基于BiLSTM神经网络的交通事故黑点路段日均事故频次预测方法

作者：任毅; 杨仁法^*; 周继彪; 胡正华; 张敏捷

来源：交通信息与安全, 2023, 41(02): 36-49.

• 交通安全
• 事故黑点
• 自适应K-means聚类
• 双向长短期记忆神经网络
• 黑点识别
• 事故预测

为交通管理部门和出行大众提供精准的事故高发黑点预警信息具有重要的意义。为此，研究了1种基于双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）的黑点路段交通事故频次预测方法。通过对传统K-means聚类算法的k值选取进行改进，实现了道路交通事故黑点的有效识别，并统计黑点每天事故数作为事故时间序列；利用小波分解对该序列进行降噪处理，通过多层网格搜索法对隐藏层层数、神经元个数等模型的参数进行标定，构建了基于BiLSTM网络的事故频次预测模型；采用滑动窗口的方式将事故时间序列作为内部参数输入模型，以交通流量、节假日、事故天气和事故发生环境等特征作为外部参数，对事故黑点路段未来1 d内可能发生的事故数进行预测，并基于预测结果提出了1种事故黑点路段交通事故预警模型；以浙江省宁波市交警部门某辖区2020年4月—2021年9月常态采集的事故数据为测试集，以7 d的事故数据预测未来1 d的黑点路段事故频次，将BiLSTM模型与门控循环神经网络（GRU）模型、长短期记忆神经网络（LSTM）模型、反向传播神经网络（BP）模型、自回归滑动平均（ARIMA）模型和支持向量机（SVR）模型等事故预测模型进行对比。结果表明：BiLSTM模型、GRU模型、LSTM模型、BP模型、ARIMA模型和SVR模型对各事故黑点的日均事故频次平均预测精度分别为93.1%、88.8%、88.0%、85.2%、84.4%和84.2%；均方根误差分别为0.092、0.146、0.142、0.147、0.177和0.176。该结果说明，所提BiLSTM模型具有更高的预测精度和更强的鲁棒性。

• 单位
  宁波工程学院; 长安大学