劉 志,王錦夢,孔祥杰

(浙江工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,浙江 杭州 310023)

隨著智能交通技術(shù)的深入發(fā)展,大數(shù)據(jù)時代背景下針對交通事故的研究方法[1-2]已經(jīng)越來越多,其中針對交通事故預(yù)測[3-4]的研究是交通安全領(lǐng)域的一個重大挑戰(zhàn),其對于減少交通路網(wǎng)中的事故發(fā)生,降低交通事故發(fā)生的影響程度有著重要作用,同時也可以為應(yīng)急人員準確預(yù)測與評估事故嚴重影響程度,快速分析事故潛在或后續(xù)影響,并能向事故管理程序提供重要信息,對及時實施有效的醫(yī)療救助和運輸有重要作用,是交通事故管理的重要環(huán)節(jié)。近年來,針對交通事故預(yù)測的研究,已經(jīng)有大批學(xué)者研究發(fā)表了許多相關(guān)研究成果的論文,但眾多實驗研究結(jié)果表明:交通事故預(yù)測具有復(fù)雜的時空依賴性,一直是一項不斷需求突破的挑戰(zhàn)性預(yù)測,其復(fù)雜性表現(xiàn)在:1) 時間依賴性,交通狀態(tài)會隨著時間動態(tài)變化,主要體現(xiàn)在周期性和趨勢性上;2) 空間依賴性,交通狀態(tài)受路網(wǎng)拓撲結(jié)構(gòu)的限制,相鄰路段之間具有強烈影響。傳統(tǒng)的預(yù)測方法有卡爾曼濾波模型[5]、支持向量回歸機模型[6]、貝葉斯模型[7]和神經(jīng)網(wǎng)絡(luò)模型[8]等。上述方法雖然考慮到了交通數(shù)據(jù)的時間依賴性,卻忽略了空間依賴性的存在,使得路網(wǎng)狀態(tài)無法有效限制交通變化情況,導(dǎo)致實驗預(yù)測效果不夠準確。為了更好地描述空間特征,一些研究[9-11]采用基于卷積神經(jīng)網(wǎng)絡(luò)的模型方法對事故嚴重程度預(yù)測問題進行實驗分析,然而,卷積神經(jīng)網(wǎng)絡(luò)通常用于歐式空間[12]如圖像、規(guī)則網(wǎng)格等,在構(gòu)建路網(wǎng)的復(fù)雜拓撲結(jié)構(gòu)上無法準確學(xué)習(xí)空間相關(guān)性,因此在本質(zhì)上不能描述空間依賴性。

為解決上述問題,筆者提出一種新的基于時空圖卷積網(wǎng)絡(luò)的交通事故預(yù)測模型(Traffic accident prediction model based on spatio-temporal graph convolutional network,簡稱STAP模型)。該模型主要結(jié)合長短期記憶網(wǎng)絡(luò)和圖卷積網(wǎng)絡(luò),分別獲取實際交通路網(wǎng)空間信息的特征提取和時序信息的特征提取。在模型中充分考慮了時間、天氣和興趣點等交通信息數(shù)據(jù),并采用區(qū)域劃分的方法構(gòu)建了路網(wǎng)的拓撲結(jié)構(gòu);通過實際數(shù)據(jù)對事故預(yù)測效果實驗進行評估,與其他基線模型進行預(yù)測性能比較,STAP模型在交通事故預(yù)測中具有優(yōu)越性。

1 相關(guān)工作

近年來,針對交通事故預(yù)測問題的相關(guān)研究和應(yīng)用[13-14]已經(jīng)有很多,根據(jù)近年來相關(guān)的主要文獻,可將現(xiàn)有的方法分為兩類:統(tǒng)計學(xué)習(xí)方法和機器學(xué)習(xí)方法。

