[发明专利]一种基于迁移学习的事故预测方法及装置

权利要求书

1.一种基于迁移学习的事故预测方法，其特征在于，该方法包括以下步骤：

步骤S1：获取道路几何数据、交通运行数据以及交通事故数据；

步骤S2：将道路划分为同质路段；

步骤S3：构建源数据集和目标数据集，确定事故预测模型的样本数据集；

步骤S4：基于步骤S3的样本数据集和迁移学习算法构建事故预测模型，并进行事故预测。

2.根据权利要求1所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S1中的道路几何数据包括道路横截面、纵断面及平面几何数据。

3.根据权利要求1所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S2具体为：根据车道数、是否存在中央分隔带以及是否存在机非分隔带，将道路划分为几何参数一致的同质路段，即车道数、是否存在中央分隔带以及是否存在机非分隔带保持一致。

4.根据权利要求1所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S3具体为：构建源数据集T_source1，T_source2...T_sourcei，i＝1，...，n，以及目标数据集T_target(n+1)，T_target(n+2)...T_targeti，i＝n+1，...，n+m；n为源数据集样本量大小，m为目标数据集样本量大小；提取各同质路段的数据，构建事故预测模型的样本数据集，提供给步骤S4。

5.根据权利要求4所述的一种基于迁移学习的事故预测方法，其特征在于，所述同质路段的数据包括道路几何特征变量、交通运行特征变量及事故数。

6.根据权利要求1所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S4包括以下步骤：

步骤S41：设置迁移学习算法TrAdaBoost.R2相关参数及初始值，包括迁移学习的迭代次数设定值T，弱学习器类型G(x)，其中x为样本数据集，样本权重的初始值D₀＝(w_0，1，...，w_0，i，...，w_0，n+m)，其中w_0，i表示在初始情况下第i个样本的权重，初始时所有样本的权重相等，n为源数据样本量大小，m为目标数据集样本量大小；

步骤S42：判断当前迭代次数t是否达到迭代次数设定值T，若是，直接转至步骤S48，否则，转至步骤S43；

步骤S43：样本重采样；基于上一轮迭代后的样本权重D_t-1对样本进行重采样，其中样本i被采样的概率分布为w_t-1，i；

步骤S44：采用重采样的样本训练弱学习器G_t(x)；

步骤S45：计算弱学习器G_t(x)的错误率ε_t，所述弱学习器G_t(x)的错误率ε_t由样本权重和弱学习器G_t(x)在目标数据集的错误率决定，其计算方法为：

其中，w_t-1，i为第i个样本的被采样的概率分布，y_i为第i个样本的事故数，G_t(x_i)为G_t(x)对第i个样本的预测事故数，n为源数据样本量大小，m为目标数据集样本量大小；

步骤S46：分别计算源数据集和目标数据集弱学习器的权重β_t：

其中，ε_t为弱学习器G_t(x)的错误率，T_source为源数据集，T_target为目标数据集；

步骤S47：更新样本权重w_t，i；

根据上一轮迭代的样本权重w_t-1，i进行训练集的权重更新，更新方法为：

迭代次数t＝t+1；

其中，w_t-1，i为上一轮迭代的样本权重，β_t为弱学习器的权重，y_i为第i个样本的事故数，G_t(x_i)为G_t(x)对第i个样本的预测事故数，T_source为源数据集，T_target为目标数据集；

步骤S48：加权组合弱学习器G_t(x)，得到事故预测模型的输出F_T(x)。