交通事故风险预测——《TA-STAN: A Deep Spatial-Temporal Attention Learning Framework...》
一、文章信息
《TA-STAN: A Deep Spatial-Temporal Attention Learning Framework for Regional Traffic Accident Risk Prediction 》
西南交通大学2019年发表在“International Joint Conference on Neural Networks ”上的一篇文章。
二、摘要
交通事故风险的准确高效预测对于减少交通事故数量至关重要,同时也有助于解决个人旅途的安全问题。文章首先提到自己的一个研究角度不同点:基于实际的行政管理划分区域,而不是采用绝大多数研究者采用的道路网格划分。在考虑交通流这一影响因素上,文章也有所不同,是按照机动车的类型来划分交通流,而不是作为一个整体来考虑。为了考虑局部区域与全局区域对预测结果的影响,使用时空注意力网络,同时也融入了其它影响因素数据。采用的数据集是New York City,与6种Baseline进行比较,并可视化了加入注意力权重对模型结果的影响。
三、简介
文章首先指出最近和大多数在交通事故风险预测上的研究文章主要区域研究方式是基于图网格,也就是将整个城市化成一个正方形,然后通过某种特点细化网格填入静态基础数据,这种方法存在一个问题:破坏了地理的固有属性,打破了空间上固有的地理信息,同时预测结果很难匹配到原始的区域。因此文章采用纽约市出租车行政管理划分的区域进行研究,如下图所示。
同时文章考虑交通流作为主要的影响因素,因此将交通事故数据和交通流数据定义成一个数据表达。
文章的主要贡献如下:
- 考虑本级区域和全局(其它)地区对本级区域的影响。也就说,在相同的一个划分区域内,不同因素之间的影响也比较大,比如时间的流动性等;而对于其它区域,特别是交通流动性,其它区域的流动对本地区的影响也是比较大的。文章的解决方案是设计了一个时空注意力机制,包括本区域空间注意力机制、全局区域空间注意力机制和时间注意力机制。作者也提到文章是首次应用时空注意力机制的深度学习框架来研究交通事故风险预测的问题。
- 考虑环境因素的影响。设计用于辅助具有外部特征的时空注意机制进行最终预测。
- 使用真实的纽约市交通事故数据集验证模型的有效性和更优性,同时通过可视化各部分注意力权重,来说明注意力权重的实际意义。
文章再次强调首要问题:
行政区的人为划分将打破区域的整体格局,造成预测的偏差。
四、模型概述
文章介绍深度学习框架TA-STAN(一种编解码框架),主要包含三个部分:
1、空间注意力机制。也就是在编码阶段,使用两个空间注意力机制(本级区域空间和全局区域空间),来捕获交通事故与交通流之间的动态影响。
2、时间注意力机制。关联编解码阶段的时间戳。
3、外部特征提取。在解码阶段,提取如天气、时间、道路设计等可能影响交通事故发生的外部特征。
对于注意力机制的概述可以看下原文:
这里值得一提的是全局区域空间注意力机制上,文章分为两种情况:一种是具有区域及影响的,也就说不同时间流动下,区域之间存在差异;另外一种情况就是所有区域共有的特征,这是就不区分区域级别的差异了。因此这里需要计算两种全局区域空间注意力。这样做的目的文章也解释了,可以减小模型计算的高额代价。
所以从上图可以看到在空间注意力机制上有三个部分,最后只需提取三个空间输入,并将这三个输入合并为一个输入到编码器。
在时间注意力机制计算 上,关键就是将解码器的每个时间戳t’与编码器的每个时间戳t建立联系,文章为了考虑历史时刻状态对未来时间戳的影响,在计算原向量到目标向量的注意力分数时加入了解码器前一时间戳的隐藏状态值Dht’-1。
最后给出文章的结果比较:
同时文章也给出了对编解码框架中五个组件的比较和解释,加入和不加入又有什么样的性能提升,以此来验证文章原本的思路是正确的。
最后文章还结合案例数据分析结合可视化的形式,说明注意力权重的实际意义。
五、总结
总的来说文章理解起来不难,主要在两方面做了创新:一个就是不采用主流的地图网格划分的方式研究区域关系;另外一个就是针对解决不同的问题和考虑因素,引入多种注意力机制。我觉得在交通事故风险预测的研究上,这两个点子还是比较新颖的。
这里再给出该文作者的2019年硕士论文:《基于深度学习的交通事故风险预测研究与实现》-中国知网
http://cdmd.cnki.com.cn/Article/CDMD-10613-1019692801.htm
交通事故风险预测——《TA-STAN: A Deep Spatial-Temporal Attention Learning Framework...》相关推荐
- uci数据集中的缺失数据_从uci早期糖尿病风险预测数据集中创建分类器
uci数据集中的缺失数据 To begin we must first go and download the dataset from the UCI dataset repository. The ...
