时空图卷积网络下的路网交通事故风险预测_王庆荣.pdf

Computer Engineering and Applications计算机工程与应用2023，59（13）准确的交通事故风险预测可协助交通管理部门做出合理的道路管控，为出行者规划更安全的路线，保证道路交通系统正常运行。世界卫生组织发表的 全球道路安全状况报告1指出约有 135万人死于交通事故。时空图卷积网络下的路网交通事故风险预测王庆荣1，周禹潼1，朱昌锋2，吴玉玉11.兰州交通大学 电子与信息工程学院，兰州 7300702.兰州交通大学 交通运输学院，兰州 730070摘要：路网交通事故预测是实现道路管控、路线规划的最重要方式之一。考虑到路网中各路段特征与环境因素的影响，建立基于图卷积神经网络（GCN）和门控循环单元（GRU）的时空门控图卷积（STGRGCN）模型预测交通事故风险。通过GCN提取出道路间的空间关联性，通过GRU提取出环境因素中的时间关联性，再通过GCN与GRU的复合模块提取出时空关联性。选取美国全国交通事故数据集中洛杉矶市和休斯顿市相关数据对模型进行检验，STGRGCN模型的均方根误差、平均绝对误差以及召回率在两个城市分别为4.09、2.14、0.714和5.79、3.24、0.683，优于已有统计模型、机器学习模型以及复合模型。设计该除各模块的消融实验，证明该模型各模块皆有助于提升预测性能。关键词：交通事故风险预测；图卷积网络；门控循环单元；注意力机制；深度学习文献标志码：A中图分类号：TP399doi：10.3778/j.issn.1002-8331.2203-0361Road Network Traffic Accident Risk Prediction Based on Spatio-Temporal Graph ConvolutionNetworkWANG Qingrong1,ZHOU Yutong1,ZHU Changfeng2,WU Yuyu11.School of ElectronicInformation Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China2.School of TrafficTransportation,Lanzhou Jiaotong University,Lanzhou 730070,ChinaAbstract：Road network traffic accident prediction is one of the most important ways to realize road management andcontrol and route planning.Considering the characteristics of each road section in the road network and the influence ofenvironmental factors,a spatiotemporal gated graph convolution（STGRGCN）model based on graph convolution network（GCN）and gated recurrent unit（GRU）is established to predict the risk of traffic accidents.The spatial correlationbetween roads is extracted through GCN,the temporal correlation in environmental factors is extracted through GRU,andthen the temporal and spatial correlation is extracted through the composite module of GCN and GRU.The relevant dataof Los Angeles and Houston in the national traffic accident dataset of the United States are selected to test the model.Theroot mean square error,average absolute error and recall rate of STGRGCN model are 4.09,2.14,0.714 and 5.79,3.24,0.683 respectively in the two cities,which are better than the existing statistical model,machine learning model andcomposite model.The ablation experiment of removing each module is designed to prove that each module of this modelis helpful to improve the prediction performance.Key words：traffic accident risk prediction;graph convolution network（GCN）;gated recurrent unit（GRU）;attentionmechanism;deep learning工程与应用基金项目：国家自然科学基金（71961016）；教育部人文社会科学研究规划基金（18YJAZH148）；甘肃省自然科学基金（20JR10RA212，20JR10RA214）。