基于时间、天气与位置特异性并利用图神经网络的道路事故倾向指标
机器学习
2020-10-27 v1
摘要
本文提出一种新方法，用于识别影响道路安全并基于这些特征预测其事故倾向的时空与环境特征。基于道路沿线的时间、天气与位置（TWL）特异性共整理了14个特征。为确定这14个特征各自的影响，使用主成分分析进行了敏感性研究。利用事故预警的位置，开发了安全指数以量化特定道路的事故倾向程度。我们实现了一种新方法，通过使用图神经网络（GNN）架构基于道路的TWL特异性预测其安全指数。所提架构因能捕捉广阔特征空间中固有的非线性互连复杂性而独特适用于此应用。我们采用GNN将TWL特征向量模拟为通过图边互连的单个节点。该模型经验证优于逻辑回归、简单前馈神经网络甚至长短期记忆（LSTM）神经网络。我们在包含州际巴士线路沿途预警位置的数据集上验证了方法。使用TWL输入特征空间的该GNN架构所得结果被证明较其他预测模型更可行，峰值准确率达65%。
引用
@article{arxiv.2010.12953,
title = {Road Accident Proneness Indicator Based On Time, Weather And Location Specificity Using Graph Neural Networks},
author = {Srikanth Chandar and Anish Reddy and Muvazima Mansoor and Suresh Jamadagni},
journal= {arXiv preprint arXiv:2010.12953},
year = {2020}
}
备注
7 pages, 10 figures, Submitted to and accepted for presentation in the 19TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS, Miami, Florida