合来提取时空特征。然后，将3类属性数据通 的数据。同一路段在不同时间、不同路段在相同 过相应特征提取层获得的特征传入特征融合层， 时间都具有不同的数据值。该类数据有单位时间 将3类属性特征融合为一个整体。最后，将融合 道路通过车辆数、单位时间道路车辆通过平均速 后的特征传入全连接网络，通过全连接网络输出 度、单位时间内事故发生数量等。 最终的预测结果。 空间相关数据 多层GCNN层 时间相关数据 征融合层 全 DLSTM 接层 结果 时空相关特征 GCNN+DLSTM 图1交通事故风险预测框架 Fig.1 Traffic accident risk prediction framework 2.2多层GCNN层提取空间属性特征 法，在对图进行卷积神经网络学习时，可以同时 GCNN是一种能对图数据进行深度学习的方 考虑到节点的特征信息以及结构信息。这使得
1.2 数据预处理 P(lng,lat) 本文提出的基于路网结构的城市交通事故短 期风险预测算法以真实路段作为空间预测单元， 因此使用的所有属性特征应该按照路段进行划 分。由 2.1 节可知，所有数据的位置信息以经纬 度来描述，因此首先要将经纬度所代表信息绑定 到相应路段。假设预测路段集合为 S，待绑定的 位置为 ，位置与路段绑定的算法如下。 i li P(lng,lat) di−start di−end di = di−start +di−end −li 1) 针对于路段集合 S 中第 条路段，其长度 为 ，位置 与其起点和终点的距离分别为 、 ，距离采用欧几里德距离公式计算，则 可得路段差值 。 2) 寻找路段 m 使得 dm 为所有路段差值的最 小值。 ε dm ε dm ε 3) 定义阈值 ，若 小于阈值 ，则该位置与 路段 m 绑定；若 不小于阈值 ,则该位置与预测 集合中的任何路段都不绑定。 根据以上位置点与路段的绑定算法，可以将 交通事故、微波检测器及出租车位置信息绑定到 相应路段。从而可得路段在预测交通事故时的所 有属性特征。本文将路段属性数据分为 3 类：空 间相关数据、时间相关数据、时空相关数据。 空间相关数据 仅与路段相关的特征，对于 任意时间段数据值都一样。该类数据有路段长 度、道路等级、车道数、道路所属区域等。 时间相关数据 仅与时间段相关联的数据， 对于所有的路段数据值都一样。该类特征有天 气、风力、风向、气温等。 时空相关数据 是与时间段、路段都有关联 的数据。同一路段在不同时间、不同路段在相同 时间都具有不同的数据值。该类数据有单位时间 道路通过车辆数、单位时间道路车辆通过平均速 度、单位时间内事故发生数量等。 [0,1] [0,1] 观察数据可知，以上数据数值范围都不统一， 因此并不能直接作为神经网络的输入。因此针对 于所有的枚举类特征，例如天气、风向、道路所属 区域等，本文采用 one-hot 编码。对于所有的数值 型特征，本文统计最大值、最小值，然后根据最大 最小值将其映射到区间 。于是所有的特征值 都处在 区间内，使得深度学习框架能获得良 好的效果。 [0,1] 在此说明，本文仅对输入特征数据进行量纲 统一处理，对于预测结果，本文使用单位时间内 事故发生的次数并没有映射到区间 ，这也与 已有算法的交通事故风险描述一致。 2 交通事故预测深度学习模型 本节首先详细地描述了基于路网的交通事故 风险预测模型 (traffic accidents risk prediction based on road network, TARPBRN) 的总体架构，然后分 别对每个主要模块进行了具体介绍。 2.1 TARPBRN 模型架构 由 1.2 节可知，本文将交通事故的诱发因素 从数据特征出发主要分为三大类：时间相关特 征、空间相关特征和时空相关特征，针对每一类 特征，分别采用不同的网络结构进行特征提取。 TARPBRN 模型的总体架构如图 1 所示。首先， 对 3 类属性数据进行特征提取操作。对于空间相 关数据，本文使用多层 GCNN 来提取空间特征。 对于时间相关数据采用 DLSTM 提取时间特征。 对于时空相关数据，本文将 GCNN 和 DLSTM 相 结合来提取时空特征。然后，将 3 类属性数据通 过相应特征提取层获得的特征传入特征融合层， 将 3 类属性特征融合为一个整体。最后，将融合 后的特征传入全连接网络，通过全连接网络输出 最终的预测结果。 空间相关数据 时间相关数据 时空相关特征 多层 GCNN 层 DLSTM GCNN+DLSTM 特征融合层 全连接层 预测 结果 图 1 交通事故风险预测框架 Fig. 1 Traffic accident risk prediction framework 2.2 多层 GCNN 层提取空间属性特征 GCNN 是一种能对图数据进行深度学习的方 法，在对图进行卷积神经网络学习时，可以同时 考虑到节点的特征信息以及结构信息。这使得 ·666· 智 能 系 统 学 报 第 15 卷
第4期 张延孔，等：基于路网结构的城市交通事故短期风险预测方法 ·667· GCNN广泛用于非规则数据的深度学习。图卷积 该数据来描述相邻路段的关联度，在相邻路段间 网络的主要计算方式如下： 经过的次数越多，相邻路段之间的关联度越高， 给定图G=(V,x,8,A),V是N个顶点的集 转换公式为 合，x∈R是每一个顶点特征向量的集合。ε是边 f(x)=lgx/lgmax 的结合，A是邻接矩阵，其中A表示两个顶点间 式中：x为车辆在相邻路段经过的次数；max为车 的关联度。假设GCNN模型从输入层到输出层 辆在相邻路段经过次数的最大值；fx)即为转化 共有m层。图网络中的每一个顶点在1层中都有 后的关联度。 一个长度为C的特征向量。对于每一层10=1,2，…， 2.3 DLSTM层提取时间特征 m-1),图卷积模型GCNN以如下的规则从输入层 长短期记忆(long short-term memory, 到输出层进行传播： LSTM)是一种特殊的RNN,相比普通的RNN, H=o(D-AD-H-W) LSTM能够在长序列数据中有更好的表现，它在 其中D是一个对角矩阵，Da=∑A),W1 ERCHxC 算法中加入了一个判断信息有用与否的结构单 是每一层可训练的权重矩阵，σ(.)是一个激活函 元。如图3所示，结构单元中被放置了3扇门，即 数，HIE RNxC是第I层的激活输出矩阵。H-I∈Rxc 输入门、遗忘门和输出门。当一个信息进入LSTM 则是第1-1层的激活输出矩阵。对于第1层输 的网络当中，可以根据规则来判断是否有用，实 入层： 现信息的选择性通过。LSTM更细节的信息可以 H=(D-:AD-HW) 参考文献[23] H即是图网络结构中各顶点的输入特征x。 综上可知，图卷积进行特征提取是需要输入 两部分数据，图的邻接矩阵A及特征属性数据 输人门( 输出门(O, x。特征属性数据x由第2节经过数据预处理已 经获得，图的邻接矩阵可由路网结构转化得到。 记忆单元 本文以路段作为空间预测单元，路段在路网 结构中通常以边的形式存在，而GCNN模型主要 计算图结构的顶点特征。因此本文首先要将路网 遗忘门 中的路段转化为图结构中的顶点，将路网中的交 叉点转化为边。转化方式如图2所示。 小 图3LSTM结构单元 Fig.3 LSTM structural unit ●中 B司 虽然通过LSTM可以获取长期记忆的特征， 但LSTM在处理超长序列时会导致训练时间大大 C 增长，同时在超长的序列中进行反向传播也可能 会导致梯度消失，从而削弱模型的可靠性。部分 (a)路网结构 b)图结构 情况下，还可能因为冗余信息太多，无法取得良 图2路网转化为图结构示意 好效果。 