馬德明，梁宏斌

基于時(shí)空混合殘差網(wǎng)絡(luò)的事故黑點(diǎn)預(yù)測(cè)研究

馬德明，梁宏斌

（西南交通大學(xué)，交通運(yùn)輸與物流學(xué)院，成都 611756）

深度學(xué)習(xí)在圖像識(shí)別、自然語(yǔ)言處理方面的研究進(jìn)展突飛猛進(jìn)，也逐漸開始應(yīng)用于交通領(lǐng)域，目前主要應(yīng)用于交通流和交通需求預(yù)測(cè)，但對(duì)事故的研究較少。本文將事故數(shù)據(jù)作為一種時(shí)空數(shù)據(jù)，在時(shí)間和空間維度分析其與其他深度學(xué)習(xí)所研究數(shù)據(jù)的差異，利用深度學(xué)習(xí)相關(guān)技術(shù)分別從時(shí)間和空間維度建模，提取相應(yīng)的特征與屬性，并將這些模型組件組裝與融合，搭建了時(shí)空混合殘差網(wǎng)絡(luò)，用于事故黑點(diǎn)預(yù)測(cè)。在對(duì)真實(shí)數(shù)據(jù)進(jìn)行預(yù)處理后載入模型進(jìn)行實(shí)驗(yàn)，訓(xùn)練效果良好，損失最后降到0.862 4，隨機(jī)選取序列的預(yù)測(cè)事故圖平均誤差為-5.45%，與其他模型相比損失最小，結(jié)果表明本網(wǎng)絡(luò)具有較好的事故黑點(diǎn)預(yù)測(cè)能力。

交通事故；事故預(yù)測(cè)；深度學(xué)習(xí)；事故黑點(diǎn)

0 引 言

當(dāng)前隨著交通的不斷發(fā)展，事故也間接地有所增加，事故受到道路交通發(fā)展的影響。事故黑點(diǎn)是交通安全研究的重要方向，在高效整治交通事故方面可起到關(guān)鍵作用。

當(dāng)前研究事故黑點(diǎn)的方法多為線性回歸方法或多元統(tǒng)計(jì)分析方法，Lord等[1]研究表明采用廣義估計(jì)方程比普通數(shù)學(xué)模型能更好地分析交通事故的時(shí)間相關(guān)性；MA與Gill[2，3]建立了多變量泊松-對(duì)數(shù)正態(tài)回歸模型來(lái)進(jìn)行事故數(shù)的預(yù)測(cè)與事故黑點(diǎn)的探測(cè)；考慮位于同一交通通道的交叉口之間的空間相關(guān)性，WANG等[4]采用廣義估計(jì)方程分析Central Florida地區(qū)的交叉口安全影響因素；Huang與Fawcett等[5，6]應(yīng)用貝葉斯進(jìn)行事故黑點(diǎn)識(shí)別；Murat[7]考慮事故類型和事故產(chǎn)生的影響因素，采用香農(nóng)熵方法確定黑點(diǎn)的安全水平；孟祥海[8]研究了滑動(dòng)窗窗體長(zhǎng)度及滑動(dòng)步長(zhǎng)對(duì)事故多發(fā)路段鑒別影響；Bham[9]基于主成分分析方法提出一種綜合分級(jí)度量來(lái)識(shí)別高速路上的事故黑點(diǎn)；Wang[10]建立一元負(fù)二項(xiàng)條件自回歸模型和二元負(fù)二項(xiàng)空間條件自回歸模型來(lái)分析單車事故和多車事故的影響因素以及這些因素在事故黑點(diǎn)中的一致性情況；Harirforoush[11]提出網(wǎng)絡(luò)核密度估計(jì)的空間分布與臨界事故率網(wǎng)絡(luò)篩選綜合方法來(lái)探測(cè)事故黑點(diǎn)；Ulak[12]比較了常用的基于網(wǎng)絡(luò)的熱點(diǎn)檢測(cè)方法，深入了解所選熱點(diǎn)檢測(cè)方法在使用不同空間權(quán)重時(shí)的異同；Zahran[13]對(duì)比了基于風(fēng)險(xiǎn)水平的空間交通事故分析方法與道路審計(jì)方法的差異，并確定了所研究道路的危險(xiǎn)水平；石小林等[14]運(yùn)用二元Logit模型對(duì)事故嚴(yán)重程度進(jìn)行了分析。

