一种基于时空前序编解码预测器的交通事故识别方法与流程

1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.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：
7.(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；
8.(2)通过时空位置嵌入保证交通流时空特征的同步捕捉；
9.(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；
10.(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；
11.(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；
12.(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。
13.作为优选，所述步骤(2)包括如下步骤：
14.(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；
15.(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：
[0016][0017]
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。
[0018]
作为优选，所述步骤(3)包括如下步骤：
[0019]
(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；
[0020]
(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：
[0021]
g＝sigmoid(f
s
(y
s
) f
g
(x
g
))
[0022]
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
s
s和x
g
转换为一维向量，y
s
为u
s
和的特征融合输出；
[0023]
(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：
[0024][0025]
空间性transformer的输出收集了p个时间步长的
[0026]
作为优选，所述步骤(3.1)具体如下：
[0027]
(3.1.1)静态图卷积是基于切比雪夫多项式近似的图卷积来学习结构感知的节点特征，进而从固定的道路拓扑结构中捕捉静态的空间依赖性，对于一个图g＝(v,e,a)，将d定义为图g的度矩阵，d的计算公式如下所示：
[0028]
d
ii
＝σ
i
a
ij
[0029]
其中，d
ii
为对角线元素，a
ij
为高斯核利用传感器间欧几里得距离建立的邻接矩阵；
[0030]
(3.1.2)归一化拉普拉斯矩阵表达为l＝i
n
‑
d
‑
1/2
ad
‑
1/2
，其中i
n
为单位矩阵；而通过获取l的最大特征值γ
max
可以得到切比雪夫多项式的缩放拉普拉斯矩阵l＝2l/γ
max
‑
i
n
；根据时空位置嵌入特征x
s
以及切比雪夫多项式近似拟合图卷积核得到结构感知节点特征其计算公式具体如下所示：
[0031][0032]
其中，x
jg
为x
g
的第j个通道，λ
ij,f
为学习的权重，f为时间步长；
[0033]
(3.1.3)动态图卷积将时空位置嵌入特征x
s
通过前馈神经网络投影到高维潜在子空间，包括查询子空间关键子空间值子空间具体公式如下：
[0034][0035][0036][0037]
其中：分别表示o
s
，k
s
，h
s
的权重矩阵；
[0038]
(3.1.4)基于o
s
，k
s
的点乘计算了节点间动态空间依赖关系的具体公式如下：
[0039][0040]
其中，采用缩放点乘减少了计算中的计算和存储成本；softmax用来规范空间依赖关系，尺度用于防止由softmax导致的饱和连接；
[0041]
(3.1.5)节点特征可以用s
s
更新，具体公式如下：
[0042]
n
s
＝s
s
h
s
[0043]
(3.1.6)在每个节点上应用共享的三层前馈神经网络和非线性激活可以进一步提高对所学节点特征n
s
的预测，具体公式如下：
[0044][0045]
其中，使用残差连接进行稳定训练，分别为三层前馈神经网络的权重。
[0046]
作为优选，所述步骤(4)具体如下：
[0047]
(4.1)将空间性transformer的输入x
s
联合步骤(3.3)中得到的空间性transformer输出y
s
与时间性位置嵌入矩阵d
t
连接，得到时空位置嵌入特征具体公式如下所示：
[0048][0049]
其中，cov
t
为1
×
1的卷积层，在每个时间步长为每个节点产生一个d
g
维向量；
[0050]
(4.2)构建自注意力机制来模拟时间依赖关系：时间性transformer的输入为一个带有p长度的滑动窗口以及d
g
个通道的二维张量时间序列因此同样需要为每个节点训练三个潜在子空间，包括查询子空间关键子空间值子空间具体公式如下所示：
[0051][0052][0053][0054]
其中：分别表示o
t
，k
t
，h
t
的线性映射；
[0055]
(4.3)使用基于o
t
，k
t
的缩放点乘运算捕捉双向时间依赖性，具体公式如下：
[0056][0057]
(4.4)聚合带权重s
t
的值子空间h
t
得到节点特征n
t
，并在每个节点上应用共享的三层前馈神经网络和非线性激活可以进一步提高对所学节点特征n
t
的预测，具体计算公式如下所示：
[0058][0059]
其中，使用残差连接进行稳定训练，分别为三层前馈神经网络的权重；
[0060]
(4.5)通过将每一个节点的输出集成为时间性transformer的输出
[0061]
作为优选，所述步骤(6)包括如下步骤：
[0062]
(6.1)将时空transformer的输出y
f
,y
s
作为卷积神经网络的输入得到最终的事故概率，具体公式如下所示：
[0063]
y
t
＝cov(β
f
y
f
,β
s
y
s
)
[0064]
其中，y
t
为第t个时刻的事故发生概率，y
f
为带时空特征的交通流量，y
s
为带时空特征的交通速度，β
f
和β
s
分别为y
f
和y
s
的权重，二者随着交通态势变化，cov(
·
)为卷积操作；
[0065]
(6.2)根据y