Fig.2 Road network transformation into graph structure 因此，基于交通事故在时序上呈现的周期性 sketch 和渐近性的特征，本文提出了双链LSTM(DLSTM) 图2(a)中有3条路段A、B、C交汇于一点，当 网络。如图4所示。假设预测1时刻的时序特征 该路网结构转化为图结构时，A、B、C路段转化 (假设序列的周期性为5)，则提取t-1、t-2、t-3、 为3个顶点，如图2(b)所示。路段A可通过交汇 -4时刻的特征（图中蓝色区域特征）作为渐近特 点到达B,因此图结构中，顶点A与顶点B之间有 征。提取t-5、1-2×5、t-3×5、1-4×5时刻的特 边相连，同理，顶点A、B,顶点B、C之间都有边相连。 征（图中绿色区域的特征作为周期特征）。然后将 将路网结构转化为图结构后就可以得出路网 渐近特征和周期特征分别传入LSTM网络，最后 结构的邻接矩阵，但此时邻接矩阵的只有0、1两 将两个LSTM链中的特征进行融合，作为DLSM 个数值。0表示不连接，1表示连接。为了更明确 网络的输出特征。注意这里因为两种特征同属于 地表示相邻路段之间的关联度，本文根据出租车 多层LSTM层输出的时序特征，相互之间影响较 轨迹数据，计算出租车经过相邻路段的次数，用 大，故以相乘的方式进行特征融合
GCNN 广泛用于非规则数据的深度学习。图卷积 网络的主要计算方式如下： G = (V, x,ε, A) V x ∈ R N ε Ai j l C l l(l = 1,2,··· , m−1) 给定图 ， 是 N 个顶点的集 合, 是每一个顶点特征向量的集合。 是边 的结合，A 是邻接矩阵，其中 表示两个顶点间 的关联度。假设 GCNN 模型从输入层到输出层 共有 m 层。图网络中的每一个顶点在 层中都有 一个长度为 的特征向量。对于每一层 ，图卷积模型 GCNN 以如下的规则从输入层 到输出层进行传播： H l = σ(D − 1 2 AD− 1 2 H l−1Wl ) Dii = ∑ Ai j Wl−1 ∈ R C l−1×C l σ() Hl ∈ R N×C l l Hl−1 ∈ R N×C l−1 l−1 其中 D 是一个对角矩阵， ， 是每一层可训练的权重矩阵， 是一个激活函 数， 是第 层的激活输出矩阵。 则是第 层的激活输出矩阵。对于第 1 层输 入层： H 1 = σ(D − 1 2 AD− 1 2 H 0W1 ) H0 即是图网络结构中各顶点的输入特征 x。 x x 综上可知，图卷积进行特征提取是需要输入 两部分数据，图的邻接矩阵 A 及特征属性数据 。特征属性数据 由第 2 节经过数据预处理已 经获得，图的邻接矩阵可由路网结构转化得到。 本文以路段作为空间预测单元，路段在路网 结构中通常以边的形式存在，而 GCNN 模型主要 计算图结构的顶点特征。因此本文首先要将路网 中的路段转化为图结构中的顶点，将路网中的交 叉点转化为边。转化方式如图 2 所示。 (a) 路网结构 (b) 图结构 A B A B C C 图 2 路网转化为图结构示意 Fig. 2 Road network transformation into graph structure sketch 图 2(a) 中有 3 条路段 A、B、C 交汇于一点，当 该路网结构转化为图结构时，A、B、C 路段转化 为 3 个顶点，如图 2(b) 所示。路段 A 可通过交汇 点到达 B，因此图结构中，顶点 A 与顶点 B 之间有 边相连，同理，顶点 A、B，顶点 B、C 之间都有边相连。 将路网结构转化为图结构后就可以得出路网 结构的邻接矩阵，但此时邻接矩阵的只有 0、1 两 个数值。0 表示不连接，1 表示连接。为了更明确 地表示相邻路段之间的关联度，本文根据出租车 轨迹数据，计算出租车经过相邻路段的次数，用 该数据来描述相邻路段的关联度，在相邻路段间 经过的次数越多，相邻路段之间的关联度越高， 转换公式为 f(x) = lg x/ lgmax f(x) 式中：x 为车辆在相邻路段经过的次数；max 为车 辆在相邻路段经过次数的最大值； 即为转化 后的关联度。 2.3 DLSTM 层提取时间特征 长短期记 忆 (long short-term memory, LSTM) 是一种特殊的 RNN，相比普通的 RNN， LSTM 能够在长序列数据中有更好的表现，它在 算法中加入了一个判断信息有用与否的结构单 元。如图 3 所示，结构单元中被放置了 3 扇门，即 输入门、遗忘门和输出门。当一个信息进入 LSTM 的网络当中，可以根据规则来判断是否有用，实 现信息的选择性通过。LSTM 更细节的信息可以 参考文献 [23]。 输入门 xt xt ht Ot xt it 输出门 记忆单元 ct ft xt 遗忘门 图 3 LSTM 结构单元 Fig. 3 LSTM structural unit 虽然通过 LSTM 可以获取长期记忆的特征， 但 LSTM 在处理超长序列时会导致训练时间大大 增长，同时在超长的序列中进行反向传播也可能 会导致梯度消失，从而削弱模型的可靠性。部分 情况下，还可能因为冗余信息太多，无法取得良 好效果。 t−1、t−2、t−3、 t−4 t−5、t−2×5、t−3×5、t−4×5 因此，基于交通事故在时序上呈现的周期性 和渐近性的特征，本文提出了双链 LSTM(DLSTM) 网络。如图 4 所示。假设预测 t 时刻的时序特征 (假设序列的周期性为 5)，则提取 时刻的特征 (图中蓝色区域特征) 作为渐近特 征。提取 时刻的特 征 (图中绿色区域的特征作为周期特征)。然后将 渐近特征和周期特征分别传入 LSTM 网络，最后 将两个 LSTM 链中的特征进行融合，作为 DLSM 网络的输出特征。注意这里因为两种特征同属于 多层 LSTM 层输出的时序特征，相互之间影响较 大，故以相乘的方式进行特征融合。 第 4 期 张延孔，等：基于路网结构的城市交通事故短期风险预测方法 ·667·
·668· 智能系统学报 第15卷 -4×5 1-3x5 r2×5 54-3-2-11 (a)渐近特征和时序特征提取 -4-3-2仁 多层LSTM层 渐近特征 r3×51-5 输出特征 多层LSTM层 1-4x51-2×5 时序特征 (b)网络结构 图4 DLSTM结构示意图 Fig.4 Structural schematic diagram of DLSTM 2.4GCNN与DLSTM相结合提取时空特征 大，非常不平衡。为了缓解样本间的不平衡问 在城市交通事故风险短期预测模型中，交通事 题，本文在目标函数均方差误差的基础上进行了 故风险、道路车流量、道路行车平均速度不仅与时 改进，加强事故风险不是0的样本的损失函数 间相关，还与所属路段及空间有关。因此，本文将 值。为防止在训练过程中出现过拟合现象，本文 DLSTM与GCNN模型进行整合，构建了新的时空 引用了L2规则化范数。因此最终的损失函数为 特征提取层。在整合过程中，本文提出两种方案： min (Iby,)x (y,+1)+allWll I)GCNN+DLSTM模型，先对时空特征在每 式中：W代表式(1)中所有的权重参数，α为正则 个时间段上进行图卷积求出局部特征，然后针对 化参数。 每个时间段上的图卷积特征，构建时间序列，传 2.7评价函数 入到DLSTM求取其时间特征。 现有的基于深度学习的城市短期交通事故预 2)DLSTM+GCNN模型。首先根据交通事故 测模型均采用划分网格的方式来进行预测，在进 时空特征所属路段的不同进行分类，然后将每一 行方法对比时均采用MAE、MRE、RMSE这3种 路段的时空序列特征传入DLSTM模型，计算其 度量方式来对预测模型进行度量，本文同样如此。 时序特征，最后将所有路段的时序特征传入GCNN 模型，求取其空间特征。 