現(xiàn)階段深度學(xué)習(xí)在圖像識(shí)別、自然語(yǔ)言處理等方面取得了重大的突破，而在交通領(lǐng)域的應(yīng)用還不太廣泛，主要應(yīng)用于交通流的研究。Shi[15]對(duì)時(shí)空序列預(yù)測(cè)問(wèn)題的機(jī)器學(xué)習(xí)方法進(jìn)行了系統(tǒng)的回顧；Li[16]將交通流建模為有向圖上的擴(kuò)散過(guò)程，并引入擴(kuò)散卷積遞歸神經(jīng)網(wǎng)絡(luò)，建立了將交通流的空間與時(shí)間相關(guān)性結(jié)合的深度學(xué)習(xí)框架；Zhao[17]將圖卷積網(wǎng)絡(luò)和門控遞歸單元相結(jié)合，提出了時(shí)態(tài)圖卷積網(wǎng)絡(luò)模型進(jìn)行城市交通量的預(yù)測(cè)；Zhang[18]基于深度學(xué)習(xí)的方法提出ST-ResNet模型，用來(lái)集中預(yù)測(cè)一個(gè)城市每個(gè)區(qū)域的人群流入和流出情況。

本文在分析事故數(shù)據(jù)時(shí)空特性的基礎(chǔ)上，將深度學(xué)習(xí)技術(shù)應(yīng)用于事故黑點(diǎn)預(yù)測(cè)研究中，建立了時(shí)空混合殘差網(wǎng)絡(luò)來(lái)預(yù)測(cè)事故黑點(diǎn)，并以真實(shí)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，驗(yàn)證了模型的有效性。

1 深度學(xué)習(xí)相關(guān)技術(shù)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，是處理位置相關(guān)信息的有效深度學(xué)習(xí)結(jié)構(gòu)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)，可以提取出事故數(shù)據(jù)空間維度的特征。

對(duì)于某些問(wèn)題，我們關(guān)注的重點(diǎn)在于部分較為重要的輸出節(jié)點(diǎn)與輸入節(jié)點(diǎn)之間的關(guān)系，這部分重要的節(jié)點(diǎn)以圖像的形式表現(xiàn)出來(lái)就稱為感知域。此時(shí)層與層之間并非全連接，而是僅連接到感知域。此外，使用權(quán)值共享的思想，可將參數(shù)量再進(jìn)一步的減少。例如使用權(quán)值矩陣：

與感知域的輸出相乘累加，作為相應(yīng)位置的下一層輸入；同時(shí)滑動(dòng)感知域窗口，對(duì)于其他的感知域也采用該權(quán)值矩陣與感知域的輸出相乘累加，作為對(duì)應(yīng)位置的下一層輸入。這種共享權(quán)值的“局部連接”網(wǎng)絡(luò)其實(shí)就是卷積神經(jīng)網(wǎng)絡(luò)。每個(gè)輸出節(jié)點(diǎn)用權(quán)值相乘累加的方式提取對(duì)應(yīng)感知域的特征信息，其實(shí)就是離散卷積運(yùn)算：

1.2 深度殘差網(wǎng)絡(luò)

網(wǎng)絡(luò)模型層數(shù)的增加是一把雙刃劍，雖然可以提高網(wǎng)絡(luò)泛化能力，但另一方面網(wǎng)絡(luò)的層數(shù)越多就越難訓(xùn)練，這主要是由于梯度彌散和梯度爆炸現(xiàn)象造成的。為了解決深層神經(jīng)網(wǎng)絡(luò)這兩個(gè)問(wèn)題，深度殘差網(wǎng)絡(luò)通過(guò)在卷積層的輸入和輸出之間添加跳過(guò)連接或殘差連接建立回退機(jī)制，如圖1所示。

