一种用于事故预测的自适应聚类方法
机器学习
2021-08-31 v1
摘要
交通事故预测是出行领域中的一项关键任务。最先进的事故预测方法基于静态且均匀的基于网格的地理空间聚合，限制了其进行细粒度预测的能力。这一特性在诸如城市中心等更复杂区域中尤为成问题。在此类区域中，一个网格单元可能包含具有不同属性的子区域；此外，一个实际的事故易发区域可能被任意地分割到多个网格单元中。本文提出自适应聚类事故预测（ACAP）——一种基于网格生长算法的新型事故预测方法。ACAP对观测到的地理空间事故分布进行自适应聚类，并对时间、事故相关及区域特征进行嵌入，以提高预测精度。我们利用来自德国三个城市的开放真实世界事故数据集证明了所提出的ACAP方法的有效性。我们表明，通过将地理空间聚合适配于底层时空事件的分布，ACAP在复杂区域上将事故预测性能在F1分数上提升了2-3个百分点。我们的网格生长方法在F1分数上平均比基于聚类的基线高出四个百分点。
引用
@article{arxiv.2108.12308,
title = {An Adaptive Clustering Approach for Accident Prediction},
author = {Rajjat Dadwal and Thorben Funke and Elena Demidova},
journal= {arXiv preprint arXiv:2108.12308},
year = {2021}
}
备注
7 pages, 4 figures