1.一种基于图表示学习和特征融合的城市交通网络事故预测方法,其特征在于,包括以下步骤:(1)对城市交通网络事故数据进行处理,提取节点特征、边特征以及道路方向和交叉路口角度信息;采用负采样和自监督数据增强方法处理长尾分布的事故数据;负采样公式如下:;
其中,V是所有节点的集合, 是 的节点权重;
(2)将节点特征、边特征与道路方向特征和交叉路口角度特征进行融合嵌入,生成图结构特征;根据数据处理获取的节点特征data.node,道路的全局边属性edge_attr_all,依据坐标获取的道路方向特征data.coords,通过张量拼接Concat以及相加Add操作实现特征融合,并根据交叉路口角度特征的旋转不变性以及道路方向特征的差异性,对特征进行特征嵌入:;
;
其中,为边、节点特征与方向特征通过多层感知机的特征嵌入,为边、节点特征与角度特征通过多层感知机的特征嵌入; 为基于消息传递的GNN的隐藏层,为可学习的权重;
(3)基于消息传递机制构建图神经网络模型,通过图卷积层对图结构特征进行学习,提取交通网络的深层特征;图卷积层采用LeakyReLU激活函数和批量正则化,并引入残差连接和跳跃连接;
(4)采用对比学习方法对长尾分布的事故数据进行训练,优化模型参数;采用InfoNCE损失函数进行对比学习,通过拉近同类样本距离和拉远异类样本距离来优化模型参数;
(5)利用训练好的模型对城市交通网络中的事故进行预测,输出事故危险程度的分类结果。
2.一种基于图表示学习和特征融合的城市交通网络事故预测系统,所述系统采用了如权利要求1所述的一种基于图表示学习和特征融合的城市交通网络事故预测方法,其特征在于,包括:数据预处理模块:用于对城市交通网络事故数据进行处理,提取节点特征、边特征以及道路方向和交叉路口角度信息;
特征嵌入模块:用于将节点特征、边特征与道路方向特征和交叉路口角度特征进行融合嵌入,生成图结构特征;
图神经网络模型模块:用于基于消息传递机制构建图神经网络模型,通过图卷积层对图结构特征进行学习,提取交通网络的深层特征;
模型训练模块:用于采用对比学习方法对长尾分布的事故数据进行训练,优化模型参数;
事故预测模块:用于利用训练好的模型对城市交通网络中的事故进行预测,输出事故危险程度的分类结果。
3.根据权利要求2所述的一种基于图表示学习和特征融合的城市交通网络事故预测系统,其特征在于,数据预处理模块中,采用负采样和自监督数据增强方法处理长尾分布的事故数据,以提高模型对不平衡数据的预测准确性。
4.根据权利要求2所述的一种基于图表示学习和特征融合的城市交通网络事故预测系统,其特征在于,特征嵌入模块中,通过张量拼接和相加操作将节点特征、边特征与道路方向特征和交叉路口角度特征进行融合,并通过多层感知机对角度特征进行嵌入处理。
5.根据权利要求2所述的一种基于图表示学习和特征融合的城市交通网络事故预测系统,其特征在于,图神经网络模型模块中,图卷积层采用LeakyReLU激活函数和批量正则化,并引入残差连接和跳跃连接。
6.根据权利要求2所述的一种基于图表示学习和特征融合的城市交通网络事故预测系统,其特征在于,模型训练模块中,采用InfoNCE损失函数进行对比学习,通过拉近同类样本距离和拉远异类样本距离来优化模型参数。