交通事故预测方法与流程

1.本发明涉及交通事故预测
技术领域：
：，尤其是涉及交通事故预测方法。
背景技术：
：：2.交通事故的预测是道路交通管理的重点工作，及时精准的预测，可以使相关部门提早做出道路应急服务，缓解交通堵塞，提高道路的通勤效率。3.目前，国内外专家学者对交通事故的预测进行了广泛的研究，并取得了一定的研究成果。马聪采用非线性负二项回归模型，对可能会造成事故的影响因素进行分析；苏梁采用灰色理论的方法，寻找交通流数据间的关系，结合定量和定性，预测未来一段时间内是否会发生事故；汪强用平均弱化缓冲算子进行灰色模型改进，提高传统灰色模型在交通流序列波动幅度较大时的预测精度；吕晓夫采用回归分析的方法，将未来交通事故数量和相关交通变量之间建立函数关系式；张艳艳采用arima预测模型，根据交通流序列自身的统计相关关系，预测水上交通事故；李娟采用bp神经网络建立交通事故模型；张志豪采用lstm神经网络，预测对比传统的bp神经网络预测效果有明显优势；张逸飞采用组合模型，充分利用arima模型和bp模型特性，预测船舶交通事故。4.总结学者的研究现状，目前的方法并不能在所有情况下完成高精度的预测任务。技术实现要素：5.本发明的目的在于用于解决上述技术问题，提供交通事故预测方法，本发明将基于系统辨识的交通事故预测方法或基于lstm的交通事故预测方法或通过对上述两种预测方法用不同的方式进行组合，并进行预测对比，结果表明上述不同方法均能提高对道路交通事故的预测能力，本发明相对现有方法具有更高的预测精度。6.本发明解决上述技术问题采用的技术方案是：一种基于系统辨识的交通事故预测方法，包括以下步骤：7.步骤一：输入影响预测事故发生的随机因素r(t)；8.步骤二：设定小时间隔跨度和日间隔跨度，小时间隔的历史速度用hv(t)表示，日间隔的历史速度用dv(t)表示；9.步骤三：通过以下公式预测事故发生的概率：10.系统在时刻t的输入和输出分别用u(t)和y(t)表示，离散时间输入输出线性方程为11.y(t)+a1y(t-1)+…+any(t-na)＝b1u(t-1)+…+bmu(t-nm)，12.na为小时间隔跨度，nb为日间隔跨度；13.将上述方程转化为14.y(t)＝-a1y(t-1)‑…‑any(t-na)+b1u(t-1)+…+bmu(t-nm)，引入输入向量n(t)和参数向量θ，15.φ(t)＝[-y(t-1)，…，-y(t-na)，u(t-1)，…，u(t-nm)]t，[0016]θ＝[a1，...，an，b1...，bm]t，[0017]因此，预测未来是否发生交通事故的系统结构表述为[0018][0019]其中pv(t)为预测的事故发生的概率；[0020]步骤四：通过试验法确定小时间隔跨度和日间隔跨度，将每组预测的结果与试验真实数据进行比较，得到绝对误差；[0021]步骤五：重复步骤二至步骤四，直到小时间隔跨度和日间隔跨度达到设定的阈值，选择小时间隔跨度和日间隔跨度中使得绝对误差最小的计算方式。[0022]作为优选，小时间隔跨度na设置为2到24，日间隔跨度nb设置为1到14。[0023]作为优选，还包括对预测结果进行评价的评价方法，具体包括以下内容：[0024]计算出预测的精确度precision，precision的计算公式如下：[0025][0026]其中，tp代表标签为正类，预测值也为正类；fp代表标签为假类，但预测值为正类；[0027]计算出召回率recall，recall的计算公式如下：[0028][0029]其中，fn代表标签为正类，但是预测值为假类；[0030]计算f1用于对预测结果进行评价，评价计算公式如下：[0031][0032]其中，precision为预测的精确度，表示模型不把负样本识别为正样本的能力；recall为召回率，表示模型识别正样本的能力。标签是指预测的真实值。