CN104992557A - 一种城市交通警情等级预测方法 - Google Patents

Abstract

一种城市交通警情等级预测方法，包括如下步骤：步骤1：时间数据整理，时间数据包括5维特征属性，分别是第几单位时间、星期几、是否节假日、是否工作日和是否有重大活动；步骤2：天气数据与交通警情关联性分析及处理：天气数据包括温度、可见度、降雨量3个特征属性；步骤3：建立预测交通警情等级的属性集：根据数据库信息，将处理后的时间数据、天气数据、重大活动日、中小学放假特征属性整合成多维数据宽表，其中包括8个离散的特征属性维度；步骤4：辖区内交通警情等级划分；步骤5：构造朴素贝叶斯分类器；步骤6：预测各区域的交通警情等级。本发明提供了一种有效实现预测、准确性较好的城市交通警情等级预测方法。

Description

一种城市交通警情等级预测方法

技术领域

本发明涉及智能交通领域，具体涉及一种城市辖区交通警情等级预测方法。

背景技术

随着我国经济的高速增长和现代交通的日益发达，与交通有关的警情数量不断增多，交通警情主要分为交通拥堵、交通事故、群众求助等，一般包含警情发生、警情上报、警情处理等过程，大量警情的发生给交通管理者造成很大的困扰。随着城市基础设施建设的不断完善和城市区域的扩大，给交警指挥部门合理调配警力带来很大挑战，将交警呈网格状均匀分配在区域内的部署方式需要耗费大量警力。

论文《基于时空数据应用模型的交通警情研判实现》通过阈值方法进行警情分级预警，其实质是当前警情超出预期以后的报警，并未建立预测模型，不能对未来多天各时段的警情情况进行预测和分级警示，其研究对实时指挥调度有支撑作用，但对勤务优化配置预案的制定无支撑作用；专利201410381532.4选取天气情况、道路情况、驾驶员反应时间、后车与前车距离、后车速度、后车相对于前车的速度差、后车加速度作为追尾事故的变量节点构建贝叶斯网络学习数据集，该方法仅侧重于针对追尾事故中的车辆建模，并采取预警措施。

发明内容

为了克服已有交通警情判别方式的无预测功能、准确性较差的不足,本发明提供了一种有效实现预测、准确性较好的城市交通警情等级预测方法。

本发明解决其技术问题所采用的技术方案是：

一种城市交通警情等级预测方法，所述预测方法包括如下步骤：

步骤1：时间数据整理

时间数据包括5维特征属性，分别是第几单位时间、星期几、是否节假日、是否工作日和是否有重大活动，所述第几单位时间属性处理方法为设定单位时间Δt＝24h/N，按单位时间Δt将全天24小时分为N段；获取国务院颁布的法定节假日信息构成节假日属性；依据节假日和周末信息构成工作日属性；根据当天是 否有大型考试、当前辖区内学校是否放假、是否有大型场馆活动定义是否有重大活动属性；

步骤2：天气数据与交通警情关联性分析及处理

天气数据包括温度、可见度、降雨量3个特征属性； 

步骤3：建立预测交通警情等级的属性集

根据数据库信息，将处理后的时间数据、天气数据、重大活动日、中小学放假等特征属性整合成多维数据宽表，其中包括8个离散的特征属性维度；

步骤4：辖区内交通警情等级划分

统计各辖区近期6个月内的警情发生次数，采用动态划分的方法将交通警情发生次数划分为三个等级，将各个交警支队在单位时间Δt内的警情数量采用等区间装箱方法求和，构成(x₁,x₂,…,x_n)关于交通警情数量的一个样本空间，由n个样本点组成，其中可计算出当前交警支队的警情数量均值记为μ， 计算出警情数量的标准差记为σ，故警情数量属于[0,μ-σ)的标记警情等级为C₁，警情数量属于[μ-σ,μ+σ)的标记警情等级为C₂，警情数量属于[μ+σ,+∞)的标记警情等级为C₃；

