模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2023, Vol. 36 Issue (8): 721-732    DOI: 10.16451/j.cnki.issn1003-6059.202308005
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
融合时序知识图谱的路段级交通事故风险预测
唐伟文1,2, 郭晟楠1,2, 陈炜1,2, 林友芳1,2, 万怀宇1,2
1.北京交通大学 计算机与信息技术学院 北京 100044;
2.北京交通大学 交通数据分析与挖掘北京市重点实验室 北京 100044
Road Level Traffic Accident Risk Prediction by Incorporating Temporal Knowledge Graph
TANG Weiwen1,2, GUO Shengnan1,2, CHEN Wei1,2, LIN Youfang1,2, WAN Huaiyu1,2
1. School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044;
2. Beijing Key Laboratory of Traffic Data Analysis and Mining, Beijing Jiaotong University, Beijing 100044

全文: PDF (914 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 从历史交通事故数据中探究事故发生的规律,实现准确的路段级交通事故风险预测,可以有效提升交通出行的安全与效率.然而,由于天气、交通状态等多源因素的影响、交通事故之间复杂的时空相关性和事故数据的稀疏性,实现准确的路段级交通事故风险预测面临巨大的挑战.针对上述挑战,文中提出融合时序知识图谱的双层次多视角时空图神经网络模型(Two-Level and Multi-view Spatial-Temporal Graph Neural Network by Incorporating Temporal Knowledge Graph, STGN-TKG).首先,构建交通事故时序知识图谱并设计交通事故时序知识图谱历时嵌入模型,挖掘多源影响因素数据之间的动态、高阶相关性.然后,利用空间图卷积注意力模块和时序表征模块,从两个层次、多个语义视角,充分建模交通事故之间复杂的时空相关性.最后,提出符合实际场景的事故风险传播策略,缓解数据稀疏带来的零膨胀问题.在两个真实的路段级交通事故风险数据集上的实验表明,STGN-TKG在路段级事故风险预测任务中表现较优.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
唐伟文
郭晟楠
陈炜
林友芳
万怀宇
关键词 交通事故风险预测零膨胀问题时序知识图谱双层次多视角时空相关性    
Abstract:Exploring the law of accident occurrence from historical traffic accident data and realizing accurate road level traffic accident risk prediction can improve the travel safety and efficiency effectively. However, road level traffic accident risk prediction is faced with great challenges due to the influence of multiple factors, such as weather and traffic state, the complex temporal and spatial correlation between traffic accidents and the sparsity of accident data. To address these issues, a two-level and multi-view spatial-temporal graph neural network by incorporating temporal knowledge graph(STGN-TKG) is proposed. Firstly, a traffic accident temporal knowledge graph is constructed for the first time, and diachronic embedding for traffic accident temporal knowledge graph is designed to mine the high-order and dynamic correlation between multi-source influencing factor data. Then, a spatial graph convolution attention module and a temporal representation module are employed to fully model the complex spatial-temporal correlations between traffic accidents from two levels and multiple views. Finally, an accident risk propagation strategy is proposed to alleviate the zero-inflated issue. The experimental results on two real-world road level traffic accident risk datasets show that STGN-TKG achieves superior performance on the road level accident risk prediction task.
Key wordsTraffic Accident Risk Prediction    Zero-Inflated Issue    Temporal Knowledge Graph    Two-Levels and Multiple Views    Spatial-Temporal Correlation   
收稿日期: 2023-06-16     
ZTFLH: TP391  
基金资助:国能铁路装备有限责任公司项目(No.TZKY-21-16)
通讯作者: 郭晟楠,博士,讲师,主要研究方向为时空数据挖掘、深度学习.E-mail:guoshn@bjtu.edu.cn.   
作者简介: 唐伟文,硕士研究生,主要研究方向为时空数据挖掘、深度学习.E-mail:tangweiwen@bjtu.edu.cn. 陈炜,博士研究生,主要研究方向为知识图谱推理与应用.E-mail:w_chen@bjtu.edu.cn. 林友芳,博士,教授,主要研究方向为数据挖掘、机器学习、强化学习、复杂网络、智能技术与系统等.E-mail:yflin@bjtu.edu.cn. 万怀宇,博士,教授,主要研究方向为时空数据挖掘、信息抽取、社交网络挖掘.E-mail:hywan@bjtu.edu.cn.
引用本文:   
唐伟文, 郭晟楠, 陈炜, 林友芳, 万怀宇. 融合时序知识图谱的路段级交通事故风险预测[J]. 模式识别与人工智能, 2023, 36(8): 721-732. TANG Weiwen, GUO Shengnan, CHEN Wei, LIN Youfang, WAN Huaiyu. Road Level Traffic Accident Risk Prediction by Incorporating Temporal Knowledge Graph. Pattern Recognition and Artificial Intelligence, 2023, 36(8): 721-732.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202308005      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2023/V36/I8/721
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn