CN119398480A 一种基于2d-cnn深度学习模型的交通事故风险评估方法、设备及介质 （桂林电子科技大学）

一种基于2D-CNN深度学习模型的交通事故本发明公开一种基于2D_CNN深度学习模型所搭建的基于2D_CNN深度学习的交通事故风险加批量归一化(BatchNormalization,BN)层对Softmax函数确定事故风险评估等级，最终输出2S3：利用步骤S2获取的信息数据对搭建的基于2D_CNNS4：采用步骤S3经训练并测试后的交通事故风险评估模型对交通事故风险进行评估，2.根据权利要求1所述的一种基于2D_CNN深度学习模型的交通事故风险评估方法，其①确定k的值，即选择用于插值的邻近样本数，k值i表示在数据集中与目标缺失值最接近的第i个邻居的数据值，并步骤S2中经过处理后的数据进行卡方检验和ANO其中卡方检验是通过chi2函数来计算每个离散特征和目标变23其中ANOVA检验则是通过F函数来计算每个连续特征和目标变量之间的F值，F值越大，3.根据权利要求1所述的一种基于2D_CNN深度学习模型的交通事故风险评估方法，其步骤S3中搭建的基于2D_CNN深度学习的交通4.根据权利要求3所述的一种基于2D_CNN深度学习模型的交通事故风险评估方法，其所述交通事故风险评估模型还包括输出层，所述输出层利用Softmax函数回归之后的所述Softmax函数和交叉熵损失函数的表达式分别如下式(9)和(1045.根据权利要求4所述的一种基于2D_CNN深度学习模型的交通事故风险评估方法，其6.根据权利要求1所述的一种基于2D_CNN深度学习模型的交通事故风险评估方法，其步骤S3中对交通事故风险评估模型进行训练和测i的K近邻样本中每类事故风险等级的占比r式中：Δi表示一个度量，表示在少数类样本xi的K近邻中，属于多数类别xi15zi3)使用步骤2)经过自适应采样后的训练集和测试集对交通事故风险评估模型进行训①使用训练集训练卷积神经网络，通过卷积层提取7.根据权利要求6所述的一种基于2D_CNN深度学习模型的交通事故风险评估方法，其为了防止模型训练过程中出现梯度消失的问题γ,β8.一种基于2D_CNN深度学习模型的交通事故风险评数据处理模块对于数据获取模块所获取的数据进行缺失值填充、模型训练模块，采用数据模块处理后的训练集和测试集数据对交通事9.一种电子设备，包括存储器、处理器及存储在的一种基于2D_CNN深度学习模型的交通事故风67[0024]2)采用最值归一化对经步骤1)清洗后的数据进行归一化处理，具体公式如下式[0040]全连接层的完整运算过程包括线性变换和非线性激活，先通过式(6)对输入进行8i)表示Softmax函数回归后的每次训练过程中，丢弃层会以一定的概率p随机丢弃某些神经元及其连接，配置概率p=[0058]训练集Dtr，各类事故风险等级比例不均衡，其包括m组样本{xi,9[0081]3)使用步骤2)经过自适应采样后的训练集和测试集对交通事故风险评估模型进的一种基于2D_CNN深度学习模型的交通存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现上述的一种基于(BatchNormalization,BN)层对数据分布进行正则化，可减小数据分布偏移带来的影响；由池化层进行二次降维，同时引入丢弃层(Dropout)，可提高模型的泛化能力；最后通过[0100]图3为本发明基于2D_CNN深度学习模型的交通事故风险评估方法(包括界面操作[0103]实施例1：本实施例以桂林市的2016年至2020年的20006[0107]本步骤中对原始数据利用K近邻插值算法对缺失值进行填充以及归一化处理，实[0109]由于收集到的交通事故数据中存在大量缺失数据，故采用k近邻插值算法进行数[0119]2)采用最值归一化对经步骤1)清洗后的数据进行归一化处理，具体公式如下式转化为一个包含多个风险特征的特征映射(featuremap)，得到带有风险特征的多层矩阵卷积后的数据映射到一个新的特征空间，使得模型能够捕获和表示更复杂的模式和结构，[0146]全连接层的完整运算过程包括线性变换和非线性激活，先对公式(6)输入进行线[0161]输出层利用Softmax函数回归之后的交叉熵损失函数得到最终分类结果，从而输i)表示Softmax函数回归后的[0174]训练集Dtr，各类事故风险等级比例不均衡，其包括m组样本{xi,[0197]3)使用步骤2)经过自适应采样后的训练集和测试集对交通事故风险评估模型进[0207]步骤S3所搭建的交通事故风险评估模型首先通过卷积层