1.1 統(tǒng)計學(xué)習(xí)方法

統(tǒng)計學(xué)習(xí)方法在交通事故預(yù)測中得到了廣泛應(yīng)用,大多數(shù)回歸模型在自變量和因變量之間有假設(shè)和預(yù)定義的基本關(guān)系,其中多項式Logit[15]是應(yīng)用最廣泛的離散選擇模型,利用多項式Logit分析可以計算出一個未知嚴重程度交通事故的每個等級嚴重程度的發(fā)生概率。Zong等[16]將貝葉斯網(wǎng)絡(luò)和Logistic回歸模型應(yīng)用于交通事故預(yù)測研究,并利用這兩種方法對3個事故評估指標進行分析,確定了其主要影響因素及影響結(jié)果,結(jié)果表明貝葉斯網(wǎng)絡(luò)的擬合度高于Logistic回歸模型。Chen等[17]從駕駛員傷害嚴重程度的角度,考慮到參數(shù)效應(yīng)中可能存在未觀察到的異質(zhì)性問題,建立了一個隨機參數(shù)二元有序Probit模型來檢驗影響兩名駕駛員在同一次追尾事故中受傷的因素,為今后工作中處理類似的傷害嚴重程度分析提供了方法。Lee等[18]以韓國首爾市的交通事故為例,定義4個潛在變量,提出了一種統(tǒng)計擬合優(yōu)度指標,其實驗結(jié)果揭示了雨和水深以及其他因素在確定事故嚴重程度方面的作用。K近鄰模型[19]分別對應(yīng)于基于訓(xùn)練數(shù)據(jù)集對特征空間的一個劃分,此外,馬爾可夫過程[20]雖然是一種隨機性較強的方法,但在該研究領(lǐng)域中也取得了不錯的預(yù)測效果。Li等[21]通過實驗比較了兩個統(tǒng)計模型之間的性能,結(jié)果表明:在交通事故預(yù)測效果上,相較于有序概率模型,支持向量機模型表現(xiàn)出了更優(yōu)的性能。Hashmienejad等[22]根據(jù)用戶的偏好進行預(yù)測,定制了一種多目標遺傳算法,并提出一種新的事故嚴重度預(yù)測模型替代了傳統(tǒng)的決策樹,結(jié)果表明該方法在分類精度、規(guī)則支持度和置信度等性能指標上均有更好的表現(xiàn)。

1.2 機器學(xué)習(xí)方法

針對某一個具體研究問題,機器學(xué)習(xí)就是通過篩選問題模型,使機器按照一定的規(guī)則對一批數(shù)據(jù)進行識別分類或回歸,從而得到期望的結(jié)果,在交通事故預(yù)測領(lǐng)域有著廣泛的應(yīng)用。Sameen等[23]基于遞歸神經(jīng)網(wǎng)絡(luò)建立了深度學(xué)習(xí)模型來預(yù)測交通事故,通過選定的網(wǎng)絡(luò)體系結(jié)構(gòu)優(yōu)化預(yù)測精度,其實驗結(jié)果表明該模型的預(yù)測性能較優(yōu)。Kunt等[24]采用遺傳算法、模式搜索和人工神經(jīng)網(wǎng)絡(luò),使用多層感知器結(jié)構(gòu),對高速公路交通事故分別進行了預(yù)測,結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)出了更佳的性能。Zheng等[25]基于交通事故特征的權(quán)重,設(shè)計特征矩陣轉(zhuǎn)化為灰度圖像的算法,提出了一種新的交通事故預(yù)測卷積神經(jīng)網(wǎng)絡(luò)模型,其實驗結(jié)果表明該模型具有較好的預(yù)測性能。Han等[26]引入一種新型的圖特征提取方法,并據(jù)此定義圖傅里葉變換,提出了一種基于機器學(xué)習(xí)的框架,實驗結(jié)果表明該框架具有更優(yōu)的預(yù)測性能。

