于志青

(河南警察學(xué)院交通管理工程系，河南 鄭州 450046)

0 引言

交通事故的風(fēng)險(xiǎn)受多種因素影響。在道路系統(tǒng)性風(fēng)險(xiǎn)方面，如長(zhǎng)期存在不安全因素（事故多發(fā)等）、反復(fù)或周期性出現(xiàn)高風(fēng)險(xiǎn)報(bào)警、持續(xù)處于高風(fēng)險(xiǎn)狀態(tài)等；在動(dòng)態(tài)偶發(fā)性風(fēng)險(xiǎn)方面，如異常天氣、速度波動(dòng)、危險(xiǎn)駕駛行為、大車(chē)比例過(guò)高、流量過(guò)大等風(fēng)險(xiǎn)。

交通事故的防控思路從事故事后分析轉(zhuǎn)向多源數(shù)據(jù)融合分析、由事故隱患點(diǎn)段分析到安全風(fēng)險(xiǎn)研判，實(shí)現(xiàn)主動(dòng)、系統(tǒng)、精準(zhǔn)的預(yù)防。常用的風(fēng)險(xiǎn)研判模型包括積分模型、綜合評(píng)價(jià)模型、深度學(xué)習(xí)類(lèi)模型等，如卷積神經(jīng)網(wǎng)絡(luò)模型、隨機(jī)森林神經(jīng)網(wǎng)絡(luò)模型等，屬于深度學(xué)習(xí)模型，也是多元異構(gòu)數(shù)據(jù)融合技術(shù)。為了充分利用多源數(shù)據(jù)的特征，提高交通事故風(fēng)險(xiǎn)預(yù)測(cè)精度，有學(xué)者對(duì)常用的深度學(xué)習(xí)模型進(jìn)行優(yōu)化，程慧玲將卷積神經(jīng)網(wǎng)絡(luò)與隨機(jī)森林神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出卷積隨機(jī)森林神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[1]；包杰將卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)結(jié)合，提出卷積長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[2]；王慶榮等利用時(shí)空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)[3]。

本文利用常用的深度學(xué)習(xí)算法，構(gòu)建卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)算法，給出基于該算法的道路交通事故風(fēng)險(xiǎn)預(yù)測(cè)模型，采用互聯(lián)網(wǎng)上公開(kāi)的英國(guó)UK Car Accident 2005-2015 年交通事故數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，以獲得誘發(fā)道路交通事故的重要因素。

1 深度學(xué)習(xí)算法

主要介紹文章用到的三種深度學(xué)習(xí)算法：卷積神經(jīng)網(wǎng)絡(luò)算法、隨機(jī)森林神經(jīng)網(wǎng)絡(luò)算法、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)算法[7-11]。

1.1 卷積神經(jīng)網(wǎng)絡(luò)算法

卷積神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成單元為神經(jīng)元，神經(jīng)元有三個(gè)基本要素構(gòu)成①一組連結(jié)，②求和單元，③激活函數(shù)。另外還有設(shè)置的閾值，表達(dá)如下：

其中，x1,x2，…，xp為輸入信號(hào)，輸入信號(hào)與神經(jīng)元k的連接權(quán)重用符號(hào)wk1，wk2,…,wkp表示，bk為偏置，激活函數(shù)用φ表示，神經(jīng)元輸出用yk表示。

1.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)算法

其計(jì)算過(guò)程用上一時(shí)刻的隱藏狀態(tài)輸出ht?1和當(dāng)前時(shí)刻輸入xt，計(jì)算當(dāng)前時(shí)刻t的隱藏狀態(tài)輸出ht，公式如下：

其中，w是輸入權(quán)重矩陣，u是狀態(tài)轉(zhuǎn)移權(quán)重矩陣，b表示偏置，σ，tanh為激活函數(shù),*代表矩陣運(yùn)算。