圖1 ResNet結(jié)構(gòu)

經(jīng)過(guò)添加這樣一個(gè)跳過(guò)連接后，即使出現(xiàn)梯度彌散或者梯度爆炸問(wèn)題，也可以通過(guò)此跳過(guò)連接的回退機(jī)制，將梯度以線性的方式回退到之前的輸出中進(jìn)行梯度更新，完成殘差學(xué)習(xí)。即最差的效果也不會(huì)低于上一輸出層的效果，大大提高了模型的訓(xùn)練效率與表達(dá)能力。

2 事故數(shù)據(jù)時(shí)空特征分析

事故數(shù)據(jù)，本質(zhì)上是一種時(shí)空數(shù)據(jù)。在時(shí)間維度上記錄事故發(fā)生的時(shí)間，在空間維度上標(biāo)記事故發(fā)生的位置。時(shí)空數(shù)據(jù)相對(duì)于文本數(shù)據(jù)、圖像數(shù)據(jù)、視頻數(shù)據(jù)等一系列在深度學(xué)習(xí)研究中常見的數(shù)據(jù)，具有以下特點(diǎn)：

（1）時(shí)間維度的周期性和趨勢(shì)性。事故數(shù)據(jù)在一定程度上具有周期性，這本質(zhì)上跟隨交通流量的變化而表現(xiàn)出來(lái)。同時(shí)事故的重復(fù)性變化不是嚴(yán)格的發(fā)生，而是具有趨勢(shì)性的上揚(yáng)和下降，例如隨著冬天的到來(lái)氣溫逐漸降低，事故的發(fā)生相對(duì)于天暖的時(shí)候有所增加，這不是嚴(yán)格的周期性，而是趨勢(shì)性的上揚(yáng)問(wèn)題。

（2）空間維度的距離性和層次性。根據(jù)地理學(xué)第一定律可知，距離越遠(yuǎn)，其相似度越低，這是空間相關(guān)性的基礎(chǔ)?？臻g粒度的劃分可以有不同的大小，以反映不同層次的信息。大粒度可以反映整體的網(wǎng)絡(luò)結(jié)構(gòu)信息，小粒度可以反映局部的細(xì)節(jié)信息，空間層次性劃分的意義在于：有的事故的相似度，或稱為相關(guān)性，可能在較小的一層很低甚至不存在，但是往上歸納一層即可找到；而有的事故的相似度在較大的一層比較高，但是在較小的一層中能分析出它們之間的差異。距離和層次是空間數(shù)據(jù)的特有屬性。

3 時(shí)空混合殘差網(wǎng)絡(luò)

3.1 基于空間維度的建模

在交通事故預(yù)測(cè)問(wèn)題中，發(fā)生在不同地點(diǎn)的交通事故存在相似之處，這其中的空間相似性主要包括道路線形（橫縱曲線）、周邊環(huán)境特征、道路限速等空間特征的相似性，這些空間特征會(huì)不同程度的影響事故的發(fā)生，在不同的地點(diǎn)隱性表達(dá)。

相鄰區(qū)域的地理和環(huán)境特性具有一定的相似性，卷積神經(jīng)網(wǎng)絡(luò)可以通過(guò)卷積操作，利用過(guò)濾器，即前文所述的感知域來(lái)捕獲這種相似性。如圖2所示，淺層的網(wǎng)絡(luò)層負(fù)責(zé)捕獲附近地點(diǎn)和距離較近地點(diǎn)的空間相似性，并將這種特性編譯到輸出中，深層的網(wǎng)絡(luò)層基于之前的輸出，捕獲距離較遠(yuǎn)地點(diǎn)甚至是全城范圍內(nèi)的空間相似性。經(jīng)過(guò)以上的處理，整個(gè)城市的空間相似性就已經(jīng)被提取出來(lái)，并儲(chǔ)存在最后的網(wǎng)絡(luò)圖中。