MAE= 1- 本文对两种方案都进行了比较。为了介绍方 MRE= 便，本文在除模型对比外，将这两种方案作为一 i=l 种，在下文中都采用GconvLSTM模型表示。 RMSE 2.5特征融合与全连接层 Vn台 %-)月 在特征融合层，将GCNN提取的空间特征、 式中：为路段i的交通事故真是发生风险，为 DLSTM神经网络提取的时间特征、GconvLSTM 路段i交通事故发生风险的预测值；n为所预测道 神经网络提取的时空特征串联成一个密集的向 路的总条数。 量，构建输入全连接网络的高维特征。然后通过 全连接层将矢量转换为模型输出。因此，模型预 3分析结果 测输出可转化为公式： 3.1交通事故数据的周期特征 =Wgcm+WpLm WGcoLatn(1) 交通事故是人类活动产生的结果，因此必将 其中Xm、Xim、X9 covm分别表示在t时刻的空间 在时间上呈现规律性变化。本文统计了交通事 特征、时间特征和时空特征；Wem、WDLst、WGcomvLsm、 故1天和1周的分布情况，分别如图5、6所示。 b:表示各个属性相关的权重和偏差。 由图5可知，交通事故多发生在日间，在夜间 2.6损失函数 事故发生次数较少。且事故多发生在早上7~10点 在交通事故风险预测中，绝大部分时间、绝 及晚上4~6点。由图6可知，交通事故在周末发 大部分路段的交通事故发生风险值都为0，事故 生较多，在工作日发生事故较少。综上可知，交 风险为0与事故风险非0的样本数量差距相当 通事故分别以天和星期为周期呈现出一定的周期
(a) 渐近特征和时序特征提取 (b) 网络结构 t−4×5 t−3×5 t−2×5 t−5 t−4 t−3 t−2 t−1 t t−4 t−3×5 t−4×5 t−2×5 时序特征 t−5 −3 t−2 t−1 渐近特征 多层 LSTM 层 多层 LSTM 层 输出特征 图 4 DLSTM 结构示意图 Fig. 4 Structural schematic diagram of DLSTM 2.4 GCNN 与 DLSTM 相结合提取时空特征 在城市交通事故风险短期预测模型中，交通事 故风险、道路车流量、道路行车平均速度不仅与时 间相关，还与所属路段及空间有关。因此，本文将 DLSTM 与 GCNN 模型进行整合，构建了新的时空 特征提取层。在整合过程中，本文提出两种方案： 1) GCNN+DLSTM 模型，先对时空特征在每 个时间段上进行图卷积求出局部特征，然后针对 每个时间段上的图卷积特征，构建时间序列，传 入到 DLSTM 求取其时间特征。 2) DLSTM+GCNN 模型。首先根据交通事故 时空特征所属路段的不同进行分类，然后将每一 路段的时空序列特征传入 DLSTM 模型，计算其 时序特征，最后将所有路段的时序特征传入 GCNN 模型，求取其空间特征。 本文对两种方案都进行了比较。为了介绍方 便，本文在除模型对比外，将这两种方案作为一 种，在下文中都采用 GconvLSTM 模型表示。 2.5 特征融合与全连接层 在特征融合层，将 GCNN 提取的空间特征、 DLSTM 神经网络提取的时间特征、GconvLSTM 神经网络提取的时空特征串联成一个密集的向 量，构建输入全连接网络的高维特征。然后通过 全连接层将矢量转换为模型输出。因此，模型预 测输出可转化为公式： yˆt = WgcnnX gcnn t + WDLstmX lstm t +WGconvLstmX GconvLstm t +bt (1) X gcnn t X lstm t X GconvLstm t Wgcnn WDLstm WGconvLstm bt 其中 、 、 分别表示在 t 时刻的空间 特征、时间特征和时空特征； 、 、 、 表示各个属性相关的权重和偏差。 2.6 损失函数 在交通事故风险预测中，绝大部分时间、绝 大部分路段的交通事故发生风险值都为 0，事故 风险为 0 与事故风险非 0 的样本数量差距相当 大，非常不平衡。为了缓解样本间的不平衡问 题，本文在目标函数均方差误差的基础上进行了 改进，加强事故风险不是 0 的样本的损失函数 值。为防止在训练过程中出现过拟合现象，本文 引用了 L2 规则化范数。因此最终的损失函数为 min w,b ( ∥yt −yˆt∥ 2 2 ) ×(yt +1)+α∥W∥ 2 2 式中：W 代表式 (1) 中所有的权重参数，α 为正则 化参数。 2.7 评价函数 现有的基于深度学习的城市短期交通事故预 测模型均采用划分网格的方式来进行预测，在进 行方法对比时均采用 MAE、MRE、RMSE 这 3 种 度量方式来对预测模型进行度量，本文同样如此。 MAE = 1 n ∑n i=1 |yi −yˆi | MRE = 1 n ∑n i=1 |yi −yˆi | yi RMSE = √ 1 n ∑n i=1 (yi −yˆi) 2 式中： yi 为路段 i 的交通事故真是发生风险， yˆi 为 路段 i 交通事故发生风险的预测值；n 为所预测道 路的总条数。 3 分析结果 3.1 交通事故数据的周期特征 交通事故是人类活动产生的结果，因此必将 在时间上呈现规律性变化。本文统计了交通事 故 1 天和 1 周的分布情况，分别如图 5、6 所示。 由图 5 可知，交通事故多发生在日间，在夜间 事故发生次数较少。且事故多发生在早上 7~10 点 及晚上 4~6 点。由图 6 可知，交通事故在周末发 生较多，在工作日发生事故较少。综上可知，交 通事故分别以天和星期为周期呈现出一定的周期 ·668· 智 能 系 统 学 报 第 15 卷
第4期 张延孔，等：基于路网结构的城市交通事故短期风险预测方法 ·669· 性。因此，在逐小时风险预测模型中，可以设置 表8逐天事故风险预测结果 DLSTM的步长为24；在逐日风险预测模型中，可 Table 8 Daily accident risk prediction result 以设置DLSTM的步长为7。 TARPBRNGCNN+DLSTM TARPBRNDLSTM+GCNN Feature 5000 MSE MRE RMSE MSE MRE RMSE 4000 3000 S+T+ST0.58 0.45 0.67 0.57 0.44 0.65 200 T+ST 0.64 0.48 0.70 0.62 0.33 0.47 1000 0 S+ST 0.65 0.49 0.72 0.64 0.29 0.43 357911131517192123 时刻 S+T 0.70 0.53 0.79 0.70 0.53 0.79 图5交通事故24小时分布图 3.3模型对比 Fig.5 Hourly distribution map of traffi accidents 9000 与已有的基于划分网格的城市短期交通事故 8500 风险预测系统不同，本文所提出的城市短期交通 8000 事故风险预测系统以真实的路段作为预测对象。 岳7500 因此本文使用的数据结构并不能直接用于已有算 7000 法，且因为预测对象不同，并不能使用MAE、MRE、 6500 RMSE3种度量方式在不同模型间进行对比。为 星期一星期二星期三星期五星期四星期六星期日 了在不同的预测模型间比较，经过与交警部门交 图6交通事故1周分布图 流，本文提出使用准确率(acc,accuracy),精准率 Fig.6 Sequence chart of traffic accident distribution with week (p,precision)和漏报率(FNR)3项来评估模型的预 测性能。3种度量方式的计算方式如下： 3.2结果分析 TN+TP 本研究建立了两类短期碰撞风险预测模型：逐 acc TN+FP+FN+TP 日风险预测模型和逐小时风险预测模型。