1. 研究目的与意义
随着经济快速发展，城市化进程的加快，人们生活水平显著提高，机动车的增加带来了道路交通的压力，造成交通事故频发的现象。
国外道路交通事故形势虽然比较趋于稳定，伤亡率也很高，每年大约有150多万人在道路交通事故中伤亡。
其中低收入的国家道路交通事故对其造成的经济损失更为严重，占国家总收入的1.5%左右。
2. 课题关键问题和重难点
本课题需要学习掌握Python语言编程、数据预测算法模型建立以及可视化等相关的基本知识。收集，调研和了解与深度学习以及数据预测分析算法相关的研究与应用情况。
本课题拟解决的关键问题为如何使用python语言深度学习预测算法搭建一个预测模型，进行数据集分析，数据可视化，分析分析交通事故发生因素，通过对各种预测算法的比较，找到各自算法的优缺点。
现阶段，关于交通事故风险预测的有关算法已经有研究。本课题的难点第一方面在于通过对各种算法的实践与模拟，分析人为因素，环境因素以及车辆因素，找出最优算法，找到各自算法的优缺点。第二方面难点便是如何最好的展现数据分析预测的可视化，以达到数据预测的目的，辅助验证最优算法。
3. 国内外研究现状（文献综述）
本课题研究主要方向为基于深度学习的交通事故风险预测算法的比较与择优。使用python语言深度学习预测算法搭建预测模型，进行数据集分析，数据可视化，分析分析交通事故发生因素，通过对各种预测算法的比较，找到各自算法的优缺点。
首先，针对交通事故分析预测，主要包括交通事故风险预测研究和交通事故相关分析预测研究。交通事故风险的预测方法有很多种，但是目前国内外多数的研究工作有两方面的问题，一是大多数的研究关注封闭道路的交通事故风险预测，而面向城市复杂路网环境的交通事故风险预测的相关研宄工作相对较少。第二个方面是现有的工作多以传统的机器学习方法为主，而机器学习方法缺乏挖掘多维数据高维特征的能力。目前交通事故相关分析预测主要是交通事故严重程度的分析预测和交通事故持续时间的分析预测，目前分析方法以回归、决策树等传统的分类方法和神经网络分析为主。另外，就交通事故致因因素而言，可分为三大类：人为因素、交通环境因素和车辆因素，在交通事故风险预测工作中，人为因素和车辆因素往往难以实时感知，且人为因素具有较大的不确定性。目前，国内外对于交通事件的预警管理系统主要是针对如何降低交通事故的高发率，保障城市道路交通系统正常运行
而进行研究的。从世界范围来看，交通事件预警管理系统已经由相对独立的事件管理系统逐步过渡，随着智能理论和实践的迅速发展，把交通事件管理系统与交通诱导、智能决策等相关系统有机集成，有效实现信息共享和系统配合，是目前国内外相关领域研究的重点。
4. 研究方案
方案设计：
本课题主要围绕交通事故影响因素分析，数据处理，算法和模型使用三个方面来设计研究实验。
交通事故影响因素多种多样，根据前人针对交通事故的风险预测研宄和交通事故致因因素探索，其中最主要的因素有：驾驶员特征、交通流量、道路网络和天气因素等。通过可视化粗略地探索交通事故与交通流量潜在的关系，可以发现交通流量对交通事故风险具有较大的影响，交通流量多的时刻发生交通事故的风险会更大。此外，交通事故还受到驾驶员特征、道路网络和天气因素等外部条件的影响，其中驾驶员特征无法在事故发生前进行获取，道路几何特征则长期相对稳定，只有天气特征会随着时间的不同而不断变化，从而动态的影响区域发生交通事故的风险。因此，在本课题研究设计中，面向城市交通事故数据，融合了实时交通流量和天气等多源数据，分别计算多源输入数据与单源的交通流量数据对相关区域发生交通事故风险的影响，以找出并比较各种不同模型和不同的输入数据对交通事故风险的影响程度。
5. 工作计划
2023年1月-2月：做好项目前期准备工作；搜集所需资料与数据集；学习基于人工智能深度学习的预测算法，如灰色预测算法等，学习数据预测模型，数据分析预测以及可视化方法。
2022-2023-2学期：
第1周：进行课题的国内外研究综述分析，交通事故分析预测概述以及交通事故致因因素分析，着手预测算法的编程；