标签的正、假表示实际是否发生事故，根据预测的数值大小判断标签的正假。[0033]一种基于lstm的交通事故预测方法，包括决定是否要从网络中丢弃信息的遗忘门、决定存储信息的输入门和决定当前网络输出的输出门，[0034]遗忘门的计算方法如下：将当前的输入xt和前一个的输出的隐藏状态ht-1经过激活函数σ后，决定是否保留记忆单元ct-1，其计算公式如下：[0035]ft＝σ(wf·[ht-1，xt])；[0036]输入门的计算方法如下：通过激活函数σ和双曲正切函数来创建更新值，将前一个记忆单元ct-1更新为ct，其计算公式如下：[0037]it＝σ(wi·[ht-1，xt])；[0038]ct＝ft·ct-1+it·(tanh(wc·[ht-1，xt]))；[0039]输出门计算方法如下：[0040]ot＝σ(wo·[ht-1，xt])；[0041]ht＝ot·tanh(ct)；[0042]其中σ是sigmoid函数，w是参数矩阵，ht是预测值。f1的计算方式通用可用于对预测值ht的评价。[0043]一种基于系统辨别和lstm残差联合的交通事故预测方法，包括以下步骤：[0044]步骤1：执行基于系统辨识的交通事故预测方法的步骤一至步骤四，为了确定na和nb，从两者的初始化值开始迭代，每得到一对na和nb将预测值与真实值计算的差值作为当前的输入xt并输入基于lstm的交通事故预测方法中；[0045]步骤2：当达到最大训练次数或者满足误差要求时，将基于系统辨识的交通事故预测方法和基于lstm的交通事故预测方法的输出组合得到预测值，计算f1评分；[0046]步骤3：分别增大na和nb，重复步骤1和步骤2，直到na和nb达到预先设定的阈值，找出最大的f1值。[0047]一种基于系统辨别和lstm线性加权组合的交通事故预测方法，包括以下步骤：[0048]步骤a：将预设的每一对na和nb执行基于系统辨识的交通事故预测方法的步骤一至步骤五并进行f1值的评估，从而确定最优的na和nb获得对应的基于系统辨识的交通事故预测方法的最优值预测值作为输出值x1；[0049]对基于lstm的交通事故预测方法进行训练并进行f1值的评估，当达到最大训练次数或者满足误差要求时，从而获得最优预测值作为输出值x2；[0050]步骤b：若事故是否发生y与输出值x1、输出值x2之间存在一定的关系，则线性加权组合最终预测值的公式为：[0051]p＝ax1+bx2[0052][0053]步骤c：得到权重加和值p后，将值通过阈值分割，然后输出最后的预测结果以及模型的f1值评分。threshold表示阈值。[0054]一种基于系统辨别和lstm流水线式的交通事故预测方法，包括以下步骤：[0055]步骤a：在处理完交通数据后，将数据输入到基于lstm的交通事故预测方法中，得到lstm的预测值；[0056]步骤b：将得到的预测值处理后作为u(t)输入到基于系统辨识的交通事故预测方法中，在每一对na和nb都会对预测值进行一次阈值分割，然后将阈值分割后的预测值与标签进行f1值评估，经过na×nb次迭代后记录下最优的f1值；[0057]步骤c：重复步骤a和步骤b，直至预设的epoch全部训练结束，找到最优的na和nb，输出最优模型下的预测值。[0058]将lstm的事故预测值作为系统识别方法的一个特征因素添加到系统识别方法对应时刻的训练数据中，这种输入的写法为了运用lstm对数据的特征提取能力，而预测出来的值其实是综合训练数据特征的一个结果，lstm的预测值不做数值上的处理，只是数据格式以及数据维度上进行改变，目的是为了让lstm预测值的时刻对应到系统识别中训练数据的时刻，确保不出现时间不匹配的错误。[0059]本发明具有的有益效果是：[0060]1、本发明将基于系统辨识的交通事故预测方法和基于lstm的交通事故预测方法通过不同的方式进行组合，并进行预测对比，结果表明上述不同方法均能提高对道路交通事故的预测能力，本发明相对现有方法具有更高的预测精度。