作者简介：王庆荣（1977），女，教授，主要研究领域为智能交通、应急物流，E-mail：；周禹潼（1998），男，硕士研究生，主要研究领域为深度学习、智能交通；朱昌锋（1972），男，教授，博士生导师，主要研究领域为轨道交通运输组织优化；吴玉玉（1996），女，硕士研究生，主要研究领域为机器学习、智能交通。收稿日期：2022-03-18修回日期：2022-06-02文章编号：1002-8331（2023）13-0266-072662023，59（13）由此，构建可靠的交通事故风险预测系统来减少交通事故发生，具有重大研究意义。交通系统是经济发展中不可或缺的一环，随着交通系统的不断扩充，车辆规模也在日益增长，出行车辆将面临更大的交通事故风险。因此，如何有效、精准地预测交通事故风险，是交通管控、出行保障的关键。相关学者已对交通事故风险预测做出大量研究，研究方法可被分为统计模型和机器学习模型两大类。统计模型以指数平滑模型和自回归综合移动平均模型（autoregressive integrated moving average，ARIMA）为代表。因ARIMA模型对规律性较强的平稳序列数据的预测更加准确，所以应用更为广泛。Ihueze等人2通过建立具有解释变量的自回归综合移动平均线（autore-gressive integrated moving average with explanatoryvariables，ARIMAX）模型和ARIMA模型实现对尼日利亚阿南布拉州的事故发生频率作出预测。虽然统计模型在线性数据中表现很好，但由于无法提取复杂特征，因此在非线性事故数据中的运用存在缺陷，预测精准度较低。随着科技进步，设备计算能力大幅提升，将机器学习方法应用到交通事故预测的方式开始备受关注。机器学习模型主要有决策树、贝叶斯网络和深度学习等。Chang等人3利用决策树，通过建立交通事故与公路结构、交通特征和环境因素之间的关系预测高速公路事故概率。Hossain等人4基于贝叶斯网络通过涉谷 3号和新宿4号高速公路收集到的数据提出实时碰撞预测模型，并得到较好结果。相比统计模型，以上研究预测精准度总体提升，但预测性能仍有很大提升空间。随着大数据时代的到来，庞大的交通事故数据集为研究人员提供了数据基础。数据量的增多让深度学习成为研究的主流方法，研究人员可通过数据驱动方式，更加充分地提取事故数据相关特征其内在联系。考虑到交通事故数据的时空特性，相关研究分别提取时间或空间特性进行建模预测。如 Ren 等人5基于 LSTM（long short-term memory）构建出TARPML模型从时间维度建模，充分提取事故数据的时间特征。Najjar 等人6则通过 CNN（convolutional neural network）实现在卫星地图中提取空间特征来进行预测。CNN通过其特有的卷积操作，可充分提取出空间特征，因此被广泛使用在众多领域。但CNN对空间特征的提取仍存在一定的局限性，其所提取的数据大多为图片，视频这类欧式空间数据，而生活中更常见的是如人际关系网络、知识图谱、路网等这样的非欧式空间数据。因此，在路网这类非欧式空间数据域中，通过运用CNN提取出的空间相关性特征不够充分。传统深度学习模型预测表现虽优于大多传统机器学习模型，但交通事故的发生不仅仅是时间或者空间因素导致，而是由两者共同决定。因此准确预测交通事故的发生，需要提取出数据在时间、空间的潜在关联性。Che等人7通过堆叠CNN构建出堆栈降噪自动编码器预测厦门岛交通事故风险，并验证预测结果优于同一数据集下决策树模型。相关学者尝试通过构建复合模型实现交通事故预测。Yuan等人8提出的Hetero-ConvLSTM模型在LSTM上引入卷积算子，同时提取出时间、空间特征。将爱荷华州按照网格划分后，通过对比城市与农村事故特征，分析空间异质性对结果带来的影响，并实现对爱荷华州交通事故风险预测。相较于网格划分区域，Zhu等人9将预测区域按照行政区域划分，反映出真实区域的空间关系，所提出的TA-STAN模型通过带有时空注意力机制门控循环单元对纽约市事故风险进行预测。但以上研究对于空间特征的提取仍是基于区域，而真实的交通事故发生应该基于道路层面，因此没有充分提取出具体道路之间的隐性特征，若能提取道路间空间结构特征则可实现更精确的预测。如何将研究区域细化到真实道路中也是一项难题。