CN110458370A - 一种基于开放数据的城市道路安全预测方法及*** - Google Patents
一种基于开放数据的城市道路安全预测方法及*** Download PDFInfo
- Publication number
- CN110458370A CN110458370A CN201910762822.6A CN201910762822A CN110458370A CN 110458370 A CN110458370 A CN 110458370A CN 201910762822 A CN201910762822 A CN 201910762822A CN 110458370 A CN110458370 A CN 110458370A
- Authority
- CN
- China
- Prior art keywords
- image
- traffic accident
- satellite image
- urban roads
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 133
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000005259 measurement Methods 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000013507 mapping Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于开放数据的城市道路安全预测方法及***,涉及计算机视觉技术领域。首先通过开放数据平台收集卫星图像和交通事故点信息,并根据交通事故点信息将事故点标注在卫星图像对应的位置上,构成与卫星图像大小一致的交通事故点图像;然后使用卫星图像和交通事故点图像训练一个稀疏深度生成神经网络模型,直至网络模型收敛;最后利用训练好的稀疏深度生成神经网络模型来预测其他城市的道路安全。本发明使用开放数据,克服了以往预测道路安全面临的数据成本高的问题,且只需要将实测城市的卫星图像输入到训练好的稀疏深度生成神经网络模型中,就能预测该城市交通事故发生的位置,大大提高了预测效率。
Description
技术领域
本发明涉及计算机视觉技术领域,特别是涉及一种基于开放数据的城市道路安全预测方法及***。
背景技术
随着现代城市的飞速发展,城市交通***变得尤为重要,而交通事故是阻碍***正常运行的关键因素。交通事故也给人们带来巨大的损失。交通事故的预防成为公共安全领域的重要课题。为了预防交通事故,很多学者做了研究。但是,由于造成交通事故的各方面数据的缺乏,导致预防交通事故的研究很难推进。近年来随着大数据技术、物联网技术和地理信息***的发展,使得利用交通事故大数据的挖掘分析而有效避免交通事故的发生成为可能。
传统的一些研究中,通过路口监视机制来预防交通事故。首先,对一个路口固定视角的监视视频处理,得到画面中车辆特征和轨迹;然后,使用特征和轨迹训练一个可以预测车辆行进模式的神经网络;最后,对进入同一个路口的不同车辆进行特征和轨迹获取,将他们的预测模式输入到一个条件概率模型中,预测出两个车辆发生碰撞的可能性。这类方法只能监视预测一个路口,如果是城市范围内广泛使用,代价昂贵且繁琐。
另一些研究中,通过探讨造成交通事故的因素和事故之间的对应关系来预测交通事故。首先,收集大量的交通事故信息,包括时间、气温、风速、道路状况、道路限速等;然后,将这些与交通事故相关的特征输入某种分类器,比如支持向量机、决策树、随机森林或神经网络,训练分类器直到收敛;最后,将某个路段或地点的相关因素输入到分类器,预测出该地点是否发生交通事故。这类方法可以广泛的预测路段或地点的交通事故可能性,但是相关因素的收集往往是很困难的。
发明内容
为了解决上述背景技术提到的技术问题,本发明提供了一种基于开放数据的城市道路安全预测方法及***,让交通事故的预测成本更低、效率更高。
为实现上述目的,本发明提供了如下方案:
一种基于开放数据的城市道路安全预测方法,包括:
获取城市道路开放数据并进行预处理;所述城市道路开放数据包括卫星图像和交通事故点信息;
采用核密度估计算法,将所述交通事故点信息与预处理后的卫星图像结合,生成交通事故点图像;
将图像对依次输入到已构建的稀疏深度生成神经网络模型中以训练所述稀疏深度生成神经网络模型,得到城市道路安全预测模型;所述城市道路安全预测模型的输入为预处理后的卫星图像,所述城市道路安全预测模型的输出为交通事故点图像;所述图像对包括预处理后的卫星图像以及预处理后的卫星图像对应的交通事故点图像;
