基于宏微观因素的概率级别的车辆事故预测

张力天; 孔嘉漪; 樊一航; 范灵俊; 包尔固德

doi:10.7544/issn1000-1239.2021.20200345

基于宏微观因素的概率级别的车辆事故预测

¹(北京交通大学软件学院北京 100044)
²(中国科学院计算技术研究所信息技术战略研究中心北京 100190)
³(贵阳市大数据产业集团有限公司贵阳 550081) (remilia@bjtu.edu.cn)

基金项目: 中央高校基本科研业务费专项资金(2019JBM073)；北京市自然科学基金项目(4192044)；国家自然科学基金重大培育项目(91646127)；中国工程院重大咨询课题(2018-ZD-02)

详细信息

中图分类号: TP391
计量
- 文章访问数: 640
- HTML全文浏览量: 3
- PDF下载量: 236
出版历程
- 发布日期: 2021-08-31

Car Accident Prediction Based on Macro and Micro Factors in Probability Level

¹(School of Software Engineering, Beijing Jiaotong University, Beijing 100044)
²(Information Technology Strategy Research Center, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190)
³(Guiyang Big Data Industrial Group Co. Ltd., Guiyang 550081)

Funds: This work was supported by the Fundamental Research Funds for the Central Universities (2019JBM073), the Beijing Natural Science Foundation (4192044), the Major Cultivation Project of the National Natural Science Foundation of China (91646127) and the Major Consulting Project of Chinese Academy of Engineering (2018-ZD-02).

摘要

摘要: 车辆事故预测是避免道路车辆事故发生的重要研究课题.以往的研究使用的事故数据集只包含地理情况、环境情况、交通情况等宏观因素，或者只包含车辆行为和驾驶员行为等微观因素.因为很难收集到同时包含2类因素的事故数据集，很少有研究将这2类因素结合起来，然而车辆事故往往是两者共同作用的结果.此外，在收集到的数据中没有可以用于预测的事故发生概率标签，所以目前多数的研究关注点只是在于事故是否发生而不能得到准确的概率值.然而在实际应用场景下，驾驶员需要的是不同级别的危险预警信号，而这种信号正是应该由事故概率值决定的.2019年发布的事故宏观因素数据集OSU(Ohio State University)与宏观因素数据集FARS(fatality analysis reporting system)和微观因素数据集SHRP2(strategic highway research program 2)都具有一些相同的特征，为它们的融合提供了机遇.因此,首先得到了一个同时包含宏观和微观因素的数据集，其中事故数据(正样本)融合自OSU、FARS数据集，以及与SHRP2分布相同的数据集Sim-SHRP2(simulated strategic highway research program 2)，而安全驾驶数据(负样本)则由自己驾驶汽车获得.然后，针对收集到的数据中没有概率标签的问题，还设计了一个概率级别的无监督深度学习框架来预测准确的概率值，该框架使用迭代的方式为数据集生成准确的概率标签，并使用这些概率标签来进行训练.实验结果表明，该框架可以使用所得到的数据集来灵敏而准确地预测车辆事故.
- 车辆事故 /
- 事故预测 /
- 宏微观因素 /
- 深度学习框架 /
- deep-SVDD算法
Abstract: Car accident prediction is an important problem to study for avoiding the accidents. Previous studies make the prediction for a car based either on macro factors such as geography, environment and traffic or on micro factors such as car and driver behaviors. There is rarely a study combining the two types of factors because it is difficult to collect the two types of data at the same time. However, car accidents usually result from both of the two types of factors. In addition, the current researches predict whether an accident will happen or not. There is rarely a study providing a more accurate accident probability because there is no probability label for use in the collected data. However, such a probability is useful to notify the driver in different warning levels. The OSU(Ohio State University) accident dataset of macro factors published in 2019 has some identical characteristics with the FARS(fatality analysis reporting system) dataset of macro factors and SHRP2(strategic highway research program 2) dataset of micro factors, and thus provides an opportunity to fuse them. Therefore in this paper, we obtain a dataset of both macro and micro factors. In the dataset, accident data (positive data) is fused from the OSU and FARS datasets, as well as Sim-SHRP2(simulated strategic highway research program 2) similar to the SHRP2 dataset, while safe-driving data (negative data) is obtained by ourselves driving a car. In addition, since the obtained dataset does not have any probability label, we also design a probability-level unsupervised deep learning framework to predict the accurate probability. The framework iteratively generates accurate probabilities from the obtained dataset, and is trained with the generated probabilities. The experimental results indicate our framework can predict car accidents with the obtained dataset sensitively and accurately.
- car accident /
- accident prediction /
- macro and micro factors /
- deep-learning framework /
- deep-SVDD algorithm

