买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：四川警察学院;江苏大学

摘要：本发明公开一种基于深度学习和密度聚类的城市道路交通事故黑点预测方法及系统，构建基于CNN‑LSTM模型的预测模型利用CNN从空间数据学习事故的空间分布和影响因素，通过LSTM的序列建模能力从时序数据中学习事故的时间变化趋势，捕捉交通事故的长期依赖和周期性，提高预测的准确性和鲁棒性。利用CNN‑LSTM预测城市道路未来交通事故数量，然后通过DBSCAN基于密度进行聚类，识别事故密集的区域或路段，发现任意形状的交通事故黑点。本发明利用深度学习能有效利用海量数据且预测精度高的优点，再结合DBSCAN基于密度聚类的能力，能够识别任意形状的交通事故黑点。

主权项：1.一种基于深度学习和密度聚类的城市道路交通事故黑点预测方法，其特征在于，包括以下步骤：步骤1、获取研究区域内的历史的交通事故数据、道路结构数据、交通流数据以及气象数据；步骤2、从交通事故历史数据中提取每起事故的伤亡人数以及对应事故地点的经纬度；步骤3、将交通事故划分为四种类型，依次为轻微事故、一般事故、重大事故、特大事故，然后计算每种类型事故对应的数量，分别为n1、n2、n3、n4；步骤4、利用ArcGIS提取城市道路线形图像，得到城市道路线形图像集p，并按照对应交通事务类型分类，依次划分为轻微事故图像集p1、一般事故图像集p2、重大事故图像集p3和特大事故图像集p4；步骤5、构建基于CNN-LSTM模型的预测模型，所述基于CNN-LSTM模型的预测模型依次包括CNN网络模块、LSTM网络模块和输出层；CNN网络模块通过卷积-池化操作对城市道路线形图像进行特征提取，捕捉交通事故的空间分布关系，与不同类型事故的数量、交通流数据和气象数据特征拼接得到特征Xt'；LSTM网络模块从交通流数据、交通事故数据和气象数据中学习事故的时间变化趋势；输出层输出其所预测的交通事故数量预测结果yt；步骤6、对步骤5所得交通事故数量预测结果yt进行评估，并更新模型参数，提升预测效果；步骤7、使用基于DBSCAN算法的密度聚类模块对交通事故黑点进行聚类，形成不同的事故黑点；步骤8、将输出的簇结合经纬度数据在ArcGIS中将事故黑点进行可视化展示。

全文数据：

权利要求：

百度查询： 四川警察学院 江苏大学 基于深度学习和密度聚类的城市道路交通事故黑点预测方法及系统