在每种 FP 预测模型中又根据时空特征提取的顺序分为GCNN+ p= TN+FP FN DLSTM模型和DLSTM+GCNN模型。预测数据 FNR-FN+TN 集按7：3的比例分为训练数据集和测试数据集。 式中的变量由表9确定。 在模式测试过程中，本文假设所有空间特征为S, 表9变量定义 所有时间特征为T,时空特征为ST,针对不同模型 Table 9 Variable definition table 输入不同特征，则模型预测结果如表7、8所示。 按类型划分 预测高风险 预测低风险 分析表7、8可知，当ST特征不参与计算时， 实际发生事故 TARPBRNCNN+DLSTM与TARPBRNDLSTM+GCNN为同一 TP FN 种模型，因此结果一致。在逐小时事故风险预测 实际未发生事故 FP TN 结果TARPBRNGCNN+DLSTM表现较好，而在逐天事 本文以几种已有模型为基准，与所提出的模 故风险预测结果TARPBRNDLSTM+GCNN有更好的表 型进行了比较。所选的基准测试方法可以分为两 现，因此在进行事故预测时，可以根据预测时间 种类型：计量经济模型和深度学习模型。所选择 的粒度，来选择合适的算法。在3类特征对比中 的计量经济模型包括自回归综合移动平均模型 可知，时空属性相关特征对预测结果影响最大， (autoregressive integrated moving average mode,AR- 其次为时间相关特征，最次为空间相关特征。 IMA)、随机参数(random-parameter)模型、随机效 表7逐小时事故风险预测结果 应(random-effects)模型和地理加权回归模型(geo- Table 7 Hourly accident risk prediction result graphical weighted regression,GWR)模型，所选择 特征 TARPBRNGCNN+DLSTM TARPBRNDLSTM+GCNN 的机器学习模型包括堆叠降噪自动编码器(stacked MSE MRE RMSE MSE MRE RMSE denoising auto encoder,.SDAE)模型、基于LSTM的 S+T+ST 0.28 0.25 0.37 0.30 0.27 0.39 交通事故风险预测模型(traffic accident risk predic- T+ST 0.34 0.27 0.41 0.32 0.29 0.43 tion method based on LSTM,TARPML)和基于时空 S+ST 0.35 0.31 0.45 0.36 0.33 0.47 卷积的长短期记忆网络(spatiotemporal convolu- tional long short-term memory network,STCL-Net). S+T 0.47 0.38 0.52 0.47 0.38 0.52 ARIMA是一种应用广泛的时间序列分析方
性。因此，在逐小时风险预测模型中，可以设置 DLSTM 的步长为 24；在逐日风险预测模型中，可 以设置 DLSTM 的步长为 7。 5 000 4 000 3 000 2 000 1 000 0 1 3 5 7 9 11 13 15 17 19 21 23 事故数 时刻 图 5 交通事故 24 小时分布图 Fig. 5 Hourly distribution map of traffi accidents 事故数 9 000 8 500 8 000 7 500 7 000 6 500 星期一 星期二 星期三 星期四 星期五 星期六 星期日 图 6 交通事故 1 周分布图 Fig. 6 Sequence chart of traffic accident distribution with week 3.2 结果分析 本研究建立了两类短期碰撞风险预测模型:逐 日风险预测模型和逐小时风险预测模型。在每种 预测模型中又根据时空特征提取的顺序分为 GCNN+ DLSTM 模型和 DLSTM+GCNN 模型。预测数据 集按 7:3 的比例分为训练数据集和测试数据集。 在模式测试过程中，本文假设所有空间特征为 S， 所有时间特征为 T，时空特征为 ST，针对不同模型 输入不同特征，则模型预测结果如表 7、8 所示。 分析表 7、8 可知，当 ST 特征不参与计算时， TARPBRNCNN+DLSTM 与 TARPBRNDLSTM+GCNN 为同一 种模型，因此结果一致。在逐小时事故风险预测 结果 TARPBRNGCNN+DLSTM 表现较好，而在逐天事 故风险预测结果 TARPBRNDLSTM+GCNN 有更好的表 现，因此在进行事故预测时，可以根据预测时间 的粒度，来选择合适的算法。在 3 类特征对比中 可知，时空属性相关特征对预测结果影响最大， 其次为时间相关特征，最次为空间相关特征。 表 7 逐小时事故风险预测结果 Table 7 Hourly accident risk prediction result 特征 TARPBRNGCNN+DLSTM TARPBRNDLSTM+GCNN MSE MRE RMSE MSE MRE RMSE S+T+ST 0.28 0.25 0.37 0.30 0.27 0.39 T+ST 0.34 0.27 0.41 0.32 0.29 0.43 S+ST 0.35 0.31 0.45 0.36 0.33 0.47 S+T 0.47 0.38 0.52 0.47 0.38 0.52 表 8 逐天事故风险预测结果 Table 8 Daily accident risk prediction result Feature TARPBRNGCNN+DLSTM TARPBRNDLSTM+GCNN MSE MRE RMSE MSE MRE RMSE S+T+ST 0.58 0.45 0.67 0.57 0.44 0.65 T+ST 0.64 0.48 0.70 0.62 0.33 0.47 S+ST 0.65 0.49 0.72 0.64 0.29 0.43 S+T 0.70 0.53 0.79 0.70 0.53 0.79 3.3 模型对比 与已有的基于划分网格的城市短期交通事故 风险预测系统不同，本文所提出的城市短期交通 事故风险预测系统以真实的路段作为预测对象。 因此本文使用的数据结构并不能直接用于已有算 法，且因为预测对象不同，并不能使用 MAE、MRE、 RMSE 3 种度量方式在不同模型间进行对比。为 了在不同的预测模型间比较，经过与交警部门交 流，本文提出使用准确率 (acc, accuracy)，精准率 (p, precision) 和漏报率 (FNR)3 项来评估模型的预 测性能。3 种度量方式的计算方式如下： acc = TN+TP TN+FP+FN+TP p = FP TN+FP FNR = FN FN+TN 式中的变量由表 9 确定。 表 9 变量定义 Table 9 Variable definition table 按类型划分 预测高风险 预测低风险 实际发生事故 TP FN 实际未发生事故 FP TN 本文以几种已有模型为基准，与所提出的模 型进行了比较。所选的基准测试方法可以分为两 种类型：计量经济模型和深度学习模型。所选择 的计量经济模型包括自回归综合移动平均模型 (autoregressive integrated moving average mode, ARIMA)、随机参数 (random-parameter) 模型、随机效 应 (random-effects) 模型和地理加权回归模型 (geographical weighted regression，GWR) 模型，所选择 的机器学习模型包括堆叠降噪自动编码器 (stacked denoising auto encoder, SDAE) 模型、基于 LSTM 的 交通事故风险预测模型 (traffic accident risk prediction method based on LSTM, TARPML) 和基于时空 卷积的长短期记忆网络 (spatiotemporal convolutional long short-term memory network, STCL-Net)。 ARIMA 是一种应用广泛的时间序列分析方 第 4 期 张延孔，等：基于路网结构的城市交通事故短期风险预测方法 ·669·
