(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111621470.6 (22)申请日 2021.12.28 (71)申请人 于志青 地址 450000 河南省郑州市金 水区俭学街2 号院7号楼1 1号 (72)发明人 于志青　姚辉　李坤　王锋　 孙振东　 (74)专利代理 机构 成都其高专利代理事务所 (特殊普通 合伙) 5124 4 代理人 任坤 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 5/00(2006.01) G08G 1/01(2006.01) (54)发明名称 道路交通事故风险预测深度学习算法 (57)摘要 本发明公开了道路交通事故风险预测深度 学习算法， 包括S1、 特征提取， 利用卷积神经网络 算法、 长短期记忆神经网络算法、 卷积长短期记 忆神经网络算法 处理多源交通数据集， 进行特征 提取， 使用随机森林网络算法对高相关性多源特 征进行分类， 以分析诱发交通事故的特征， 并得 到交通事故发生风险性的深度神经网络； S2、 建 立随机森 林神经网络预测模型， 采用含有多个决 策树的随机森林神经网络预测模型对交通事故 风险做分类预测； S3、 仿真结果与分析， 搭建仿真 环境， 利用仿真软件、 实验数据， 利用某地区近几 年交通事故数据， 使用神经网络库， 进行仿真实 验， 并分析结果。 本发明能够有效提高道路交通 事故风险预测的精度。 权利要求书2页 说明书7页 附图2页 CN 114330541 A 2022.04.12 CN 114330541 A 1.道路交通事故风险预测深度学习算法， 其特 征在于， 包括以下步骤： S1、 特征提取， 利用卷积神经网络算法、 长短期记忆神经网络算法、 卷积长短期记忆神 经网络算法处理多源交通数据集， 进行特征提取， 使用随机森林网络算法对高相关性多源 特征进行分类， 以分析诱发交通事故的特 征， 并得到交通事故 发生风险性的深度神经网络； S2、 建立随机森林神经网络预测模型， 采用含有多个决策树的随机森林神经网络预测 模型对交通事故风险做分类预测； S3、 仿真结果与分析， 搭建仿真环境， 利用仿真软件、 实验数据， 利用某地区近几年交通 事故数据， 使用神经网络库， 进行仿真实验， 并分析 结果。 2.根据权利要求1所述道路交通事故风险预测深度 学习算法， 其特征在于， 在特征提取 中， 特征要 素包括随时间变化要 素、 随空间位置变化要 素、 随时间空间变化要 素， 其中， 利用 卷积神经网络算法提取随时间变化要 素， 利用长短期记忆神经网络算法提取随空间位置变 化要素， 利用卷积长短期记 忆神经网络算法提取随时间空间变化要素。 3.根据权利要求1所述道路交通事故风险预测深度 学习算法， 其特征在于， 所述卷积神 经网络包括输入层、 卷积层、 激活函数、 池化层、 全连接层及输出层， 卷积层与池化层交替组 成其低隐藏层， 通过卷积层的卷积运算， 从而实现多维特征的自主提取， 卷积层处理后的数 据将被作为池化层的输入， 不重叠的整合出邻域的特征点以得到新的特征， 全连接层的目 的为将卷积层、 池化层处理后学习到的特征映射到样本的标准空间中， 连接前一层的神经 元的所有特 征并输出一维向量至分类 器， 进行特征分类。 4.根据权利要求3所述道路交通事故风险预测深度 学习算法， 其特征在于， 所述特征分 类的工作方法如下： A1： 首先选定数据集， 即从所有训练样本中随机 选择 N 个子集作为训练集； A2： 数据预处理， 即将各个权值、 阈值设置成接近于  0 的随机值， 并初始化精度以控制 参数和学习率； A3:将训练集中的一组数据输入 模型， 并给 出目标输出； A4： 中间层计算输出， 得 出模型的实际输出； A5： 比较实际输出与目标输出， 计算中间层隐藏单 元的输出误差； A6： 依次计算各个权 重与偏置的调整量； A7： 依次调整权 重与偏置； A8： 训练结束， 保存权重与偏置于文件中， 训练形成稳定分类器后， 直接从文件中导出 保存的权 重与偏置进行 下一轮训练； A9： 分类器输出预测概率值。 5.根据权利要求1所述道路交通事故风险预测深度 学习算法， 其特征在于， 所述随机森 林网络算法包括多个决策树和自举汇聚算法。 6.根据权利要求1所述道路交通事故风险预测深度 学习算法， 其特征在于， 首先利用抽 样法从输入的特征映射中有效地抽取并形成K个自助样本集， 作为训练测试集， 每次未被抽 到的样本组成K个袋外样本集， 若经过特征提取后的交通数据集有M个特征， 当卷积长短记 忆随机森林神经网络分类决策树的每个节点需要分裂时， 随机从这M个特征中选出m个特 征， 然后再从这m个特征中选取一个作为该节点的分裂特征， 直至不能再分裂为止， 最后重 复前面的操作n次， 获得n个卷积长短记忆随机森林神经网络决策树， 从而建立随机森林神权　利　要　求　书 1/2 页 2 CN 114330541 A 2经网络。 7.根据权利要求1所述道路交通事故风险预测深度 学习算法， 其特征在于， 在所述步骤 S3中， 运用Pytho n语言进行仿真实验。权　利　要　求　书 2/2 页 3 CN 114330541 A 3