基于紧凑神经模型融合城市大数据多模态信息的交通事故风险预测
计算机视觉与模式识别
2021-03-10 v1 机器学习
摘要
预测交通事故风险图对事故预防与应急响应早期规划至关重要。其挑战在于城市大数据的多模态特性。我们提出一种紧凑神经集成模型，以缓解多模态特征融合中的过拟合，并开发了若干新特征，如卫星图像中道路复杂性的分形测度、出租车流、兴趣点（POI）以及 OpenStreetMap 中的道路宽度与连通性。该方案在性能上优于基线方法与基于单模态数据的方案。微观可视化后，揭示了与高、低风险相关场景的视觉模式，为未来道路设计提供借鉴。从城市视角，预测风险图接近真实情况，可作为优化应急响应资源空间配置与预警标识的基础。据我们所知，这是首项在交通事故预测中融合视觉与时空特征、并致力于弥合基于数据挖掘的城市计算与基于计算机视觉的城市感知之间鸿沟的工作。
引用
@article{arxiv.2103.05107,
title = {Risk Prediction on Traffic Accidents using a Compact Neural Model for Multimodal Information Fusion over Urban Big Data},
author = {Wenshan Wang and Su Yang and Weishan Zhang},
journal= {arXiv preprint arXiv:2103.05107},
year = {2021}
}