上述方法均只考慮了時間特征,忽略了空間依賴性,使得事故數(shù)據(jù)的變化脫離了路網(wǎng)拓撲結(jié)構(gòu)的限制,從而無法準確地對交通事故進行預(yù)測。充分利用時空特征是推進交通事故預(yù)測研究問題的關(guān)鍵,為了獲得更好的空間關(guān)系特征,學(xué)者們在這一領(lǐng)域進行了深入研究和改進。Xia等[27]結(jié)合長短期記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò),設(shè)計了一種用于短期預(yù)測的特征融合體系結(jié)構(gòu),在獲得空間特性的同時考慮時間特征短期變異性和周期性,對交通數(shù)據(jù)進行了預(yù)測。Yu等[28]提出了一種新的深時空圖卷積網(wǎng)絡(luò)預(yù)測交通事故模型,該模型由空間學(xué)習(xí)層、時空學(xué)習(xí)層和嵌入層等3個部分組成,實驗結(jié)果表明該模型的性能優(yōu)于經(jīng)典方法。上述實驗研究表明:卷積神經(jīng)網(wǎng)絡(luò)雖然對空間關(guān)系進行了依賴建模,但在本質(zhì)上對復(fù)雜的路網(wǎng)結(jié)構(gòu)不具有空間依賴的表征,存在難以解決的局限性缺陷。近年來,隨著圖卷積神經(jīng)網(wǎng)絡(luò)在各領(lǐng)域的空間依賴研究應(yīng)用[29-31]中都表現(xiàn)出了良好的實驗效果,又考慮到時間依賴和空間依賴上的復(fù)雜關(guān)系,時空圖卷積的方法應(yīng)運而生。

因此,在此背景下,筆者結(jié)合長短期記憶網(wǎng)絡(luò)和圖卷積網(wǎng)絡(luò),提出一種新的基于時空圖卷積網(wǎng)絡(luò)的方法,可以有效地從交通事故數(shù)據(jù)中獲得復(fù)雜的時空特征,并用于交通事故預(yù)測的研究任務(wù)。

2 基于時空圖卷積網(wǎng)絡(luò)的交通事故預(yù)測

基于時空圖卷積網(wǎng)絡(luò)的交通事故預(yù)測建立在數(shù)據(jù)的時空依賴關(guān)系之上,其中,通過建立路網(wǎng)的拓撲結(jié)構(gòu)表示事故預(yù)測的空間依賴關(guān)系,通過時間序列數(shù)據(jù)表示事故預(yù)測的時間依賴關(guān)系,即空間依賴代表的是交通路網(wǎng)中的空間特征提取,時間依賴代表的是交通數(shù)據(jù)中的時間特征提取。

2.1 問題定義

交通事故預(yù)測[32-34]的目的是根據(jù)一系列的歷史信息數(shù)據(jù)預(yù)測未來一段時間內(nèi)的交通狀態(tài)是否會發(fā)生某種程度的碰撞,其中一系列的歷史信息數(shù)據(jù)包括交通事件(例如擁堵、施工和道路危險等)、時間、天氣和興趣點,因此,交通事故預(yù)測任務(wù)主要是基于歷史交通事故狀態(tài)的相關(guān)因素來預(yù)測未來的交通事故狀態(tài)。

定義1路網(wǎng)G:使用G=(V,E)來表示區(qū)域之間的連接關(guān)系,將每個劃分區(qū)域視為一個節(jié)點。V={v1,v2,…,vn}表示一組區(qū)域節(jié)點的集合,其中n代表的是區(qū)域數(shù)量;E={e1,e2,…,em}表示兩個區(qū)域之間連通性的邊的集合,其中m代表的是邊數(shù)量。鄰接矩陣A則表示路網(wǎng)之中的連通性,當G為一個非加權(quán)的路網(wǎng)時,A∈Rn×n是一個由0和1組成的矩陣,其中1表示相應(yīng)的區(qū)域連接,反之則為0。

定義2特征矩陣Xn×P:將一系列的歷史交通信息作為路網(wǎng)節(jié)點的屬性特征,表示為X∈Rn×P,其中P代表的是節(jié)點屬性特征的數(shù)量。

因此,時空交通事故預(yù)測問題可以表示為在路網(wǎng)G和特征矩陣X定義下的學(xué)習(xí)映射函數(shù),用以求解計算下一個時間序列內(nèi)的交通事故狀態(tài),其計算式為

[Xt+1,Xt+2,…,Xt+T]=f(G,(Xt-i,…,Xt-1,Xt))

(1)

式中:i為歷史時間序列的長度;T為預(yù)測的時間序列長度。

2.2 STAP模型框架

將研究問題分為時間預(yù)測部分和空間預(yù)測兩部分,即首先在圖卷積網(wǎng)絡(luò)[29]的架構(gòu)下實現(xiàn)對空間緯度上的數(shù)據(jù)空間特征處理,其次在長短期記憶網(wǎng)絡(luò)[35]上實現(xiàn)對時序緯度上的數(shù)據(jù)時間特征處理。如圖1所示,首先,對數(shù)據(jù)進行處理,并將處理過后的交通時序數(shù)據(jù)作為輸入,利用圖卷積網(wǎng)絡(luò)提取路網(wǎng)區(qū)域的空間特征;其次,將得到的具有空間特征的時間序列輸入長短期記憶網(wǎng)絡(luò)以提取時間特征;最后,采用全連接層運算輸出結(jié)果。