其中基于系统辨别和lstm流水线式的交通事故预测方法表现为最优，较其它模型，其性能提高了4.45％到24.89％。[0061]2、本发明能够充分利用系统辨识模型和长短期记忆人工神经网络模型，提取复杂交通流中的线性与非线性信息。通过线性加权、残差联接和以及流水线式三种不同的组合优化方式对比得到最优的预测模型。基于温州高速上得到的真实数据集进行实验与分析，结果表明：与单独模型预测方法进行对比，模型组合预测方法的预测精度更高；模型组合方法中流水线式组合预测结果最优，其f1值评分能达到0.86，较系统辨识、长短记忆人工神经网络模型、线性加权组合模型以及残差联接组合模型f1评分提高4.45％～24.89％。附图说明[0062]图1是本发明基于系统辨识的交通事故预测方法的流程图。[0063]图2是lstm的结构示意图。[0064]图3是基于系统辨别和lstm残差联合的交通事故预测方法的流程图。[0065]图4是基于系统辨别和lstm线性加权组合的交通事故预测方法的流程图。[0066]图5是基于系统辨别和lstm流水线式的交通事故预测方法的流程图。具体实施方式[0067]以下结合附图和实施方式对本发明作进一步的说明。[0068]实施例1[0069]如图1所示，本发明一种基于系统辨识的交通事故预测方法，[0070]在时刻t的输入和输出分别用u(t)和y(t)表示。离散时间输入输出线性方程为[0071]y(t)+a1y(t-1)+…+any(t-na)＝b1u(t-1)+…+bmu(t-nm)；[0072]可以转化成[0073]y(t)＝-a1y(t-1)‑…‑any(t-na)+b1u(t-1)+…+bmu(t-nm)；[0074]然后引入输入向量n(t)和参数向量θ，[0075]φ(t)＝[-y(t-1)，…，-y(t-na)，u(t-1)，…，u(t-nm)]t；[0076]θ＝[a1，...，an，b1，...，bm]t；[0077]设定预测的交通事故不仅与小时间隔和每天间隔的历史交通速度有关，而且与预测的其他因素有关，在本实施例中，小时间隔的历史速度用hv(t)表示，日间隔历史速度用dv(t)表示。r(t)是影响预测事故发生的随机因素，指的是日期因素。因此，预测未来是否发生事故的系统结构可以描述为：[0078][0079]其中pv(t)为预测的事故发生的概率。[0080]小时间隔跨度na设置为2到24，日间隔跨度nb设置为1到14。[0081]为了确定系统的基本结构，通过试验法确定小时间隔跨度和日间隔跨度，将每组预测的结果与试验真实数据进行比较，得到绝对误差，直到小时和天跨度达到设定的阈值，选择绝对误差最小的模型，即得到系统顺序结构和参数，并将一种基于系统辨识的交通事故预测方法建立成si模型。[0082]本实施例使用分类任务中常用的指标：f1score，来对模型预测结果进行评价。f1score的具体描述如下：[0083][0084]其中，precision表示预测的精确度，表示模型不把负样本识别为正样本的能力。recall表示模型识别正样本的能力。[0085]f1score是将两者的调和平均值，f1的值越高，就说明模型预测的效果越好。[0086]实施例2[0087]如图2所示，本发明一种基于lstm的交通事故预测方法，包括决定是否要从网络中丢弃信息的遗忘门、决定存储信息的输入门和决定当前网络输出的输出门，[0088]遗忘门的计算方法如下：将当前的输入xt和前一个的输出的隐藏状态ht-1经过激活函数σ后，决定是否保留记忆单元ct-1，其计算公式如下：[0089]ft＝σ(wf·[ht-1，xt])；[0090]输入门的计算方法如下：通过激活函数σ和双曲正切函数来创建更新值，将前一个记忆单元ct-1更新为ct，其计算公式如下：[0091]it＝σ(wi·[ht-1，xt])；[0092]ct＝ft·ct-1+it·(tanh(wc·[ht-1，xt]))；[0093]输出门计算方法如下：[0094]ot＝σ(wo·[ht-1，xt])；[0095]ht＝ot·tanh(ct)；[0096]其中σ是sigmoid函数，w是参数矩阵。