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

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.