本项目是利用车辆的位置数据（亦称经纬度数据或轨迹数据）和速度加速度数据来刻画驾驶者平时驾驶的习惯和特性，然后预测该车辆接下来可能发生碰撞的概率。
1.发生碰撞的事情随机性很强，并不清楚到底是被其他车辆撞还是自己撞其他车辆。而且受到天气，路况，驾驶者当时的状态能不确定性因素的影响等等。
2.驾驶者的基本特征很难使用。由于驾驶者的基本特征都是当时购买车辆时所记录的特征，但是极有可能车辆是他人开，或者在发生碰撞时正好是其他人驾驶。
3.数据量大，很难一次性处理完。数据量比较大，需要对数据进行分批处理。
4.由于数据是通过4g信号传输到服务器，可能会出现信号中断，数据上传失败等情况发生。这时候如何对数据预处理也是一个很重要的步骤。
5.速度加速度数据是加速度达到一定阈值后才会采集，那么对于匀速行驶的车辆，就没有速度加速度的记录。反而对于一些经常急刹车急加速的车辆，速度加速度的记录会比较多一些。
6.通过数据量情况的分布，我们发现，有些天会因为设备的更新，当天只有极少数的车辆会有记录。这样就会有一些数据量上的差异。
7.正负样本比例极其不均衡，不能在使用常用的准确率这个衡量模型的指标，需要用一些其他指标来训练模型。
首先会基于项目的背景和数据内容做一些简单的介绍。内容均在introduction.md中。
然后统计发生碰撞前的一些特征，比如发生碰撞前的速度、发生碰撞的时间点等等。内容均在crash_feature.md中。
我主要是分析车辆位置数据，也就是轨迹数据，通过轨迹数据做一些特征工程。分别从时间特征和空间特征来提取特征进行预测。内容均在trajectory_feature.md中，特征提取的代码会分别在spatial_feature.py和temporal_feature.
通过参考论文《You Are How You Drive: Peer and Temporal-Aware Representation Learning for Driving Behavior Analysis》中的研究思路，提取车辆的驾驶速度和方向的信息，形成一个<速度，方向>的二元组状态，共9种状态，分别是：匀速直行、匀速左转、匀速右转、加速直行、加速左转、加速右转、减速直行、减速左转、减速右转，通过数据分析，构建各个状态的转移概率矩阵和转移时间矩阵。
通过自编码模型框架嵌入GRU的方法（考虑到驾驶行为随着时间而变化），通过重构损失函数来进行预测。（与论文最大的不同就是，我们是有监督学习）
进度和成果持续更新中...