1.3 隨機(jī)森林網(wǎng)絡(luò)算法

該算法是集成學(xué)習(xí)算法，既可以用于分類(lèi)，也可以用于回歸，是對(duì)多個(gè)決策樹(shù)以相互獨(dú)立的方式進(jìn)行訓(xùn)練，在得到結(jié)果時(shí)，對(duì)于分類(lèi)問(wèn)題用投票原則，所有決策樹(shù)結(jié)果中哪一類(lèi)出現(xiàn)的最多，認(rèn)為是分類(lèi)結(jié)果。ID3，C4.5和CART是構(gòu)建隨機(jī)森林常用的基本方法。隨機(jī)森林分類(lèi)效果的評(píng)判標(biāo)準(zhǔn)。

樣本的Gini系數(shù)為：

其中，pi代表類(lèi)別在樣本集S中出現(xiàn)的概率。

用Gini值作為隨機(jī)森林分類(lèi)效果的評(píng)判標(biāo)準(zhǔn)：

特征xj在節(jié)點(diǎn)m點(diǎn)Gini值為Gjm=Gm?Gl?Gr其中，Gm是節(jié)點(diǎn)m的Gini值。Gl，Gr分別表示當(dāng)前節(jié)點(diǎn)左子節(jié)點(diǎn)、右子節(jié)點(diǎn)的Gini值。xj在決策樹(shù)之中有節(jié)點(diǎn)集合M,xj在決策樹(shù)之中Gini值為：

在隨機(jī)森林中有n棵樹(shù)，則xj的Gini值為：

最后還可以做歸一化處理。

Gini值越小，說(shuō)明數(shù)據(jù)集的純度越高。

2 卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)算法及預(yù)測(cè)模型

2.1 算法

將卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)建卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)，其基本結(jié)構(gòu)為：基于卷積神經(jīng)網(wǎng)絡(luò)，在特征提取時(shí)，根據(jù)提取對(duì)象特性，分別采用卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)作為特征提取器，卷積神經(jīng)網(wǎng)絡(luò)的多層全連接與分類(lèi)器由隨機(jī)森林神經(jīng)網(wǎng)絡(luò)取代。結(jié)構(gòu)圖如圖1所示。

圖1 卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 模型

首先篩選出對(duì)交通狀態(tài)影響較大的20類(lèi)因素（見(jiàn)表1分類(lèi)變量）。將這20類(lèi)變量劃分為I、II類(lèi)變量。

表1 變量分類(lèi)表

I類(lèi)變量主要指在研究周期內(nèi)僅在空間上變化、但是不隨時(shí)間變化，這類(lèi)變量通常采集周期較長(zhǎng)，故在研究周期內(nèi)可視為時(shí)間常量。II類(lèi)變量在研究周期內(nèi)僅隨時(shí)間變化但不隨空間變化，具有周期性和時(shí)間依賴性。

對(duì)表1 選取的20 個(gè)變量可根據(jù)時(shí)間、空間的變化進(jìn)行分類(lèi)。

I 類(lèi)變量：道路類(lèi)型、地形條件、道路線型、道路橫斷面位置、路面情況、路口路段、道路物理隔離、路側(cè)防護(hù)設(shè)施、事故形態(tài)、交通控制方式等。

II類(lèi)變量：事故時(shí)間、天氣條件、能見(jiàn)度條件、照明條件、肇事機(jī)動(dòng)車(chē)行駛狀態(tài)、肇事機(jī)動(dòng)車(chē)安全狀態(tài)、肇事機(jī)動(dòng)車(chē)、肇事人年齡、肇事機(jī)動(dòng)車(chē)駕駛?cè)笋{齡、事故原因等。

I 類(lèi)變量用卷積神經(jīng)網(wǎng)絡(luò)提取特征。II 類(lèi)變量用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)提取特征。兩類(lèi)變量特征提取后，經(jīng)隨機(jī)森林神經(jīng)網(wǎng)絡(luò)分類(lèi)預(yù)測(cè)，輸出預(yù)測(cè)值。