[0097]实施例3[0098]如图3所示，本发明一种基于lstm的交通事故预测方法，利用si模型提取高速交通流序列的线性信息，将整理得到的输入序列数据tt输入至si模型中，得到对应路段预测时段的交通事故预测值psi，事故预测误差则表示为e，即e＝ylabel-psi。预测的误差包含了突发的因素例如恶劣的天气、路面维修等状况的影响。利用lstm神经网络提取高速交通流序列的非线性信息，得到预测结果plstm，即得到基于si-lstm的残差联和预测模型。[0099]首先确定si模型的结构完成初始化，预测当前是否发生事故的系统结构由小时间隔的历史速度用hv(t)表示，日间隔历史速度用dv(t)表示以及r(t)是影响预测事故的日期因素组成。[0100]其次确定模型的阶次n和m，整体的思路是迭代调整，直到模型精度达到最大。当确定系统的结构后，需要确定系统预测所需的小时间隔na和日间隔nb的长度范围。为了确定na和nb，从两者的初始化值开始迭代，每得到一对na和nb即对应一个临时si系统，将预测的值与真实值计算差值作为lstm神经网络的label，训练神经网络。当达到最大训练次数或者满足误差要求时，将si和lstm的输出组合得到预测值，计算f1评分，表明系统的精度。然后分别增大na和nb，迭代寻找最大的f1值，直到na和nb达到预先设定的阈值，从而确定na和nb以及神经网络参数，得到最终模型。[0101]本实施例使用的交通数据来自于温州高速公路56个不同的雷达桩点，其中包含路段的过车平均速度、过车数量以及事故信息。数据集都按照3：1的比例划分成训练集和测试集。数据集详细统计情况如表1所示。[0102]表1数据集详细情况[0103]table1detailsofthedataset[0104][0105]实验结果如表2所示。[0106]表2残差联和模型的预测结果[0107]table2predictionresultsoftheresidualcombinationmodel[0108][0109]在实验中，所使用的实验数据为不同月份的雷达记录数据，其中雷达g15k1788m300l的数据为2020年9月的交通数据和事故数据，数据处理为每30分钟记录一次平均车速和累计事故数量，经过统计，该时段雷达所记录的路段事故占比为0.232；在30天时间跨度以及同样的数据处理方式下，雷达g15k1768m400q所记录的路段数据事故占比为0.257，记录的时间为2020年8月1日到30日；雷达g15k1763m550l所记录的路段数据事故占比为0.578，记录的时间为2021年2月1日到3月3日；雷达g15k1772m100l所记录的路段数据事故占比为0.142，记录的时间为2020年9月10日到10月10日。[0110]由表2可见，在不同的雷达数据上，三种模型的表现效果不同，较单独使用lstm以及单独使用系统辨识模型，残差联合模型只有在id为g15k1772m100l的雷达数据下表现略优于单独模型，而其余情况下，残差联合模型的f1评估结果与si的效果相近，导致这种结果的出现可在图3的流程结构图中分析原因，在训练si模型时，每一对na和nb获得临时si的预测值，该预测值与真实标签做残差所得的值作为lstm的标签，使得lstm训练得到的数值较小甚至为负数，然后两个模型的预测结果进行加和结合，所得的结果会较为接近于si的预测结果，因此在做阈值分割后的预测结果与真实标签做f1值评估所得的结果与si的f1值评分相近。