获取实测城市的卫星图像并进行预处理;
将预处理后的实测城市的卫星图像输入到所述城市道路安全预测模型中以获取实测城市的交通事故点图像,并根据实测城市的交通事故点图像预测实测城市发生交通事故的位置信息。
可选的,所述获取城市道路开放数据并进行预处理,具体包括:
获取城市道路开放数据;所述城市道路开放数据包括卫星图像和交通事故点信息;
对所述卫星图像进行合并缩放处理,得到预处理后的卫星图像。
可选的,所述采用核密度估计算法,将所述交通事故点信息与预处理后的卫星图像结合,生成交通事故点图像,具体包括:
提取预处理后的卫星图像区域内的GPS坐标范围;
根据所述交通事故点信息,确定所述GPS坐标范围内发生交通事故的位置信息;
采用核密度估计算法,将发生交通事故的位置信息标注在预处理后的卫星图像上,生成预处理后的卫星图像对应的交通事故点图像。
可选的,所述将图像对依次输入到已构建的稀疏深度生成神经网络模型中以训练所述稀疏深度生成神经网络模型,得到城市道路安全预测模型,具体包括:
构建多个图像对并将所述图像对划分为训练图像对和测试图像对;
将所述训练图像对依次输入到已构建的稀疏深度生成神经网络模型中以调整所述稀疏深度生成神经网络模型的权重,得到初步城市道路安全预测模型;所述稀疏深度生成神经网络模型的基础网络模型为pix2pixHD网络模型,所述稀疏深度生成神经网络模型的损失函数为稀疏约束损失函数;
将所述测试图像对依次输入到初步城市道路安全预测模型中以确定所述初步城市道路安全预测模型的准确率,并当所述初步城市道路安全预测模型的准确率小于设定准确率时重新训练所述稀疏深度生成神经网络模型,当所述初步城市道路安全预测模型的准确率大于或者等于所述设定准确率时,将所述初步城市道路安全预测模型确定为最终的城市道路安全预测模型。
可选的,所述获取实测城市的卫星图像并进行预处理,具体包括:
获取实测城市的卫星图像,并对实测城市的卫星图像进行合并缩放处理,得到预处理后的实测城市的卫星图像。
一种基于开放数据的城市道路安全预测***,包括:
第一获取模块,用于获取城市道路开放数据并进行预处理;所述城市道路开放数据包括卫星图像和交通事故点信息;
交通事故点图像生成模块,用于采用核密度估计算法,将所述交通事故点信息与预处理后的卫星图像结合,生成交通事故点图像;
城市道路安全预测模型确定模块,用于将图像对依次输入到已构建的稀疏深度生成神经网络模型中以训练所述稀疏深度生成神经网络模型,得到城市道路安全预测模型;所述城市道路安全预测模型的输入为预处理后的卫星图像,所述城市道路安全预测模型的输出为交通事故点图像;所述图像对包括预处理后的卫星图像以及预处理后的卫星图像对应的交通事故点图像;
第二获取模块,用于获取实测城市的卫星图像并进行预处理;
交通事故位置信息预测模块,用于将预处理后的实测城市的卫星图像输入到所述城市道路安全预测模型中以获取实测城市的交通事故点图像,并根据实测城市的交通事故点图像预测实测城市发生交通事故的位置信息。
可选的,所述第一获取模块,具体包括:
获取单元,用于获取城市道路开放数据;所述城市道路开放数据包括卫星图像和交通事故点信息;
第一预处理单元,用于对所述卫星图像进行合并缩放处理,得到预处理后的卫星图像。
可选的,所述交通事故点图像生成模块,具体包括:
提取单元,用于提取预处理后的卫星图像区域内的GPS坐标范围;
位置信息确定单元,用于根据所述交通事故点信息,确定所述GPS坐标范围内发生交通事故的位置信息;
生成单元,用于采用核密度估计算法,将发生交通事故的位置信息标注在预处理后的卫星图像上,生成预处理后的卫星图像对应的交通事故点图像。
可选的,所述城市道路安全预测模型确定模块,具体包括:
图像对构建划分单元,用于构建多个图像对并将所述图像对划分为训练图像对和测试图像对;
训练单元,用于将所述训练图像对依次输入到已构建的稀疏深度生成神经网络模型中以调整所述稀疏深度生成神经网络模型的权重,得到初步城市道路安全预测模型;所述稀疏深度生成神经网络模型的基础网络模型为pix2pixHD网络模型,所述稀疏深度生成神经网络模型的损失函数为稀疏约束损失函数;
测试调整单元,用于将所述测试图像对依次输入到初步城市道路安全预测模型中以确定所述初步城市道路安全预测模型的准确率,并当所述初步城市道路安全预测模型的准确率小于设定准确率时重新训练所述稀疏深度生成神经网络模型,当所述初步城市道路安全预测模型的准确率大于或者等于所述设定准确率时,将所述初步城市道路安全预测模型确定为最终的城市道路安全预测模型。
可选的,所述第二获取模块,具体包括:
第二预处理单元,用于获取实测城市的卫星图像,并对实测城市的卫星图像进行合并缩放处理,得到预处理后的实测城市的卫星图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于开放数据的城市道路安全预测方法及***。首先通过开放数据平台收集卫星图像和交通事故点信息,并根据交通事故点信息将事故点标注在卫星图像对应的位置上,构成与卫星图像大小一致的交通事故点图像;然后使用卫星图像和交通事故点图像训练一个稀疏深度生成神经网络模型,直至网络模型收敛;最后利用训练好的稀疏深度生成神经网络模型来预测其他城市的道路安全。本发明使用开放数据克服了以往预测道路安全面临的数据成本高的问题,且本发明只需要将实测城市的卫星图像输入到训练好的稀疏深度生成神经网络模型中就能预测该城市交通事故发生的位置,大大提高了预测效率;另外,卫星图像和交通事故之间有强关联性,通过卫星图像丰富的视觉特征可以表征交通事故发生的可能性,保证了预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于开放数据的城市道路安全预测方法的流程示意图;
图2为本发明实施例基于开放数据的城市道路安全预测方法的整体图例流程图;
图3为本发明实施例输入稀疏深度生成神经网络模型的图像对示意图;其中,图3(a)表示预处理后的卫星图像,图3(b)表示交通事故点图像;
图4为本发明实施例B城市的测试结果图;图4(a)表示第一测试结果图,图4(b)表示第二测试结果图,图4(c)表示第三测试结果图,图4(d)表示第四测试结果图;
图5为本发明实施例基于开放数据的城市道路安全预测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于开放数据的城市道路安全预测方法及***,让交通事故的预测成本更低、效率更高。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1和图2所示,本实施例提供的一种基于开放数据的城市道路安全预测方法,包括以下步骤。
步骤101:获取城市道路开放数据并进行预处理;所述城市道路开放数据包括卫星图像和交通事故点信息(又称为交通事故位置信息)。
步骤102:采用核密度估计算法,将所述交通事故点信息与预处理后的卫星图像结合,生成交通事故点图像。
步骤103:将图像对依次输入到已构建的稀疏深度生成神经网络模型中以训练所述稀疏深度生成神经网络模型,得到城市道路安全预测模型;所述城市道路安全预测模型的输入为预处理后的卫星图像,所述城市道路安全预测模型的输出为交通事故点图像;所述图像对包括预处理后的卫星图像以及预处理后的卫星图像对应的交通事故点图像。
步骤104:获取实测城市的卫星图像并进行预处理。
步骤105:将预处理后的实测城市的卫星图像输入到所述城市道路安全预测模型中以获取实测城市的交通事故点图像,并根据实测城市的交通事故点图像预测实测城市发生交通事故的位置信息。
进一步,在步骤101中,使用城市道路开放数据作为城市道路安全预测的原始数据。
在本实施实例中,收集了两个不同城市的道路开放数据。道路开放数据包含卫星图像和交通事故点信息,卫星图像具有的丰富视觉特征可以表征交通事故发生的可能性,且下载到的交通事故点信息,需要标注在卫星图像对应的地点上。其中,下载得到的卫星图像是Level-19的256*256的卫星图像瓦片,A城市的道路开放数据用来训练,共37K张;B城市的道路开放数据用来测试。
由于已构建的稀疏深度生成神经网络模型比较大,而GPU内存固定,限制了输入图像的大小。为了尽可能输入更大的图像,以获取更多的全局信息,而不损失图像特征,使用了将卫星图像瓦片5*5合并为大图像然后缩放到800*800的大小的方案。所以在进行网络模型训练测试之前,先对卫星图像进行合并缩放处理以得到预处理后的卫星图像,实现对城市道路开放数据的预处理。
进一步,在步骤102中,使用核密度估计算法将交通事故点信息标注在预处理后的卫星图像上,生成对应的交通事故点图像,形成语义标注,最后将预处理后的卫星图像以及对应的交通事故点图像作为下一步骤稀疏深度生成神经网络模型的输入。
为了使标注的交通事故点更符合事故的实际分布,使用核密度估计算法生成交通事故点图像以构成语义标注的具体处理方法如下:
(1)提取预处理后的卫星图像区域内的GPS坐标范围。
(2)根据交通事故点信息,确定该GPS坐标范围内发生交通事故的位置信息。
(3)采用核密度估计算法,将发生交通事故的位置信息标注在预处理后的卫星图像上,生成对应的交通事故点图像。
本实例中使用python的科学计算库scipy进行核密度估计计算,具体过程如下:
(3.1)使用核密度估计函数处理上述数据,得到核密度估计结果;核密度估计函数是scipy.stats.gaussian_kde(),具体如何使用,该函数的源码中有详细介绍,在此不再论述;另外,此处得到的核密度估计结果是数值矩阵。
(3.2)将核密度估计结果通过python的matplotlib.image图像库,结合颜色图像,将其转换为灰度图像。
(3.3)最后通过灰度图像缩放,得到与预处理后的卫星图像相同分辨率的交通事故点图像。
处理得到的交通事故点图像如图3所示,左侧a图像是预处理后的卫星图像,右侧b图像是该区域对应的交通事故点图像,图像中黑点的大小代表了可能发生交通事故的区域大小,颜色深浅代表了交通事故的可能性高低。
进一步,在步骤103中,首先构建多个图像对并将图像对划分为训练图像对和测试图像对;其次,设置好学习率和迭代次数,将训练图像对依次输入到已构建的稀疏深度生成神经网络模型中以调整稀疏深度生成神经网络模型的权重,训练直到网络收敛,得到初步城市道路安全预测模型;稀疏深度生成神经网络模型以pix2pixHD网络模型作为基础网络模型,在损失函数上加入稀疏约束损失构建而成,即稀疏深度生成神经网络模型的基础网络模型为pix2pixHD网络模型,其损失函数为稀疏约束损失函数;最后将测试图像对依次输入到初步城市道路安全预测模型中以确定初步城市道路安全预测模型的准确率,并当初步城市道路安全预测模型的准确率小于设定准确率时重新训练稀疏深度生成神经网络模型,当初步城市道路安全预测模型的准确率大于或者等于设定准确率时,将初步城市道路安全预测模型确定为最终的城市道路安全预测模型。
本发明使用pix2pixHD网络模型,改进了损失函数以适应生成目标。原始的损失函数是:
其中,大括号中第一项是生成器的损失,第二项是判别器特征匹配的损失,总体含义是在最大化判别器损失的同时最小化生成器和判别器特征匹配损失。由于本发明目标的稀疏性,加入了稀疏约束损失来提高网络模型性能。稀疏约束损失表示如下:LS(G)=||G||1。
G是生成器生成的图像,LS是图像的1范数。因为事故点在整个卫星图像中所占比例很小,稀疏约束改善了生成图像中事故点的完整性,降低了虚警。最终,改进后的损失函数如下:
训练时,下载稀疏深度生成神经网络模型,设置好学习率和迭代次数,输入图像对,然后在其基础上进行微调,直到收敛。此时训练好的稀疏深度生成神经网络模型就可以预测其他城市的道路安全。
进一步,在步骤104中,将实测城市的道路开放数据也做相应的预处理,即对实测城市的卫星图像进行合并缩放处理,得到预处理后的实测城市的卫星图像。
进一步,在步骤105中,将预处理后的实测城市的卫星图像输入到训练好的稀疏深度生成神经网络模型,预测得到该卫星图像对应的交通事故点图像,进而预测到实测城市发生交通事故的位置信息。
实施例二
本实施例也提供了一种基于开放数据的城市道路安全预测方法,包括:训练阶段,测试阶段和实测阶段。
训练阶段,包括
(1)开放数据下载:通过地图像网站下载了A城市的Level-19级卫星图像,共37K张,其分辨率是256*256,是RGB三通道的彩色图像,并且每张图像的左上角和右下角均附带GPS坐标;通过A城市开放数据平台下载到A城市2012~2018年交通事故统计表,包含交通事故发生的时间和位置(GPS坐标)。
(2)数据预处理:下载到的37K张卫星图像,可以构成170*220的卫星图像瓦片矩阵,为了获取更多的全局信息而不损失图像特征,将卫星图像瓦片矩阵以每5*5张卫星图像合并的方式进行合并,构成区块图像,然后将区块图像缩放到800*800分辨率图像以适应GPU内存。最后得到了34*44张训练图像,其分辨率是800*800,是RGB三通道彩色图像。整个过程可用公式表达为:
其中,w表示原始卫星图像瓦片矩阵数据集,Γ表示数据预处理后的训练图像数据集,每个数据集的右上角标表示数据集的大小(长*宽),右下角标表示数据集中每个图像的尺寸(长*宽*通道)。在计算区块图像的同时,统计出该区块范围内的交通故事点,然后使用核密度估计算法生成该区块对应的交通事故点图像,最终可以得到34*44对训练图像对。
(3)训练模型:本实例中使用pix2pixHD网络模型作为深度生成神经网络模型,来学习训练图像对中的卫星图像和交通事故点图像之间的特征联系。pix2pixHD网络模型是一种实现图像翻译的条件生成对抗网络模型,它通过生成器G和判别器D的不断博弈,来提高整个网络模型的性能。针对本实例具体来说,生成器输入训练图像对中的卫星图像,然后通过卷积获取图像特征,再通过反卷积来生成交通事故点图像;而判别器输入原始图像对(对应的训练图像对)和生成图像对,来判断生成图像是否逼真。在训练时,设定网络模型的输入输出大小为800*800,学习率为0.00001,学习率恒定迭代次数为50次,学习率衰减迭代次数为50次。训练结束后,该模型会自动保存生成器和判别器的权重,而在测试阶段和实测阶段只需要生成器的权重。