卷積長(zhǎng)短期記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)算法的道路交通事故風(fēng)險(xiǎn)預(yù)測(cè)模型的輸出值在0 到1 之間。若輸出值越接近0，表明該情況下發(fā)生交通事故的風(fēng)險(xiǎn)越低，反之極有可能發(fā)生交通事故。

3 卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)交通事故風(fēng)險(xiǎn)預(yù)測(cè)

基于卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)交通事故風(fēng)險(xiǎn)預(yù)測(cè)模型，采用公開(kāi)的英國(guó)UK Car Accident 2005-2015 年交通事故數(shù)據(jù)，結(jié)合某省2019-2020 年道路交通事故數(shù)據(jù)統(tǒng)計(jì)指標(biāo)，以及參考資料[4-6],篩選出誘發(fā)交通事故的20個(gè)因素變量，其數(shù)據(jù)經(jīng)處理后作為卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)提取特征的輸入數(shù)據(jù)，其分類(lèi)及賦值如表1所示。

⑴I類(lèi)變量

經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)的2 層處理，即1 層卷積層、采樣層，2層卷積層、采用層，輸出

對(duì)于公式⑴，需要在各層更新權(quán)重和偏置，卷積層的權(quán)重和偏置更新方式為：

設(shè)J 為目標(biāo)函數(shù)，則

其中，wl為權(quán)重，bl為偏置。

yl=φ(ul)，其中l(wèi)代表網(wǎng)絡(luò)的第l層。

將ul、yl表達(dá)式代入式⑽、式⑾得：

其中，φ'(ul)表示激活函數(shù)的導(dǎo)數(shù)。

其中，?為Hadamard乘積。

這里取l=2，激活函數(shù)為Relu函數(shù)，表達(dá)式為：

目標(biāo)函數(shù)J為：

其中，yi為樣本網(wǎng)絡(luò)輸出值，ti為樣本值，也稱為均方差損失函數(shù)。

⑵II類(lèi)變量

構(gòu)建2 層長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)，提取II 類(lèi)變量特征，輸出為，對(duì)權(quán)值和偏置更新過(guò)程，重點(diǎn)討論隱藏狀態(tài)的權(quán)值更新，其他狀態(tài)的權(quán)值和偏置更新可作相應(yīng)的推導(dǎo)[8],因?yàn)殡[藏狀態(tài)的權(quán)值與梯度消失爆炸直接相關(guān)，也就是式⑵中的u，其他變量及函數(shù)如式⑶～式⑺。根據(jù)文獻(xiàn)[9]，有

其中，L為目標(biāo)函數(shù)，在這里取L均方差損失函數(shù)。在t=2時(shí)，有

經(jīng)過(guò)兩種特征提取算法得到特征值，經(jīng)過(guò)融合計(jì)算，其輸出值為：

利用CART 構(gòu)建決策樹(shù)，與套袋法結(jié)合構(gòu)建隨機(jī)森林，用Gini(公式⑻)作為評(píng)判標(biāo)準(zhǔn)，其構(gòu)建過(guò)程如下：

⑴在樣本集合N中有放回的每次取1 個(gè)樣本，共抽取N1次，用N1個(gè)樣本訓(xùn)練生成一個(gè)決策樹(shù)。

⑵若每個(gè)樣本有M個(gè)特征，在構(gòu)建決策樹(shù)時(shí)，只從這M個(gè)特征中選取m個(gè)特征，在分類(lèi)問(wèn)題時(shí)，可取m為預(yù)測(cè)特征總數(shù)的平方根。

⑶構(gòu)建CART決策樹(shù)，以m為基礎(chǔ)。

⑷采用套袋法進(jìn)行隨機(jī)抽取并投票輸出。

關(guān)于隨機(jī)森林中決策樹(shù)的數(shù)量及隨機(jī)森林內(nèi)部各子樹(shù)隨機(jī)選擇屬性的個(gè)數(shù)，隨機(jī)森林軟件包中均有相應(yīng)設(shè)置。