·670· 智能系统学报 第15卷 法，它可以同时集成移动平均模型、自回归部分 短期内的交通事故发生风险，从而给司机及交警 和移动平均部分。随机效应模型假设预测结果 部门在道路选择和事故治理方面提供决策依据。 与独立的变量不相关，可以通过观察很好地解释 与已有的计量经济学模型和深度学习算法相比， 观测之间的空间相关性、时间相关性或者时空相 本文算法在准确率、正确率和漏报率方面都表现 关性1。近年来，随机参数模型和GWR模型是 出极大的优势。 解决空间异质性问题的两种潜在的碰撞建模技 虽然提出的基于路网的城市交通事故短期风 术，它们允许碰撞计数与预测因子之间存在不同 险预测模型显示出了巨大的潜力，但在本研究中 的关系。SDAE模型是一种基于降噪编解码器 仍有几个局限性需要解决。交通事故成因复杂， 的深度学习模型，在日本城市交通预测中取得了 涉及方方面面的因素，仅凭已有的数据能起到的 较好的效果。TARPML是一种结合多源数据，基 预测效果有限，未来应该收集更多数据（例如车 于LSTM与全连接网络的深度学习模型，曾用于 辆数据、违章数据、行人信息、司机信息等)，来 北京市的城市交通风险预测。STCL-Net在LSTM 进行事故预测，以求取得更精确的预测效果。与 模型的基础上引入了CNN模型，充分考虑数据的 传统的计量经济学模型相比，本文提出的TARP. 空间特征对城市交通事故风险进行了预测。3种 BRN模型工作起来像一个黑匣子，缺乏因子分 深度学习方法都基于划分网格的方法对交通事故 析，这也是深度学习方法普遍存在的问题。交通 风险进行预测。 事故属于小概率事件，这导致了交通事故预测中 为了进行公平的比较，所有的基准方法都采 存在着严重的样本偏差问题，虽然本文通过重新 用同一批数据，并在同样的训练周期数下进行调 构建损失函数来处理这一问题，但仍需投人大量 优。但因为本文的算法为基于路段的算法，数据 的工作来解决这一问题。 结构不能直接应用于基准测试方法，因此对于不 同的方法数据都进行了相应的修改。例如：在划 参考文献： 分网格的方法中，本文采用500m×500m网格大 [1]World Health Organization.Global status report on road 小对预测区域进行网格划分，并对所有网格进行 safety 2015[R].World Health Organization,2015 预测。模型对比的预测效果如表10所示。总体 [2]ZHANG Guangnan,KELVIN KW Yau,CHEN Guanghan. 来看，本文提出的算法在准确率、正确率及漏报 Risk factors associated with traffic violations and accident 率方面都优于其他基准模型。逐天预测模型的整 severity in China[J].Accident analysis prevention,2013. 体准确率要高于逐小时预测，正确率逐渐增大， 59:18-25. 但漏报率也呈变大的趋势。 [3]敖曼，翟润平.气象条件对道路交通的影响分析[.公路 与汽运，2011(2)：58-62， 表10模型结果对比表 Table 10 Model result contrast table % AO Man,ZHAI Runping.Analysis of the influence of met- eorological conditions on road traffic[J].Highways auto 逐天预测结果 逐小时预测结果 motive applications,2011(2):58-62 模型 准确正确漏报准确正确漏报 [4]NOLAND R B.Traffic Fatalities and Injuries:the effect of 率 率 率率率 changes in infrastructure and other trends[J].Accident ana- TARPBRNGCNN+DLSTM 95.2825.3040.2585.5820.3333.27 lysis&prevention,2003,35:599-611. TARPBRNDLSTM+Gem 95.3625.3440.35 85.46202532.75 [5]LI Z,WANG W,LIU P,et al.Using geographically STCL-Net 94.0520.4543.7883.9617.4530.45 weighted roisson regression for county-level crash model ing in california[J].Safety science,2013,58:89-97 TARPML 93.9818.4744.9283.1216.3736.51 [6]秦利燕，邵春福，赵亮.道路交通事故宏观预测模型[)， SDAE 93.5617.5639.2182.9516.7835.79 武汉理工大学学报：交通科学与工程版，2010,34(1)： ARIMA 92.0915.0349.8282.1113.5939.81 158-161. Random-parameter 92.0215.1247.6382.3414.6538.62 QIN Liyan,SHAO Chunfu,ZHAO Liang.Macro predic- tion model of road traffic accident based on neural net- Random-effects 92.1915.2945.2782.0215.2640.37 work[J].Journal of Wuhan University of Technology GWR 92.1014.7849.8481.5614.7341.58 (transportation science engineering edition),2010. 34(1):158-161. 4结束语 [7]张辉，陈柯羽.高速公路减速波事故的前兆特征与概率 模型).交通运输研究，2017,35)：26-32 本文以路段作为空间预测单元，预测某路段 ZHANG Hui,CHEN Keyu.Precursory characteristics and