圖2 多層卷積

3.2 基于時(shí)間維度的建模

這樣的處理，具有以下三點(diǎn)優(yōu)勢(shì)：

（1）保證時(shí)間維度仍然具有一定的連續(xù)性，可以提取出序列信息；

（2）刻畫時(shí)間維度的特性；

（3）減少總序列的長(zhǎng)度，從而間接減少單個(gè)卷積層所需要處理的圖像數(shù)量，提高學(xué)習(xí)效率。

3.3 殘差單元

為了解決深層網(wǎng)絡(luò)訓(xùn)練效果差的問(wèn)題，本文在模型中使用殘差學(xué)習(xí)。對(duì)于每一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，堆棧了個(gè)殘差單元，如圖4所示。

圖4 殘差單元

殘差單元的處理過(guò)程可表示如下：

3.4 時(shí)空混合殘差網(wǎng)絡(luò)

前文分別對(duì)空間和時(shí)間維度建模后，構(gòu)建了相關(guān)的組件，為了組建完整的神經(jīng)網(wǎng)絡(luò)，將上述組件按一定的規(guī)則或連接方式進(jìn)行組裝，最終的網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 時(shí)空混合殘差網(wǎng)絡(luò)

不同的地點(diǎn)所發(fā)生的事故在一定程度上表現(xiàn)出周期性和趨勢(shì)性，但是各自地點(diǎn)所體現(xiàn)出的周期性屬性和趨勢(shì)性屬性的強(qiáng)度卻不完全相同，為了能夠準(zhǔn)確地在不同地點(diǎn)反映出這兩種特性，本文使用了基于參數(shù)矩陣的融合方法：

最后，預(yù)測(cè)值與真實(shí)值之間的損失（loss）用均方差來(lái)計(jì)算：

4 模型實(shí)現(xiàn)與實(shí)驗(yàn)

4.1 架構(gòu)與運(yùn)行環(huán)境

本文的模型實(shí)現(xiàn)代碼結(jié)果如圖6所示。

圖6 模型的代碼架構(gòu)

各模塊所實(shí)現(xiàn)的具體功能如表1所示。

表1 模塊與功能

4.2 數(shù)據(jù)預(yù)處理

本文使用的數(shù)據(jù)是美國(guó)弗吉尼亞州的事故數(shù)據(jù)，該數(shù)據(jù)集包含了弗吉尼亞州從2010年1月1日至2017年3月18日所發(fā)生的事故，從總共79萬(wàn)條數(shù)據(jù)中篩選18萬(wàn)條北弗吉尼亞地區(qū)數(shù)據(jù)用于實(shí)驗(yàn)，數(shù)據(jù)坐標(biāo)范圍如表2所示，分別為東南角和西北角的坐標(biāo)數(shù)據(jù)。

表2 數(shù)據(jù)范圍頂點(diǎn)坐標(biāo)

為滿足多層卷積神經(jīng)網(wǎng)絡(luò)輸入格式的要求，需將所在區(qū)域劃分為×的空間網(wǎng)格，作為后續(xù)事故數(shù)據(jù)映射的框架。在實(shí)際研究中，網(wǎng)格劃分標(biāo)準(zhǔn)的確定需要權(quán)衡數(shù)據(jù)覆蓋率、計(jì)算復(fù)雜度和預(yù)測(cè)難度三者之間的關(guān)系。本文在綜合考量上述三者關(guān)系的基礎(chǔ)上經(jīng)過(guò)多次實(shí)驗(yàn)，最后選擇表3所示的網(wǎng)格劃分方式。

