基于门控循环网络时空关联的交通事故预测模型

摘要

为提前预测交通事故是否可能发生，提出了基于ViT、门控循环单元（GRU）和MLP-Mixer相结合的交通事故风险预测模型（GST）。通过ViT进行空间和时间上下文关系建模，对预测目标的帧特征进行增强，提高特征的可分辨性；然后，采用GRU提取出时间关联性，再采用GRU和MLP-Mixer相结合的模式对隐藏层帧特征进行增强，建立和优化时空联系模型，并根据相应的特征帧预测单位时间步长的交通事故置信度分数，预测未来事故发生的概率，进而有效区分危险驾驶和事故驾驶的行为，并进行提前预警。最后，在公开数据集DAD和A3D上对本文模型进行验证，结果表明，本文模型识别准确率优于其他先进算法，两个数据集上AP分别达到了59.9%和94.6%，表现出良好的预测性能和泛化能力；在DAD数据集测试中，将本文算法与DSTA算法进行了对比，在AP相近的情况下，本文算法可将事故发生的预测时间提前2.38 s，提升约13%，具有明显的优越性，可为道路危险预警和安全驾驶提供帮助。

关键词

智能交通 / 事故预测 / 事件判别器 / 门控循环单元 / 时空关联性