目前对于地理区域空间特征提取的相关研究大多将预测区域划分为网格，并由网格中平均事故风险来代表区域内所有路段事故风险。但粗略的预测并不能准确地反映出发生在具体道路上的事故风险。图卷积神经网络10（graph convo-lutional network，GCN）的出现对于路网这类非欧式数据的空间特征提取更加充分，已被运用于众多领域。在交通流预测领域中，文献11-13皆在所提出模型中运用GCN实现对道路结构特征的提取，并通过与不同的时间序列模型组合，准确挖掘出路网中各类特征的时空相关性，在不同时段、路段的预测均取得较好结果。相关学者就交通事故风险预测的研究已取得一系列成就，但预测性能还有待提高，实现更加充分、全面地提取特征进行交通事故预测仍面临许多难题。除时空、气温因素外，天气因素也会对事故的发生产生一定的影响。如大雾天气影响驾驶员视线，影响驾驶员的临时反应速度；雨天会减少轮胎与地面的摩擦，也容易导致交通事故的发生。由此可见，精准的事故预测需要考虑天气因素带来的影响。此外，相较于庞大的交通数据，交通事故属于稀有事件，在所收集的数据中只有少部分代表着事故的发生。数据样本不平衡导致的数据零膨胀问题，也对预测结果存在一定影响。为解决以上问题，本文提出一种时空门控图卷积预测框架，建立了交通事故风险预测模型。主要贡献有：（1）充分考虑了影响交通事故发生的多种因素，如具有时空特性的平均车流量数据，具有空间特性的路网结构信息，以及具有时间特性的天气、节假日及季节因素。（2）通过引入加权L2损失函数，解决了样本不平衡导致的数据零膨胀问题。（3）将研究区域细化至道路层面，基王庆荣，等：时空图卷积网络下的路网交通事故风险预测267Computer Engineering and Applications计算机工程与应用2023，59（13）于真实交通事故路段进行预测，提高预测结果的可靠性和参考价值。（4）提出STGRGCN模型，从时间、空间和时空相关性建模，充分、全面地提取出交通事故数据的特征及不同特征之间的潜在关联性。并与基准模型以及变体模型进行对比实验，在多个指标下验证模型的性能。1问题描述交通事故风险预测可通过图结构预测问题实现，图1描述了如何将多条路段用图结构表示。图1（a）为包含A、B、C、D四条路段的十字路口，从图中可看出路段之间的空间关系为两两互相连通。将路段A、B、C、D看作图结构中的节点，以图结构中的边表示路段间是否相连，构建出图1（b）所示该路口的图结构。在图1（b）中，节点A、B、C、D间互相连通，与其路段间真实空间结构关系相同。因此，本文将按照此方式将路网转换为图结构。对于给定图G=()V,E,A，V代表节点集合，E代表边集合，A为图的邻接矩阵。图G则为本文所预测区域，节点vi中可包含路段坐标、长度，POI类型，车流量，事故风险等级等本文所需要数据，viV。ei代表两路段是否相邻，反映路段间的空间结构关系，eiE。交通事故风险预测问题则可以描述为通过给定前t个历史时间段特征图()G1,G2,Gt，预测下一个时间段的特征图Gt+1：Gt+1=f()G1,G2,Gt（1）其中，GtRIN为t时刻包含I条路段的N维特征的路网图，f为预测模型。2时空门控图卷积交通事故预测模型本文所提出的 STGRGCN 模型框架如图 2 所示。此模型主要由三部分组成，包括空间相关性模块、时间相关性模块和时空相关性模块。空间相关性模块以真实路网转换得到的图结构数据作为输入，通过多层图卷积提取出路段间的空间相关性特征。在时空相关性模块中，以不同时刻路网图中路段的车流量作为输入数据，通过门控图卷积模块对时空相关性特征进行提取，并引入注意力机制动态地筛选出重要历史数据。时间相关性模块中以天气、季节、节假日数据作为输入，研究不同时间因素对交通事故预测的影响。最后，全连接（FC）层将三个模块提取出的特征作为输入，输出最终预测结果Y?。2.1空间相关性模块目前已有大量研究致力于图数据中运用深度学习14-15，由此提出图神经网络（graph neural network，GNN）。GCN作为GNN中的研究热点，将卷积操作运用于图数据，实现更加充分地提取图中节点间的结构信息。本文将使用多层图卷积神经网络组成空间相关性模块，提取路网中的结构信息。如路段经纬度、路段长度、POI这类不受时间因素影响的数据。首先，基于各路段信息使用JS散度构建关联度邻接矩阵Ai,j，表示如下：Ai,j=SIM(vi,vj)0,1,vi,jV0,else（2）式中，vi,j为节点集合V中任意两个节点所表示的路段，SIM(vi,vj)表示路段vi与vj的相似程度，相似度越高其值越低。节点vi可用N维向量表示其特征信息，根据上述路段特征信息可引入JS散度公式：SIM(i,j)=1-JS(vi,vj)（3）JS(vi,vj)=12KL(vi|vi+vj2)+12KL(vj|vi+vj2)（4）图1路段转换为图结构示意图Fig.1Diagram of road section convert to graph（a）十字路口（b）图结构ABCD图2STGRGCN模型框架示意图Fig.2Diagram of STGRGCN model framework空间相关性模块时空相关性模块时间相关性模块GG1G2Gt天气 季节 节假日GCNBNReLUGCNBNReLUGCNBNReLUGCNBNReLUGRU BlockGRUGRUGRUAttention特征融合层FCYt1t2tn n2682023，59（13）KL(vi|vj)=pvi(p)lnvi(p)vj(p)（5）其中vi(p)和vj(p)表示道路vi和道路vj的特征，根据计算结果选取相似度最高的前K个节点作为当前节点的一阶邻居，构建出路网图的关联度邻接矩阵Ai,j。通过图卷积神经网络可提取出节点vi及其邻域空间结构信息，GCN 各层之间的传播方式可由公式（6）表示：H()l+1=(D?-12A?D?-12H(l)Wl)（6）式中，A?=I+A，I为单位矩阵，D为对角阵，D?i,j=A?i,j，H(l)为l层的输入，Wl为l层的权重参数，H()l+1为l层的输出。为了提高模型的鲁棒性，在图卷积模块后引入批量归一化处理，再通过ReLU激活函数提取出数据中的非线性特征。经过以上处理，空间相关性模块中图卷积层计算公式如下：H()l+1=ReLU(BN(D?-12A?D?-12H(l)Wl)（7）其中，BN为批量归一化，H()l+1为l层输出的特征。2.2时间相关性模块时间相关性模块将提取天气、节假日及季节数据中的时间特征，研究其对交通事故的影响。选取的天气数据包括气温、风速、能见度以及天气类型，其中天气类型包括晴天，多云，雨天，雪天。在所选取的数据中，天气类型与季节为非数值类型，将以独热码的形式表示为数值数据。节假日若存在表示为1，反之为0。本文默认同一区域共享同一天气数据，不涉及空间因素，且季节和节假日皆与空间位置无关。因此在本模块中仅使用到时间序列模型。相较于RNN，GRU避免了梯度消失和梯度爆炸带来的一系列问题。虽然GRU与 LSTM 训练精度相近，但与结构更复杂的 LSTM 相比，GRU 具有更少的参数，从而提高了训练效率16。GRU的计算公式如下：zt=(Wzxt+Uzht-1+bz)（8）rt=(Wrxt+Urht-1+br)（9）h?t=tanh(Whxt+Uh(rtht-1)+bh)（10）ht=(1-zt)ht-1+zth?t（11）其中，zt、rt分别代表t时刻的更新门和重置门，h?t为t时刻的候选状态，ht为当前状态，Wz、Uz、Wr、Ur皆为需要训练的参数；xt为代表天气、季节、节假日特征的多维向量。2.3时空相关性模块时空相关性模块所选取的数据为平均车流量。但车流量数据庞大，考虑设备算力的可行性，以及模型效率，本文将对此数据进行处理。首先将空间区域划分为aa个子区域，在相同子区域中的所有道路共享该区域平均车流量数据。位于区域边缘的道路会涉及多个子区域，本文将对此类路段的起点及终点经纬度求平均值，所求的平均经纬度则为边缘区域路段的坐标，最后根据此坐标将路段划分入对应区域。边缘区域路段坐标由以下公式描述：Roadi=(Lati,Lngi)（12）Lati=|LatStarti-LatEndi|2（13）Lngi=|LngStarti-LngEndi|2（14）其中，LatStarti和LatEndi分别为路段起点和终点的纬度；LngStarti和LngEndi分别为路段起点和终点的经度。Roadi表示路段i经处理后的坐标，Lati与Lngi分别为路段的纬度和经度。车流量数据在同一时间不同空间、同一空间不同时间或不同时间不同空间下表现出的结果皆不相同，因此车流量数据隐含着时空特性。在时空相关性模块中，通过GCN提取出空间特征，通过GRU从GCN的输出矩阵中提取时间特征，实现时空特征的充分提取。因为不同时刻提取出的特征对事故发生的影响不同，通过注意力机制17计算每个特征的权重，捕获历史信息对结果的影响。公式如下：et=vTetanh(Weht+be)（15）t=exp(et)i=1Texp(ei)（16）p=i=1Tihi（17）其中，et为t时刻GRU提取的当前状态ht对应的得分值，t为t时刻下对应的权重系数，最终得到的输出p为t时刻下提取出的时空特征的加权表示。2.4特征融合层STGRGCN模型将通过特征融合层将空间相关性模块、时间相关性模块以及时空相关性模块提取出的特征转换为一维张量，并由全连接层进行最终的预测。为解决零膨胀问题，提高实验结果准确性，通过设计加权L2损失函数，为严重事故给予更大的权值。本文事故将事故风险等级设为1、2、3、4，事故严重性按照数值递增，以I表示。为实现不同程度事故被赋予不同权重，引入的加权L2损失函数表示如下：Loss()Y,Y?=1NnNki()Yn-Y?n（18）其中，Y为真实数据，Y为预测值，N为事故样本数，ki为代表事故风险等级为i的权重系数，iI。王庆荣，等：时空图卷积网络下的路网交通事故风险预测269Computer Engineering and Applications计算机工程与应用2023，59（13）3实验分析3.1数据来源本文实验数据来源于Kaggle的美国交通事故数据集，包含2016至2020年美国49个州的交通事故数据。