采用隨機(jī)森林網(wǎng)絡(luò)算法，對(duì)融合后特征值y（t式⑾）重塑成適合作為隨機(jī)森林算法分類(lèi)器輸入的大小，構(gòu)成其分類(lèi)器。最終輸出值為一個(gè)概率值，越接近1，說(shuō)明此種情況發(fā)生交通事故的概率越大，越接近0，說(shuō)明此種情況發(fā)生交通事故的概率越小。

4 仿真實(shí)驗(yàn)

搭建適合TensorFlow2框架keras運(yùn)行的軟硬件環(huán)境，選用PyCharm 開(kāi)發(fā)平臺(tái)，采用Python3.5開(kāi)發(fā)語(yǔ)言，利用英國(guó)UK Car Accident 2005-2015 年交通事故數(shù)據(jù)，并作相應(yīng)的處理，作為實(shí)驗(yàn)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，分別為70%，30%，得到誘發(fā)交通事故的顯著因素為：行駛時(shí)段、行駛地理位置、道路形狀、行駛速度、物理設(shè)施完備程度等。

卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)交通事故，因?qū)τ绊懡煌ㄊ鹿实淖兞繀^(qū)分了時(shí)空特性，因此，該算法對(duì)變量的特征提取比用單一的卷積神經(jīng)網(wǎng)絡(luò)提取變量特征更加全面，可準(zhǔn)確捕獲時(shí)間和空間兩個(gè)維度的變量特征，減少了特征損失度。在分類(lèi)預(yù)測(cè)時(shí)沒(méi)有采用卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)和連接層進(jìn)行輸出，而是采用隨機(jī)森林網(wǎng)絡(luò)進(jìn)行分類(lèi)預(yù)測(cè)，在隨機(jī)森林網(wǎng)絡(luò)輸入時(shí)，對(duì)提取的特征進(jìn)行融合計(jì)算，比用卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)預(yù)測(cè)有更高的精度。

5 結(jié)束語(yǔ)

道路交通事故風(fēng)險(xiǎn)預(yù)測(cè)數(shù)據(jù)是道路交通科學(xué)管理決策的重要參考依據(jù)，誘發(fā)道路交通事故的因素有多種，這些因素有的具有時(shí)間特性，有的具有空間特性，有的具有時(shí)間空間特性，如何利用深度學(xué)習(xí)算法較全面提取這些誘因的特征并進(jìn)行預(yù)測(cè)，是道路交通安全領(lǐng)域研究的課題。本文提出卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)算法模型，對(duì)誘發(fā)道路交通事故的因素，根據(jù)其時(shí)間特性、空間特性，分別采用卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)算法進(jìn)行特征提取，充分考慮因素變量的特征，使特征提取更全面、更貼近實(shí)際。利用隨機(jī)森林神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測(cè)，充分發(fā)揮了其準(zhǔn)確性高、在測(cè)試集上表現(xiàn)良好、抗噪聲能力強(qiáng)、非線性分類(lèi)模型等優(yōu)點(diǎn)。利用英國(guó)UK Car Accident 2005-2015 年交通事故數(shù)據(jù)，結(jié)合某省2019-2020 年道路交通事故數(shù)據(jù)的統(tǒng)計(jì)指標(biāo)，選擇20個(gè)具有時(shí)間性或空間性可能誘發(fā)交通事故的因素進(jìn)行特征提取并預(yù)測(cè)，得到誘發(fā)交通事故的主要因素。進(jìn)一步的研究，還可以對(duì)卷積長(zhǎng)短時(shí)記憶隨機(jī)森林神經(jīng)網(wǎng)絡(luò)算法模型評(píng)估，以及與其他深度學(xué)習(xí)算法模型在預(yù)測(cè)道路交通事故風(fēng)險(xiǎn)方面做深入比較。另外，在誘發(fā)交通事故變量的選擇上，對(duì)既有時(shí)間性又有空間性的變量也可做深入探討。