测试阶段,包括:
(1)开放数据下载:通过与训练阶段相同的方法,下载B城市的卫星图像。
(2)数据预处理:通过与训练阶段相同的方法,处理B城市的卫星图像。
(3)载入模型:使用pix2pixHD网络模型进行预测,需要载入训练好的权重。虽然在训练阶段同时训练了生成器和判别器,但在测试阶段只需要使用生成器来进行图像翻译。因此,只需要将生成器的权重载入pix2pixHD网络模型,然后将处理后的卫星图像通过生成器,就可以得到预测的交通事故点图像。
(4)预测:将预处理好的卫星图像输入载入权重的生成器,就可以得到预测的交通事故点图像。在B城市上的测试结果如图4所示,左中右分别表示卫星图像、标注交通事故图像和预测交通事故图像。
测试阶段用于判断生成器的权重是否合适。
实测阶段,包括:
(1)获取处理:获取实测城市的卫星图像并进行预处理。
(2)预测:将预处理后的实测城市的卫星图像输入到训练好的模型中以获取实测城市的交通事故点图像,并根据实测城市的交通事故点图像预测实测城市发生交通事故的位置信息。
实施例三
如图5所示,本实施例提供了一种基于开放数据的城市道路安全预测***,包括:
第一获取模块501,用于获取城市道路开放数据并进行预处理;所述城市道路开放数据包括卫星图像和交通事故点信息。
交通事故点图像生成模块502,用于采用核密度估计算法,将所述交通事故点信息与预处理后的卫星图像结合,生成交通事故点图像。
城市道路安全预测模型确定模块503,用于将图像对依次输入到已构建的稀疏深度生成神经网络模型中以训练所述稀疏深度生成神经网络模型,得到城市道路安全预测模型;所述城市道路安全预测模型的输入为预处理后的卫星图像,所述城市道路安全预测模型的输出为交通事故点图像;所述图像对包括预处理后的卫星图像以及预处理后的卫星图像对应的交通事故点图像。
第二获取模块504,用于获取实测城市的卫星图像并进行预处理。
交通事故位置信息预测模块505,用于将预处理后的实测城市的卫星图像输入到所述城市道路安全预测模型中以获取实测城市的交通事故点图像,并根据实测城市的交通事故点图像预测实测城市发生交通事故的位置信息。
所述第一获取模块501,具体包括:
获取单元,用于获取城市道路开放数据;所述城市道路开放数据包括卫星图像和交通事故点信息。
第一预处理单元,用于对所述卫星图像进行合并缩放处理,得到预处理后的卫星图像。
所述交通事故点图像生成模块502,具体包括:
提取单元,用于提取预处理后的卫星图像区域内的GPS坐标范围。
位置信息确定单元,用于根据所述交通事故点信息,确定所述GPS坐标范围内发生交通事故的位置信息。
生成单元,用于采用核密度估计算法,将发生交通事故的位置信息标注在预处理后的卫星图像上,生成预处理后的卫星图像对应的交通事故点图像。
所述城市道路安全预测模型确定模块503,具体包括:
图像对构建划分单元,用于构建多个图像对并将所述图像对划分为训练图像对和测试图像对。
训练单元,用于将所述训练图像对依次输入到已构建的稀疏深度生成神经网络模型中以调整所述稀疏深度生成神经网络模型的权重,得到初步城市道路安全预测模型;所述稀疏深度生成神经网络模型的基础网络模型为pix2pixHD网络模型,所述稀疏深度生成神经网络模型的损失函数为稀疏约束损失函数。
测试调整单元,用于将所述测试图像对依次输入到初步城市道路安全预测模型中以确定所述初步城市道路安全预测模型的准确率,并当所述初步城市道路安全预测模型的准确率小于设定准确率时重新训练所述稀疏深度生成神经网络模型,当所述初步城市道路安全预测模型的准确率大于或者等于所述设定准确率时,将所述初步城市道路安全预测模型确定为最终的城市道路安全预测模型。
所述第二获取模块504,具体包括:
第二预处理单元,用于获取实测城市的卫星图像,并对实测城市的卫星图像进行合并缩放处理,得到预处理后的实测城市的卫星图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于开放数据的城市道路安全预测方法,其特征在于,所述城市道路安全预测方法,包括:
获取城市道路开放数据并进行预处理;所述城市道路开放数据包括卫星图像和交通事故点信息;
采用核密度估计算法,将所述交通事故点信息与预处理后的卫星图像结合,生成交通事故点图像;
将图像对依次输入到已构建的稀疏深度生成神经网络模型中以训练所述稀疏深度生成神经网络模型,得到城市道路安全预测模型;所述城市道路安全预测模型的输入为预处理后的卫星图像,所述城市道路安全预测模型的输出为交通事故点图像;所述图像对包括预处理后的卫星图像以及预处理后的卫星图像对应的交通事故点图像;
获取实测城市的卫星图像并进行预处理;
将预处理后的实测城市的卫星图像输入到所述城市道路安全预测模型中以获取实测城市的交通事故点图像,并根据实测城市的交通事故点图像预测实测城市发生交通事故的位置信息。
2.根据权利要求1所述的基于开放数据的城市道路安全预测方法,其特征在于,所述获取城市道路开放数据并进行预处理,具体包括:
获取城市道路开放数据;所述城市道路开放数据包括卫星图像和交通事故点信息;
对所述卫星图像进行合并缩放处理,得到预处理后的卫星图像。
3.根据权利要求1所述的基于开放数据的城市道路安全预测方法,其特征在于,所述采用核密度估计算法,将所述交通事故点信息与预处理后的卫星图像结合,生成交通事故点图像,具体包括:
提取预处理后的卫星图像区域内的GPS坐标范围;
根据所述交通事故点信息,确定所述GPS坐标范围内发生交通事故的位置信息;
采用核密度估计算法,将发生交通事故的位置信息标注在预处理后的卫星图像上,生成预处理后的卫星图像对应的交通事故点图像。
4.根据权利要求1所述的基于开放数据的城市道路安全预测方法,其特征在于,所述将图像对依次输入到已构建的稀疏深度生成神经网络模型中以训练所述稀疏深度生成神经网络模型,得到城市道路安全预测模型,具体包括:
构建多个图像对并将所述图像对划分为训练图像对和测试图像对;
将所述训练图像对依次输入到已构建的稀疏深度生成神经网络模型中以调整所述稀疏深度生成神经网络模型的权重,得到初步城市道路安全预测模型;所述稀疏深度生成神经网络模型的基础网络模型为pix2pixHD网络模型,所述稀疏深度生成神经网络模型的损失函数为稀疏约束损失函数;
将所述测试图像对依次输入到初步城市道路安全预测模型中以确定所述初步城市道路安全预测模型的准确率,并当所述初步城市道路安全预测模型的准确率小于设定准确率时重新训练所述稀疏深度生成神经网络模型,当所述初步城市道路安全预测模型的准确率大于或者等于所述设定准确率时,将所述初步城市道路安全预测模型确定为最终的城市道路安全预测模型。
5.根据权利要求1所述的基于开放数据的城市道路安全预测方法,其特征在于,所述获取实测城市的卫星图像并进行预处理,具体包括:
获取实测城市的卫星图像,并对实测城市的卫星图像进行合并缩放处理,得到预处理后的实测城市的卫星图像。
6.一种基于开放数据的城市道路安全预测***,其特征在于,所述城市道路安全预测***,包括:
第一获取模块,用于获取城市道路开放数据并进行预处理;所述城市道路开放数据包括卫星图像和交通事故点信息;
交通事故点图像生成模块,用于采用核密度估计算法,将所述交通事故点信息与预处理后的卫星图像结合,生成交通事故点图像;
城市道路安全预测模型确定模块,用于将图像对依次输入到已构建的稀疏深度生成神经网络模型中以训练所述稀疏深度生成神经网络模型,得到城市道路安全预测模型;所述城市道路安全预测模型的输入为预处理后的卫星图像,所述城市道路安全预测模型的输出为交通事故点图像;所述图像对包括预处理后的卫星图像以及预处理后的卫星图像对应的交通事故点图像;
第二获取模块,用于获取实测城市的卫星图像并进行预处理;
交通事故位置信息预测模块,用于将预处理后的实测城市的卫星图像输入到所述城市道路安全预测模型中以获取实测城市的交通事故点图像,并根据实测城市的交通事故点图像预测实测城市发生交通事故的位置信息。
7.根据权利要求6所述的基于开放数据的城市道路安全预测***,其特征在于,所述第一获取模块,具体包括:
获取单元,用于获取城市道路开放数据;所述城市道路开放数据包括卫星图像和交通事故点信息;
第一预处理单元,用于对所述卫星图像进行合并缩放处理,得到预处理后的卫星图像。
8.根据权利要求6所述的基于开放数据的城市道路安全预测***,其特征在于,所述交通事故点图像生成模块,具体包括:
提取单元,用于提取预处理后的卫星图像区域内的GPS坐标范围;
位置信息确定单元,用于根据所述交通事故点信息,确定所述GPS坐标范围内发生交通事故的位置信息;
生成单元,用于采用核密度估计算法,将发生交通事故的位置信息标注在预处理后的卫星图像上,生成预处理后的卫星图像对应的交通事故点图像。
9.根据权利要求6所述的基于开放数据的城市道路安全预测***,其特征在于,所述城市道路安全预测模型确定模块,具体包括:
图像对构建划分单元,用于构建多个图像对并将所述图像对划分为训练图像对和测试图像对;
训练单元,用于将所述训练图像对依次输入到已构建的稀疏深度生成神经网络模型中以调整所述稀疏深度生成神经网络模型的权重,得到初步城市道路安全预测模型;所述稀疏深度生成神经网络模型的基础网络模型为pix2pixHD网络模型,所述稀疏深度生成神经网络模型的损失函数为稀疏约束损失函数;
