(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 202111464351.4 (22)申请日 2021.12.0 3 (71)申请人 重庆大学 地址 400030 重庆市沙坪坝区沙正 街174号 (72)发明人 曾令秋　周鑫宇　韩庆文　戚凌峰　 叶蕾　金家炫　 (74)专利代理 机构 重庆双马智翔专利代理事务 所(普通合伙) 50241 代理人 顾晓玲 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 一种道路风险预测方法及系统 (57)摘要 本发明提出了一种道路风险预测方法及系 统， 该方法为： 划分研究路段， 获得研究路段的时 不变特征； 实时获得研究路段的时变数据， 从中 提取出时变特征； 搭建SDARNN网络模型： 在LSTM 模型的输入阶段引入注意力机制， 将所述时变特 征通过输入注意力机制得到注意力加权后的时 变特征， 在LSTM模型的编码器的隐藏层引用注意 力机制处理加权后的时变特征， 将其映射成上下 文向量； 在LSTM模型的解码器阶段输入上下文向 量并融合时不变特征， 再经过解码器得到输出序 列， 输出下个时隙研究路段的危险度。 本方法提 出融合时不变特征的双阶段注意力机制的循环 神经网络模型SDARNN， 提高了道路风险预测的准 确性。 权利要求书2页 说明书7页 附图2页 CN 114021856 A 2022.02.08 CN 114021856 A 1.一种道路风险预测方法， 其特 征在于， 包括以下步骤： 划分研究路段， 获得研究路段的时不变特 征； 实时获得研究路段的时变数据， 从中提取 出时变特 征； 搭建SDARNN网络模型： 在LSTM模型的输入阶段引入注意力机制， 将所述时变特征通过 输入注意力机制得到注 意力加权后的时变特征， 在LSTM模 型的编码 器的隐藏层引用注 意力 机制处理加权后的时变特征， 将其映射成上下文向量； 在LSTM模型的解码器阶段输入上下 文向量并融合时不变特 征， 再经过解码器得到 输出序列， 输出 下个时隙研究路段的危险度。 2.根据权利要求1所述的道路风险预测方法， 其特征在于， 将所述 时变特征通过输入注 意力机制得到注意力加权后的时变特 征的步骤为： 令时变特征 表示时变特征长度， T表示时间步 长， 1≤t≤T， 在LSTM模型的输入阶段引入注意力机制， 使用输入注意力机制给第k个时变特征加权， 第k个时变特 征加权之后的结果 为 k为正整数且 在 t 时 刻 ， 输 入 注 意 力 层 输 出 每 个 时 变 特 征 的 注 意 力 We和Ue是需要学习的参数， ht‑1,st‑1分别指编码器上 一步的隐藏状态和细胞状态； 将输入注意力层输出的每个时变特征的注意力 输入到softmax层中 得到和为1的每个时变 特征的注意力权重 t时刻第k个时变 特征的注意 力权重 计算公式为 得到加权后的时变特 征 3.根据权利要求1所述的道路风险预测方法， 其特征在于， 在模型的编码器阶段处理加 权后的时变特 征， 将其映射成上 下文向量的步骤为： 将加权后的时变特 征输入到编码器， 更新t时刻隐藏层状态ht； 引用注意力机制选择T时刻内隐藏层状态(h1,h2,…,hT)输出隐藏状态注意力 则编码器第i个单元的隐藏状态注意力为： 其中， hi指编码器第i个神经单元的隐藏层状态， Wd和Ud是需要学习的参数， dt‑1和st′‑1 分别是解码器上一 步的隐藏状态和细胞状态； 将隐藏状态注意力经过softmax层得到隐藏状态注意力权重， 编码器第i个单元的隐藏 状态注意力权 重为 将编码器输出的所有隐藏状态加权求和得到t时刻的时变影响因素的上下文向量：权　利　要　求　书 1/2 页 2 CN 114021856 A 2T'为编码器的LSTM神经 单元个数。 4.根据权利要求1所述的道路风险预测方法， 其特征在于， 将时不变特征和时变特征的 上下文向量融合输入到解码器中： 其中， 是需要学习的参数， 是解码 器， dt是解码器的隐藏状态。 5.根据权利要求1所述的道路风险预测方法， 其特征在于， 研究路段的时不变特征的获 取步骤为： 获得研究路段的道路特征， 记为Y＝[y1,y2,...yi,...,yn],yi∈(0,1)， 0代表当前路段 没有道路特 征yi， 1代表当前路段含有道路特 征yi， n为道路特 征的分类 类别个数； 获取研究路段 所处区域的社会因素 特征； 根据统计数据得到道路特征Y中每个元素的影响 因子fi， 将社会因素特征以及 道路特征 Y中每个元素的影响因子fi融合获得 带有影响因子的时不变特 征向量F。 6.根据权利要求5所述的道路风险预测方法， 其特征在于， 将路段所处区域的平均 人口 密度Pd， 平均犯罪 率Pc作为社会因素 特征； 将社会因素 特征记为： Fc＝[Pd， Pc]。 7.根据权利要求5所述的道路风险预测方法， 其特征在于， 道路特征Y中每个元素的影 响因子fi的计算公式为 其中m为事故数， 表示在事故λ发生的路段 中， 是否包 含特征yi， 如果包含则取1， 反 之则取0。 8.根据权利要求6所述的道路风险预测方法， 其特征在于， 时不变特征向量F＝[y1*f1, y2*f2,...,yi*fi,...,yn*fn,Pd,Pc]。 9.一种道路风险预测系统， 其特征在于， 包括处理器和存储器， 所述处理器和存储器相 互通信连接， 所述存储器用于存放至少一可执行指令， 所述可执行指令使所述处理器执行 如权利要求1 ‑8任一项所述的道路风险预测方法对应的操作。权　利　要　求　书 2/2 页 3 CN 114021856 A 3