基于深度卷积和循环神经网络模型的事故影响预测

交通事故对公共安全构成严重威胁，导致每年大量人员伤亡及巨额经济损失。能够利用 readily available 数据对事故后影响进行实时预测的预测模型，对于预防不良结果并提升整体安全性具有重要作用。然而，现有事故预测模型面临两个主要挑战：其一，依赖昂贵或非实时数据；其二，缺乏衡量事故后影响的完整指标。为此，本研究提出一种深度神经网络模型，称为级联模型（cascade model）。该模型利用来自洛杉矶县的实时数据预测事故后影响。该模型包含两个组成部分：长短期记忆网络（LSTM）和卷积神经网络（CNN）。LSTM 捕捉时间模式，而 CNN 从稀疏事故数据集中提取模式。此外，融合外部交通拥堵数据集，构建名为“事故影响”因子的新特征，用于量化事故对周围交通流的影响。通过大量实验表明，所提出的混合机器学习方法在预测事故后影响方面优于最先进的基线方法。结果显示，该方法在预测最小影响（即无事故报告的案例）时精度更高，在预测更大影响（即有事故报告的案例）时召回率更高。