基于時空圖卷積網(wǎng)絡(luò)的交通事故風險預(yù)測研究

王慶榮，魏怡萌，朱昌鋒，田可可

（1.蘭州交通大學 電子與信息工程學院，蘭州 730070；2.蘭州交通大學 交通運輸學院，蘭州 730070）

0 概述

隨著科技和社會的發(fā)展與進步，車輛和道路在增加，交通事故發(fā)生的頻率也在不斷增加，人們的生命和財產(chǎn)受到嚴重威脅［1］。預(yù)測交通是一項具有挑戰(zhàn)性的任務(wù)，雖然日常通勤是相對可預(yù)測的，但在節(jié)假日、休閑活動、惡劣天氣等情況下的交通出行均具有很強的隨機性，較難預(yù)測。目前，通過交通大數(shù)據(jù)預(yù)測交通事故風險成為研究熱點，如果能準確預(yù)測交通事故，并根據(jù)預(yù)測結(jié)果對交通事故的發(fā)生進行重新規(guī)劃，那么將提高城市交通效率，減少交通事故的發(fā)生導致的城市、個人經(jīng)濟損失，同時也能保障人們的人身安全。

目前，研究人員對交通事故預(yù)測方面的研究可以分為兩大類。第一類是傳統(tǒng)預(yù)測方法，比如統(tǒng)計回歸法、灰色預(yù)測法等。傳統(tǒng)回歸法常用于短期數(shù)據(jù)變化的預(yù)測，但對于隨機性較大、干擾因素較多的交通數(shù)據(jù)來說，其預(yù)測的結(jié)果比較片面，可靠性難以得到保障。灰色預(yù)測法適用于樣本數(shù)量較少的預(yù)測，其模型簡單，對中短期預(yù)測有較好的預(yù)測結(jié)果，但對于中長期的預(yù)測仍有不足。第二類是神經(jīng)網(wǎng)絡(luò)預(yù)測法，該方法的自主學習能力較好，非線性映射和高魯棒性也較強，在交通預(yù)測領(lǐng)域的應(yīng)用前景較廣泛。雖然現(xiàn)有對交通事故的預(yù)測研究已有較好的成果，但交通事故的發(fā)生受很多復(fù)雜因素影響，如駕駛員的行為等不可控因素給交通事故的預(yù)測增加了很多困難，交通事故的復(fù)雜機制依舊不太明確。

經(jīng)典的機器學習技術(shù)大多將交通事故的預(yù)測看作分類問題，目的是預(yù)測下個時段是否會發(fā)生交通事故，未考慮相關(guān)復(fù)雜因素的影響，因此預(yù)測結(jié)果相對較差。文獻［2］使用邏輯回歸方法對美國4 號洲際公里的交通事故進行預(yù)測，文獻［3］提出連續(xù)的非凸優(yōu)化的k-means 算法，通過一個等效模型，利用矩陣優(yōu)化理論分析和解決交通預(yù)測模型問題。文獻［4］通過動態(tài)預(yù)測模型建立基于馬爾可夫鏈和云模型預(yù)測道路交通事故的數(shù)量。文獻［5］提出使用多層感知器模型預(yù)測事故熱點地區(qū)的事故情況。文獻［6］提出基于反向傳播（Back Propagotion，BP）神經(jīng)網(wǎng)絡(luò)的高速公路事故預(yù)測，但BP 神經(jīng)網(wǎng)絡(luò)的缺點是易陷入局部最小點，收斂速度較慢，訓練時間也較長。文獻［7］提出一個組合預(yù)測優(yōu)化模型預(yù)測交通事故，以提高預(yù)測精度，但在如何更好地結(jié)合單一模型方面還有待提高。文獻［8］提出灰色BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測發(fā)生交通事故后的車型分擔率，并結(jié)合BP 神經(jīng)網(wǎng)絡(luò)模型和灰色預(yù)測模型進行優(yōu)勢互補，相比單純的BP 神經(jīng)網(wǎng)絡(luò)有較高的預(yù)測精度和穩(wěn)定性。文獻［9］建立了基于改進深度森林算法的交通事故風險狀態(tài)等級預(yù)測模型，通過對比傳統(tǒng)預(yù)測模型驗證該模型的優(yōu)勢。文獻［10］通過引入交通風險概念，建立一個堆疊自編碼器模型，研究在城市道路中過往人流量的變化對交通事故風險的影響。文獻［11］對長短期記憶（Long Short-Term Memory，LSTM）模型進行改進后提出雙尺度LSTM 模型，用以預(yù)測交通事故，并得到了很好的效果，但混合模型的訓練時間較長，且未考慮復(fù)雜的天氣、路況等影響因素。