HTML全文

参考文献(0)

施引文献(59)

期刊类型引用(43)

1.	周显春，喻佳. 基于图神经网络的人工自然语言语义挖掘仿真. 计算机仿真. 2024(01): 344-348 . 百度学术
2.	程卓. 基于特征学习的无线传感网络入侵行为检测方法. 现代传输. 2024(01): 76-79 . 百度学术
3.	杨鹏，贺钧，李卫军，李娟. 基于贪婪算法的网络通信未知蠕虫检测仿真. 计算机仿真. 2024(04): 373-377 . 百度学术
4.	王洁，吕奕飞. 基于流量异常特征的无线网络攻击行为检测方法. 电脑知识与技术. 2024(11): 78-80 . 百度学术
5.	杨芳，刘全明. 考虑时滞影响的无线传感网络蠕虫病毒自适应检测方法. 传感技术学报. 2024(06): 1073-1077 . 百度学术
6.	张邢昀，田乔宇，卢煜程，丁国如. 基于知识图谱的通信目标行为分析方法. 通信技术. 2024(07): 701-710 . 百度学术
7.	李浩. 基于深度学习的网络流量入侵检测方法研究. 电脑知识与技术. 2024(23): 96-99+110 . 百度学术
8.	胡艳华，张春玉，崔亚楠，韦灵. 基于混沌免疫聚类的网络信息流异常检测方法. 计算机仿真. 2024(08): 400-403+496 . 百度学术
9.	陈山，吴丽莎，张凯，程轶红，程亚萍，冯驰. 基于LoRa通信的大规模用电信息采集与传输系统设计. 自动化技术与应用. 2024(10): 153-157 . 百度学术
10.	刘珊，李瑞，王尧. 基于改进长短期记忆网络的新能源场站网络安全评估方法研究. 电信科学. 2024(10): 124-133 . 百度学术
11.	王祝先，赵忠凯，叶润泽，关兴民，杨智涛，宋邦钰. IPV6多跳网络环境下双通道快速切换算法的构建研究. 应用科技. 2024(05): 101-106 . 百度学术
12.	周燕，肖莉. 基于改进关联聚类算法的网络异常数据挖掘. 计算机工程与设计. 2023(01): 108-115 . 百度学术
13.	张国宏. 大规模网络流量数据异常快速检测研究. 长江信息通信. 2023(02): 110-112 . 百度学术
14.	贾万祥，张平华. 基于多特征识别的非线性网络流量异常检测方法. 湖北科技学院学报. 2023(02): 145-150 . 百度学术
15.	刘拥民，黄浩，石婷婷，欧阳金怡，刘翰林，谢铁强. 轻量级词典协同记忆聚焦处理的Web攻击检测研究. 重庆理工大学学报(自然科学). 2023(03): 172-182 . 百度学术
16.	苏文明. 基于M-ATS的动态网络伪装攻击挖掘算法. 湖北理工学院学报. 2023(02): 21-24+58 . 百度学术
17.	苏江文，宋立华. 基于无监督学习的电力系统网络潜在多步攻击实时检测方法. 电气自动化. 2023(02): 15-17 . 百度学术
18.	许馨元，李越鹏，王媛媛. 基于改进CURE聚类算法的网络用户异常行为识别方法. 微型电脑应用. 2023(05): 174-177+181 . 百度学术
19.	马伟，田静，高振怀. 光纤传感网络空间中攻击节点捕获方法研究. 激光杂志. 2023(07): 189-193 . 百度学术
20.	任春梅，白欣雨，黄岩. 新型电力系统中信息网络攻击行为辨识方法. 电工技术. 2023(13): 233-237 . 百度学术
21.	毛莉君，王心妍. 基于能耗信任值的无线传感网络克隆攻击检测方法. 传感技术学报. 2023(07): 1122-1127 . 百度学术
