典型文献
基于时空图卷积网络的交通事故风险预测研究
文献摘要：
交通事故的预测是通过对过去路段发生的交通事故进行分析,在综合考虑影响交通事故的相关因素后,对未来路段的交通事故发生状态进行预测.以往的大多数研究通常采用传统机器学习方法或单一深度学习模型预测法,利用网格化确定预测空间的单位,忽略了影响交通事故的天气、路况等外部因素,导致模型的预测性能不佳.提出一种基于时空特性的城市交通事故风险预测模型,在模型中使用改进的时空图卷积网络,利用图卷积网络(GCN)提取空间相关特征,并加入批标准化层解决梯度消失爆炸问题.在时间维度上采用门控线性单元(GLU)实现一维卷积操作,提取时间相关特征,并将GCN和GLU组合成时空卷积模块提取时空相关特征,使用均方误差损失函数解决样本数据零膨胀问题.实验结果表明,与GLU、SDCAE和ConvLSTM模型相比,该模型的RMSE指标分别降低了28％、4.87％、4.19％,能有效捕获时空相关性,综合性能得到较大提升.
文献关键词：
深度学习;城市交通事故;时空图卷积网络;时空相关性;批标准化层
中图分类号：
作者姓名：
王庆荣;魏怡萌;朱昌锋;田可可
作者机构：
兰州交通大学 电子与信息工程学院,兰州 730070;兰州交通大学 交通运输学院,兰州 730070
文献出处：
引用格式：
[1]王庆荣;魏怡萌;朱昌锋;田可可-.基于时空图卷积网络的交通事故风险预测研究)[J].计算机工程,2022(11):22-29
A类：
交通事故风险预测,零膨胀问题,SDCAE
B类：
时空图卷积网络,预测研究,去路,路段,来路,机器学习方法,深度学习模型,网格化,路况,外部因素,预测性能,时空特性,城市交通事故,风险预测模型,GCN,空间相关,批标准化层,梯度消失,失爆,时间维度,门控线性单元,GLU,一维卷积,卷积操作,提取时间,组合成,卷积模块,均方误差,损失函数,ConvLSTM,RMSE,时空相关性
AB值：
0.241342
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
