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

交通事故被认为是全球重要的社会问题，每年造成大量的伤害和重大的费用。因此，研究预测和预防交通事故的方法已经进行了多年。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迅速变化，而这些变化在不同的道路上有很大的差异。换句话说，交通事故的风险每分钟以各种模式在每条道路上发生变化。因此，希望能够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研究。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获道路的空间特征，使用循环神经网络来捕获其时间特征，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，使用在韩国首都首尔建立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。

本文旨在使用机器学习和深度学习技术，结合道路的空间和时间特征，预测道路交通事故的风险，尤其是在分钟级和道路级别上进行预测。

本文提出了一种名为SST-GCN的模型，将GCN和LSTM相结合，以预测首尔市道路数据集中的交通事故风险。SST-GCN能够捕捉到道路的空间和时间特征，从而在分钟级别上进行预测，并在实验中表现出比其他最先进的模型更好的性能。

本文的实验使用了首尔市的道路数据集，证明了SST-GCN模型在分钟级别上预测交通事故风险的能力优于其他最先进的模型。此外，本文使用了GCN和LSTM相结合的方法，能够捕捉到道路的空间和时间特征，这是该领域的一个新颖思路。然而，本文并没有公开其代码。这项工作将有助于进一步研究如何使用深度学习技术预测交通事故风险。

近期的相关研究包括：1）使用卷积神经网络和长短期记忆网络预测交通事故，2）使用图卷积网络预测交通拥堵，3）使用深度学习方法预测交通事故。