22.	谢从贵. 一种融合实例和聚类信息的网络入侵攻击分类研究. 常熟理工学院学报. 2023(05): 29-35 . 百度学术
23.	宋国顺. 基于特征加权聚合的传感网络多模式攻击检测方法. 通化师范学院学报. 2023(10): 74-80 . 百度学术
24.	杨波，徐胜超，毛明扬，陈刚，王宏杰. 基于流量特征的区域互联网攻击源IP地址检测. 计算机测量与控制. 2023(10): 285-290+298 . 百度学术
25.	窦萌萌，程小辉. 开放网络中分布式隐私数据主动防御仿真分析. 计算机仿真. 2023(09): 385-389 . 百度学术
26.	梁卫芳，张爽. 基于相遇记录的域间路由协议攻击检测模型. 计算机仿真. 2023(10): 468-472 . 百度学术
27.	杨春霞，陶可瑞，宋永生. 深度学习算法的舰船网络安全状态识别. 舰船科学技术. 2023(21): 193-196 . 百度学术
28.	郁滨，熊俊. 基于平衡迭代规约层次聚类的无线传感器网络流量异常检测方案. 电子与信息学报. 2022(01): 305-313 . 百度学术
29.	周燕茹. 一种基于统计模型的网络阻塞攻击防御方法. 遵义师范学院学报. 2022(02): 94-98 . 百度学术
30.	杜淑颖. 基于密度峰值聚类的网络入侵检测. 软件. 2022(06): 40-46 . 百度学术
31.	俞永飞. 基于人工蜂群算法的网络攻击流量自动辨识研究. 内蒙古民族大学学报(自然科学版). 2022(04): 277-283 . 百度学术
32.	孙茜，吴鸣. N-Gram模型下网络客户端病毒防御方法仿真. 计算机仿真. 2022(10): 400-404 . 百度学术
33.	倪雪莉，王群，梁广俊. 智能穿戴设备的安全与隐私威胁研究. 信息网络安全. 2022(10): 98-107 . 百度学术
34.	林志达，张华兵，曹小明，周英耀. 基于Hurst指数方差分析的堡垒机攻击检测方法. 自动化与仪器仪表. 2022(11): 60-63+68 . 百度学术
35.	樊凯，冯国聪，刘祥. 基于网络熵的网络攻击身份快速追踪方法. 自动化技术与应用. 2022(12): 101-104+151 . 百度学术
36.	董新玉，解滨，赵旭升，高新宝. 多视角层次聚类下的无线网络入侵检测算法. 计算机科学与探索. 2022(12): 2752-2764 . 百度学术
37.	谭伦荣，王辉. 基于深度卷积神经网络的无线通信网络异常攻击检测. 重庆科技学院学报(自然科学版). 2022(06): 60-64 . 百度学术
38.	郭倩林，张翰林. 大规模集群网络疑似攻击自主检测方法仿真. 计算机仿真. 2021(03): 264-267+340 . 百度学术
39.	苏绍培. 船舶航线远程控制网络攻击信息实时检测方法. 舰船科学技术. 2021(06): 172-174 . 百度学术
40.	曾宏志，史洪松. 半监督技术和主动学习相结合的网络入侵检测方法. 吉林大学学报(理学版). 2021(04): 936-942 . 百度学术
41.	王永财. 基于半监督学习的计量运行数据协同检测技术. 信息与电脑(理论版). 2021(14): 33-35 . 百度学术
42.	陶庆凤. 基于人工蜂群算法的无线网络攻击行为的辨识研究. 宁夏师范学院学报. 2021(07): 89-95 . 百度学术
43.	秦云涛. 基于网络流量解析的网络攻击检测系统的设计与实现. 信息与电脑(理论版). 2021(17): 207-210 . 百度学术