测试调整单元,用于将所述测试图像对依次输入到初步城市道路安全预测模型中以确定所述初步城市道路安全预测模型的准确率,并当所述初步城市道路安全预测模型的准确率小于设定准确率时重新训练所述稀疏深度生成神经网络模型,当所述初步城市道路安全预测模型的准确率大于或者等于所述设定准确率时,将所述初步城市道路安全预测模型确定为最终的城市道路安全预测模型。
10.根据权利要求6所述的基于开放数据的城市道路安全预测***,其特征在于,所述第二获取模块,具体包括:
第二预处理单元,用于获取实测城市的卫星图像,并对实测城市的卫星图像进行合并缩放处理,得到预处理后的实测城市的卫星图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762822.6A CN110458370A (zh) | 2019-08-19 | 2019-08-19 | 一种基于开放数据的城市道路安全预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762822.6A CN110458370A (zh) | 2019-08-19 | 2019-08-19 | 一种基于开放数据的城市道路安全预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458370A true CN110458370A (zh) | 2019-11-15 |
Family
ID=68487552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910762822.6A Pending CN110458370A (zh) | 2019-08-19 | 2019-08-19 | 一种基于开放数据的城市道路安全预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458370A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028512A (zh) * | 2019-12-31 | 2020-04-17 | 福建工程学院 | 一种基于稀疏bp神经网络的实时交通预测方法及装置 |
CN111723997A (zh) * | 2020-06-23 | 2020-09-29 | 上海电科智能***股份有限公司 | 一种基于gan的城市重大交通事故数据样本自动生成方法 |
CN115018318A (zh) * | 2022-06-01 | 2022-09-06 | 航天神舟智慧***技术有限公司 | 一种社会区域风险预测分析方法与*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976501A (zh) * | 2010-10-29 | 2011-02-16 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
CN104599443A (zh) * | 2015-01-12 | 2015-05-06 | 江苏省交通规划设计院股份有限公司 | 一种基于信息融合的驾驶行为预警车载终端及其预警方法 |
CN110009578A (zh) * | 2019-03-13 | 2019-07-12 | 五邑大学 | 一种图像去雨方法及其***、装置、存储介质 |
-
2019
- 2019-08-19 CN CN201910762822.6A patent/CN110458370A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976501A (zh) * | 2010-10-29 | 2011-02-16 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
CN104599443A (zh) * | 2015-01-12 | 2015-05-06 | 江苏省交通规划设计院股份有限公司 | 一种基于信息融合的驾驶行为预警车载终端及其预警方法 |
CN110009578A (zh) * | 2019-03-13 | 2019-07-12 | 五邑大学 | 一种图像去雨方法及其***、装置、存储介质 |
Non-Patent Citations (1)
Title |
---|
