基于LSTM-BF的高速公路交通事故风险模型

doi:10.16265/j.cnki.issn1003-3033.2022.05.1602

中国安全科学学报 ›› 2022, Vol. 32 ›› Issue (5): 170-176.doi: 10.16265/j.cnki.issn1003-3033.2022.05.1602

基于LSTM-BF的高速公路交通事故风险模型

熊晓夏¹(), 刘擎超²^,^**(), 沈钰杰², 蔡英凤², 陈龙²

¹ 江苏大学汽车与交通工程学院,江苏镇江 212013
² 江苏大学汽车工程研究院,江苏镇江 212013

收稿日期:2021-12-12 修回日期:2022-03-15 出版日期:2022-05-28
通讯作者:
**刘擎超(1987—),男,江苏盐城人,博士,副教授,主要从事智能交通安全协同控制方面的研究。E-mail: lqc@ujs.edu.cn。
作者简介:
熊晓夏 (1987—),女,江西南昌人,博士,讲师,主要从事道路交通安全、车辆主动安全辅助驾驶等方面的研究。E-mail: x_xiong623@163.com。
沈钰杰, 副教授
蔡英凤, 教授
陈龙, 教授
基金资助:
国家自然科学基金青年基金资助(52002154); 国家自然科学基金区域创新发展联合基金资助(U20A20331); 江苏省交通运输科技与成果转化项目(2021G05)

Study on risk model of highway traffic accidents based on LSTM-BF

XIONG Xiaoxia¹(), LIU Qingchao²^,^**(), SHEN Yujie², CAI Yingfeng², CHEN Long²

¹ School of Automotive and Traffic Engineering, Jiangsu University, Zhenjiang Jiangsu 212013, China
² Automotive Engineering Research Institute, Jiangsu University, Zhenjiang Jiangsu 212013, China

Received:2021-12-12 Revised:2022-03-15 Published:2022-05-28

摘要/Abstract

摘要：

为减少高速公路交通事故的发生,综合利用长短期记忆神经网络(LSTM)和贝叶斯滤波(BF)研究高速公路交通事故风险状态预测模型,首先,通过LSTM模块学习历史交通流风险数据中存在的时间依赖关系;然后,通过BF模块融合LSTM预测结果提高实时风险预测效果;最后,利用宁波绕城高速2020年交通事故和沿线卡口数据,基于事故发生前20 min内上下游卡口间的时空范围,采用移动时间窗形式构建多步特征变量,并进行五折交叉验证。结果表明:相比随机森林(RF)算法,LSTM模型具有更高的精确率和召回率;在LSTM模型基础上,增加贝叶斯滤波BF模块可使最终风险预测结果F₁值达到0.80水平。

关键词: 长短期记忆(LSTM), 贝叶斯滤波(BF), 高速公路, 交通事故, 风险预测, 交通流

Abstract:

In order to reduce highway traffic accidents, a traffic risk state prediction model was studied by using LSTM neural network and BF. Firstly, time dependency existing in historical traffic flow risk data was studied through LSTM module. Then, real-time risk prediction performance was improved by BF module integrating LSTM prediction results. Finally, with accident data and traffic flow data of Ningbo roundabout in 2020 as an example, multi-step feature variables were constructed in the form of migration time window based on spatio-temporal data between upper and lower port stations within 20 min prior to accidents, and 5-fold cross-validation was carried out. The results show that the precision and recall rate of LSTM model are higher than that of random forest (RF) algorithm, and F₁ score of the final prediction result is close to 0.80 by adding BF module.

Key words: short and long term memory (LSTM), bayesian filter (BF), highway, traffic accident, risk prediction, traffic flow

熊晓夏, 刘擎超, 沈钰杰, 蔡英凤, 陈龙. 基于LSTM-BF的高速公路交通事故风险模型[J]. 中国安全科学学报, 2022, 32(5): 170-176.

XIONG Xiaoxia, LIU Qingchao, SHEN Yujie, CAI Yingfeng, CHEN Long. Study on risk model of highway traffic accidents based on LSTM-BF[J]. China Safety Science Journal, 2022, 32(5): 170-176.

