【论文笔记】A Deep Learning Approach to the Citywide Traffic Accident Risk Prediction

【论文笔记】A Deep Learning Approach to the Citywide Traffic Accident Risk Prediction

问题:

• 具有高时空分辨率的交通事故风险预测困难
  • 复杂的交通环境，
  • 人类行为
  • 缺乏实时的交通相关数据。
• 交通事故的动态性

本文成果

本文收集了重大交通事故数据，建立了基于循环神经网络的交通事故风险预测深度模型。通过分析交通事故频发的时空模式，提出了交通事故的时空相关性。基于在分析中发现的模式，提出了一种高精度的交通事故风险预测深度学习模型。该模型可以了解交通事故与其时空模式之间的深层联系。作为一种潜在的应用，基于我们方法的交通事故预测系统可用于帮助交通执法部门在交通事故发生前配置警员。

其他论文的缺陷

没有考虑交通事故的周期性模式和空间分布模式,还有其他的影响因素，如天气条件，空气质量等。[ Learning deep representation from big and heterogeneous data for traffic accident inference,2016]

相关工作

1.触发交通事故的因素：

• 破坏性流量是崩溃的触发因素
• 但是，由于许多因素与交通事故有着复杂的联系，因此它们无法满足准确的事故预测的要求。

2.实时交通事故预测：

• [Real-time highway traffic accident prediction based on the k- nearest neighbor method，2009]

  欧式度量选择特征，并且利用K邻近算法预测交通事故

• [Highway traffic accident prediction using vds big data analysis，2016]

  收集了首尔高速路上的交通事故的数据，并且建立基于k均值聚类分析和逻辑回归的预测工作流。

• [Learning deep representation from big and heterogeneous data for traffic accident inference，2016]

  在日本使用人类移动性数据并构建了Stack降噪自动编码器来推断实时交通风险

这些工作的局限在于，没有考虑所有的重要因素，如交通流量、天气条件、空气质量。如果没有这些信息，模型的预测能力可能会减弱。

3.深度学习的应用：

• 交通流量预测
• 预测大型交通网络的拥堵演变
• 控制交通信号灯时间

交通事故的形态分析

1.数据集【北京，2016-2017交通事故记录】对于深度学习，数据集会不会太小了？

2.数据处理

• 离散化，$S_{r,t}$，在区域r，时间t时，发生的交通事故数量。

3.空间分布：

观察事故发生的频率与地理位置是否相关。

• 交通事故发生频率不是均匀分布的，并且与区域的地理位置高度相关。
• 通常，交通事故最高的区域位于主要的商业和商业区域

4.时间分布：

为了探索交通事故发生频率的时间模式，我们首先检查了每天的交通事故计数是否在不同时间段有所变化。

• 显然，交通事故的模式在一天的不同时间段会发生巨大变化。
  具体来说，高峰时段的交通事故比非高峰时段更为常见。
• 时间段是根据中国的工作模式定义的。

5.周期性分布

• 观察交通事故频率中是否存在每周的周期性模式。因此，我们绘制了两周的每小时交通事故计数直方图（图4）。
• 可以观察到，在一周的同一天和工作日之间，直方图的模式相似。

为了量化交通事故中，时间和空间的相关性，首先定义给定时间t的空间相关性，如下所示：

空间相关性
$$C（k,t）={\sum }_{}$$