[0111]实施例4[0112]如图4所示，本发明一种基于lstm的交通事故预测方法，将两种单一模型通过线性加权再通过与设定阈值的比较对路段是否发生交通事故进行分析，进行预测。线性加权组合的基本过程为：tt(t＝1，2，...，m)是输入至系统辨识si和lstm模型的交通流数据序列。假设事故是否发生y与si的输出值为x1和lstm的输出值为x2之间存在一定的关系，则基于si-lstm的线性加权组合预测模型的最终预测值为[0113]p＝ax1+bx2；[0114][0115]计算si-lstm加权模型中si模型和lstm神经网络预测值的权重a、b和阈值threshold，si-lstm加权模型预测交通事故流程见图4。[0116]在处理完交通数据后，将数据分别输入到si模型和lstm模型中进行训练，初始化si模型的参数，将si模型的小时间隔na设置为2到24的范围，而日间隔nb设置为1到14的范围，然后开始进行迭代运算，每一对na和nb都会进行f1值的评估，从而确定最优的na和nb获得对应的si模型最优值预测值；在初始化si模型的同时，进行lstm模型参数的初始化，把隐藏层大小设置为128，lstm层设置为3层，dropout设置为0.2，添加一层线性层，在线性层后添加sigmoid激活函数，所使用的优化器为adam，并将学习率设置为0.001，然后开始进行模型的训练，实验中，lstm进行训练了800个epoch，为了提升训练的速度，不选择对模型每个epoch进行一次f1值的评估，而是每5个epoch会进行一次f1值评估获取最优的lstm模型，并保存最优模型下的预测值，然后把si的最优预测值与lstm的最优预测值通过最小二乘法计算权重，然后根据权重来将两个模型的预测最优值进行加和，得到权重加和值后，将值通过阈值分割，本实验所使用的阈值分割方法为最大类间方差法，然后输出最后的预测结果以及模型的f1值评分。[0117]实验结果如表3所示。[0118]表3si-lstm加权模型的预测结果[0119]table3predictionresultsofthesi-lstmweightedmodel[0120][0121][0122]由表3可见，在雷达id为g15k1763m550l和g15k1772m100l时的lstm-si加权模型表现优于lstm、si以及lstm-si残差模型，但在雷达id为g15k1788m300l时，加权模型的性能表现差于lstm，当id为g15k1768m400q，加权模型性能差于其余三种模型，造成这种性能变差的主要原因，可以通过分析图4获知，在分别训练si模型和lstm模型后，保存了最优模型以及最优模型下的预测值，对应时刻的车流量数据呈现单一的线性或者非线性特征，线性和非线性的联合模型可能加入了扰动因素，从而较单独模型，加权模型错误预测值的占比增大，导致了最后的加权模型性能表现变差。[0123]实施例5[0124]如图5所示，本发明一种基于lstm的交通事故预测方法，利用lstm模型提取交通流序列中非线性信息，再将提取到的非线性信息，通过类似于流水线式的方式将lstm的输出输入到si模型中，将上一个模型的输出当作下一个模型的一个输入因子。流水线式预测方法的基本过程为：tt(t＝1，2，...，m)是输入至lstm模型的交通流数据序列，lstm的输出x1和tt组成x输入至si模型得到预测值p，p值和设定的阈值比较后输出y。