时空图卷积网络下的路网交通事故风险预测

来源：计算机工程与应用杂志2023年第13期北京时间：

作者：王庆荣, 周禹潼, 朱昌锋, 吴玉玉

单位：1.兰州交通大学 电子与信息工程学院，兰州 730070；2.兰州交通大学 交通运输学院，兰州 730070

摘要：路网交通事故预测是实现道路管控、路线规划的最重要方式之一。考虑到路网中各路段特征与环境因素的影响，建立基于图卷积神经网络（GCN）和门控循环单元（GRU）的时空门控图卷积（STGRGCN）模型预测交通事故风险。通过GCN提取出道路间的空间关联性，通过GRU提取出环境因素中的时间关联性，再通过GCN与GRU的复合模块提取出时空关联性。选取美国全国交通事故数据集中洛杉矶市和休斯顿市相关数据对模型进行检验，STGRGCN模型的均方根误差、平均绝对误差以及召回率在两个城市分别为4.09、2.14、0.714和5.79、3.24、0.683，优于已有统计模型、机器学习模型以及复合模型。设计该除各模块的消融实验，证明该模型各模块皆有助于提升预测性能。

关键词：交通事故风险预测,图卷积网络,门控循环单元,注意力机制,深度学习