SST-GCN: The Sequential based Spatio-Temporal Graph Convolutional networks for Minute-level and Road-level Traffic Accident Risk Prediction

交通事故被认为是全球性的重大社会问题，每年造成大量伤害和显著的费用。因此，预测和预防交通事故的方法已经研究了多年。随着人工智能领域的进步，各种研究已经应用机器学习和深度学习技术来预测交通事故。现代交通条件每分钟都在快速变化，这些变化在不同道路上差异显著。换句话说，每条路的交通事故风险每分钟都以不同的模式变化。因此，希望在分钟级别和道路级别上预测交通事故风险。然而，由于道路与相邻道路之间存在密切而复杂的关系，因此预测分钟级别和道路级别的交通事故是具有挑战性的。因此，建立一个能够反映道路的空间和时间特征的模型对于交通事故预测至关重要。因此，最近尝试使用图卷积网络来捕捉道路的空间特征，使用循环神经网络来捕捉它们的时间特征以预测交通事故风险。本文提出了基于序列的时空图卷积网络（SST-GCN），它结合了GCN和LSTM，使用首尔市的道路数据集来预测分钟级别和道路级别的交通事故。实验表明，SST-GCN在分钟级别的预测中优于其他最先进的模型。

本论文旨在使用机器学习和深度学习技术来预测和防止交通事故，特别是在分钟级和道路级别上进行预测。由于道路之间存在密切而复杂的关系，因此预测分钟级和道路级别的交通事故具有挑战性。

论文提出了一种基于时空图卷积网络（SST-GCN）的交通事故预测模型，该模型结合了GCN和LSTM，以捕捉道路的空间和时间特征。

论文使用首尔市的道路数据集进行实验，并证明SST-GCN在分钟级预测方面优于其他最先进的模型。此外，论文还探讨了如何使用SST-GCN进行交通事故的根本原因分析，并提出了一些可能的解决方案。论文还开源了代码和数据集。

最近的相关研究包括：'A Deep Learning Approach to Traffic Accident Prediction Based on Weather Data'，'Traffic Accident Analysis and Prediction Using Deep Learning Techniques'，'Traffic Accident Prediction Using Deep Learning with Big Data from Social Media'等。