t
的输出值判断当前是否发生事故，若输出值大于0.5则视为发生事故，小于0.5则视为未发生事故。
[0066]
本发明的有益效果在于：本发明首次将时空前序编码预测器用于事故识别领域，并将带时间标签交通速度和交通流量作为模型并行输入；可以利用动态图卷积捕捉了道路的深度空间依赖性，研究了深度空间依赖性与交通事故之间的映射；本发明能够利用城市交通数据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。
附图说明
[0067]
图1为本发明的整体流程图；
[0068]
图2为本发明的整体框架图；
[0069]
图3为本发明所使用的空间性transformer的模型结构图；
[0070]
图4为本发明所使用的时间性transformer的模型结构图；
[0071]
图5为模型事故识别精准度对比图；
[0072]
图6为模型在不同输入下的事故识别效果对比图。
具体实施方式
[0073]
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
[0074]
实施例：本实例中的交通事故识别整体流程如图1所示，整体框架如图2所示，一种基于时空前序编解码预测器的交通事故识别方法，具体包括以下步骤：
[0075]
(1)从高速选定路段提取基于时空分布的固定站点交通流量和平均速度并进行数据清洗。
[0076]
(2)将按时间排序的交通流量和平均速度序列使用并列的卷积神经网络进行特征提取，初步提取交通流量和平均速度的时间周期性和上下游的空间关联性。
[0077]
(3)学习每个节点特征的时空嵌入位置，初始化时空嵌入矩阵并将位置信息注入到数据序列中，根据邻接矩阵来模拟时空依赖性。
[0078]
(4)在空间性transformer中使用节点的度矩阵和邻接矩阵构建归一化拉普拉斯矩阵，结合静态图卷积和动态图卷积操作在道路拓扑中捕获静态的空间依赖性以及随时间变化的隐藏空间依赖性，并使用门控机制融合静态图卷积和动态图卷积学习的空间特征，结构如图3所示。具体包含如下步骤：
[0079]
a).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：
[0080][0081]
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。
[0082]
b).根据时空位置嵌入特征x
s
以及切比雪夫多项式近似拟合图卷积核得到结构感知节点特征具体公式如下：
[0083][0084]
其中：x
jg
为x
g
的第j个通道，λ
ij,f
为学习的权重，f为时间步长。
[0085]
c).时空位置嵌入特征x
s
通过前馈神经网络投影到高维潜在子空间。包括查询子空间关键子空间值子空间具体公式如下：
[0086][0087][0088][0089]
其中：分别表示o
s
，k
s
，h
s
的权重矩阵。
[0090]
d).基于o
s
，k
s
的点乘计算了节点间动态空间依赖关系的具体公式如下：
[0091][0092]
其中：采用缩放点乘减少了计算中的计算和存储成本。softmax用来规范空间依赖关系，尺度用于防止由softmax导致的饱和连接。
[0093]
e).节点特征可以用s
s
更新，具体公式如下：
[0094]
n
s
＝s
s
h
s
[0095]
f).在每个节点上应用共享的三层前馈神经网络和非线性激活可以进一步提高对所学节点特征n
s
的预测，具体公式如下：
[0096][0097]
其中：使用残差连接进行稳定训练，分别为三层前馈神经网络的权重。
[0098]
g).融合静态图卷积输出和动态图卷积输出x
g
得到门控机制g，具体公式如下：
[0099]
g＝sigmoid(f
s
(y
s
) f
g
(x
g
))
[0100]
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
s
s和x
g
转换为一维向量，y
s
为u
s
和的特征融合输出。
[0101]
h).将和x
s
加权后通过门控机制g得到输出y
s
，具体公式如下所示：
[0102][0103]
(5)在时间性transformer中，将时间嵌入位置与输入参数结合，在每个时间步长下为每个节点产生一个一维的矢量并构建成时间序列，并使用自注意力机制结合滑动窗口对时间序列进行并行处理捕捉长距离时间依赖关系，结构如图4所示。具体包含如下步骤：
[0104]
a).将空间性transformer的输入x
s
与输出y
s
与时间性位置嵌入矩阵d
t
连接，得到时空位置嵌入特征具体公式如下所示：
[0105][0106]
其中：cov
t
为1
×
1的卷积层，在每个时间步长为每个节点产生一个d
g
维向量。
[0107]
b).同时构建自注意力机制来模拟时间依赖关系。时间性transformer的输入为一个带有p长度的滑动窗口以及d
g
个通道的二维张量时间序列因此同样需要为每
个节点训练三个潜在子空间，包括查询子空间关键子空间值子空间具体公式如下所示：
[0108][0109][0110][0111]
其中：分别表示o
t
，k
t
，h
t
的线性映射。
[0112]
c).使用基于o
t
，k
t
的缩放点乘运算捕捉双向时间依赖性，具体公式如下：
[0113][0114]
d).聚合带权重s
t
的值子空间h
t
得到节点特征n
t
，具体公式如下：
[0115][0116]
其中：使用残差连接进行稳定训练，分别为三层前馈神经网络的权重。
[0117]
e).通过将每一个节点的输出集成为时间性transformer的输出
[0118]
(6)将包含时空特征的交通速度和交通流量使用卷积神经网络识别当前是否发生事故，模型性能对比如图5,图6所示。
[0119]
a).将时空transformer的输出y
f
,y
s
作为卷积神经网络的输入得到最终的事故概率，具体公式如下所示：
[0120]
y
t
＝cov(β
f
y
f
,β
s
y
s
)
[0121]
其中：y
t
为第t个时刻的事故发生概率，y
f
为带时空特征的交通流量，y
s
为带时空特征的交通速度，β
f
和β
s
分别为y
f
和y
s
的权重，二者随着交通态势变化，cov(
·
)为卷积操作。
[0122]
b).根据y
t
的输出值判断当前是否发生事故，若输出值大于0.5则视为发生事故，小于0.5则视为未发生事故。
[0123]
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。