基于图像序列分析的城市道路交通事故预测

来源：交通运输系统工程与信息杂志2024年第5期北京时间：

作者：胡正华, 周继彪, 毛新华, 张敏捷

单位：1. 宁波工程学院，网络空间安全学院，浙江 宁波 315211；2. 同济大学，交通运输工程学院，上海 201804；3. 宁波市高等级公路建设管理中心，浙江 宁波 315199；4. 长安大学，运输工程学院，西安 710064

摘要：为进一步提高路网交通事故预测的准确性，本文提出一种基于图像序列分析的短时交通事故预测方法。首先，使用过采样方法对微信小程序采集的交通事故数据进行插值处理，来消除事故数据内部大范围零值对模型训练准确性的影响；并将其与路网的流量数据及与引发事故相关的属性数据进行融合，得到稳定的时间序列作为模型的输入数据。然后，构建一个具有密集连接卷积的双向ConvLSTM U-Net(BCDU-Net)模型。该模型结合了一组双向ConvLSTM结构，将编码层和解码层的特征进行融合，以更全面地捕捉序列数据中的时空相关性。同时，模型还采用密集连接卷积结构，使特征图在深度方向上相互拼接，确保每一层都能够直接从损失函数中访问梯度。最后，通过将预测结果与实际交通事故数据的比较评价了模型的性能。结果表明，本文模型的预测结果相比全连接长短期记忆网络(FC-LSTM)模型，卷积长短期记忆网络(ConvLSTM)模型和U-Net模型，交叉熵损失函数分别降低了65.96%、15.70%和3.47%，均方根误差分别降低了21.48%、3.13%和1.71%，精确度分别增加了75.06%、11.82%和3.08%。说明本文所提出的方法在预测城市道路交通事故时具有更好的性能。

关键词：智能交通,交通事故预测,深度学习,交通安全,BCDU-Net模型

基金资助：浙江省哲学社会科学规划课题成果“交通事故黑点治理的数字化探索”(22NDQN279YB)；宁波市自然科学基金/ Ningbo Natural Science Foundation (2023J185)。