文獻［12］提出一種新的堆棧去噪卷積自動編碼模型用于預(yù)測城市交通事故風險，并使用空間依賴性學習事故中的隱藏因素，實驗表明該模型的性能優(yōu)越，但該模型未考慮天氣因素的影響。文獻［13］提出一種基于時空注意力網(wǎng)絡(luò)的區(qū)域交通事故風險預(yù)測深度學習框架，并綜合影響交通事故的外部因素，提高了模型的預(yù)測性能。文獻［14］提出基于卷積神經(jīng)網(wǎng)絡(luò)的車邊緣網(wǎng)絡(luò)，用于交通事故風險預(yù)測，經(jīng)過實驗對比發(fā)現(xiàn)，該網(wǎng)絡(luò)的精度較傳統(tǒng)機器學習網(wǎng)絡(luò)較高。文獻［15］提出基于路網(wǎng)結(jié)構(gòu)預(yù)測短期城市交通事故，采用多層圖卷積神經(jīng)網(wǎng)絡(luò)和雙鏈LSTM 構(gòu)建預(yù)測模型，發(fā)現(xiàn)時空特征屬性對最終的預(yù)測結(jié)果影響較大，但該模型存在多源數(shù)據(jù)和因子分析缺乏的問題。

綜上可知，目前交通事故風險預(yù)測的研究主要存在以下幾點問題：一是未考慮在實際場景下，發(fā)生交通事故的多源外部影響因素，如車流量、路況、天氣、興趣點（POI）等；二是未考慮時空特征對交通事故產(chǎn)生的影響；三是現(xiàn)有研究大部分是對交通事故量預(yù)測的研究，在交通事故風險預(yù)測方面的研究較少。

本文采用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建基于時空特征的交通事故風險預(yù)測模型，在考慮時間依賴、空間依賴、時空依賴的情況下，在模型中使用改進的時空圖卷積網(wǎng)絡(luò)（Improved Spatio-Temporal Graph Convolutional Network，ISTGCN），通過添加批標準化（Batch Normalization，BN）層解決梯度消失爆炸問題，并采用均方誤差（Mean Squared Error，MSE）損失函數(shù)，解決樣本零膨脹問題。

1 圖卷積網(wǎng)絡(luò)

圖卷積網(wǎng)絡(luò)（Graph Convolutional Network，GCN）［16］和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）均可以作為特征提取器，但GCN 的對象是圖數(shù)據(jù)，其先從圖數(shù)據(jù)中提取相關(guān)特征，然后用這些特征對圖數(shù)據(jù)進行結(jié)點分類、圖分類、邊預(yù)測等。一個圖的結(jié)構(gòu)如式（1）所示：

2 ISTGCN 模型

2.1 時空圖卷積網(wǎng)絡(luò)的結(jié)構(gòu)

時空圖卷積網(wǎng)絡(luò)（Spatic-Temporal Graph Convolutional Network，STGCN）在交通中的應(yīng)用最開始用于交通事故預(yù)測，后來逐漸被學者應(yīng)用于交通流［17］的預(yù)測。由于交通流和交通事故均在一定的空間和時間背景下發(fā)生，因此均會受到時空特性相關(guān)復(fù)雜因素的影響，且交通事故相比于交通流受時空特性的影響更大，且交通流也是交通事故的一個影響因素。本文將STGCN 網(wǎng)絡(luò)用于交通事故預(yù)測中，并驗證其預(yù)測性能。

