在城市化的进程中,随着公共交通系统的发展和壮大,交通事故发生的数量也在不断上升。这些交通事故的发生给人类社会造成了巨大的人身财产损失。有效的交通事故预测对于保障人身财产安全、调配应急资源和规划建设城市都具有重要意义。然而实现准确的交通事故预测具有很大的挑战,其存在以下三点原因。其一,交通事故事件数据同时包含具有不同语义特征的时间、空间模态信息,且这两种模态的不确定性存在差异,因此建模这类多模态数据存在困难。其二,交通事故事件发生在连续的时间域中,事件之间的时间差不均匀,即具有异步性。传统的序列建模方式无法全面学习这种异步序列的依赖关系。其三,交通事故事件的发生既受到内在因素(历史交通事故事件发生规律)又受到外在因素(车流量、天气、所处区域环境等)的影响。如何有效地融合这些多源数据以提升交通事故事件预测的准确性需要进一步探索。
针对上述交通事故模态间的差异性以及事件序列异步性这两个挑战,本文首先提出了一种面向交通事故预测的时空多模态点过程(Multimodal Spatial-Temporal Point Process,MSTPP)模型。该神经点过程模型为了有效地融合时、空模态信息,同时考虑到模态间差异性问题,设计了一种具有双解码器的seq2seq框架。它通过编码器融合不同模态信息获得事件表示,同时使用两个特殊的解码器分别从事件表示中去解码不同模态信息服务于预测任务,这种双解码器的seq2seq框架有效解决了模态间的差异性问题。此外,为了有效建模交通事故这类时空事件序列的异步性,我们在编码器中设计了一种具有衰减感知功能的长短期记忆网络(Decayaware Long Short-Term Memory,DLSTM),使其在编码事件表示时能考虑到事件间时间差的影响。在两个真实的交通事故数据集上的实验结果表明MSTPP在预测下一个交通事故发生的时间和区域两个预测任务上相比于其它基准模型具有最优的预测能力。
其次,为了全面考虑交通事故影响因素,本文进一步提出了一种融合多源数据的时空多模态点过程(Multi-source Multimodal Spatial-Temporal Point Process,MMSTPP)模型。该模型在MSTPP模型的基础上,对如何融合多源数据方面进行了创新研究,设计了一种新颖的交叉注意力机制,能有效编码异步交通事故事件序列,同时也能自适应地融合其他外部影响因素(例如车流量、天气等),从而进一步提升交通事故事件的预测准确性。在真实的交通事故数据集上的实验结果验证了MMSTPP在融合多源数据方面具有优势。
暂无评论