基于卷积神经网络和注意力机制的交通事故智能预测方法

摘要

针对复杂环境下传统研究方法在处理高维复杂数据特征时存在局限性，难以实现高精度鲁棒性预测的问题，提出一种基于卷积神经网络和注意力机制的交通事故严重程度智能预测方法。通过融合卷积神经网络和注意力机制的优势，构建了通道与多头注意力网络（channel and multi-head attention network,CMHANet）模型，其中卷积层用于有效提取数据中的空间特征，通道注意力机制能够对重要特征进行加权增强，抑制不重要特征，强化模型对关键数据点的关注。此外，为了捕捉不同特征之间的复杂依赖关系，还引入了多头注意力机制。最后，在US-Accidents数据集上开展实验。实验结果表明，以该模型为骨干的预测框架在F1分数、精确率、召回率和准确率上均有所提升。该模型在提高高维复杂数据的特征提取与关联建模效果的同时，也为交通事故的智能预测提供了一种新的思路。

关键词

卷积神经网络 / 注意力机制 / 交通事故 / 严重程度预测