关注兴趣点与多尺度时序关系的交通事故预测方法及装置

1.一种关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，该方法具体包括以下步骤：

2.根据权利要求1所述的关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，步骤s1中，所述数据包括事故信息、气候信息、车流量信息、道路信息、poi信息以及预测区域的路网信息；所述事故信息包括目标城市24小时内的所有事故发生地点和时间；所述气候信息包括目标城市24小时内的天气状况、风向和温度信息；所述车流量信息为目标城市每条道路24小时内的车流量数目；所述道路信息包括目标城市每条道路的具体位置、道路类型、道路长度和道路宽度；所述poi信息包括目标城市所有poi的具体位置和poi的类型，所述路网信息包括所预测区域的道路图结构；

3.根据权利要求1所述的关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，步骤s2中，所述pkm模块用于将poi数据与道路和碰撞事故数据联系起来，以提取poi与碰撞事故发生可能性之间的时空关系，从而确定不同类型的poi在不同时间对道路碰撞事故的影响；

4.根据权利要求1所述的关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，步骤s3中，在数据特征和poi时空知识融合中，数值型的数据经过z-score归一化后直接作为数据特征；所述数据特征包括事故特征、气候特征、该时刻的日历信息、车流量特征和道路特征，均为数值型；所述poi时空知识包括每种类型的poi在每个时间段对事故发生的影响权重与每种类型的poi对每条道路交通事故发生概率的影响权重，均为数值型；将poi时空知识与数据特征分别在时间和空间维度上进行拼接；之后，将道路特征和poi空间知识视为模型输入的空间特征；将气候特征和对应时刻的日历信息和poi时间知识视为模型输入的时间特征；将车流量特征视为模型输入的时空特征。

5.根据权利要求1所述的关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，步骤s4中，所述尺度划分模块用于将时间特征和时空特征划分为预测目标此前按序的若干小时信息、临近小时信息和若干间隔k周的信息，以便捕获交通事故发生的日常模式、短期趋势和长期周期模式；

6.根据权利要求1所述的关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，步骤s5中，所述scm用于根据空间特征学习时间维度上不变的信息和poi空间发布对于事故的影响；

7.根据权利要求1所述的关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，步骤s5中，所述tcm用于根据时间特征学习仅在时间维度上改变而空间维度上不变的信息和poi在不同时刻对于事故的影响；

8.根据权利要求1所述的关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，步骤s5中，所述stcm用于根据时空特征学习在时间和空间维度上均改变的信息在不同道路和不同时刻对于事故的影响；

9.根据权利要求1所述的关注兴趣点与多尺度时序关系的交通事故预测方法，其特征在于，步骤s5中，所述注意力模块用于将scm、tcm和stcm的输出融合，有选择地关注当前对事故发生影响重要特征，并输出最终的预测结果；

10.一种关注兴趣点与多尺度时序关系的交通事故预测装置，其特征在于，该装置包括数据预处理模块、特征提取模块、pkm模块、知识融合与特征构造模块、模型训练模块和事故概率预测模块；