步骤5：构造朴素贝叶斯分类器

选取第几三小时X₁、星期几X₂、是否节假日X₃、是否工作日X₄、是否有重大活动X₅、温度X₆、可见度X₇、降雨量X₈构成预测交通警情等级的多维数据集T＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈}，将标记好的警情等级与多维数据集共同构成朴素贝叶斯分类的训练集R＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,C_i}，其中C_i∈(C₁,C₂,C₃)，从而使每个训练样本都具有相应的警情等级类别标签。已知未来几天各个特征属性T_i＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈}＝d预测当前区域的交通警情等级，根据朴素贝叶斯分类器的原理可知需要比较在T_i＝d的条件下属于C₁、C₂、C₃三类警情等级的概率大小，即需要计算p(C₁|T_i＝d)、p(C₂|T_i＝d)、p(C₃|T_i＝d)三者的概率。由贝叶斯公式可知其 中C_i∈(C₁,C₂,C₃)，比较p(C₁|T_i＝d)、p(C₂|T_i＝d)、p(C₃|T_i＝d)三者的概率大小只需要比较p(C₁)p(T_i＝d|C₁)、p(C₂)p(T_i＝d|C₂)、p(C₃)p(T_i＝d|C₃)三者的大小，分母p(T_i＝d)对所有类别为常数；

通过统计训练集R中属于警情等级C₁的样本个数可计算出p(C₁)的概率，即  $p\left(C_1\right)=\frac{C_1}{C_1+C_2+C_3},$ 同理可计算出 $p\left(C_2\right)=\frac{C_2}{C_1+C_2+C_3},p\left(C_3\right)=\frac{C_3}{C_1+C_2+C_3}.$ p(T_i＝d|C_i)即在类别C_i中属性T_i的取值为d的概率，具体p(T_i＝d|C_i)＝p(X₁＝d₁|C_i)p(X₂＝d₂|C_i)…p(X₈＝d₈|C_i)，其中d＝(d₁,d₂,…,d₈)，8个离散特征属性的先验概率p(X₁＝d₁|C_i)、…、p(X₈＝d₈|C_i)通过计算在每个类别C_i中每个属性X_i取值为d_i的概率p(X_i＝d_i|C_i)求得；

步骤6：预测各区域的交通警情等级

由步骤5形成各特征属性的概率表，将所有特征属性的概率相乘计算出p(C₁|T_i)、p(C₂|T_i)、p(C₃|T_i)三者的概率大小，将所有特征属性的概率相乘时如果有某个特征属性的概率值为零，会消除乘积中涉及的所有其他属性概率的影响，导致最终p(C_i|T_i)的结果为零，每个特征属性从1开始计数，p(C₁|T_i)、p(C₂|T_i)、p(C₃|T_i)三者中最大的概率值即为朴素贝叶斯分类器预测出的当前特征属性条件T_i下的交通警情等级。

进一步，所述步骤2中，将降雨量分为以下五个等级，降雨量0.1mm-9.9mm时为小雨，降雨量为10mm-24.9mm为中雨，降雨量25mm-49.9mm为大雨，降雨量50mm-99.9mm为暴雨，降雨量100mm以上为大暴雨；将可见度等级分为以下五类，可见度大于10km时为无雾，可见度为1km-10km时为轻雾，可见度为200m-1km时大雾，可见度为50m-200m时为浓雾，可见度小于50m时为强雾；将温度划分为小于5℃，5℃-28℃，29℃-35℃，大于35℃四个等级。

本发明的技术构思为：在数据来源和实现目标方面均与现有技术不同，本方法通过将天气因素、时间因素、重大活动、中小学放假作为特征属性，充分考虑了车、路、人、环境等因素对交通警情等级的影响，最终将整理后的多维数据通 过朴素贝叶斯分类器对不同辖区的交通警情等级进行预测。目前尚未发现以天气因素、时间因素、重大活动、中小学放假为特征属性的交通警情等级预测方法，针对全市各个交警支队所属辖区的交通警情等级预测结果可以优化警力部署，提高交通管理者的指挥效率。