此数据集通过多个数据提供方收集数据，包括美国国家交通部门、执法部门、交通摄像头以及路网中的交通传感器。图3显示美国事故高发城市，本次实验选择洛杉矶和休斯顿市作为研究对象，分别包含 39 984 条和20 843条数据。结合洛杉矶交通部（LATOD）和休斯顿开放数据门户网站，处理并构建出本次实验所需数据集。按照比例8 1 1将数据划分为训练集、验证集以及测试集。本数据集中的数据项包含事故数据、交通状况、天气数据、季节、节假日、POI数据。事故数据包括事故坐标、发生时间、严重程度、道路属性等。气象数据包括气温、能见度、天气等，天气数据包括晴天、雨天、多云、阴天等。POI数据表示事故发生地附近的设施，包括基础设施（学校、商场、银行等）、车站、铁路等。考虑可行性，交通状况由区域内的车流量表示，在同一区域下的所有道路共享同一车流量。数据集中如天气类型、POI 类别、季节等非数值数据，皆使用one-hot编码表示。本文实验用到的所有数据如表1所示。3.2实验环境及参数本文实验使用的电脑CPU为AMD Ryzen 5 5600Hwith Radeon Graphics 3.30 GHz，内存为 16 GB，GPU为NVIDIAGeForceRTX3050。开发语言为Python 3.7，开发环境为Pycharm，并使用PyTorch 1.5.0框架进行实验。经实验确定k跳邻居k值设置为10，空间、时空特征提取层中图卷积网络层数设置为4；时间特征提取模块中的GRU层数为3，隐藏层单元数皆为128；学习率为0.001，BATCH_SIZE为64。本文模型中隐藏层单元数的设置对模型性能存在重要影响。为确定最佳参数，本文选取洛杉矶市数据集并设计相关实验。如图4所示，分别设置隐藏层单元数为32、64、128、256。从图中看出，当隐藏层单元数为128时，模型的RMSE与MAE指标最低，此时模型预测性能最佳。因此在本文模型中将隐藏层单元数设置为128。3.3评价指标为使得评价结果更全面，本文选取回归评价指标均方根误差（RMSE）、平均绝对误差（MAE），以及分类指标召回率（Recall）作为评价指标。通过设置事故风险等级阈值，将大于该阈值的样本设为正样本，反之为负样本。公式如下：RMSE=1Ni=1N()Yi-Y?i2（19）MAE=1Ni=1N|Yi-Yi|（20）Recall=TPTP+FN（21）式中，N为样本数量，TP为发生事故样本，FN为未发生事故样本。3.4对比实验分析为验证本模型性能，选取基准模型、经典组合模型进行对比。本次实验用到的模型包括：历史平均（HA）模型、自回归移动平均（ARIMA）模型、支持向量回归（SVR）模型、多层感知机（MLP）模型、卷积神经网络（CNN）模型、门控循环单元（GRU）模型、基于CNN 的堆叠降噪自动编码器（SDACE）模型、CNN和LSTM相结合的异质卷积长短时记忆网络（Hetero-ConvLSTM）模型，以及本文所提出的STGRGCN模型。如表2所示，HA、ARIMA和SVR模型整体预测效果较差，因为这三种模型更适用于提取线性特征，对于图3美国高发事故城市Fig.3Accident prone cities in United States39 98436 23322 20320 84319 49710 00015 00020 00025 00030 00035 00040 00045 000事故数量城市Los AngelesMiamiCharlotteHoustonDallas表1实验数据项Table 1Experimental data items数据类型事故数据交通状况气象数据季节节假日POI数据数据项事故坐标、发生时间、严重程度、道路属性区域交通流量数据气温、能见度、天气、风速春、夏、秋、冬是、否基础设施、车站、铁路、减速带、交叉路口、车站等图4不同隐藏层单元数下模型的预测性能Fig.4Predictive performance of proposed model underdifferent number of hidden units0246810121416182022243264128256隐藏层单元数性能指标RMSEMAE2702023，59（13）交通事故数据中复杂的非线性特征无法充分地提取，导致预测表现较差。相比之下，MLP、CNN以及GRU这类深度学习模型通过神经网络的特性能提取出数据中隐藏的非线性特征，预测性能略有提升。由于CNN对空间特征提取更加充分，GRU对时间特征提取更加充分，因此两者相较于 MLP 模型的预测性能上也有略微提升。SDACE通过多层CNN更加充分地体提取空间特征，但没有考虑充足时间相特征，也没有考虑足够的外部因素。Hetero-ConvLSTM分别提取了空间以及时间特征，但基于区域预测并不能充分反映出空间内部相关性。本文提出的STGRGCN模型，除引入天气因素以及基于图提取时空内部相关性外，还通过加权函数解决零膨胀问题。从表中可以看出，相较于其他现有模型，STGRGCN模型预测性能最优。