智能交通系统中有一个特殊的子系统-紧急救援系统,紧急救援系统的存在是为了解决生活中常见的意外事件。该系统的高效运行依赖于智能交通系统中其他的子系统,并且可以将交通监控中心与职业的救援机构连成一个有机的整体从而实现该系统的存在意义。在我们的日常生活中,交通事故的发生是不可预测的,这就需要完善的紧急救援系统的快速响应来减少事故发生造成的损失。一般来说,当事故发生时,会同时需要很多救援资源到场合作处理,如何在最短时间内最高效率的完成资源的调度成了现在研究人员关心的问题之一。针对上述问题,本文提出了基于现有条件的解决办法,具体如下:(1)基于循环神经网络(Recurrent Neural Network,简称RNN)的交通事故预测算法首先提出了一个基于RNN模型的交通事故预测算法。该算法对车联网中车辆上传的实时数据和网络基础设施采集的信息进行处理,并根据历史数据信息训练得出一个预测模型。该模型根据现有的交通天气情况对道路信息进行实时分析,并利用RNN模型对事故发生概率进行预测,为后续的资源调度提供依据。从模型的训练结果可以看出,预测的准确度和误判度都达到智能交通系统(Intelligent Traffic System,简称ITS)运行的需求,可以作为ITS中资源预调度以及调度的重要参考依据。(2)基于预测的资源调度算法其次,根据RNN预测算法预测出的事故严重性对资源进行预调度,针对紧急资源,系统管理中心可以提前将其调度至预测出的事故发生地点来控制交通指挥情况,理想情况下希望紧急资源的到场可以缓解交通情况从而避免事故的发生;而对于其他资源,系统做出预测判断的情况下,若未能成功避免事故,可以在事故发生的第一时间对资源进行调度,节省了紧急资源在协同调度时所花费的时间。不同类型的事故的救援效率根据资源预调度的状况也有所不同,本文所做实验证明了基于预测的资源预调度的算法所执行救援消耗的时间比事故发生后再对资源进行调度的时间更短,效率更高。同时从实验结果的对比中可以发现,我们提出的基于预测的资源调度算法,对于事故处理的效率相对于传统的算法具有实质性的提升。