基于si-lstm的流水线式预测模型的最终预测值为[0125]p＝αx；[0126][0127]在处理完交通数据后，将数据输入到经过初始化后的lstm神经网络进行训练，其中把lstm隐藏层大小设置为128，lstm层设置为3层，dropout设置为0.2，添加一层线性层，在线性层后添加sigmoid激活函数，所使用的优化器为adam，并将学习率设置为0.001，在每训练5个epoch进行一次预测，得到lstm的预测值后，将其作为si模型的一个特征数据，同时将处理后的数据输入到经过初始化后的si模型，将si模型的小时间隔na设置为2到24的范围，而日间隔nb设置为1到14的a范围，然后开始进行迭代运算，在每一对na和nb都会对si的预测值进行一次阈值分割，然后将阈值分割后的预测值与标签进行f1值评估，经过na×nb次迭代后记录下最优的f1值，然后再进行lstm的下5个epoch的训练输出预测值为si的特征值，重复上面si的训练、阈值分割以及评估，直到lstm的800个epoch全部训练结束，然后找到最优的na和nb，然后输出最优模型下的预测值。[0128]实验结果如表4所示。[0129]表4流水线式模型的预测结果[0130]table4predictionresultsforpipelinemodels[0131][0132]由表4可见，流水线式模型的性能表现明显优于其它的模型，在雷达g15k1788m300l所记录的路段数据实验中，模型的f1值评分能达到0.863，较单独使用si模型，性能提高了24.35％，较lstm-si残差模型，性能提高了24.89％。在另外三个雷达记录的数据上做实验，流水线式模型的事故预测能力也是最优的，都能达到0.80及以上的f1评分。[0133]说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。[0134]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。当前第1页12当前第1页12
技术特征：
1.一种基于系统辨识的交通事故预测方法，其特征在于：包括以下步骤：步骤一：输入影响预测事故发生的随机因素r(t)；步骤二：设定小时间隔跨度和日间隔跨度，小时间隔的历史速度用hv(t)表示，日间隔的历史速度用dv(t)表示；步骤三：通过以下公式预测事故发生的概率：系统在时刻t的输入和输出分别用u(t)和y(t)表示，离散时间输入输出线性方程为y(t)+a1y(t-1)+
…
+a
n
y(t-n
a
)＝b1u(t-1)+
…
+b
m
u(t-n
m
)；n
a
为小时间隔跨度，n
b
为日间隔跨度；将上述方程转化为y(t)＝-a1y(t-1)
‑…‑
a
n
y(t-n
a
)+b1u(t-1)+
…
+b
m
u(t-n
m
)；引入输入向量n(t)和参数向量θ，φ(t)＝[-y(t-1),
…
,-y(t-n
a
),u(t-1),
…
,u(t-n
m
)]
t
；θ＝[a1,
…
,a
n
,b1,
…
,b
m
]
t
；因此，预测未来是否发生交通事故的系统结构表述为因此，预测未来是否发生交通事故的系统结构表述为其中pv(t)为预测的事故发生的概率；步骤四：通过试验法确定小时间隔跨度和日间隔跨度，将每组预测的结果与试验真实数据进行比较，得到绝对误差；步骤五：重复步骤二至步骤四，直到小时间隔跨度和日间隔跨度达到设定的阈值，选择小时间隔跨度和日间隔跨度中使得绝对误差最小的计算方式。2.根据权利要求1所述的基于系统辨识的交通事故预测方法，其特征在于：小时间隔跨度n
a
设置为2到24，日间隔跨度n
b
设置为1到14。3.根据权利要求1所述的基于系统辨识的交通事故预测方法，其特征在于：还包括对预测结果进行评价的评价方法，具体包括以下内容：计算出预测的精确度precision，precision的计算公式如下：其中，tp代表标签为正类，预测值也为正类；fp代表标签为假类，但预测值为正类；计算出召回率recall，recall的计算公式如下：其中，fn代表标签为正类，但是预测值为假类；计算f1用于对预测结果进行评价，评价计算公式如下：4.一种基于lstm的交通事故预测方法，其特征在于：包括决定是否要从网络中丢弃信息的遗忘门、决定存储信息的输入门和决定当前网络输出的输出门，遗忘门的计算方法如下：将当前的输入x