法，它可以同时集成移动平均模型、自回归部分 和移动平均部分[14]。随机效应模型假设预测结果 与独立的变量不相关，可以通过观察很好地解释 观测之间的空间相关性、时间相关性或者时空相 关性[15]。近年来，随机参数模型和 GWR 模型是 解决空间异质性问题的两种潜在的碰撞建模技 术，它们允许碰撞计数与预测因子之间存在不同 的关系[16]。SDAE 模型是一种基于降噪编解码器 的深度学习模型，在日本城市交通预测中取得了 较好的效果。TARPML 是一种结合多源数据，基 于 LSTM 与全连接网络的深度学习模型，曾用于 北京市的城市交通风险预测。STCL-Net 在 LSTM 模型的基础上引入了 CNN 模型，充分考虑数据的 空间特征对城市交通事故风险进行了预测。3 种 深度学习方法都基于划分网格的方法对交通事故 风险进行预测。 为了进行公平的比较，所有的基准方法都采 用同一批数据，并在同样的训练周期数下进行调 优。但因为本文的算法为基于路段的算法，数据 结构不能直接应用于基准测试方法，因此对于不 同的方法数据都进行了相应的修改。例如：在划 分网格的方法中，本文采用 500 m×500 m 网格大 小对预测区域进行网格划分，并对所有网格进行 预测。模型对比的预测效果如表 10 所示。总体 来看，本文提出的算法在准确率、正确率及漏报 率方面都优于其他基准模型。逐天预测模型的整 体准确率要高于逐小时预测，正确率逐渐增大， 但漏报率也呈变大的趋势。 表 10 模型结果对比表 Table 10 Model result contrast table % 模型 逐天预测结果 逐小时预测结果 准确 率 正确 率 漏报 率 准确 率 正确 率 漏报 率 TARPBRNGCNN+DLSTM 95.28 25.30 40.25 85.58 20.33 33.27 TARPBRNDLSTM+Gcnn 95.36 25.34 40.35 85.46 20.25 32.75 STCL-Net 94.05 20.45 43.78 83.96 17.45 30.45 TARPML 93.98 18.47 44.92 83.12 16.37 36.51 SDAE 93.56 17.56 39.21 82.95 16.78 35.79 ARIMA 92.09 15.03 49.82 82.11 13.59 39.81 Random-parameter 92.02 15.12 47.63 82.34 14.65 38.62 Random-effects 92.19 15.29 45.27 82.02 15.26 40.37 GWR 92.10 14.78 49.84 81.56 14.73 41.58 4 结束语 本文以路段作为空间预测单元，预测某路段 短期内的交通事故发生风险，从而给司机及交警 部门在道路选择和事故治理方面提供决策依据。 与已有的计量经济学模型和深度学习算法相比， 本文算法在准确率、正确率和漏报率方面都表现 出极大的优势。 虽然提出的基于路网的城市交通事故短期风 险预测模型显示出了巨大的潜力，但在本研究中 仍有几个局限性需要解决。交通事故成因复杂， 涉及方方面面的因素，仅凭已有的数据能起到的 预测效果有限，未来应该收集更多数据（例如车 辆数据、违章数据、行人信息、司机信息等），来 进行事故预测，以求取得更精确的预测效果。与 传统的计量经济学模型相比，本文提出的 TARPBRN 模型工作起来像一个黑匣子，缺乏因子分 析，这也是深度学习方法普遍存在的问题。交通 事故属于小概率事件，这导致了交通事故预测中 存在着严重的样本偏差问题，虽然本文通过重新 构建损失函数来处理这一问题，但仍需投入大量 的工作来解决这一问题。 参考文献： World Health Organization. Global status report on road safety 2015[R]. World Health Organization, 2015. [1] ZHANG Guangnan, KELVIN KW Yau, CHEN Guanghan. Risk factors associated with traffic violations and accident severity in China[J]. Accident analysis & prevention, 2013, 59: 18–25. [2] 敖曼, 翟润平. 气象条件对道路交通的影响分析 [J]. 公路 与汽运, 2011(2): 58–62. AO Man, ZHAI Runping. Analysis of the influence of meteorological conditions on road traffic[J]. Highways & automotive applications, 2011(2): 58–62. [3] NOLAND R B. Traffic Fatalities and Injuries: the effect of changes in infrastructure and other trends[J]. Accident analysis & prevention, 2003, 35: 599–611. [4] LI Z, WANG W, LIU P, et al. Using geographically weighted roisson regression for county-level crash modeling in california[J]. Safety science, 2013, 58: 89–97. [5] 秦利燕, 邵春福, 赵亮. 道路交通事故宏观预测模型 [J]. 武汉理工大学学报: 交通科学与工程版, 2010, 34(1): 158–161. QIN Liyan, SHAO Chunfu, ZHAO Liang. Macro prediction model of road traffic accident based on neural network[J]. Journal of Wuhan University of Technology (transportation science & engineering edition), 2010, 34(1): 158–161. [6] 张辉, 陈柯羽. 高速公路减速波事故的前兆特征与概率 模型 [J]. 交通运输研究, 2017, 3(5): 26–32. ZHANG Hui, CHEN Keyu. Precursory characteristics and [7] ·670· 智 能 系 统 学 报 第 15 卷
第4期 张延孔，等：基于路网结构的城市交通事故短期风险预测方法 ·671· probability model of deceleration wave accidents on ex- [17]BAO J,LIU P,UKKUSURI S V.A spatiotemporal deep pressways[].Transportation research,2017,3(5):26-32. learning approach for citywide short-term crash risk pre- [8]王健，卢锡凤基于聚类分析的高速公路事故黑点鉴别 diction with multi-source data[J].Accident analysis 及成因分析研究[J].公路交通技术，2016,32(5) prevention,2019,122:239-254 114119 [18]DEFFERRARD Michael,XAVIER Bresson,PIERRE WANG Jian,LU Xifeng.Identification and cause analysis rgheynst.Convolutional neural networks on graphs with of expressway accident black spots based on cluster ana- fast localized spectral filtering[J].Advances in neural in- lysis[J].Highway traffic technology,2016,32(5): formation processing systems,2016:3844-3852. 