图/表 9

图1

表1

图2

图3

表2

图4

表3

图5

图6

参考文献 18

[1]	黄西子, 黄淑萍. 高速道路追尾感知PC-Crash仿真与统计建模[J]. 中国安全科学学报, 2020, 30(5):143-148. doi: 10.16265/j.cnki.issn1003-3033.2020.05.022
	HUANG Xizi, HUANG Shuping. Freeway rear-end perception model based on PC-Crash simulation and statistical analysis[J]. China Safety Science Journal, 2020, 30(5):143-148. doi: 10.16265/j.cnki.issn1003-3033.2020.05.022
[2]	HOSSAIN M, MUROMACHI Y. A Bayesian network based framework for real-time crash prediction on the basic freeway segments of urban expressways[J]. Accident Analysis Prevention, 2012, 45: 373-381. doi: 10.1016/j.aap.2011.08.004
[3]	SUN Jie, SUN Jian. A dynamic Bayesian network model for real-time crash prediction using traffic speed conditions data[J]. Transportation Research Part C, 2015, 54:176-186. doi: 10.1016/j.trc.2015.03.006
[4]	ZHAI Ben, LU Jiantao, WANG Yanli, et al. Real-time prediction of crash risk on freeways under fog conditions[J]. International Journal of Transportation Science and Technology, 2020, 9(4):287-298. doi: 10.1016/j.ijtst.2020.02.001
[5]	LYU Yisheng, TANG Shuning, ZHAO Hongxia. Real-Time Highway traffic accident prediction based on the k-nearest neighbor method[C]. International Conference on Measuring Technology & Mechatronics Automation, 2009: 547-550.
[6]	WEN Huiying, LUO Jun, CHEN Xiaolong, et al. Real-time highway accident prediction based on grey relation entropy analysis and probabilistic neural network[C]. 2011 International Conference on Electric Technology and Civil Engineering, 2011: 1420-1423.
[7]	张军, 胡震波, 朱新山. 基于 AdaBoost 分类器的实时交通事故预测[J]. 计算机应用, 2017, 37(1): 284-288. doi: 10.11772/j.issn.1001-9081.2017.01.0284
	ZHANG Jun, HU Zhenbo, ZHU Xinshan. Real-time traffic accident prediction based on AdaBoost classifier[J]. Journal of Computer Applications, 2017, 37(1): 284-288. doi: 10.11772/j.issn.1001-9081.2017.01.0284
[8]	付存勇, 王俊骅. 基于监控数据的高速公路实时事故风险模型[J]. 交通信息与安全, 2017, 35(5):11-17.
	FU Cunyong, WANG Junhua. A rea-time accident risk model on freeways based on monitoring data[J]. Journal of Transport Information and Safety, 2017, 35(5):11-17.
[9]	QU Xu, WANG Wei, WANG Wenfu, et al. Real-time rear-end crash potential prediction on freeways[J]. Journal of Central South University, 2017, 24(11):2664-2673. doi: 10.1007/s11771-017-3679-2
[10]	YANG Kui, ZHAO Wenjing, ANTONIOU C. Utilizing import vector machines to identify dangerous pro-active traffic conditions[C]. IEEE 23^rd International Conference on Intelligent Transportation Systems, 2020:1-6.
[11]	CHEN Quanjun, SONG Xuan, YAMADA H. Learning deep representation from big and heterogeneous data for traffic accident inference[C]. 30^th AAAI Conference on Artificial Intelligence, 2016:338-344.
[12]	SAMEEN M, PRADHAN B. Severity prediction of traffic accidents with recurrent neural networks[J]. Applied Sciences, 2017, 7(6): DOI: 10.3390/app7060476. doi: 10.3390/app7060476
[13]	YU Le, DU Bowen, HU Xiao, et al. Deep spatio-temporal graph convolutional network for traffic accident prediction[J]. Neurocomputing, 2021, 423:135-147. doi: 10.1016/j.neucom.2020.09.043
[14]	ZHENG Haifeng, LIN Feng, FENG Xinxin, et al. A hybrid deep learning model with attention-based conv-lstm networks for short-term traffic flow prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 22(11):6910-6920. doi: 10.1109/TITS.2020.2997352
[15]	戴健非, 杨鹏, 诸利一, 等. 集成PCA和LSTM神经网络的浸润线预测方法[J]. 中国安全科学学报, 2020, 30(3): 94-101. doi: 10.16265/j.cnki.issn1003-3033.2020.03.015
	DAI Jianfei, YANG Peng, ZHU Liyi, et al. A PCA-LSTM neural network-integrated method for phreatic line prediction[J]. China Safety Science Journal, 2020, 30(3): 94-101. doi: 10.16265/j.cnki.issn1003-3033.2020.03.015
[16]	AOUDE G S, DESARAJU V R, STEPHENS L H, et al. Behavior classification algorithms at intersections and validation using naturalistic data[J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(2):724-736. doi: 10.1109/TITS.2011.2179537
[17]	李振明, 牛毅, 樊运晓, 等. 不同区域高速公路货车事故特征研究[J]. 中国安全科学学报, 2020, 30(6): 121-127. doi: 10.16265/j.cnki.issn1003-3033.2020.06.018
	LI Zhenming, NIU Yi, FAN Yunxiao, et al. Research on characteristics of expressway truck accidents in different regions[J]. China Safety Science Journal, 2020, 30(6): 121-127. doi: 10.16265/j.cnki.issn1003-3033.2020.06.018
[18]	ARIANNEZHAD A, KARIMPOUR A, QIN Xiao, et al. Handling imbalanced data for real-time crash prediction: application of boosting and sampling techniques[J]. Journal of Transportation Engineering, Part A: Systems, 2021, 147(3): DOI: 10.1061/JTEPBS.0000499. doi: 10.1061/JTEPBS.0000499