本发明的有益效果主要表现在：(1)城市辖区交通警情等级预测是为了给所属辖区内的交警支队制定警力配置预案提供数据支撑，本方法动态划分各个辖区交通警情等级，对警情数量超出合理范围的辖区进行预警，交通警情等级展示结果简洁，便于交通管理者理解。

(2)特征属性的选择全面系统地揭示天气因素、时间因素、环境因素对交通警情等级的影响。通过特征属性与交通警情等级的关联性分析，并对连续属性值离散化，构造出符合朴素贝叶斯分类器的多维特征属性，利用概率统计知识进行分类，方法简单、分类准确率高、速度快，充分利用了贝叶斯分类器刻画外部环境变化如何影响交通警情等级变化，能够从原始样本数据中挖掘出天气数据、时间数据之间的耦合关系，为交警指挥部门调度提供数据支撑。

附图说明

图1是城市交通警情等级预测流程图。

图2是杭州市降雨等级与警情关系图。

图3是杭州市可见度与警情关系图。

图4是杭州市温度等级与警情关系图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种城市交通警情等级预测方法，包括如下步骤：

步骤1：时间数据整理

时间数据包括5维特征属性，分别是第几单位时间、星期几、是否节假日、是否工作日和是否有重大活动，所述第几单位时间属性处理方法为设定单位时间Δt＝24h/N，按单位时间Δt将全天24小时分为N段(例如N＝8，单位时间为3h)；获取国务院颁布的法定节假日信息构成节假日属性；依据节假日和周末信息构成工作日属性；根据当天是否有大型考试、当前辖区内学校是否放假、是否有大型 场馆活动定义是否有重大活动属性；

步骤2：天气数据与交通警情关联性分析及处理

天气数据包括温度、可见度、降雨量3个特征属性。降雨量往往会引起道路交通环境变差，导致路面摩擦系数下降，影响车辆制动，降雨量大时能见度变坏，影响视线，易发生交通事故，由降雨量与警情关联性分析结果可知，当天气为小到中雨或中雨时，交通事故量较多，当降雨量特别大时，事故量相对减少，因此降水和降雨量的大小与事故的关系较复杂，综合考虑以上因素结合天气预报标准可将降雨量分为以下五个等级，降雨量0.1mm-9.9mm时为小雨，降雨量为10mm-24.9mm为中雨，降雨量25mm-49.9mm为大雨，降雨量50mm-99.9mm为暴雨，降雨量100mm以上为大暴雨；雾对光的吸收和散射作用，使得道路能见度、视野下降，能见度有时降到30～40m甚至更低，驾驶员看不清前方和周围的情况，对前方车辆等识别困难，极易发生追尾等事故，雾中的水珠与路面上和空气中的灰尘混合，导致轮胎与路面附着系数减小，从而导致制动距离延长、行驶打滑等现象发生，进而引发道路交通事故，根据历史数据的相关性分析结果可知，可见度小于1km时与警情数呈负相关，可见度大于1km时与警情关系不明显，结合国家能见度等级和预报标准，将可见度等级分为以下五类，可见度大于10km时为无雾，可见度为1km-10km时为轻雾，可见度为200m-1km时大雾，可见度为50m-200m时为浓雾，可见度小于50m时为强雾；冬季温度突变不仅影响驾驶员、行人对环境反应的灵敏度，还会引起道路摩擦系数降低，车辆通过困难，春季气温回升快，此时驾驶员容易处于似睡似醒状态，同时路面湿滑极易引起车祸，相关研究表明在日平均相对湿度大于85％，平均气温大于17℃时，日均交通事故指数最大为4.69，有时春季也会出现倒春寒现象，雨雪交加的恶劣天气导致车祸频频发生，夏季气温大于35℃会出现汽车轮胎爆胎、驾驶员中暑等易引起交通事故的因素，气温与警情关联分析后可将温度划分为小于5℃，5℃-28℃，29℃-35℃，大于35℃四个等级。

