王贝贝，万怀宇+，郭晟楠，林友芳

1.北京交通大学 计算机与信息技术学院，北京100044

2.北京交通大学 交通数据分析与挖掘北京市重点实验室，北京100044

交通事故每年给人们带来惨重的生命财产损失，交通事故的预测对公共安全和城市规划具有十分重要的意义。如果能提前准确地预测城市区域交通事故发生的风险，对于政府而言，可以制定更好的交通规划减少事故发生和人身伤亡；对个人而言，可以选择更安全的出行路径和出行方式避免生命财产损失。

交通事故发生在一定的时间和空间场景下，因此会受到时、空两个维度复杂因素的影响。近几年来，随着深度学习的快速发展，学者们尝试设计基于深度学习的模型来进行交通事故预测。已有的深度学习预测模型主要分为两类：一类只建模时间或空间特征，另一类同时建模时间和空间特征。第一类方法主要依赖循环神经网络（recurrent neural network，RNN）来捕获交通事故在时间维度上潜在的相关性，例如TARPML（traffic accident risk prediction method based on LSTM）模型[1]；或使用卷积神经网络（convolutional neural network，CNN）来捕获邻近区域的空间相关性，例如SDCAE（stack denoising convolutional autoencoder）模型[2]。第二类方法同时使用RNN和CNN来建模交通事故的时间周期性和空间相关性，例如Hetero-ConvLSTM模型[3]。

然而，现有的交通事故预测模型仍然没有很好地解决以下三个问题：

（1）交通事故的影响因素十分复杂。在实际场景下，交通事故的发生受多种因素的影响，例如天气、时间、交通流量、路况等，如何全面考虑这些因素是预测模型面临的一个挑战。

（2）交通事故的发生概率存在复杂的时空关系，包括局部（即相近）区域的时空相关性和全局（即相远）区域的时空相似性。……