圖1 方法總體框架Fig.1 Overall framework of the method

2.3 STAP模型構(gòu)建

構(gòu)建基于時空圖卷積網(wǎng)絡(luò)的交通事故預(yù)測模型共包含4個部分。

2.3.1 空間依賴建模

交通事故預(yù)測中的關(guān)鍵問題之一就是獲得復(fù)雜的空間特征。通常來說,路網(wǎng)不是用二維網(wǎng)格的形式表示,而是以圖形的形式呈現(xiàn)。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)只能用于歐式空間,不能全局地反應(yīng)出交通路網(wǎng)的復(fù)雜拓撲結(jié)構(gòu),即意味著該網(wǎng)絡(luò)模型不能準確地獲得交通事故的空間特征。而基于傳統(tǒng)卷積算法在圖結(jié)構(gòu)數(shù)據(jù)上設(shè)計出的圖卷積網(wǎng)絡(luò)(Graph covolutional networks,GCN)[36]可以直接用于處理圖結(jié)構(gòu)數(shù)據(jù)。近年來,GCN模型已經(jīng)被成功地應(yīng)用于許多研究領(lǐng)域之中,并得到了廣泛的關(guān)注。給定一個鄰接矩陣A和特征矩陣X,具有分層傳播規(guī)則的多層圖卷積網(wǎng)絡(luò)GCN可以表示為

(2)

鄰接矩陣A表示交通路網(wǎng)中區(qū)域之間的空間依賴性。根據(jù)圖結(jié)構(gòu)的表示方法,將交通路網(wǎng)的拓撲結(jié)構(gòu)抽象為由n個節(jié)點和m條邊組成的圖結(jié)構(gòu)G=(V,E),其中V表示每個地理區(qū)域節(jié)點的集合,E表示各個區(qū)域之間連通性的邊的集合,區(qū)域之間的連通性則可表示為對應(yīng)的鄰接關(guān)系:

(3)

(4)

式中K為空間權(quán)值矩陣的最高階數(shù)。

特征矩陣X表示基于交通時間序列數(shù)據(jù)的時間依賴性。將交通事故數(shù)據(jù)預(yù)測問題描述為:在時間t=15 min的時間間隔內(nèi),使用時間、天氣和興趣點等數(shù)據(jù)為每一個地理區(qū)域r計算特征向量表示,并確定該地理區(qū)域的事故標簽值,利用前8個時間間隔的向量預(yù)測下一個時間間隔向量的事故標簽值。筆者使用兩層的GCN來獲得空間特征,其模型結(jié)構(gòu)圖如圖2所示。

圖2 兩層GCN模型結(jié)構(gòu)圖Fig.2 The image of two-layer GCN model structure diagram

通過使用GCN模型從交通事故數(shù)據(jù)中獲得空間特征,可以得到路網(wǎng)區(qū)域之間的拓撲關(guān)系,并對路網(wǎng)拓撲結(jié)構(gòu)和屬性特征進行編碼,進而得到空間依賴性,表示為

(5)

式中:ReLU為線性整流函數(shù);W(0)為第一層的權(quán)值矩陣,用于將節(jié)點的特征表示映射為相應(yīng)的隱層狀態(tài);W(1)為第二層的權(quán)值矩陣,用于將節(jié)點的隱層表示映射為相應(yīng)的輸出;softmax為激活函數(shù)。