3.5消融实验分析为研究STGRGCN模型中各模块对预测结果的影响，通过逐步去除各组件来对比分析实验结果。设计的变体模型包括：STGRGCN模型去除空间相关性模块的TGRGCN模型，去除时间相关性模块的SGRGCN模型，去除时空相关性模块的GRGCN模型，去除注意力机制的noAt-STGRGCN模型以及使用非加权L2损失函数得到的noWeight-L2loss模型。数据仅选用洛杉矶事故数据，如图 5展示各变体模型在 RMSE、MAE及 Recall指标下预测表现。从图5中可以看出，不同组件的减少都会降低最终的预测性能，说明STGRGCN模型各个组件对预测准确性都起到提升作用。其中，去除时空相关性提取层的GRGCN预测性能最差，可得出，在时空相关性模块中使用的车流量数据为交通事故预测中最重要的特征。仅去除注意力机制的noAt-STGRGCN模型和使用非加权 L2 损 失 函 数 的 noWeight-L2loss 模 型 与 原 始 的STGRGCN模型性能最接近，因此注意力机制和加权L2损失函数的引入虽然对预测准确性影响不大，但仍有一定提升。SGRGCN模型较TGRGCN模型的预测准确率略高，说明在交通事故预测中，空间特征比时间特征更加能反映出事故特征。4结束语本文提出 STGRGCN 模型用于交通事故风险预测。此模型通过GCN和GRU提取交通事故数据中时空特征以及内部关联性，并在时空相关性模块引入注意力机制，考虑历史时刻事故数据特征。与多种基准及经典模型对比实验结果表明，STGRGCN模型的交通事故风险预测精准度有所提升。与变体模型对比实验结果表明，STGRGCN模型中各部分组件皆有助于提高预测性能。预测结果对于交通管理，安全路线规划具有重要参考价值及现实意义。然而，本研究对于天气数据处理不够充分，默认事故在同一时刻不同区域共享同一天气条件。真实情况应为相邻区域也可能存在不同天气状况，在以后的研究中可选择更详细数据集，将区域划分后分配不同天气。同时，驾驶因素也应是导致交通事故的重要特征之一，由于此类数据不利于收集，目前很少被考虑。但随着科技发展，收集驾驶行为数据作为事故预测领域所需特征，也将会是之后的研究重点。参考文献：1 World Health Organization.Global status report on road表2对比实验结果Table 2Comparative experimental resultsModelsHAARIMASVRMLPCNNGRUSDACEHetero-ConvLSTMSTGRGCNLos AngelesRMSE7.888.098.236.415.715.895.114.644.09MAE4.574.764.183.643.193.352.982.712.14Recall/%59.354.855.464.365.966.767.569.471.4HoustonRMSE9.029.479.778.097.417.616.536.025.79MAE5.165.425.634.664.024.393.623.373.24Recall/%56.752.952.360.262.162.865.466.768.3图5变体模型对比结果Fig.5Comparison results of variant models1234567RMSEMAESTGRGCNSGRGCNTGRGCNGRGCNnoAt-STGRGCNnoWeight-L2loss指标值505560657075模型Recall/%STGRGCNSGRGCNTGRGCNGRGCNnoAt-STGRGCNnoWeight-L2loss（a）变体模型RMSE和MAE指标（b）变体模型Recall指标王庆荣，等：时空图卷积网络下的路网交通事故风险预测271Computer Engineering and Applications计算机工程与应用2023，59（13）safety 2018R.2018.2 IHUEZE C C，ONWURAH U O.Road traffic accidentsprediction modelling：an analysis of anambra state，nige-riaJ.Accident Analysis&Prevention，2018，112：21-29.3 CHANG L Y，CHEN W C.Data mining of tree-basedmodels to analyze freeway accident frequencyJ.Journalof Safety Research，2005，36（4）：365-375.4 HOSSAIN M，MUROMACHI Y.A Bayesian network basedframework for real-time crash prediction on the basic free-way segments of urban expresswaysJ.Accident Analysis&Prevention，2012，45：373-381.5 REN H，SONG Y，WANG J，et