STGCN 網(wǎng)絡(luò)的輸入是N×C×V×T，先通過尺寸為1×1 的2d 卷積層輸出N×(C×K)×V×T，再與鄰接矩陣A(K×V×V)相乘，這里K表示子集的個數(shù)，得到空間卷積N×C×T×V，最后通過一個定義的時間長度n_t×1，2d 卷積層進行時間維度的卷積。其中：N為個數(shù)；C為通道數(shù)，即特征維度；V為頂點個數(shù)；T為時間維度。STGCN 網(wǎng)絡(luò)的結(jié)構(gòu)如圖1 所示。

圖1 STGCN 網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.1 Structure of STGCN network

交通事故的致因主要分為空間相關(guān)性、時間相關(guān)性和時空相關(guān)性三大類，本文對每類因素的不同特征采取不同的網(wǎng)絡(luò)結(jié)構(gòu)，依次進行特征提取，并將處理后的相關(guān)數(shù)據(jù)放入本文模型中進行訓練。

2.2 ISTGCN 模型框架

ISTGCN 模型由2 個時空卷積模塊和1 個全連接層組成，時空卷積塊的每個模塊有2 個時間門控序列卷積層和中間1 個空間卷積模塊，如圖2 所示為本文模型的結(jié)構(gòu)。首先使用GCN 網(wǎng)絡(luò)提取相關(guān)特征的空間屬性，然后使用門控線性單元（Gated Linear Units，GLU）來建模事故的相關(guān)時間依賴，最后通過時空卷積模塊，并利用圖形和卷積捕捉時空特征的相關(guān)動態(tài)變化。此外，以構(gòu)造好的時空相關(guān)屬性的圖信號權(quán)重矩陣作為輸入，通過時空卷積模塊的時空相關(guān)性預(yù)測模塊，并將前3 個模塊的輸出進行加權(quán)融合，輸出最終的預(yù)測值。

圖2 ISTGCN 模型結(jié)構(gòu)Fig.2 Structure of ISTGCN model

空間卷積層由圖形卷積組成，該卷積將路段及其鄰域的空間信息聚合在一起。時間卷積層在圖形卷積操作上捕獲時間維度的標準卷積層，并通過合并連續(xù)時隙中的有效信息以更新各個節(jié)點的有效信號。使用空間圖形卷積捕獲空間相關(guān)屬性，利用時間門控卷積捕獲時間相關(guān)屬性，并采用時空卷積塊融合空間域和時間域的特征。

為解決梯度爆炸問題，本文在模型中加入BN層，并采用MSE 損失函數(shù)，在計算損失時，對交通事故風險較大的樣本給予較大的權(quán)重，避免模型預(yù)測結(jié)果聚集在0 附近。

2.2.1 空間卷積模塊

在一般情況下，用圖形結(jié)構(gòu)表示交通網(wǎng)絡(luò)，用數(shù)學公式表示路網(wǎng)。以往的研究忽略了交通網(wǎng)絡(luò)的空間屬性，交通網(wǎng)絡(luò)常被分為多個分段或網(wǎng)絡(luò)，導致網(wǎng)絡(luò)的連通性和整體性被破壞。本文模型將直接在圖形結(jié)構(gòu)數(shù)據(jù)上使用圖形卷積，用來提取空間域中有意義的特征，并計算圖卷積中的核Θ。由于圖傅里葉基數(shù)［18］運算代價較高，因此采用切比雪夫多項式［19］逼近策略來克服該問題。

選擇幾個空間卷積空間段組成空間分量，選用相應(yīng)的表示形式，并通過全連接（Fully Connected FC）層略微減小空間特征。然后，將特征輸入到堆疊的空間卷積塊中，一個空間卷積塊由幾個空間卷積層組成，聚集了路段與領(lǐng)域的空間信息，通過在該空間卷積層中加入BN 層來增加模型初始化的健壯性，提升訓練速度與分類效果。BN 層對于初始化的要求不高，所以可以使用較大的學習率進行訓練，假設(shè)第1 層的輸入和輸出分別為H(L)∈RN×F和H(l+1)∈RN×F，則空間卷積層的計算式如式（4）所示：

其中：BN 是標準歸一化；ReLU 為激活函數(shù)；H是可訓練參數(shù)。

2.2.2 時間卷積模塊

通過門控線性單元（Gated Linear Unit，GLU）提取時間相關(guān)屬性，相比LSTM 來說，GLU 模型更加簡單，收斂速度更快，需要的op（Operation）更少，這樣一來，模型所需非線性的操作也就更少，因此能夠有效降低梯度彌散現(xiàn)象，提高模型訓練及收斂速度。

在時間維度上采用一維因果卷積對數(shù)據(jù)進行并行處理，采用GLU 實現(xiàn)時間維度上的卷積操作，在每個節(jié)點上使用GLU 捕獲時間上的依賴關(guān)系。首先在CNN 的卷積層中引入門控線性單元機制，使卷積層的輸出變成式（5）所示，表示一個沒有非線性函數(shù)的卷積層輸出，再通過Relu 非線性激活函數(shù)的卷積層輸出，表達式如式（5）所示：

其中：X是層hl的輸入，即前一層的輸出；Q和V 表示不同的卷積核；n表示輸出通道數(shù)；b和c為偏置參數(shù)。式（5）后半部分含激活函數(shù)的卷積，即門控機制，其控制了X*Q+b當中的哪些有效信息可以傳去下一層，然后將該模型進行堆疊以便獲取時間相關(guān)屬性。在獲取空間維度上各個節(jié)點的相鄰信息時，采用基于圖形卷積操作上的時間卷積層，通過合并連續(xù)時隙中的信息來更新節(jié)點信息。

時間特征可以反映每個路段的歷史交通狀況，第1 個時間卷積層的第vi路況的輸入信號為，輸入信號的第j通道的計算式如式（6）所示：

2.2.3 時空卷積模塊

本文構(gòu)造了時空卷積塊（Spatio-Temporal Convolutional Block，ST-Conv）以聯(lián)合處理圖結(jié)構(gòu)時間序列，融合時空域的特征。ST-Conv 利用圖形和卷積捕捉空間和時間相關(guān)特征屬性的動態(tài)變化，時空卷積模塊可以根據(jù)特定情況的規(guī)模和復(fù)雜性進行堆疊和擴展。一個空間卷積塊由2 個時間卷積核和1 個空間層組成，空間卷積層是連接2 個時間卷積層的橋梁，通過時間卷積層可以實現(xiàn)圖卷積到時間卷積的快速時空傳播［20］。

將GCN 網(wǎng)絡(luò)與加入CNN 的門控線性單元GLU組合成ST-Conv，把輸入的數(shù)據(jù)先做時間維度的卷積，將時間維度卷積的輸出結(jié)果再做圖卷積操作，圖卷積的輸出結(jié)果經(jīng)過1 個Relu 之后再進行1 個時間維度卷積，以上即為整個ST-Conv 的輸出。

此外，本文使用Relu 激活函數(shù)，在疊加2 個ST-Conv 之后增加1 個額外的時域卷積層，并和1 個全連通層共同作為輸出層，以防止過擬合，ST-Conv的輸入和輸出都是3D 的張量。

2.2.4 融合預(yù)測模塊

堆疊2 個時空卷積模塊及1 個時間卷積模塊的輸出后，通過拼接操作將空間、時間、時空以及外部信息融合在一起，形成一個融合的表示，將融合后的表示輸入，得到輸出層，并使用式（7）進行融合：

其中：*表示卷積操作；W1，W2，W3為卷積核參數(shù)；Y1，Y2，Y3為3 個模塊的輸出；FC 為全連接層，輸出結(jié)果Y∈RI×J是下一個階段發(fā)生交通事故的風險。

在交通大數(shù)據(jù)中，交通事故數(shù)據(jù)與交通流數(shù)據(jù)存在較大差別，例如交通事故樣本中會出現(xiàn)“零值”，代表傷害程度最低等級，比如未受傷。研究結(jié)果表明，當事故樣本中含有大量的零值時，容易導致各影響因素對“零值”的邊際概率被高估，若忽略這種零膨脹現(xiàn)象，將導致有偏估計，從而導致錯誤的結(jié)論［21］。因此，本文采用MSE 損失函數(shù)解決數(shù)據(jù)零膨脹問題，在計算損失時給予事故風險樣本較大的權(quán)重值，以避免預(yù)測值在0 附近。本文將事故風險分為3個等級（輕度、中度和重度），對應(yīng)的風險值i分別為1、2、3，計算式如式（8）所示：

其中：Y表示真實值；Y'表示預(yù)測值；λi代表權(quán)重值（事故風險等級為i的樣本權(quán)重）。

本文模型的流程如圖3 所示。

圖3 本文模型的流程Fig.3 Procedure of model in this paper

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)來源與分析

選用Kaggle 上的2005～2018 年英國道路安全交通事故和車輛公開數(shù)據(jù)集，該數(shù)據(jù)集是實時收集的，使用了多個流量應(yīng)用程序編程接口（Application Programming Interface，API）。這些API 廣播各種實體捕捉到的交通事件，比如英國和國家運輸部門、執(zhí)法機構(gòu)、交通攝像頭以及道路網(wǎng)絡(luò)內(nèi)的交通傳感器，目前該數(shù)據(jù)集大約包含120 000 起事故記錄。本文選取了2005～2018 年期間部分事故數(shù)據(jù)進行驗證，并從2018 年1 月到2018 年12 月的全英國事故中，挑出部分事故嚴重的時間段進行了可視化，統(tǒng)計分析圖如圖4 所示。

圖4 不同時間下的交通事故量Fig.4 Traffic accidents at different time

本文收集的數(shù)據(jù)集均是英國的交通事故量、交通流量、天氣數(shù)據(jù)，此數(shù)據(jù)集一共包含32 條屬性，包括事故記錄ID、嚴重程度、開始時間、結(jié)束時間、溫度、經(jīng)緯度、風向等。所選取數(shù)據(jù)的具體分類如下：

1）交通事故。該數(shù)據(jù)包含了2005～2018 年期間所有記錄的交通事故。除了街道相關(guān)信息、時間、地點等一些基本信息外，該數(shù)據(jù)集還包括撞車的原因。本文把數(shù)據(jù)集按事故嚴重程度等級劃分為1，2，3，數(shù)值越小，表示事故越嚴重，該數(shù)據(jù)集不同風險等級下的交通事故量統(tǒng)計如圖5 所示。

圖5 不同風險等級下的交通事故量Fig.5 Traffic accidents quantity under different risk levels

2）交通流量數(shù)據(jù)。由相關(guān)識別設(shè)備檢測到的行車記錄計算而來，行車記錄包括設(shè)備ID、車牌號、車輛過車時間、方向、車道號5 個屬性，正常路段車速對交通事故的影響如圖6 所示。

圖6 交通事故量與速度的關(guān)系Fig.6 Relationship between traffic accidents volume and speed

3）天氣數(shù)據(jù)。本文采集的天氣數(shù)據(jù)來自英國天氣數(shù)據(jù)中心，數(shù)據(jù)屬性有時間、天氣、經(jīng)緯度、能見度、濕度、溫度、風向等。天氣狀況對交通事故的影響如圖7 所示。對天氣狀況進行標簽化，將天氣條件惡劣程度等級劃分為-1～9，數(shù)值越小，表示天氣越惡劣。由圖7 可以看出天氣條件嚴重惡劣情況下造成的交通事故量最多。

圖7 交通事故量與天氣的關(guān)系Fig.7 Relationship between traffic accidents volume and weather

4）POI 數(shù)據(jù)，POI 數(shù)據(jù)也來自英國公共數(shù)據(jù)中心，包含學校、購物中心等的POI 坐標。

3.2 數(shù)據(jù)預(yù)處理

對收集到的數(shù)據(jù)進行去除冗余值、補全缺失值等預(yù)處理操作之后，將其轉(zhuǎn)化為權(quán)重矩陣的形式，并作為模型空間預(yù)測單元的輸入。數(shù)據(jù)對象每一個屬性權(quán)重都是該權(quán)重占所有權(quán)重的比例，定義一個二元空間對稱矩陣H，以此來表達n個節(jié)點位置區(qū)域的相鄰關(guān)系，如式（9）所示：

其中：wi j指的是第i行數(shù)據(jù)對象的第j個屬性占所有屬性的比例。

圖8 為構(gòu)造圖形結(jié)構(gòu)［22］的數(shù)據(jù)權(quán)重矩陣，數(shù)據(jù)點vt為一個圖形信號，該圖形信號定義在無向圖G=(vt，ε，w)上，其權(quán)重為圖8 的wi j，vt是一組有向的頂點，對應(yīng)于交通道路網(wǎng)絡(luò)中監(jiān)測站的觀測值，ε表示站與站之間連通的一組邊。

圖8 圖形結(jié)構(gòu)的數(shù)據(jù)權(quán)重矩陣Fig.8 Data weight matrix of the graph structure

3.3 評價指標

本文使用平均相對誤差（Mean Relative Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）、召回率（Recall）等評價指標評估預(yù)測模型，相關(guān)計算式如下所示：

其中：y(t)為t時刻交通事故的實測值；(t)為預(yù)測值；N為樣本個數(shù)；TTP表示實則為正類且預(yù)測為正類的樣本數(shù)目；FFN表示實則為正類且預(yù)測為負類的樣本數(shù)目。

3.4 結(jié)果分析

本文實驗在Python3.6 和TensorFlow1.9 的環(huán)境下進行，將所選用數(shù)據(jù)集的交通流量、交通事故量、外部特征屬性作為訓練輸入，2018 年的交通流量、外部特征作為預(yù)測模型輸入，模型輸出交通事故量。在實驗中，按照時間順序以6∶2∶2 的比例劃分訓練集、驗證集、測試集?；赥ensorFlow 框架實現(xiàn)ISTGCN 模型，經(jīng)過實驗比較，使用3 層圖卷積，卷積核大小均為3；GLU 為3 層，每層隱藏單元個數(shù)為128，使用BN 層將數(shù)據(jù)歸一化。每個實驗包含7 個對比交通事故預(yù)測模型：歷史平均HA 模型（利用相同時段事故風險的平均值預(yù)測下一時段的事故風險）、基于提升樹的機器學習（XGBoot）模型［23］、多層感知機（Multilayer Perceptron，MLP）模型、門控循環(huán)單元網(wǎng)絡(luò)（Gate Linear Unit，GLU）模型［24］、基于CNN的堆疊降噪自動編碼器模型、CNN 和LSTM 相結(jié)合（ConvLSTM）模 型［25］和本文 所提出 的ISTGCN模型。

3.4.1 對比實驗分析

將本文模型和對比模型在英國真實數(shù)據(jù)集上進行預(yù)測分析，分別迭代200 次和300 次，所有對比模型均在同一數(shù)據(jù)集下進行調(diào)試，結(jié)果如表1 所示。由表1 可以看出，迭代300 次的整體預(yù)測結(jié)果比迭代200 次的好，HA、XGBoot、MLP 和GLU 模型的整體預(yù)測效果都比較差，這些模型均沒有捕獲空間特性。SDCAE 模型較HA、XGBoot、MLP 和GLU4 個模型的整體預(yù)測效果較好，但卻忽略了時間的長短期相關(guān)性。ConvLSTM 模型同時考慮了時間和空間相關(guān)屬性依賴，但卻忽略了時空特性對交通事故預(yù)測的影響，相比之下，本文ISTGCN 模型在同時考慮時間、空間、時空相關(guān)屬性依賴后，取得了較好的預(yù)測結(jié)果。