2.3.2 時間依賴建模

交通事故預(yù)測中的另一個關(guān)鍵問題是獲得時間特征。目前,傳統(tǒng)應(yīng)用于時間序列數(shù)據(jù)處理的神經(jīng)網(wǎng)絡(luò)模型是循環(huán)神經(jīng)網(wǎng)絡(luò),但是該模型存在梯度消失和梯度爆炸等缺陷,對長期預(yù)測任務(wù)具有一定的局限性。因此,長短期記憶神經(jīng)網(wǎng)絡(luò)(Long short term memory networks,LSTM)[37]作為循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體,能夠?qū)W習(xí)長時間的依賴關(guān)系,避免了訓(xùn)練過程中可能出現(xiàn)的梯度爆炸和梯度消失的問題,并使用門控機制來記憶盡可能多的長時間記憶,其結(jié)構(gòu)示意圖如圖3所示。圖3中:ht-1表示上一時刻的隱藏層輸出;Xt表示當前時刻的輸入;Ct-1表示上一時刻的狀態(tài)值;Ct表示當前時刻的狀態(tài)值;ht表示當前時刻的隱藏層輸出。相較于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò),LSTM的結(jié)構(gòu)更為復(fù)雜,為了使內(nèi)部的影響和狀態(tài)變得可控引入了門控思想,并且比只包含門控循環(huán)單元的結(jié)構(gòu)更為復(fù)雜,其主要有3個核心控制結(jié)構(gòu):輸入門、輸出門和遺忘門。

圖3 LSTM結(jié)構(gòu)示意圖Fig.3 The image of LSTM structure diagram

2.3.3 時空圖卷積網(wǎng)絡(luò)

為了同時從交通數(shù)據(jù)中獲得時間依賴和空間依賴,筆者提出一種基于長短期記憶網(wǎng)絡(luò)和圖卷積神經(jīng)網(wǎng)絡(luò)的時間圖卷積網(wǎng)絡(luò),如圖4所示。圖4中:STAP模型的每個單元都由兩個組織結(jié)構(gòu)構(gòu)成,在保持長短期記憶網(wǎng)絡(luò)門結(jié)構(gòu)和隱藏狀態(tài)不變的基礎(chǔ)上,使得其輸入將由圖卷積特性來取代,然后采用全連接層運算輸出結(jié)果。因此,結(jié)合2.3.1,2.3.2,該模型在時間t上的具體計算過程為

ft=σ(Wf·[ht-1,f(A,Xt)]+bf)

(6)

it=σ(Wi·[ht-1,f(A,Xt)]+bi)

(7)

(8)

ot=σ(Wo·[ht-1,f(A,Xt)]+bo)

(9)

式中:f(A,Xt)為圖卷積過程,由式(5)給出定義;W,b分別為訓(xùn)練過程中的權(quán)重和偏差。考慮到輸入信息前向傳播和誤差反向傳播之間的信息傳遞,以及相鄰記憶單元之間的狀態(tài)影響,可計算出最終的隱藏層輸出ht和單元狀態(tài)Ct分別為

ht=ot×tanh(Ct)

(10)

(11)

圖4 STAP結(jié)構(gòu)示意圖Fig.4 The image of STAP structure diagram

對于給定地區(qū)的交通事故數(shù)據(jù)集示例,可以將其視為一個N×M的矩陣,其中N表示該地區(qū)被劃分后區(qū)域數(shù),M表示的是歷史交通事故信息的數(shù)量。首先,通過使用大小為m補償為s的劃動窗口獲得k段歷史信息序列構(gòu)建特征矩陣,其中1

2.3.4 損失函數(shù)

在實驗訓(xùn)練過程中,模型預(yù)測的目標是使交通事故預(yù)測結(jié)果盡可能地接近實際交通事故狀態(tài),即損失函數(shù)的目的是最小化兩者之間的誤差,因此,STAP模型的損失函數(shù)可表示為

(12)

3 實 驗

3.1 數(shù)據(jù)描述

實驗使用真實數(shù)據(jù)集來評估STAP模型的交通事故預(yù)測性能:該數(shù)據(jù)集由Sobhan等[2]和Moosavi等[38]收集處理,部分數(shù)據(jù)示例如表1所示。將預(yù)測范圍在地理位置上劃分為大小為l×l的多個區(qū)域r表示,并設(shè)置l=5 km,在時間間隔t=5 min內(nèi)每個地理區(qū)域r創(chuàng)建了一個特征向量表示,向量包含交通、時間、天氣、興趣點和區(qū)域描述。

