SST-GCN：基于顺序的时空图卷积网络用于分钟级和路段级交通事故风险预测
人工智能
2024-06-04 v2
摘要
交通事故被公认为全球范围内的重大社会问题，导致大量伤员和巨额成本。因此，多年来都对预测和预防交通事故的方法进行了研究。随着人工智能领域的发展，各种研究应用机器学习和深度学习技术进行交通事故预测。现代交通状况因时而异，且在不同道路间差异显著。换言之，交通事故风险会因时、因地、因路而变。因此，有必要在分钟级和路段级预测交通事故风险。然而，由于道路与相邻道路关系紧密且复杂，针对分钟级和路段级交通事故预测的研究具有挑战性。因此，有必要构建一种能够反映道路时空特征的模型，用于交通事故预测。因此，最近尝试使用图卷积网络捕获道路的空间特征和循环神经网络捕获其时间特征进行交通事故风险预测。本文提出了基于顺序的时空图卷积网络（SST-GCN），将 GCN 与 LSTM 结合，用于预测由首尔（韩国首都）构建的道路数据集中的分钟级和路段级交通事故。实验表明，SST-GCN 在分钟级预测中优于其他最先进的模型。
引用
@article{arxiv.2405.18602,
title = {SST-GCN: The Sequential based Spatio-Temporal Graph Convolutional networks for Minute-level and Road-level Traffic Accident Risk Prediction},
author = {Tae-wook Kim and Han-jin Lee and Hyeon-Jin Jung and Ji-Woong Yang and Ellen J. Hong},
journal= {arXiv preprint arXiv:2405.18602},
year = {2024}
}