步骤3：建立预测交通警情等级的属性集

由时间因素、天气因素、重大活动日、中小学放假等特征属性构成的多维数据间必然存在着直接或间接的规律和联系，例如：处于上下班的时间段肯定交通流数据比较大，可能引发的交通事故案件比较多，重大活动导致的人员出行需求剧增也有可能引发交通事故。各个特征属性间存在潜在的联系，根据数据库信息， 将处理后的时间数据、天气数据、重大活动日、中小学放假等特征属性整合成多维数据宽表，其中包括8个离散的特征属性维度，如表1所示，表1为预测交通警情等级的特征属性集。第几三小时、星期几、是否节假日、是否工作日、是否有重大活动、温度、可见度、降雨量等8个离散的特征属性维度。

表1

步骤4：辖区内交通警情等级划分

各个交警支队所属辖区内交通警情发生次数均有差异，核心辖区警情发生次数比偏远辖区多，采用固定阈值将警情发生次数等区间划分不符合实际情况，对各个交警支队指挥调度没有指导意义，统计各辖区近期6个月内的警情发生次数，采用动态划分的方法将交通警情发生次数划分为三个等级，将各个交警支队在单位时间Δt＝3h内的警情数量采用等区间装箱方法求和，构成(x₁,x₂,…,x_n)关于交通警情数量的一个样本空间，由n个样本点组成，其中可计算出当前交警支队的警情数量均值记为μ，计算出警情数量的标准差记为σ，故警情数量属于[0,μ-σ)的标记警情等级为C₁，警情数量属于[μ-σ,μ+σ)的标记警情等级为C₂，警情数量属于[μ+σ,+∞)的标记警情等级为C₃。

步骤5：构造朴素贝叶斯分类器

选取第几三小时X₁、星期几X₂、是否节假日X₃、是否工作日X₄、是否有重大活动X₅、温度X₆、可见度X₇、降雨量X₈构成预测交通警情等级的多维数据集T＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈}。将标记好的警情等级与多维数据集共同构成朴素贝叶斯分类的训练集R＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,C_i}，其中C_i∈(C₁,C₂,C₃)，从而使每个训练样本都具有相应的警情等级类别标签。已知未来几天各个特征属性T_i＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈}＝d预测当前区域的交通警情等级，根据朴素贝叶斯分类器的原理可知需要比较在T_i＝d的条件下属于C₁、C₂、C₃三类警情 等级的概率大小，即需要计算p(C₁|T_i＝d)、p(C₂|T_i＝d)、p(C₃|T_i＝d)三者的概率。由贝叶斯公式可知其中C_i∈(C₁,C₂,C₃)，比较p(C₁|T_i＝d)、p(C₂|T_i＝d)、p(C₃|T_i＝d)三者的概率大小只需要比较p(C₁)p(T_i＝d|C₁)、p(C₂)p(T_i＝d|C₂)、p(C₃)p(T_i＝d|C₃)三者的大小，分母p(T_i＝d)对所有类别为常数，无需计算。

通过统计训练集R中属于警情等级C₁的样本个数可计算出p(C₁)的概率，即  $p\left(C_1\right)=\frac{C_1}{C_1+C_2+C_3},$ 同理可计算出 $p\left(C_2\right)=\frac{C_2}{C_1+C_2+C_3},p\left(C_3\right)=\frac{C_3}{C_1+C_2+C_3}.$ p(T_i＝d|C_i)即在类别C_i中属性T_i的取值为d的概率，具体p(T_i＝d|C_i)＝p(X₁＝d₁|C_i)p(X₂＝d₂|C_i)…p(X₈＝d₈|C_i)，其中d＝(d₁,d₂,…,d₈)，8个离散特征属性的先验概率p(X₁＝d₁|C_i)、…、p(X₈＝d₈|C_i)通过计算在每个类别C_i中每个属性X_i取值为d_i的概率p(X_i＝d_i|C_i)即可求得。

步骤6：预测各区域的交通警情等级

由步骤5形成各特征属性的概率表，将所有特征属性的概率相乘计算出p(C₁|T_i)、p(C₂|T_i)、p(C₃|T_i)三者的概率大小，将所有特征属性的概率相乘时如果有某个特征属性的概率值为零，会消除乘积中涉及的所有其他属性概率的影响，导致最终p(C_i|T_i)的结果为零，本方法假定训练数据R很大，以至于对每个特征属性计数加1造成的估计概率的变化可以忽略不计，故每个特征属性从1开始计数，此方法可以方便的避免概率值为零。p(C₁|T_i)、p(C₂|T_i)、p(C₃|T_i)三者中最大的概率值即为朴素贝叶斯分类器预测出的当前特征属性条件T_i下的交通警情等级。

实例1：一种城市辖区交通警情等级预测方法，实施过程如下：

步骤1：时间数据整理

目前杭州几种比较典型的对交通影响较大的活动主要有：黄龙体育中心举办的大型演唱会、中超联赛，和平会展中心举办的大型招聘会和各类会展，石祥路 汽车城举办的大型车展，国际马拉松活动，钱江新城大型演出等。该表数据来源均为互联网。以下城区交警支队为例，下城区范围内主要的大型场馆有和平国际会展中心，从和平会展中心官方网站抓取历年的活动记录，在Oracle数据库中建立杭州市场馆活动情况表EVENT_HUODONG，各字段注释如表2所示，表2为杭州市场馆活动情况表EVENT_HUODONG：

PLACE	场馆地点	char(50)
			TYPE	场馆活动类型	char(50)
TIME_BEGIN	场馆活动起始时间	DATE
			TIME_END	场馆活动终止时间	DATE
AREA	场馆所在的区域	char(20)

表2

杭州市场馆活动情况表内数据进行存储；

查询杭州市各大高校的寒暑假时间和中小学寒暑假时间，制成杭州市寒暑假时间记录表EVENT_SCHOOL。表内的各字段注释如表3所示，表3为杭州市寒暑假时间记录表EVENT_SCHOOL：

PLACE	学校地点	char(50)
			TYPE	学校活动类型	char(50)
TIME_BEGIN	学校活动起始时间	DATE
			TIME_END	学校活动终止时间	DATE
AREA	学校所在的区域	char(20)

表3

杭州市寒暑假时间记录表内的数据进行存储。

步骤2：天气数据与交通警情关联性分析及处理

建立杭州市天气数据表HZTQ5，数据采集范围是从2012年1月份到2015年2月份，杭州市天气数据表格字段注释如表4所示，表4为杭州市天气数据表HZTQ5：

TIME	时间，每隔三小时一次	VARchar2(50)
			T	温度，摄氏度	NUMBER
VV	水平能见度(千米)	NUMBER

 

RRR

降雨量(毫米)

NUMBER

表4

杭州市天气数据表数据进行存储。

如图2所示，分析降雨量与警情数量关系可知，天气为小到中雨或中雨时，交通事故量较多，当降雨量特别大时，事故量相对较少，进一步分析可知连续降雨5天或以上情况下，前两三天刮擦、堵路、事故警情呈现上升趋势，而后下降。

表5为可见度在1km以内与警情数之间的相关系数表，由表5和图3所示，分析可见度与警情数量关系可知，可见度小于1km时与警情数基本成负相关，其中在0.2-0.5km时负相关性最显著，相关系数大约为-0.76；而可见度大于1km时，两者没有明显的关系，浓雾天的能见度太低，发生事故量最多，轻雾天的交通事故量比雾天和大雾天的事故量都要多。

可见度	小于0.2km	0.2-0.5km	0.5-0.8km	0.8-1km
					相关系数	0.009	-0.76	-0.38	-0.05

表5

由图4所示，分析温度等级与警情数量关系可知，温度在28℃以下时与警情之间的关系不大，大于28℃时正相关性比较大，夏季最高气温大于35℃时日均交通事故量最多，车辆追尾类型在寒冷天易发生，可能与道路结冰有关。