表1 2018年12月1日部分數(shù)據(jù)示例Table 1 Example of partial data on Dec.1,2018

數(shù)據(jù)集最終以每個城市為單位,在每個城市范圍之內(nèi),通過將預(yù)測范圍在地理位置上劃分為特定大小的多個地理區(qū)域r構(gòu)建數(shù)據(jù)的空間依賴,所有地理區(qū)域構(gòu)成一張城市路網(wǎng)G=(V,E),其中V表示每個地理區(qū)域節(jié)點的集合,E表示各個區(qū)域之間連通性的邊的集合,若存在道路使得兩個區(qū)域之間連通,則鄰接矩陣A中對應(yīng)的值為1,反之,則為0。同時,為每個地理區(qū)域構(gòu)建數(shù)據(jù)的時間依賴,由于每一起交通事故的數(shù)據(jù)是離散的,因此以每個地理區(qū)域為單位,以t為時間間隔構(gòu)建時間序列關(guān)系,使用時間、天氣和興趣點等數(shù)據(jù)創(chuàng)建區(qū)域r的特征向量表示,構(gòu)成特征矩陣X,其中每個地理區(qū)域的交通事故狀態(tài)作為區(qū)域r的標簽,若是未發(fā)生事故則為0。因此,實驗中交通事故預(yù)測的本質(zhì)就是預(yù)測區(qū)域r中未來時間間隔t中的交通事故狀態(tài)標簽。其中,事故字段表示在時間點的約15 min間隔內(nèi)發(fā)生交通事故的狀態(tài),緯度字段和經(jīng)度字段表示事故發(fā)生的地理位置,街道號碼字段表示事故發(fā)生街道的地址編號,溫度字段和能見度字段表示事故發(fā)生的部分天氣狀態(tài)信息,減速帶字段表示興趣點信息之一,代表事故發(fā)生周圍是否有減速帶設(shè)施存在。每一條地理區(qū)域特征向量表示的數(shù)據(jù)由24個時變性維度和113個非時變性維度的多屬性向量組成,在t=15 min的時間間隔內(nèi),各向量字段的具體含義如表2所示。

表2 區(qū)域數(shù)據(jù)字段含義Table 2 Field meaning of regional data

3.2 參數(shù)設(shè)置

模型的超參數(shù)包括網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和學(xué)習(xí)算法參數(shù),通過學(xué)習(xí)獲得的最終優(yōu)化超參數(shù)為:時空圖卷積按網(wǎng)絡(luò)學(xué)習(xí)速率為10-3;卷積塊個數(shù)為5個;圖卷積輸出特征維度為1;長短期記憶網(wǎng)絡(luò)輸出特征維度為16;全連接神經(jīng)網(wǎng)絡(luò)輸出維度為10;訓(xùn)練學(xué)習(xí)次數(shù)為2 500?；跁r空圖卷積網(wǎng)絡(luò)的交通事故預(yù)測模型中的神經(jīng)網(wǎng)絡(luò)模型采用圖卷積神經(jīng)網(wǎng)絡(luò)模型和長短期記憶網(wǎng)絡(luò)模型相結(jié)合。該網(wǎng)絡(luò)先經(jīng)過一層圖卷積神經(jīng)網(wǎng)絡(luò),捕獲數(shù)據(jù)的空間特性,在經(jīng)過3層的長短期記憶網(wǎng)絡(luò),捕獲數(shù)據(jù)的時間特性,最后經(jīng)過一層全連接層。圖卷積神經(jīng)網(wǎng)絡(luò)的輸入維度為315,輸出維度為1。長短期記憶網(wǎng)絡(luò)有3層,總共含有3個神經(jīng)元,每層的輸入維度為5,隱藏節(jié)點個數(shù)為16,輸出最后一層所選取的有效輸出維度為16。全連接層包含16個神經(jīng)元,輸入維度為16,輸出維度為10。

3.3 評價指標

在實驗預(yù)測效果的對比中,使用了3個評價指標來度量不同模型對交通事故的預(yù)測與評估性能,包括均方根誤差、平均絕對誤差和準確度。具體而言,均方根誤差和平均絕對誤差用于度量模型的預(yù)測誤差,若數(shù)值越小,則表示該模型預(yù)測效果越好;準確度用于度量模型的預(yù)測精度,若數(shù)值越大,則表示該模型預(yù)測效果越好。

1) 均方根誤差RMSE為

(13)

2) 平均絕對誤差MAE為

(14)

