典型文献
一种路网级交通事故风险预测方法
文献摘要：
现有的深度学习方法将空间区域网格化,不符合事故发生的自然形态.考虑到交通事故大多发生在道路上,为了在空间维度上更精准地完成事故风险预测任务,针对路段级别的事故风险预测问题,提出了一种融合尺度缩减注意力机制和图卷积网络的城市交通事故风险预测(SA-GCN)模型.首先,有效结合历史长期和短期事故风险、外部天气特征,采用门控图卷积模块捕获时空相关性,并使用注意力机制以获得不同时空特征的动态性表达;其次,针对事故数据的稀疏性和空间异质性问题,引入了尺度缩减模块,以聚类后粗粒度区域的事故风险引导路段级别的事故风险预测.在公开性能测量系统数据集上的实验结果表明,SA-GCN模型优于其他6种基准模型,并且比现有最新模型的准确率提升了11％.
文献关键词：
图卷积;注意力机制;交通事故风险预测
中图分类号：
作者姓名：
宁静;佘红艳;赵东;罗丹;王磊
作者机构：
北京邮电大学 智能通信软件与多媒体北京市重点实验室,北京100876;华录易云科技有限公司,南京210000;山东省泰安市公安局 交通警察支队,泰安271000
文献出处：
引用格式：
[1]宁静;佘红艳;赵东;罗丹;王磊-.一种路网级交通事故风险预测方法)[J].北京邮电大学学报,2022(02):72-78
A类：
交通事故风险预测
B类：
路网,深度学习方法,空间区域,区域网,网格化,自然形态,空间维度,成事,路段,注意力机制,图卷积网络,城市交通事故,SA,GCN,有效结合,天气特征,门控,卷积模块,时空相关性,时空特征,事故数据,稀疏性,空间异质性,粗粒度,公开性,性能测量,测量系统,系统数据,准确率提升
AB值：
0.295536
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。