表3 網(wǎng)格劃分概況

這樣的網(wǎng)格劃分方式既避免了數(shù)據(jù)稀疏問(wèn)題的出現(xiàn)，同時(shí)降低了計(jì)算復(fù)雜度與預(yù)測(cè)難度，提高了網(wǎng)絡(luò)的訓(xùn)練效率與預(yù)測(cè)精度。

圖7 事故映射圖示例

4.3 實(shí)驗(yàn)結(jié)果分析

本文分別對(duì)16×16和32×32的網(wǎng)格規(guī)模模型進(jìn)行了實(shí)驗(yàn)，發(fā)現(xiàn)16×16的網(wǎng)絡(luò)規(guī)模更加適合本數(shù)據(jù)集，故以下的分析均基于16×16網(wǎng)格規(guī)模的實(shí)驗(yàn)結(jié)果。

圖8為模型的訓(xùn)練損失變化圖。淺色折線為實(shí)際損失變化曲線，但是不便于分析，故進(jìn)行了平滑處理，得到平滑后的訓(xùn)練損失變化曲線。為了有更好的展示效果，未將損失的高位部分展示出來(lái)，模型損失值的最高點(diǎn)位于8.234，隨后迅速下降，約于150步附近達(dá)到0.885 8處，隨后在波動(dòng)中整體呈現(xiàn)出損失下降的趨勢(shì)，說(shuō)明模型在不斷地被訓(xùn)練與優(yōu)化，且符合深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的普遍情況，約于2790步處達(dá)到模型的最優(yōu)點(diǎn)，損失值為0.658。

圖8 訓(xùn)練損失

圖9為模型的測(cè)試損失變化圖。淺色折線為實(shí)際損失變化曲線，但是不便于分析，故進(jìn)行了平滑處理，得到平滑后的測(cè)試損失變化曲線?？捎^察到，經(jīng)過(guò)訓(xùn)練后的模型，剛開始損失值就較低，起始為0.960 1，后有所上升，屬于隨機(jī)情況，最高值為10步附近的1.019，隨后也迅速下降，約于130步附近達(dá)到0.922 3，隨后在波動(dòng)中呈現(xiàn)下降趨勢(shì)，在328步附近達(dá)到最低值0.862 4。

圖9 測(cè)試損失

測(cè)試損失略高于訓(xùn)練損失屬于正常情況，因?yàn)闇y(cè)試損失不僅包括了模型的泛化能力，還包括了訓(xùn)練集上的損失。根據(jù)訓(xùn)練損失和測(cè)試損失，可說(shuō)明該時(shí)空混合殘差網(wǎng)絡(luò)具有預(yù)測(cè)事故黑點(diǎn)的能力。

從真實(shí)事故數(shù)據(jù)中隨機(jī)選取4個(gè)時(shí)間序列的事故映射圖，并同時(shí)選取對(duì)應(yīng)序列的預(yù)測(cè)事故圖，用于實(shí)驗(yàn)結(jié)果的絕對(duì)誤差分析。實(shí)驗(yàn)結(jié)果的具體絕對(duì)誤差如表4所示，其中絕對(duì)誤差的定義為（預(yù)測(cè)值-真實(shí)值）/真實(shí)值。

表4 絕對(duì)誤差

由表4可知，事故黑點(diǎn)預(yù)測(cè)效果整體非常好，其中效果最好的地區(qū)誤差甚至降到了1%附近?，F(xiàn)無(wú)法做到準(zhǔn)確的定位、預(yù)測(cè)每一起交通事故，更多的是盡可能準(zhǔn)確地去預(yù)測(cè)在何時(shí)、何地會(huì)出現(xiàn)大量的交通事故，即事故黑點(diǎn)，故總體而言，預(yù)測(cè)準(zhǔn)確度均在較高水平。對(duì)于本次選取的4個(gè)隨機(jī)序列，平均絕對(duì)誤差為-5.45%，除去效果最差的序列a，其余3個(gè)序列的平均誤差僅為-2.89%，已經(jīng)達(dá)到非常高的準(zhǔn)確度。