3) 準確度Accuracy為

(15)

式中:xk為真實值;yk為預(yù)測值;X,Y分別為xk和yk的集合;N為樣本數(shù)。

3.4 基線模型

將STAP模型的預(yù)測性能與4種基線方法進行比較,這4種基線方法包括:1) 支持向量機(Support vector machines,SVM)[39];2) 深度神經(jīng)網(wǎng)絡(luò)(Deep neural networks,DNN)[40];3) 長短期記憶網(wǎng)絡(luò)(LSTM)[25];4) 圖卷積網(wǎng)絡(luò)(GCN)[36]。這4種基線方法的超參數(shù)與原稿或已發(fā)布代碼中的超參數(shù)相同。

3.5 實驗結(jié)果

為了實現(xiàn)交通和天氣條件、人口、人口密度和城市特征(道路網(wǎng)、城市道路和公路的普及率等)的多樣性,實驗中選擇了3個城市(Atlanta、Austin和Charlotte)的數(shù)據(jù)集,如表3所示。表3列出了STAP模型和其他基線模型在同一個數(shù)據(jù)集上,不同城市交通狀態(tài)下事故嚴重程度的預(yù)測效果,從表3可以看出:STAP模型的實驗結(jié)果在同樣的評價指標下都比其他基線模型獲得了更好的預(yù)測性能,證明了筆者提出的基于時空圖卷積網(wǎng)絡(luò)的交通事故預(yù)測方法有效。

表3 3個城市實驗對比結(jié)果Table 3 Comparison results of 3 urban experiments

如圖5(a)所示,支持向量機SVM模型、深度神經(jīng)網(wǎng)絡(luò)DNN模型和長短期記憶網(wǎng)絡(luò)LSTM模型在數(shù)據(jù)集上的預(yù)測效果,要明顯比基于時空圖卷積網(wǎng)絡(luò)的交通事故預(yù)測STAP模型劣勢,由此證明傳統(tǒng)的分類模型只考慮了時間依賴性,對于交通事故的預(yù)測不夠全面,而引入空間依賴性的應(yīng)用和結(jié)合,可以很好地提高預(yù)測效果;圖5(b)則表現(xiàn)了圖卷積神經(jīng)網(wǎng)絡(luò)GCN模型和STAP模型在3個城市數(shù)據(jù)集上的均方根誤差對比,在只考慮空間依賴性的情況下,GCN模型的預(yù)測效果顯然比不上STAP模型。由此可見:在只考慮單因子的前提下,不論是時間特征還是空間特征的提取都存在著一些潛在的問題,而結(jié)合了時空依賴的STAP模型則能更好地捕獲數(shù)據(jù)中的時空特征,以達到更好的預(yù)測效果。

圖5 各模型在3個城市數(shù)據(jù)集上的均方根誤差直觀對比圖Fig.5 The image of RMSE comparison of each model in 3 city datasets

4 結(jié) 論

交通事故預(yù)測是一個重大的公共安全問題,實時、準確的事故預(yù)測不僅可以對道路交通異常狀態(tài)提供及時預(yù)警,而且可以對如何最大可能地降低事故后續(xù)影響程度提供可靠的研究基礎(chǔ)。通過將圖卷積網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)相結(jié)合,提出了一種新的基于時空圖卷積網(wǎng)絡(luò)的交通事故預(yù)測方法,稱為STAP。通過圖卷積網(wǎng)絡(luò)構(gòu)建路網(wǎng)的拓撲結(jié)構(gòu),每個劃分區(qū)域表示為圖上的節(jié)點,區(qū)域之間的連通性表示為邊,區(qū)域描述則表示為圖上節(jié)點的屬性,以此來獲得交通事故的空間相關(guān)性;同時,引入長短期記憶網(wǎng)絡(luò)模型來獲取節(jié)點屬性的動態(tài)變化,即時間相關(guān)性,最后將STAP模型用于處理時空依賴關(guān)系上的交通事故預(yù)測研究。在真實的交通事故數(shù)據(jù)集上進行評價,并與SVM模型、DNN模型、LSTM模型和GCN模型進行比較,結(jié)果表明:STAP模型具有更好的預(yù)測性能,可以應(yīng)用于其他時空依賴關(guān)系的研究中。