根据损伤严重程度进行数据驱动的撞车预测,使用基于Keras框架的循环神经网络模型
Dajie Zuo1, Cheng Qian2, Daiquan Xiao3
1School of Transportation and Logistics, Southwest Jiaotong University, Chengdu, China.
概括
本研究引入了一种数据驱动的循环神经网络 (RNN) 模型,用于预测城市交通伤害严重程度. 该模型通过对事故数据的集群和深度学习准确预测伤害水平,为道路安全提供了宝贵的见解.
科学领域:
- 交通安全 交通安全
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 大数据和深度学习技术越来越多地被用于数据驱动的应用程序.
- 预测交通伤害严重程度对于城市安全和资源分配至关重要.
研究的目的:
- 提出一个循环神经网络 (RNN) 模型来预测城市交通伤害严重程度.
- 利用聚类和深度学习来提高预测的准确性和速度.
主要方法:
- 在拉斯维加斯的内华达州车祸数据 (2014-2017) 上使用了OPTICS集群算法.
- 使用Keras框架开发了一个循环神经网络 (RNN) 模型.
- 优化模型参数,包括损失函数,激活函数和优化器.
主要成果:
- RNN模型在预测受伤严重程度方面取得了很高的准确性.
- 该模型显示了高训练速度,适合实时应用.
- 模型训练结果的可视化成功实现.
结论:
- 拟议的数据驱动的RNN模型提供了一种有效的方法来预测城市交通伤害严重程度.
- 这些发现为改善道路安全战略提供了潜在的见解.
- 这种方法证明了机器学习在分析复杂的城市安全数据方面的力量.
