摘要
高速公路的交通事故风险预测对智能交通和公共安全具有重要意义.现有方法通过挖掘历史事故的时空特征预测交通事故风险.但是,在高速公路事故风险预测中仍存在以下两个挑战.首先,事故具有不均衡的空间分布,相邻路段的事故分布差异可能较大,而相隔较远却具有相似拓扑连接关系路段的事故分布可能较相似.另外,由于事故的偶发性,其在时间维的分布非常稀疏,因此在捕获事故影响因素时缺乏足够的样本.针对第一个挑战,使用自适应图卷积网络以数据驱动的方式学习路段间的空间相关性;此外,根据Mixup策略进行数据增广以生成足够多的事故风险样本解决事故数量稀疏的问题,然后用对比学习方法以更好地区分风险与非风险样本,以实现更准确的事故风险预测.基于桂林市高速公路网真实交通数据集的实验结果表明,相比于最优方法,该方法的平均绝对误差指标降低了18.3%,平均准确率、召回率指标分别提升了8.1%、6.9%,因此,该方法可以更准确地预测高速公路事故风险.
基金项目
中央高校基本科研业务费专项(2019JBM023)
国家科技期刊平台
NSTL
维普
万方数据