除了進(jìn)行本文所提出的時(shí)空混合殘差網(wǎng)絡(luò)實(shí)驗(yàn)，為了對(duì)比模型的效果，還應(yīng)用了自回歸模型（AR），有時(shí)序選擇的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（S-LSTM），卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（ConvLSTM）進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)的損失計(jì)算仍用均方差，其結(jié)果如表5所示。

表5 實(shí)驗(yàn)效果對(duì)比

由上表可知，本文的時(shí)空混合殘差網(wǎng)絡(luò)優(yōu)于其他幾個(gè)模型，驗(yàn)證了本模型的有效性。

5 結(jié)束語(yǔ)

使用深度學(xué)習(xí)方法時(shí)對(duì)數(shù)據(jù)有不同的要求，故本文首先分析了事故數(shù)據(jù)相對(duì)于文本數(shù)據(jù)、圖像數(shù)據(jù)，在時(shí)間和空間維度所呈現(xiàn)出的特性，在此基礎(chǔ)上對(duì)時(shí)間和空間維度分別建模捕捉其時(shí)空特征，并將上述建模得到的組件進(jìn)行組裝與融合，構(gòu)建時(shí)空混合殘差網(wǎng)絡(luò)。在對(duì)真實(shí)數(shù)據(jù)集進(jìn)行預(yù)處理后，輸入模型進(jìn)行實(shí)驗(yàn)，訓(xùn)練效果較優(yōu)，隨機(jī)選取的序列事故映射圖的平均誤差在-5.45%，同時(shí)和其他模型相比損失最低，表明該模型具有較好的事故黑點(diǎn)預(yù)測(cè)能力。但本文的研究中未能將事故產(chǎn)生的經(jīng)濟(jì)損失，人員傷亡等屬性囊括在內(nèi)，后續(xù)的研究可將事故嚴(yán)重程度和其他影響因素作為輸入對(duì)象，以提高預(yù)測(cè)的準(zhǔn)確度。

[1] LORD D, PERSAUD B N. Accident prediction models with and without trend: application of the generalized estimating equations procedure [J]. Transportation Research Record, 2000, 17 (1): 102-108.

[2] MA J, KOCKELMAN K M, DAMIEN P. A multivariate Poisson-lognormal regression model for prediction of crash counts by severity, using Bayesian methods [J]. Accident Analysis & Prevention, 2008, 40 (3): 964-975.

[3] GILL G S, CHENG W, ZHOU J, et al. Comparative analysis of cost-weighted site ranking using alternate distance-based neighboring structures for spatial crash frequency modeling [J]. Journal of Transportation Safety & Security, 2019, 11 (1): 79-101.

[4] WANG X, ABDEL-ATY M. Crash estimation at signalized intersections along Corridors: analyzing Spatial Effect and Identifying Significant Factors [J]. Transportation Research Record, 2006, 1953 (1): 98-111.

[5] HUANG H, CHIN H C, HAQUE M M. Empirical Evaluation of Alternative Approaches in Identifying Crash Hot Spots: Naive Ranking, Empirical Bayes, Full Bayes Methods [J]. Transportation Research Record, 2009, 2103 (1): 32-41.

[6] FAWCETT L, THORPE N, MATTHEWS J, et al. A novel Bayesian hierarchical model for road safety hotspot prediction [J]. Accident Analysis & Prevention, 2017, 99 (1): 262-271.

[7] MURAT Y S. An entropy (shannon) based traffic safety level determination approach for black spots [J]. Procedia-social and Behavioral Sciences, 2011, 20: 786-795.

[8] 孟祥海, 張道玉, 吳佩潔. 滑動(dòng)窗窗體長(zhǎng)度及滑動(dòng)步長(zhǎng)對(duì)事故多發(fā)路段鑒別影響 [J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2018, 18 (4): 148-155.

[9] BHAM G H, MANEPALLI U R, SAMARANAYKE V. A composite rank measure based on principal component analysis for hotspot identification on highways [J]. Journal of Transportation Safety & Security, 2019, 11 (3): 225-242.