路段		上游路段				下游路段			事故数(2020-07-02— 2020-11-10)
路段		上游车道数		上游卡口日平均交通量		下游车道数		下游卡口日平均交通量	事故数(2020-07-02— 2020-11-10)
K0+900九向-K8+200九向		3		22 739		3		24 861	7.30	30
K1+600姜向-K82+375姜向		3		25 806		3		28 385	4.73	48
K10+100姜向-K1+600姜向	3		23459		3		25806		8.50	47
K11+400姜向-K10+100姜向	2		20 029		3		23 459		1.30	5
K79+420九向-K82+500九向	4		47 062		4		31 749		3.10	11
K8+200九向-K11+400九向	3		24 861		2		19 047		3.20	16
K82+500九向-K0+900九向	4		31 749		3		22 739		3.90	26
总计	—									183

变量名	变量描述
Vol_up	5 min内上游卡口流量/veh
Vol_down	5 min内下游卡口流量/veh
Diff_Lane_Flow_up	5 min内上游卡口第1和第2车道流量差/veh
Diff_Lane_Flow_down	5 min内下游卡口第1和第2车道流量差/veh
Len_up_down	上下游卡口的距离/km
Lane_Num_up	上游卡口车道数
Lane_Num_down	下游卡口车道数
Dens_Road_up	上游卡口交通流平均密度/(veh·km^-1)
Dens_Road_down	下游卡口交通流平均密度/(veh·km^-1)
Dens_Lane_up	上游卡口车道平均流量/veh
Dens_Lane_down	下游卡口车道平均流量/veh
Largeveh_Ratio_up	上游卡口大型/小型车流量比
Largeveh_Ratio_down	下游卡口大型/小型车流量比
Time of Day	一天中的时间(日时间)
Day of Week	一周中的时间(周时间)

Fold编号	事故样本	非事故样本	样本比
Fold1	170	170	1∶1
Fold2	170	170	1∶1
Fold3	170	170	1∶1
Fold4	170	170	1∶1
Fold5	175	175	1∶1
合计	855	855	1∶1

基于LSTM-BF的高速公路交通事故风险模型

Study on risk model of highway traffic accidents based on LSTM-BF

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

[1]	胡立伟, 贺雨, 侯智, 张瑞杰, 陈琛, 刘冰. 山区高速公路交通事故风险多维度耦合研究[J]. 中国安全科学学报, 2024, 34(5): 17-27.
[2]	张韡, 高晗昊, 唐鑫琦, 徐坤淼. 基于随机参数logit的山区高速公路事故严重程度研究[J]. 中国安全科学学报, 2024, 34(4): 101-110.
[3]	王卓伦, 林岩. 中国网约车服务对道路交通事故的影响研究[J]. 中国安全科学学报, 2024, 34(2): 209-216.
[4]	温惠英, 黄坤火, 赵胜. 基于机器学习的高速公路大型货车追尾风险预测[J]. 中国安全科学学报, 2023, 33(9): 173-180.
[5]	刘丹, 王瑞虎, 吕伟, 秦岭, 林水春. 基于IPSO-LSTM的新能源汽车锂电池健康状态监测[J]. 中国安全科学学报, 2023, 33(9): 94-102.
[6]	吴安坤, 吴仕军, 丁旻, 张弛, 张淑霞. 基于LSTM循环神经网络的雷电潜势预测[J]. 中国安全科学学报, 2023, 33(8): 117-124.
[7]	郑号染, 杜志刚, 王首硕, 文竞舟, 焦方通. 基于线性诱导的高速公路隧道交通安全优化设计[J]. 中国安全科学学报, 2023, 33(8): 134-141.
[8]	刘星良, 谢厅, 刘唐志, 尚婷, 王建. 基于HNAC-FD的高速公路网应急疏导措施效用评估[J]. 中国安全科学学报, 2023, 33(7): 222-229.
[9]	张俊, 江凡, 彭德猛, 寇子卿. 雨天环境下的交通流影响研究[J]. 中国安全科学学报, 2023, 33(5): 134-143.
[10]	张驰, 王博, 陈星光, 任士鹏, 翟艺阳. 基于风险场的高速公路高风险区域甄别方法[J]. 中国安全科学学报, 2023, 33(5): 144-151.
[11]	陈娇娜, 靳引利, 陶伟俊, 李道峰. 基于文本信息的高速公路事故持续时间中介效应研究[J]. 中国安全科学学报, 2023, 33(4): 155-162.
[12]	付姗姗, 张悦, 席永涛, 翁金贤. 多因素耦合下长江口水域交通事故致因链分析[J]. 中国安全科学学报, 2023, 33(3): 60-67.
[13]	孟祥海, 由冰玉, 邱志雄, 李之啸, 张明扬. 基于事故修正系数的山区高速公路事故预测模型[J]. 中国安全科学学报, 2023, 33(1): 10-17.
[14]	戴秉佑, 杨文臣, 戢晓峰, 周林义, 房锐. 冬季高速公路逐时路表温度LSTM预测模型[J]. 中国安全科学学报, 2023, 33(1): 136-144.
[15]	王付鹏, 王红, 吴景安, 朱顺应, 蒋若曦, 赵龙. 安全与效率协同的高速公路改扩建时机决策[J]. 中国安全科学学报, 2023, 33(1): 152-160.