[发明专利]基于深度学习的高速公路交通事故严重度预测方法

权利要求书

1.基于深度学习的高速公路交通事故严重度预测方法，其特征在于，包括如下步骤：

(1)收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素，构成样本集S＝(s₁,s₂,…,s_L)，其中s_l＝(f_1l,f_2l,…,f_Ml)^T，f_hl为编号为l的事故的第h个变量因素；记录每个交通事故的严重度值，r_l为编号为l的事故的严重度值，h＝1..M，l＝1..L；

(2)对收集到的L个事故样本的变量因素进行降维和归一化，设降维后的样本s_l′为I维，IM，s_l′＝(f_1l′,f_2l′,…,f_Il′)^T，f_il′为降维后保留的变量因素，i＝1..I；

归一化处理的公式为：

x_il＝(f_il′-MinValue)/(MaxValue-MinValue)

其中x_il为变量因素f_il′归一化后的值，MinValue为{f_i1′,f_i2′,…,f_iL′}中的最小值，MaxValue为{f_i1′,f_i2′,…,f_iL′}中的最大值；

(3)建立深度学习神经网络，构建交通事故严重度预测模型；

(4)将待预测事故的变量因素按照步骤(2)中的降维方法进行降维，得到降维后的待预测事故变量因素向量x，将x代入步骤(3)建立的交通事故严重度预测模型中，得到待预测事故的严重度预测结果。

2.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，所述道路条件包括坡度方向、平曲线方向，分别由0或1表示正或负。

3.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，所述驾驶员情况包括驾驶员年龄、驾驶员性别；其中驾驶员性别由0或1表示男或女。

4.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，所述车辆情况包括事故车辆车龄。

5.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，步骤(2)中采用主成分分析法对变量因素样本集S进行降维。

6.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，步骤(2)中采用独立成分分析法对变量因素样本集S进行降维。

7.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，步骤(3)中构建交通事故严重度预测模型的步骤为：

(3.1)建立具有一层隐含层的神经网络，所述神经网络输入层有I个输入单元，整个输入层为经步骤(2)降维和归一化后的样本x_l＝(x_1l,x_2l,…,x_Il)^T，l＝1..L；所述神经网络的隐含层具有J个神经元；所述神经网络的输出层有K个输出单元，K＝1，为事故的严重度值；

(3.2)建立隐含层与输入层连接权重矩阵，公式如下：

其中H_j(l)为用第l个样本作为输入时隐含层第j个节点的值，g_j是隐含层第j个节点的激活函数，表示输入层第i个节点和隐含层第j个节点的连接权重；j＝1..J；

(3.3)建立隐含层与输出层连接权重矩阵，公式如下：

其中ψ_k(l)为用第l个样本作为输入时输出层第k个节点的值，g_k是输出层第k个节点的激活函数，表示输出层第k个节点和隐含层第j个节点的连接权重；k＝1..K；

(3.4)通过Back-propagation算法分别计算输出层和隐含层的梯度，依据梯度确定每一迭代过程中连接权值的初始变化量，最后根据设定好的学习速率对权值进行更新，公式如下：

e_k(m)＝O_k(m)-ψ_k(m)

为第m个样本在输出层的梯度，e_k(m)为真实值与预测值的误差，为连接隐含层和输出层权值的变化量；a(m)为学习速率，η(m)为迭代步长；

为第m个样本在隐含层的梯度，为连接隐含层和输入层权值的变化量；

因此连接权值的更新如下：

(3.5)用步骤(2)降维和归一化后的样本作为输入，对应的事故严重度值作为输出，训练步骤(3.1)-(3.4)建立的模型，获取隐含层与输入层连接权重和隐含层与输出层连接权重。