ALAMEEN NAJJAR等: "Combining Satellite Imagery and Open Data to Map Road Safety", 《PROCEEDINGS OF THE THIRTY-FIRST AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE (AAAI-17)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028512A (zh) * | 2019-12-31 | 2020-04-17 | 福建工程学院 | 一种基于稀疏bp神经网络的实时交通预测方法及装置 |
CN111723997A (zh) * | 2020-06-23 | 2020-09-29 | 上海电科智能***股份有限公司 | 一种基于gan的城市重大交通事故数据样本自动生成方法 |
CN115018318A (zh) * | 2022-06-01 | 2022-09-06 | 航天神舟智慧***技术有限公司 | 一种社会区域风险预测分析方法与*** |
CN115018318B (zh) * | 2022-06-01 | 2023-04-18 | 航天神舟智慧***技术有限公司 | 一种社会区域风险预测分析方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967532B (zh) | 融合区域活力的城市交通流量预测方法 | |
CN108710875B (zh) | 一种基于深度学习的航拍公路车辆计数方法及装置 | |
Changzhen et al. | A traffic sign detection algorithm based on deep convolutional neural network | |
CN101976429B (zh) | 基于游弋图像的水面鸟瞰图成像方法 | |
CN109410575A (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
CN109242291A (zh) | 河湖流域水环境智慧管理方法 | |
CN110458370A (zh) | 一种基于开放数据的城市道路安全预测方法及*** | |
CN106875424A (zh) | 一种基于机器视觉的城市环境行驶车辆行为识别方法 | |
CN111582029B (zh) | 一种基于密集连接与注意力机制的交通标志识别方法 | |
CN109410577A (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN106571030A (zh) | 多源交通信息环境下排队长度预测方法 | |
CN112287832A (zh) | 一种基于高分辨率遥感影像的城镇违法建筑物检测方法 | |
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 | |
CN109948471A (zh) | 基于改进InceptionV4网络的交通雾霾能见度检测方法 | |
CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
CN111027430A (zh) | 一种面向无人车智能评估的交通场景复杂度计算方法 | |
CN110070720B (zh) | 提高交叉口占道施工区通行能力模型拟合度的计算方法 | |
CN109242019A (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
Cui et al. | Skip connection YOLO architecture for noise barrier defect detection using UAV-based images in high-speed railway | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及*** | |
CN117710843A (zh) | 一种基于无人机视频的交叉口动态信号配时方案检测方法 | |
Pang et al. | Multi-Scale Feature Fusion Model for Bridge Appearance Defect Detection | |
CN110390330A (zh) | 电动自行车车牌识别***及方法 | |
CN114973067A (zh) | 一种基于深度多任务学***衡盾构渣土信息提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |