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, AR￾IMA)、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 (geo￾graphical 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 predic￾tion method based on LSTM, TARPML) 和基于时空 卷积的长短期记忆网络 (spatiotemporal convolu￾tional 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·