[10] WANG X, FENG M. Freeway single and multi-vehicle crash safety analysis: influencing factors and hotspots [J]. Accident Analysis & Prevention, 2019, 132 (1): 52-68.

[11] HARIRFOROUSH H, BELLALITE L. A new integrated GIS-based analysis to detect hotspots: a case study of the city of Sherbrooke [J]. Accident Analysis & Prevention, 2019, 130 (1): 62-74.

[12] ULAK M B, OZGUVEN E E, VANLI O A, et al. Exploring alternative spatial weights to detect crash hotspots [J]. Computers, Environment and Urban Systems, 2019, 78 (1): 13-98.

[13] ZAHRAN E-S M M, TAN S J, TAN E H A, et al. Spatial analysis of road traffic accident hotspots: evaluation and validation of recent approaches using road safety audit [J]. Journal of Transportation Safety & Security, 2019, 2 (1): 1-30.

[14] 石小林, 李涵, 黃子富. 基于二元Logit模型的直角事故受傷嚴(yán)重程度分析[J]. 交通運(yùn)輸工程與信息學(xué)報(bào), 2020, 18 (1): 106-110.

[15] SHI X, YEUNG D-Y. Machine learning for spatiotemporal sequence forecasting: A survey [J]. ArXiv Preprint ArXiv: 2018, 1808 (1): 65-68.

[16] LI Y, YU R, SHAHABI C, et al. Diffusion convolutional recurrent neural network: Data-driven traffic forecasting [J]. ArXiv Preprint ArXiv: 2017, 1707 (1): 19-26.

[17] ZHAO L, SONG Y, ZHANG C, et al. T-gcn: a temporal graph convolutional network for traffic prediction [J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 9 (1): 3848-3858.

[18] ZHANG J, ZHENG Y, Qi D. Deep spatio-temporal residual networks for citywide crowd flows prediction[J]. ArXiv Preprint ArXiv: 2016, 1610 (1): 81-100.

Accident Black Spot Prediction Based on Spatio-Temporal Heterogeneous Residual Network

MA De-ming，LIANG Hong-bin

(School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 611756, China)

Deep learning has progressed rapidly in theresearch areas of image recognitionand natural language processing. Additionally, its application in the field of transportation isincreasinggradually. Currently, it is mainly utilized in the prediction of the traffic flow and demand. However, the research on accidents is yet insufficient. In this study, we analyzed the difference between accident data as a type of spatio-temporal data and compared it with otherspatio-temporal data studied through deep learning. Building a spatio-temporal heterogeneous residual network for accident hotspot prediction requires spatial and temporal dimension modeling, extraction of corresponding features and attributes, and assembly and fusion of these model components. The real data were pre-processed and loaded into the model, which was then experimented on. The training effect was satisfactory, and the loss had decreased from 8.234 to 0.862 4. The average error of the predicted accident map of a randomly selected sequence was -5.45%, and the loss in this case was minimal when compared with other models. The results indicate that the proposed network exhibited a superiorcapability of predicting accident hotspots.

traffic accident; accident prediction; deep learning; accident hotspot

1672-4747（2020）04-0068-08

U491.31

A

10.3969/j.issn.1672-4747.2020.04.009

2020-03-15

馬德明（1995—），男，云南楚雄人，主要研究方向?yàn)榻煌ò踩?、事故黑點(diǎn)，E-mail: chdrailmdm@163.com

梁宏斌（1972—），男，四川成都人，副教授，博士，研究方向?yàn)橐苿?dòng)云計(jì)算、信息安全等，E-mail: 14273385@qq.com

馬德明，梁宏斌. 基于時(shí)空混合殘差網(wǎng)絡(luò)的事故黑點(diǎn)預(yù)測(cè)研究[J]. 交通運(yùn)輸工程與信息學(xué)報(bào)，2020, 18(4): 68-75

（責(zé)任編輯：劉娉婷）