Traffic Accident相关论文

发表于 | 分类于 | 浏览 次
字数统计: 1.5k | 阅读时长 ≈ 6

以下是关于event prediction的相关论文，主要是traffic accident这一类的事件预测。

1. 论文

1.1. Learning Deep Representation from Big and Heterogeneous Data for Traffic Accident Inference(2016AAAI)

论文地址：
Learning Deep Representation from Big and Heterogeneous Data for Traffic Accident Inference

目标：使用real-time GPS data 预测所有区域的traffic risk level，回归问题，预测risk的大小，而不是accident会不会发生 。
数据集：
Traffic accident data和Human mobility data throughout Japan from 2013.1.1~2013.7.31。
模型：

traffic-accident/1.png

对Japan的区域进行网格划分，获取每个网格的risk和mobility。使用Denoise Autoencoder模型对mobility进行编码representation，然后输入到Logistic regression层作为预测。
总结：

  • 第一个使用深度学习来预测traffic accident的模型，使用real-time GPS data作为输入。
  • 没有考虑到时间和空间的关系；
  • 特征单一。只考虑了human mobility，可以考虑weather，POI，population，land use等信息。

1.2. Combining Satellite Imagery and Open Data to Map Road Safety(2017AAAI)

论文地址：
Combining Satellite Imagery and Open Data to Map Road Safety

直接从原始的satellie image来预测road safety。相同的safety在图像视觉上有一些相同的特点，比如颜色(grey/greed)，路段等。所以图像的特点是road safety的一种体现。

traffic-accident/1.png

traffic accident被分为3类：slight，heavy，fatal。
数据集：
NYC：收集了14000张卫星图像，每个图像图片的标签是3类accident中的一类
Denver：收集了21406张卫星图像，标签是3类中的一类。
每张图片是256*256，使用ConvNet来对图像进行分类。使用NYC的卫星图像训练模型，使用训练好的模型对NYC的测试卫星图像进行测试。
使用Denver的traffic accident映射到地图上，形成traffic 热力图。使用从NYC训练得到的模型，输入是Denver的卫星图片，输出区域的traffic accident severity。即可以生成地图来表示区域的risk。

总结：

  • 第一个使用satellite image来预测city-scale road safety的模型
  • 仅仅使用satellite image来预测traffic accident，没有考虑时间和空间信息，外部信息。

1.3. A Deep Learning Approach to the Prediction of Short-term Traffic Accident Risk(未中)

论文地址：
A Deep Learning Approach to the Prediction of Short-term Traffic Accident Risk

这篇论文首先指出了《Learning Deep Representation from Big and Heterogeneous Data for Traffic Accident Inference》AAAI2016的缺点：（1）只考虑了human mobility data，像traffic flow，weather，air quality，regional characteristic这些重要的信息没有考虑。（2）没有考虑traffic的周期pattern。
本篇论文收集了big and heterogeneous data related traffic accident。
数据集：
traffic accident：北京2016年的accident数据，每条记录包含时间，地点，严重程度，分为三类，slight、heavy、fatal
traffic flow data：北京2016.8所有的taxi的GPS信息和speed信息。
air quality：北京的daily PM2.5信息。
weather information：cloudy，sunny…
每个区域的risk level是这个区域所有的accident severity的总和。
将traffic accident按照时间和空间划分，时间1h为一个slot，空间每个gird大小为1000m*1000m。
在给定时间t，定义所有区域的时间相关性，
从以上这些数据集提取出6个矩阵，分别是

traffic-accident/1.png

将这6个矩阵进行整合成一个矩阵，每个区域每个时间得到一个多源数据的表示。
模型：Traffic Accident Risk Prediction Method based on LSTM (TARPML)

traffic-accident/1.png

有2个input layer，隐藏层有4个LSTM layer和3个fully connected layer，1个output layer，输出risk level。
使用LSTM是因为LSTM可以捕捉periodic信息。
输入层中的Short-term features是预测时间槽t的前几个小时的特征I，Periodic feature是预测时间槽t的daily和weekly特征。将这三种特征拼接起来，输入到first input layer中。区域的经纬度信息输入到second input layer中， 直接和fully connected layer相连。
输入的短期特征是预测时间t前n个小时的特征，n=4.输入的周期特征是预测时间t昨天和上周该时间段前后3个小时的特征。所以输入的特征维度为$(n+2n_d+2n_w+2,6)$。对于一个区域预测时间t的risk level，需要输入的数据是$(n+2n_d+2n_w+2,6)$

traffic-accident/1.png

整体架构

traffic-accident/1.png

总结

  • 使用到的数据集是北京：traffic accident，traffic flow，weather，holiday，air quality数据
  • 分三种时间模式，recent，daily，weekly，直接concatenate输入到LSTM中。并且把region的经纬度输入到全连接中，相当于位置embedding。
  • 没有考虑不同区域之间的关系
  • 想法：（1）回归问题，预测区域的risk level，但是是一个区域还是所有区域，没有想好（2）考虑recent，daily，weekly，使用Attention机制计算三种之间的重要性.（3）对区域进行embedding，（4）考虑不同区域之间的关系.

1.4. A Deep Learning Approach to the Citywide Traffic Accident Risk Prediction(2018IEEE-ITSC)

论文地址：
A Deep Learning Approach to the Citywide Traffic
Accident Risk Prediction

这篇论文是上篇论文的修改版本。
和上文的改进之处是加入了很多图表对现象进行解释。解释了为什么预测traffic accident分类比回归要难的原因。
这里只使用了北京Traffic accident数据，没有使用其他外部数据。
在给定时间t，计算所有区域的空间相关性，然后再计算时空相关性。 计算下面2个公式，主要是为了说明traffic accident具有day周期性。所以在本论文中一个time slot=24h。计算一个区域每天的traffic accident发生的频率作为risk。

traffic-accident/1.png

traffic-accident/1.png

traffic-accident/1.png

输入序列长度为100，输入每个区域100h的traffic accident frequency，输出是每个区域未来3天的mean frequency，使用所有的区域样本进行训练。测试时，输入是所有区域100h的traffic accident frequency，输出所有区域未来3天的平均frequency。

traffic-accident/1.png

总结：

  • 只使用了traffic accident数据，没有使用traffic flow，weather，road network等外部信息
  • 没有考虑空间信息
打赏
0%