[发明专利]一种基于知识图谱的交通事故分析与防控方法及系统

权利要求书

1.一种基于知识图谱的交通事故分析与防控方法,其具体步骤如下：

S1.提取交通事故数据，构建交通事故知识图谱G；其中交通事故知识图谱G的构建步骤包括：

S1.1提取交通事故的原始多维特征，至少包括交通事故环境特征和交通事故事件特征；其中交通事故环境特征是以下一种或多种：事故基础特征、交通状态特征、路口设施特征，事故基础特征是以下一种或多种：天气、能见度、时段、路面状况、照明、星期，交通状态特征是以下一种或多种：车速、拥堵率、流量，路口设施特征是以下一种或多种：路口规模、隔离带、信控类型；

交通事故事件特征是以下一种或多种：事故类型、撞击类型、事故损失；

S1.2将交通事故的原始多维特征转化为数值特征，获得交通事故环境特征X1、X2、...、Xk、...、XK，Xk表示第k个环境特征，K表示环境特征个数，x_X1表示环境特征X1的值，N_X1表示环境特征X1的取值个数，交通事故事件特征：Y1、Y2、...、Ym、...、YM，Ym表示第m个事件特征，M表示事件特征个数，y_Y1表示事件特征Y1的值，N_Y1表示环境特征Y1的取值个数；

S1.3根据交通事故事件特征，提取交通事故标签Y；

交通事故标签Y＝g(Y1,Y2,...,Ym,...,YM)，g()表示事故标签提取函数；

S1.4提取实例实体，关系，概念实体，生成交通事故知识图谱G，其中实例实体指交通事故特征对应的某一具体物体、事件；概念实体指交通事故特征对应的具体值；关系指实例实体和概念实体的关系以及实例实体和实例实体的关系；

S2.对交通事故知识图谱G中的实体进行表示学习，生成实体的向量表示；

S3.基于已训练的多分类任务的全连接深度神经网络，利用交通事故的向量表示，对其对应的交通事故标签进行预测；

S4.利用向量表示空间，生成交通事故标签事故主要成因，所述事故主要成因为交通事故知识图谱G中与交通事故标签相关的实体。

2.根据权利要求1所述的一种基于知识图谱的交通事故分析与防控方法，其特征在于：步骤S2还包括步骤：利用事故的向量表示进行聚类分析，移除偶发的交通事故。

3.根据权利要求1或2所述的一种基于知识图谱的交通事故分析与防控方法，其特征在于：步骤S2的具体步骤包括：

S2.1.训练TransE模型或GraphSAGE模型对交通事故知识图谱G中的实体进行表示学习，生成实体的向量表示；

S2.2.利用K-Means算法或k-medoids算法对交通事故知识图谱G中的交通事故实体进行聚类；

S2.3.将与聚类中心距离超出距离阈值的交通事故实体认为是偶发的交通事故，并且从交通事故知识图谱G中移除。

4.根据权利要求3所述的一种基于知识图谱的交通事故分析与防控方法，其特征在于：步骤S2.1中采用GraphSAGE模型进行表示学习的具体过程如下：

记交通事故知识图谱G中所有的实体的集合为V，且对于每一个实体v∈V，假设其已经具备初始的向量表示那么GraphSAGE输出结果z_v的过程如下：

其中，公式(1)(2)(3)为GraphSAGE第1层神经网络的计算过程，而公式(4)(5)(6)为GraphSAGE第2层神经网络的计算过程；N(v)是一个集合，表示的是实体v所邻接的所有实体；AGG₁和AGG₂是第1层与第2层的聚合函数；公式(1)表示：对一个实体v的每一个邻居u，取这些邻居的向量表示然后对它们做平均池化操作，得到此外，表示的是向量的模长，CONCAT表示向量的拼接操作；最后W¹和W²分别为每一层的权重矩阵，而函数σ(·)是逻辑函数；

训练GraphSAGE模型时的损失函数：

其中，J(v)表示的是对实体v的损失函数，T表示的是矩阵转置操作，u表示的是从v的邻居中随机采样得到得一个实体，x表示的是距离v的hop距离hop＞hop_limit的被随机获取的实体，hop距离为两个实体之间经过的关系最小个数，Q为负例样本采样次数。