步骤3：建立预测交通警情等级的属性集

预测交通警情等级的特征属性集中包括第几三小时、星期几、是否节假日、是否工作日、是否有重大活动、温度、可见度、降雨量等8个特征属性维度，将全天24小时划分为23:00--2:00为第1个三小时，2:00--5:00为第2个三小时，5:00--8:00为第3个三小时，8:00--11:00为第4个三小时，11:00--14:00为第5个三小时，14:00--17:00为第6个三小时，17:00--20:00为第7个三小时，20:00--23:00为第8个三小时，分别用[1,2,3,4,5,6,7,8]表示，星期一至星期日用[1,2,3,4,5,6,7]表示，工作日用1表示，非工作日用0表示，若当前区域内有大型活动、放假等情况用1表示，温度离散化为[1,2,3,4]四个等级，可见度离 散化为[1,2,3,4,5]五个等级，降雨量离散化为[1,2,3,4,5]五个等级。整理好的特征属性表如表6所示，表6为预测交通警情等级的特征属性集，数据库中存储形式，表6与杭州市温度等级与警情关系图中特征属性维度从左至右均一一对应。

表6

步骤4：辖区内交通警情等级划分

选取近6个月内各个交警支队的交通警情数据，将全天24小时分成8份，每份为3小时时间段，与采集到的天气数据时间段吻合。23:00--2:00为第1个三小时，2:00--5:00为第2个三小时，5:00--8:00为第3个三小时，8:00--11:00为第4个三小时，11:00--14:00为第5个三小时，14:00--17:00为第6个三小时，17:00--20:00为第7个三小时，20:00--23:00为第8个三小时，采用等区间装箱的方式将三小时时段内所有警情数量求和，构成(x₁,x₂,…,x_n)关于当前辖区交通警情数量的一个样本空间，由n个样本点组成，其中可计算出当前交警支队的警情数量均值记为μ，计算出警情数量的方差记为σ，故警情数量属于[0,μ-σ)的标记警情等级为C₁，警情数量属于[μ-σ,μ+σ)的标记警情等级为C₂，警情数量属于[μ+σ,+∞)的标记警情等级为C₃。

步骤5：构造朴素贝叶斯分类器并预测各个区域的交通警情等级

以事故类警情预警为例，将2013年1月至2015年2月数据分为两部分，2013年1月至2014年11月1日共4977条数据作为训练数据集，2014年11月1日至2015年2月3日共738条数据作为测试数据集。训练数据集中的4977条数据输 入分类器训练出一组与特征值有关的系数，去除738条测试集中的警情等级标签，然后将738条测试数据输入训练好的分类器中，记录下预测出的警情等级，将预测出的警情等级与测试集中原有的警情等级标签进行对比，测试预测结果的准确率。实验分别采用贝叶斯分类器和决策树分类器进行分类，并得到测试结果概况如表7所示，表7为贝叶斯分类器和决策树分类器预测准确率对比。

分类器	准确率	跨等级预测错误数据
			贝叶斯分类器	77.6422764228％，	15条
决策树分类器	73.8482384824％	10条

表7

738条测试数据中预测准确573条数据，准确率达到77.6422764228％，预测错误165条数据，错误的165条数据中跨等级预测错误数据为15条，其余预测错误的150条警情等级均为相邻等级。

Claims (2)

1.一种城市交通警情等级预测方法，其特征在于：所述预测方法包括如下步骤：

步骤1：时间数据整理

时间数据包括5维特征属性，分别是第几单位时间、星期几、是否节假日、是否工作日和是否有重大活动，所述第几单位时间属性处理方法为设定单位时间Δt＝24h/N，按单位时间Δt将全天24小时分为N段；获取国务院颁布的法定节假日信息构成节假日属性；依据节假日和周末信息构成工作日属性；根据当天是否有大型考试、当前辖区内学校是否放假、是否有大型场馆活动定义是否有重大活动属性；

步骤2：天气数据与交通警情关联性分析及处理

天气数据包括温度、可见度、降雨量3个特征属性；

步骤3：建立预测交通警情等级的属性集

根据数据库信息，将处理后的时间数据、天气数据、重大活动日、中小学放假特征属性整合成多维数据宽表，其中包括8个离散的特征属性维度；

步骤4：辖区内交通警情等级划分

统计各辖区近期6个月内的警情发生次数，采用动态划分的方法将交通警情发生次数划分为三个等级，将各个交警支队在单位时间Δt内的警情数量采用等区间装箱方法求和，构成(x₁,x₂,…,x_n)关于交通警情数量的一个样本空间，由n个样本点组成，其中可计算出当前交警支队的警情数量均值记为μ，计算出警情数量的标准差记为σ，故警情数量属于[0,μ-σ)的标记警情等级为C₁，警情数量属于[μ-σ,μ+σ)的标记警情等级为C₂，警情数量属于[μ+σ,+∞)的标记警情等级为C₃；