114119 [19]KIPF T N,MAX W.Semi-supervised classification with [9]BAO J.LIU P.YU H,et al.Incorporating twitter-based hu- graph convolutional network[J].arXiv preprint arXiv: man activity information in spatial analysis of crashes in 1609.02907.2016. urban areas[J].Accident analysis&prevention,2017,106: [20]LIN Lei,HE Zhengbing,SRINIVAS Peeta.Predicting 358-369. station-level hourly demand in a large-scale bike-sharing [10]SINNOTT R O,YIN S.Accident black spot identifica- network:A graph convolutional neural network tion and verification through social media[Cl//IEEE In- approach[J].Transportation research part C:emerging ternational Conference on Data Science Data Intensive technologies,2018,97:258-276. Systems.Sydney,Australia,2015. [21]GEORGE E P,DAVID A.Pierce.Distribution of resid- [11]李娟，邵春福.基于BP神经网络的交通事故预测模 ual autocorrelations in autoregressive-integrated moving 型).交通与计算机，2006,24(2：34-37。 average time series models[J].Journal of the american LI Juan,SHAO Chunfu.Traffic accident prediction mod- statistical association,1970,65:1509-1526. el based on BP neural network[J].Traffic and computer, [22]NAZNIN F.Application of a random effects negative bi- 2006,24(2:34-37. nomial model to examine tram-involved crash frequency [12]张志豪，杨文忠，袁婷婷，等，基于LSTM神经网络模型 on route sections in Melbourne,Australia[J].Accident 的交通事故预测).计算机工程与应用，2019,55(14)： analysis&prevention,2016,92:15-21. 249-253 [23]BAO Jie.Incorporating twitter-based human activity in- ZHANG Zhihao,YANG Wenzhong,YUAN Tingting,et formation in spatial analysis of crashes in urban areas[J]. al.Traffic accident prediction based on LSTM neural net- Accident analysis prevention,2017,106:358-369. work model[J].Computer engineering and applications, 2019,5514):249-253. 作者简介： [13]胡立伟，张婷，郭凤香.基于灰色BP神经网络的道路交 张延孔，讲师，博士研究生，主要 通事故车型分担率预测及其预防策略研究[).武汉理 研究方向为数据可视化、数据可解释 工大学学报（交通科学与工程版），2018.42(3)：388-392 分析。 HU Liwei,ZHANG Ti,GUO Fengxiang.Traffic accident split rate of vehicle types prediction and prevention Strategies study based on gray BP neural network[J]. Journal of Wuhan university of technology (transporta- tion science engineering edition),2018,42(3): 卢家品.硕士研究生，主要研究方 388-392 向为数据可视化。 [14]MA X,TAO Z,WANG Y,et al.Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J].Transportation research part C: emerging technologies,2015,54:187-197. [15]CHEN Quanjun.Learning deep representation from big and heterogeneous data for traffic accident inference[C// 张帅超，博士研究生，主要研究方 Thirtieth AAAI Conference on Artificial Intelligence. 向为交通利益预测与评估、大数据分析。 Phoenix,Arizona,United States,2016:338-344. [16]REN Honglei.A deep learning approach to the citywide traffic accident risk prediction[C]//2018 21st Internation- al Conference on Intelligent Transportation Systems (ITSC).Maui.United States,2018:3346-3351
