融合局部和全局时空特征的交通事故风险预测

交通事故预测在城市公共安全、应急处置以及建设规划方面发挥着重要的作用.然而,在预测交通事故风险时仍然存在以下问题:首先交通事故的发生受到众多因素的影响,例如天气、道路状况等.其次交通事故的发生在空间范围内存在多尺度的时空依赖,主要包括局部区域的时空相关性和全局区域的时空相似性.同时,由于实际场景中交通事故发生次数相对较少,给预测带来了零膨胀问题.因此,对交通事故进行准确的预测具有很大的挑战,现有的预测方法无法综合考虑上述问题.提出了一种新颖的融合局部和全局时空特征的交通事故风险预测模型(ST-RiskNet),同时考虑时间、天气、交通流量等影响事故发生的多源因素,通过局部区域时空相关性模块和全局区域时空相似性模块同时建模多尺度的时空相关性和相似性,并设计样本加权损失函数,针对事故风险较大的样本设置较大的权重来解决零膨胀问题.在两个真实交通事故数据集的结果表明,ST-RiskNet的预测效果优于现有的预测方法.

Local and Global Spatial-Temporal Networks for Traffic Accident Risk Forecasting