步骤5：构造朴素贝叶斯分类器

选取第几三小时X₁、星期几X₂、是否节假日X₃、是否工作日X₄、是否有重大活动X₅、温度X₆、可见度X₇、降雨量X₈构成预测交通警情等级的多维数据集T＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈}，将标记好的警情等级与多维数据集共同构成朴素贝叶斯分类的训练集R＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,C_i}，其中C_i∈(C₁,C₂,C₃)，从而使每个训练样本都具有相应的警情等级类别标签。已知未来几天各个特征属性T_i＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈}＝d预测当前区域的交通警情等级，根据朴素贝叶斯分类器的原理可知需要比较在T_i＝d的条件下属于C₁、C₂、C₃三类警情等级的概率大小，即需要计算p(C₁|T_i＝d)、p(C₂|T_i＝d)、p(C₃|T_i＝d)三者的概率。由贝叶斯公式可知其中C_i∈(C₁,C₂,C₃)，比较p(C₁|T_i＝d)、p(C₂|T_i＝d)、p(C₃|T_i＝d)三者的概率大小只需要比较p(C₁)p(T_i＝d|C₁)、p(C₂)p(T_i＝d|C₂)、p(C₃)p(T_i＝d|C₃)三者的大小，分母p(T_i＝d)对所有类别为常数；

通过统计训练集R中属于警情等级C₁的样本个数可计算出p(C₁)的概率，即 $p\left(C_1\right)=\frac{C_1}{C_1+C_2+C_3},$ 同理可计算出 $p\left(C_2\right)=\frac{C_2}{C_1+C_2+C_3},$ $p\left(C_3\right)=\frac{C_3}{C_1+C_2+C_3}.$ p(T_i＝d|C_i)即在类别C_i中属性T_i的取值为d的概率，具体p(T_i＝d|C_i)＝p(X₁＝d₁|C_i)p(X₂＝d₂|C_i)…p(X₈＝d₈|C_i)，其中d＝(d₁,d₂,…,d₈)，8个离散特征属性的先验概率p(X₁＝d₁|C_i)、…、p(X₈＝d₈|C_i)通过计算在每个类别C_i中每个属性X_i取值为d_i的概率p(X_i＝d_i|C_i)求得；

步骤6：预测各区域的交通警情等级

由步骤5形成各特征属性的概率表，将所有特征属性的概率相乘计算出p(C₁|T_i)、p(C₂|T_i)、p(C₃|T_i)三者的概率大小，将所有特征属性的概率相乘时如果有某个特征属性的概率值为零，会消除乘积中涉及的所有其他属性概率的影响，导致最终p(C_i|T_i)的结果为零，每个特征属性从1开始计数，p(C₁|T_i)、p(C₂|T_i)、p(C₃|T_i)三者中最大的概率值即为朴素贝叶斯分类器预测出的当前特征属性条件T_i下的交通警情等级。

2.如权利要求1所述的一种城市交通警情等级预测方法，其特征在于：所述步骤2中，将降雨量分为以下五个等级，降雨量0.1mm-9.9mm时为小雨，降雨量为10mm-24.9mm为中雨，降雨量25mm-49.9mm为大雨，降雨量50mm-99.9mm为暴雨，降雨量100mm以上为大暴雨；将可见度等级分为以下五类，可见度大于10km时为无雾，可见度为1km-10km时为轻雾，可见度为200m-1km时大雾，可见度为50m-200m时为浓雾，可见度小于50m时为强雾；将温度划分为小于5℃，5℃-28℃，29℃-35℃，大于35℃四个等级。