表1 不同模型的結(jié)果對比Table 1 Results comparison of different models

3.4.2 模型結(jié)構(gòu)分析

對本文ISTGCN 模型的模塊結(jié)構(gòu)進行對比分析，在去掉空間層和時空層后，對剩下結(jié)構(gòu)進行模型預(yù)測訓練。由于模型在迭代300 次時效果最好，因此本文結(jié)構(gòu)分析分別是在迭代300 次后的預(yù)測結(jié)果，預(yù)測結(jié)果如表2 所示，其中S、ST 分別代表空間層和時空層。由表2 可以看出，ISTGCN 模型的每塊結(jié)構(gòu)都有不同的作用性能，去除任一模塊結(jié)構(gòu)，得到的預(yù)測結(jié)果都很差，ISTGCN 模型采用空間層獲取空間相關(guān)屬性，使用時間層獲取時間相關(guān)屬性，利用時空卷積層捕獲時空相關(guān)特征，只有這3 種結(jié)構(gòu)相互作用，才能得到最佳性能。為驗證ITSGCN 模型性能，使用運行時間消耗這一指標進行性能分析，表3 所示為不同模塊結(jié)構(gòu)訓練時間的對比，本文模型ISTGCN 實現(xiàn)了更快的訓練速度，在去除任意結(jié)構(gòu)之后性能表現(xiàn)都不佳，只有3 種結(jié)構(gòu)彼此相互作用，才能實現(xiàn)最佳性能。

表2 本文模型結(jié)構(gòu)對預(yù)測性能的影響Table 2 Influence of structure of model in this paper on prediction performance

表3 數(shù)據(jù)集訓練時間消耗Table 3 Training time consumption of data sets 單位：s

3.4.3 激活函數(shù)分析

分別用3 種不同激活函數(shù)驗證模型性能，迭代次數(shù)選擇300 次，對比在激活函數(shù)前和激活函數(shù)后加入BN 層的變化，激活函數(shù)對模型預(yù)測性能的影響結(jié)果如表4 所示。由表4 可以看出，當激活函數(shù)為ReLU 的時候，預(yù)測性能整體較好，將BN 層加在激活函數(shù)前比加在激活函數(shù)之后效果更好，這是因為卷積層在進行BN 操作時，會把數(shù)據(jù)分布在指定的區(qū)間，當ReLU 函數(shù)再進行激活操作時，神經(jīng)元失活的概率會下降，模型性能得到較大幅度的提升。

表4 激活函數(shù)對模型預(yù)測性能的影響Table 4 Impact of activation functions on predictive performance

如果先在ReLU 函數(shù)后進行BN 操作，ReLU 函數(shù)激活后的部分神經(jīng)元已失活，參與BN 操作時的神經(jīng)元數(shù)量就會減少，模型的泛化能力降低。由表4 也可以看出ReLU 函數(shù)在BN 層前后的變化并沒有Sigmoid 和Tanh 函數(shù)變化大，這是由于BN 層在ReLU 函數(shù)前可以讓ReLU 函數(shù)更好地產(chǎn)生特征選擇作用，由于輸入值的分布更接近于零均值，此時ReLU 函數(shù)可以展現(xiàn)單側(cè)抑制作用，且不會出現(xiàn)輸入全分布在0 的一側(cè)。但如果將BN 操作放在ReLU 函數(shù)之后，在激活函數(shù)后進行歸一化能更好地保證下一層的輸入是零均值，能避免下一層連接權(quán)重的梯度同號，模型訓練效率更高，收斂更快。由表5 結(jié)果可知，將ReLU 函數(shù)放在BN 前后的差別不大，但也因不同實驗而有區(qū)別。

4 結(jié)束語

本文提出一種基于時空圖卷積的交通事故風險預(yù)測模型，以多源異構(gòu)數(shù)據(jù)作為輸入，分別基于空間卷積層、時間卷積層和時空卷積層處理不同類型的特征，并將處理后的隱含特征拼接成緊湊的表示，饋入全連接層，學習不同特征之間的相互作用，預(yù)測下一個階段的交通事故風險。在空間卷積層中加入BN 層，解決梯度爆炸問題，應(yīng)用MSE 損失函數(shù)來解決數(shù)據(jù)零膨脹問題。在英國真實數(shù)據(jù)集上的實驗結(jié)果表明，與GLU、SDCAE、ConvLSTM 模型相比，該模型的RMSE 指標分別降低3.28%、4.87%、4.19%。下一步將優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)，通過收集違章、行人、出租車等數(shù)據(jù)，訓練并優(yōu)化模型，提高模型的運行速度和預(yù)測效率。