al.A deep learning approachto the prediction of short-term traffic accident riskJ.arXiv：1710.09543，2017.6 NAJJAR A，SHUN ICHI K，YOSHIKAZU M.Combiningsatellite imagery and open data to map road safetyC/Proceedings of the 31st AAAI Conference on ArtificialIntelligence，San Francisco，Feb 4-9，2017.7 CHE N，FAN X，ZHENG C，et al.SDCAE：stack denoisingconvolutional autoencoder model for accident risk pre-diction via traffic big dataC/Proceedings of the 6thInternational Conference on Advanced Cloud and BigData（CBD），2018.8 YUAN Z N，ZHOU X，YANG T B.Hetero-ConVLSTM：a deep learning approach to traffic accident predictionon heterogeneous spatio-temporal dataC/Proceedingsof the 24th ACM SIGKDD International Conferenceon Knowledge Discovery&Data Mining，London，Aug19-23，2018：984-992.9 ZHU L，TIAN R L，SHENG D D.TA-STAN：a deep spatial-temporal attention learning framework for regional trafficaccident risk predictionC/Proceedings of 2019 Interna-tional Joint Conference on Neural Networks（IJCNN），2019.10 BRUNA J，ZAREMBA W，SZLAM A，et al.Spectralnetworks and locally connected networks on graphsJ.arXiv：1312.6203，2013.11 BOUKERCHE A，WANG J H.A performance modelingand analysis of a novel vehicular traffic flow predictionsystem using a hybrid machine learning-based modelJ.Ad Hoc Networks，2020，106：102224.12 ZHAO L，SONG Y J.T-GCN：a temporal graph convo-lutional network for traffic predictionJ.IEEE Transac-tions on Intelligent Transportation Systems，2020，21（9）：3848-3858.13 CUI Z Y，HENRICKSON K，KE R，et al.Traffic graphconvolutional recurrent neural network：a deep learningframework for network-scale traffic learning and fore-castingJ.IEEE Transactions on Intelligent Transporta-tion Systems，2020，21（11）：4883-4894.14 ZHOU J，CUI G，HU S，et al.Graph neural networks：areview of methods and applicationsJ.AI Open，2020，1：57-81.15 WU Z H.A comprehensive survey on graph neuralnetworksJ.IEEE Transactions on Neural Networks andLearning Systems，2020，32（1）：4-24.16 CHUNG J，PAN S，CHEN F，et al.Empirical evaluation ofgated recurrent neural networks on sequence modelingJ.arXiv：1412.3555，2014.17 MNIH V，NICOLAS H，ALEX G.Recurrent models ofvisual attentionC/Advances in N