t
和前一个的输出的隐藏状态h
t-1
经过激活函数
σ后，决定是否保留记忆单元c
t-1
，其计算公式如下：f
t
＝σ(w
f
·
[h
t-1
,x
t
])；输入门的计算方法如下：通过激活函数σ和双曲正切函数来创建更新值，将前一个记忆单元c
t-1
更新为c
t
，其计算公式如下：i
t
＝σ(w
i
·
[h
t-1
,x
t
])；c
t
＝f
t
·
c
t-1
+i
t
·
(tanh(w
c
·
[h
t-1
,x
t
]))；输出门计算方法如下：o
t
＝σ(w
o
·
[h
t-1
,x
t
])；h
t
＝o
t
·
tanh(c
t
)；其中σ是sigmoid函数，w是参数矩阵。5.一种基于系统辨别和lstm残差联合的交通事故预测方法，其特征在于：包括以下步骤：步骤1：执行基于系统辨识的交通事故预测方法的步骤一至步骤四，为了确定n
a
和n
b
，从两者的初始化值开始迭代，每得到一对n
a
和n
b
将预测值与真实值计算的差值作为当前的输入x
t
并输入基于lstm的交通事故预测方法中；步骤2：当达到最大训练次数或者满足误差要求时，将基于系统辨识的交通事故预测方法和基于lstm的交通事故预测方法的输出组合得到预测值，计算f1评分；步骤3：分别增大n
a
和n
b
，重复步骤1和步骤2，直到n
a
和n
b
达到预先设定的阈值，找出最大的f1值。6.一种基于系统辨别和lstm线性加权组合的交通事故预测方法，其特征在于：包括以下步骤：步骤a：将预设的每一对n
a
和n
b
执行基于系统辨识的交通事故预测方法的步骤一至步骤五并进行f1值的评估，从而确定最优的n
a
和n
b
获得对应的基于系统辨识的交通事故预测方法的最优值预测值作为输出值x1；对基于lstm的交通事故预测方法进行训练并进行f1值的评估，当达到最大训练次数或者满足误差要求时，从而获得最优预测值作为输出值x2；步骤b：若事故是否发生y与输出值x1、输出值x2之间存在一定的关系，则线性加权组合最终预测值的公式为：p＝ax1+bx2步骤c：得到权重加和值p后，将值通过阈值分割，然后输出最后的预测结果以及模型的f1值评分。7.一种基于系统辨别和lstm流水线式的交通事故预测方法，其特征在于：包括以下步骤：步骤a：在处理完交通数据后，将数据输入到基于lstm的交通事故预测方法中，得到lstm的预测值；步骤b：将得到的预测值处理后作为u(t)输入到基于系统辨识的交通事故预测方法中，
在每一对n
a
和n
b
都会对预测值进行一次阈值分割，然后将阈值分割后的预测值与标签进行f1值评估，经过n
a
×
n
b
次迭代后记录下最优的f1值；步骤c：重复步骤a和步骤b，直至预设的epoch全部训练结束，找到最优的n
a
和n
b
，输出最优模型下的预测值。

技术总结
本发明公开了交通事故预测方法，具体包括基于系统辨识的交通事故预测方法、基于LSTM的交通事故预测方法、基于系统辨别和LSTM残差联合的交通事故预测方法、基于系统辨别和LSTM线性加权组合的交通事故预测方法、基于系统辨别和LSTM流水线式的交通事故预测方法，本发明将基于系统辨识的交通事故预测方法或基于LSTM的交通事故预测方法或通过对上述两种预测方法用不同的方式进行组合，并进行预测对比，结果表明上述不同方法均能提高对道路交通事故的预测能力，本发明相对现有方法具有更高的预测精度。测精度。测精度。


技术研发人员：陈明 仲辉建 林静 姚辉 余洋 徐琛 蔡芙蓉
受保护的技术使用者：航天科工广信智能技术有限公司
技术研发日：2022.11.16
技术公布日：2023/5/14