【摘 要】
：
交通事故风险预测是智能交通领域的重要研究课题,其预测准确度将直接影响道路交通安全水平。交通事故成因复杂,但均呈现出时间相关性和空间相关性,基于此展开研究,具有很好的理论和应用价值。本文在分析事故数据的时间相关性和空间相关性基础上,提出了一种基于时空注意力机制的交通事故风险预测方法,该方法融合空间距离特征和视觉相似特征以捕获交通事故数据高度动态的时空相关性。主要内容如下:（1）分析交通事故数据的时间
论文部分内容阅读
交通事故风险预测是智能交通领域的重要研究课题,其预测准确度将直接影响道路交通安全水平。交通事故成因复杂,但均呈现出时间相关性和空间相关性,基于此展开研究,具有很好的理论和应用价值。本文在分析事故数据的时间相关性和空间相关性基础上,提出了一种基于时空注意力机制的交通事故风险预测方法,该方法融合空间距离特征和视觉相似特征以捕获交通事故数据高度动态的时空相关性。主要内容如下:（1）分析交通事故数据的时间、空间特征,选择卫星图像数据集和经纬度数据集提取空间特征,选择机动车碰撞数据集、出租车行程数据集和气象日历提取时间特征。（2）通过创建空间网格系统划分研究区域,基于网格提取代表性卫星图像,生成相似邻接矩阵,基于网格位置获取经纬度数据并生成距离邻接矩阵,将获得的两个矩阵作为时空注意力网络的输入之一。（3）将交通事故数据,气象数据和日历数据与网格区域进行匹配映射,在解决时空稀疏性问题的基础上提取时间相关特征,生成时序特征矩阵,作为时空注意力网络的输入之二。（4）提出基于时空注意力图卷积网络的交通事故风险预测方法,将距离邻接矩阵、相似邻接矩阵、时序特征矩阵输入时空注意力图卷积网络。以距离邻接矩阵生成距离图,将其与相似邻接矩阵生成的相似图融合,获取各区域间空间相关性;在多图融合的基础上引入注意力机制,对各网格区域的时序数据进行学习,获取时间注意力权重矩阵和空间注意力权重矩阵,以之为依据获取事故数据的时空动态变化关系,实现交通事故风险预测。实验结果表明,本文提出的基于时空注意力图卷积网络的交通事故风险预测方法,能够以较小代价获取较好预测效果,验证了模型的有效性。
其他文献
多旅行商问题（mTSP）是著名的旅行商问题（TSP）的延伸。多旅行商问题的目标是寻找一组哈密顿圈,其中每个旅行商都被派往一组城市而且保证每个城市只能访问一次。目前已经有一些致力于求解多旅行商问题的研究,但是大多数研究集中在如何最小化所有旅行商的旅行距离之和（即,minsum mTSP）,只有很少的研究是专门针对以下两类复杂多旅行商问题:1.最小化所有旅行商的最大旅行距离（即,minmax mTSP
膜计算是从活细胞的结构和功能中抽象出来的计算模型。该模型的进化规则执行具有不确定性和极大并行性。基于膜计算与进化计算相结合的膜进化算法将活细胞的生命活动抽象为进化算子,然后通过进化算子进化膜结构和膜内物质来求解优化问题。容量聚类问题（Capacitated clustering problem,简称CCP）是将无向图的顶点集划分为几个不相交的簇,使每个簇中的顶点权重之和满足容量限制,同时最大化同一
由于Android系统的开放性,Android应用程序能够通过非官方渠道安装在Android设备上,这为智能系统带来了安全风险。因此,研究如何检测Android恶意软件是非常有必要的。目前,许多基于机器学习的Android恶意软件检测方法都以应用编程接口（API）为特征,具有检测效率高、准确率高等优点。然而,由于这些方法将API作为一个独立的整体特征,当API因Android系统的发展而发生变化时
随着计算机视觉技术的发展,三维重建技术走入到人们生产生活中的方方面面。在众多三维重建的方法中,基于多视角图像深度估计的三维重建方法,是目前主流的三维重建方案之一。传统多视角图像方法使用图像的RGB信息来计算像素点的匹配代价,在弱纹理等RGB信息缺失的位置很难完成重建。随着近年来卷积神经网络在计算机视觉领域的发展,深度学习能够从图像中提取出更丰富的语义信息,将深度学习应用到三维重建领域逐渐成为了当前
传统行人监控主要依赖视频分析、红外成像等方法,难以有效兼顾经济性、隐私性、可扩展性等诸多要求。近年来,因WiFi具备分布性广、信号普适性高、感知灵敏性强等特点,基于WiFi信道状态信息（WiFi-CSI）的无源感知方法逐渐受到学术界与企业界的广泛关注。然而,目前研究大多基于样本学习方法,往往存在以下两点不足:a)离线阶段样本采集开销大,b)跨场景条件下感知鲁棒性不高且可扩展性不强。鉴于此,本文深入
视网膜是眼睛内部的重要组成结构,视网膜血管的异常变化与眼部疾病和部分全身性疾病息息相关。分析视网膜血管系统的特征不仅有利于疾病的诊断和治疗,而且对维护人体眼部健康和提高患者生活质量具有重要价值与意义。光学相干断层扫描血管造影（Optical Coherence Tomography Angiography,OCTA）是一种新型的、非侵入性的成像技术,在无需造影剂的情况下即可生成各个视网膜层和脉络膜
自卷积神经网络提出以来,计算机视觉有了巨大的发展,各种深度学习网络被提出,广泛用于高效处理图像数据。应用深度神经网络分析点云,学习点云特征的方法自然出现了,但是直接使用处理二维图像数据的方法处理三维数据并不可行,通过多层感知器提取点云数据的有效特征便成为了一个常用的方法。然而这种方法并没能够充分利用点云的层次化特征。在点云的层次化的过程中,常常经过分组和采样的操作,使得点云可以按照全局和局部两种方
三维点云的表面重建,指通过输入无序的三维点云数据,生成与之对应的、紧凑的、流形的、水密的网格模型。三维点云的表面重建,可应用于CAD/CAM,虚拟游戏人物、物体、场景等的快速建模,在智慧城市、游戏、电影、动画等领域有较高的应用价值。点云表面重建的主流方法有:基于构建点云表面隐式函数,根据隐式函数采用移动立方体（Marching Cubes）提取等值面,生成网格模型的表面重建算法;使用三角剖分,生成
与图像这类具有规则形状的数据相比,点云这类不规则结构数据还没有一个基于深度学习公认有效的特征提取方式。点云内数据点的邻居选择对局部特征提取所造成的影响是一个值得讨论的问题,然而该问题却未被专门研究过。另外,点云数据中若存在噪声,则会在利用特征进行点云识别、分割、重建等任务时产生较大误差。基于自然语言处理领域中被广泛使用的注意力机制,结合自然邻居搜索算法,本文提出一种全新的点云特征提取网络模型。该网
数字孪生（Digital Twin,DT）技术从现实世界的驾驶数据中提取测试场景,被认为是智能网联汽车（Intelligent Connected Vehicle,ICV）道路测试的有效解决方案。如何从真实驾驶数据中提取并识别关键测试场景成为研究热点。本文以此问题展开研究,提出了新的DT测试场景选择方法。考虑了碰撞风险、交通因素,定义了三类典型应用场景——前向碰撞预警（Forwarding Col