probability model of deceleration wave accidents on expressways[J]. Transportation research, 2017, 3(5): 26–32. 王健, 卢锡凤. 基于聚类分析的高速公路事故黑点鉴别 及成因分析研究 [J]. 公路交通技术, 2016, 32(5): 114–119. WANG Jian, LU Xifeng. Identification and cause analysis of expressway accident black spots based on cluster analysis[J]. Highway traffic technology, 2016, 32(5): 114–119. [8] BAO J, LIU P, YU H, et al. Incorporating twitter-based human activity information in spatial analysis of crashes in urban areas[J]. Accident analysis & prevention, 2017, 106: 358–369. [9] SINNOTT R O, YIN S. Accident black spot identification and verification through social media[C]// IEEE International Conference on Data Science & Data Intensive Systems. Sydney, Australia, 2015. [10] 李娟, 邵春福. 基于 BP 神经网络的交通事故预测模 型 [J]. 交通与计算机, 2006, 24(2): 34–37. LI Juan, SHAO Chunfu. Traffic accident prediction model based on BP neural network[J]. Traffic and computer, 2006, 24(2): 34–37. [11] 张志豪, 杨文忠, 袁婷婷, 等. 基于 LSTM 神经网络模型 的交通事故预测 [J]. 计算机工程与应用, 2019, 55(14): 249–253. ZHANG Zhihao, YANG Wenzhong, YUAN Tingting, et al. Traffic accident prediction based on LSTM neural network model[J]. Computer engineering and applications, 2019, 55(14): 249–253. [12] 胡立伟, 张婷, 郭凤香. 基于灰色 BP 神经网络的道路交 通事故车型分担率预测及其预防策略研究 [J]. 武汉理 工大学学报(交通科学与工程版), 2018, 42(3): 388–392. HU Liwei, ZHANG Ti, GUO Fengxiang. Traffic accident split rate of vehicle types prediction and prevention Strategies study based on gray BP neural network[J]. Journal of Wuhan university of technology (transportation science & engineering edition), 2018, 42(3): 388–392. [13] MA X, TAO Z, WANG Y, et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J]. Transportation research part C: emerging technologies, 2015, 54: 187–197. [14] CHEN Quanjun. Learning deep representation from big and heterogeneous data for traffic accident inference[C]// Thirtieth AAAI Conference on Artificial Intelligence. Phoenix, Arizona, United States, 2016: 338−344. [15] REN Honglei. A deep learning approach to the citywide traffic accident risk prediction[C]// 2018 21st International Conference on Intelligent Transportation Systems (ITSC). Maui, United States, 2018: 3346−3351. [16] BAO J, LIU P, UKKUSURI S V. A spatiotemporal deep learning approach for citywide short-term crash risk prediction with multi-source data[J]. Accident analysis & prevention, 2019, 122: 239–254. [17] DEFFERRARD Michaël, XAVIER Bresson, PIERRE rgheynst. Convolutional neural networks on graphs with fast localized spectral filtering[J]. Advances in neural information processing systems, 2016: 3844–3852. [18] KIPF T N, MAX W. Semi-supervised classification with graph convolutional network[J]. arXiv preprint arXiv: 1609.02907, 2016. [19] LIN Lei, HE Zhengbing, SRINIVAS Peeta. Predicting station-level hourly demand in a large-scale bike-sharing network: A graph convolutional neural network approach[J]. Transportation research part C: emerging technologies, 2018, 97: 258–276. [20] GEORGE E P, DAVID A. Pierce. Distribution of residual autocorrelations in autoregressive-integrated moving average time series models[J]. Journal of the american statistical association, 1970, 65: 1509–1526. [21] NAZNIN F. Application of a random effects negative binomial model to examine tram-involved crash frequency on route sections in Melbourne, Australia[J]. Accident analysis & prevention, 2016, 92: 15–21. [22] BAO Jie. Incorporating twitter-based human activity information in spatial analysis of crashes in urban areas[J]. Accident analysis & prevention, 2017, 106: 358–369. [23] 作者简介： 张延孔，讲师，博士研究生，主要 研究方向为数据可视化、数据可解释 分析。 卢家品，硕士研究生，主要研究方 向为数据可视化。 张帅超，博士研究生，主要研究方 向为交通利益预测与评估、大数据分析。 第 4 期 张延孔，等：基于路网结构的城市交通事故短期风险预测方法 ·671·