- Spatial As Deep: Spatial CNN for Traffic Scene Understanding论文翻译
Spatial As Deep: Spatial CNN for Traffic Scene Understanding论文翻译 Abstract摘要 Convolutional neural net ...
- 基于人工智能视觉芯的高速公路交通事故预警预测方案
2018年4月12日,由北京千方科技股份有限公司承办的"中国人工智能+交通发展论坛"在北京朗丽兹酒店隆重召开.公安部交通管理科学研究所领域首席研究员.国家工程实验室副主任姜良维发表 ...
- (SFT-GAN)18:Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform
基于深度空间特征变换的图像超分辨率真实纹理恢复 Project Website:Recovering Realistic Texture in Image Super-resolution by De ...
- 【论文解读】Spatial As Deep: Spatial CNN for Traffic Scene Understanding(车道线检测SCNN)
Spatial As Deep: Spatial CNN for Traffic Scene Understanding 原文链接:https://arxiv.org/abs/1712.06080 g ...
- CNN交通场景解析--Spatial as Deep: Spatial CNN for Traffic Scene Understanding
Spatial as Deep: Spatial CNN for Traffic Scene Understanding AAAI 2018 https://github.com/cardwing/C ...
- 中国中医药产业未来投资规划与前景风险预测报告2022-2027年版
中国中医药产业未来投资规划与前景风险预测报告2022-2027年版 第一章 中医药产业相关概述 1.1 中医药产业介绍 1.1.1 中医药的概念 1.1.2 中医药的历史 1.1.3 中医药的特征 ...
- 企业非法集资风险预测_2020CCF--企业非法集资风险预测83.35baseline
企业非法集资风险预测 竞赛 - DataFountainwww.datafountain.cn 代码地址github.com 欢迎大家开源关注我的github仓库以及该知乎专栏,该仓库用于记录和定 ...
- 风险管理中的风险预测、风险评估、风险控制
风险管理中的风险预测 风险预测又称风险估计他试图从两个方面评估一个风险风险发生的可能性或概率.如果风险发生了所产生的后果. 风险测评活动 通常,项目计划人员于管理人员,技术人员一起进行下面四步风险预测 ...
最新文章
- 北航云计算公开课 01 Introduction to Cloud Computing
- BZOJ3823 : 定情信物
- cstring查找子字符串_动态规划6:两个字符串的最长连续公共子串
- Linux安装/卸载软件教程
- python常用运维模块_python常用模块之一
- Java环境变量CLASSPATH详解
- ASP.Net学习笔记006--Get和Post的区别
- jquery ajax缓存问题解决方法小结
- 面试准备每日五题:C++(八)——重写重载隐藏、vector相关
- 径向涡轮膨胀机行业调研报告 - 市场现状分析与发展前景预测
- 2019-11-20 c语言参考手册
- 未能创建可接受的游标。
- 黑马程序员-java教程 代码笔记
- Vue学习(一)从 mvx模式 到 mvvm模式
- 4款暗藏惊喜的Windows软件,硬核又实用,满足你工作中各种需求
- Vim指令对应的英语全称
- SD,TF,SD卡檢測腳
- GreenDao 数据库 升级 保留之前数据
- 由微软裁员产生的随想
- 图神经网络(Graph neural networks)综述