基于Hankel-DMD的城市交通事故风险时空预测

为解决城市交通事故风险时空分布预测任务中时空关联性捕捉困难的问题,提出基于动态模态分解(DMD)的城市交通事故分析时空预测模型,模型利用总最小二乘法去除交通事故数据中的噪声,应用结合Hankel矩阵的动态模态分解模型(Hankel-DMD)捕捉交通事故风险的时空关联性,对交通事故风险的时空分布进行预测。研究结果表明：DMD框架能够为高维预测任务提供低秩解决方案,从高维数据中捕捉时空关联性;Hankel-DMD模型在预测评价指标平均绝对误差和均方根误差方面的表现明显优于统计学及机器学习等方法;Hankel-DMD模型产生的动态模态和特征值,对事故风险系统的时空动态特征具有一定的可解释性,同时验证Hankel-DMD模型的适用性。