[发明专利]一种基于迁移学习的事故预测方法及装置

说明书

本发明涉及一种基于迁移学习的事故预测方法及装置，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。与现有技术相比，本发明的方法对目标数据集的样本量要求小，相对于非迁移学习的事故预测模型，具有更高的准确性和可靠性。

技术领域

本发明涉及交通安全数据智能处理领域，尤其是涉及一种基于迁移学习的事故预测方法及装置。

背景技术

近年来，我国机动化和城市化进程的加快，机动车保有量和道路设施规模逐年扩大，交通安全问题随之日益凸显。2015-2017年，我国道路交通事故死亡人数分别为5.80万、6.30万、6.38万人；同期，十万人死亡率分别为4.22、4.56、4.59。在道路交通体量快速增长的背景下，死亡人数和十万人死亡率逐年上升且处于较高水平，表明我国亟待解决交通安全问题。另外，就城市交通安全情况来看，我国各大城市交通死亡人数也远超欧美同规模城市。2015年，上海市和北京交通事故死亡人数为850、900人左右，而纽约、东京、伦敦等城市死亡人数不足300人。因而有必要深入各城市进行交通安全分析，增强城市交通安全管理水平。

目前，美国已经基于模型的交通安全分析与改善手册《公路安全手册》。该手册使用美国部分地区数据(佛罗里达州、北卡罗莱纳州、明尼苏达州等)建立了面向不同道路设施类型、不同严重程度事故的事故预测模型，用以进行定量的交通安全分析。该手册通过模型迁移方法完成手册模型至全国其他地区的模型迁移过程，从而帮助数据匮乏地区构建事故预测模型并进行交通安全分析。我国针对各类道路设施的交通安全研究尚处于初步发展阶段，在国家层面还未建立起适用于我国交通现状的安全分析方法，大部分地区无法采集完整的交通安全数据集，仅有上海市等城市少部分城市建立了交通安全数据集。而在管理方面，我国交警部门多采用朴素的事故数法进行事故多发路段判别，忽略了事故数的随机性以及交通流等特征的影响。例如，公安部《公路交通事故多发点段及严重安全隐患排查工作规范(试行)》将3年内发生5起亡人事故的道路判定为一类事故多发点段。在当前安全态势下，我国急需制定面向我国道路交通环境的事故预测模型，为提升道路交通本质安全水平提供理论依据和实践案例。

现有事故预测模型的迁移方法中基于统计模型方法，对于小样本量的交通数据集(目标数据集)构建模型，而大样本量的交通数据集(源数据集)与目标数据集可能存在数据异质性，无法直接应用于目标数据集的模型建立，即对异质数据中的有效信息提取效率低，准确性和可靠性不高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种准确性高、可靠性强的基于迁移学习的事故预测方法及装置。

本发明的目的可以通过以下技术方案来实现：

根据本发明的第一方面，提供了一种基于迁移学习的事故预测方法，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。

优选地，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。

优选地，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。