·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