CN106780266B - 基于主成分贡献度参数的事故热点内特性分析及行车指导方法 - Google Patents

Abstract

本发明公开了一种基于主成分贡献度参数的事故热点内特性分析及行车指导方法，其包括如下步骤：识别事故热点；确定事故热点中影响事故发生的最重要的m个主要影响因素，所述m为正整数；计算事故热点主要影响因素的贡献权重；计算热点成因因子并构建事故热点的成因分析模型；根据获得的故热点的成因分析模型指导驾驶员在事故热点处的驾驶。本发明能够找出最能反映事故形成原因的成分，最终分别得到道路成因和社会成因。在热点区域可以更好地改善交通环境，并且可以控制导航路线，选择更加安全可靠的路线。本发明能直观地反映事故热点的形成主要受到哪个热点内特性参数的影响，指导驾驶员行车中更多地注意相对危险的内特性参数对行车的影响。

Description

基于主成分贡献度参数的事故热点内特性分析及行车指导 方法

技术领域

本发明属于智能交通技术领域，涉及道路事故热点成因和实验区域选择，特别涉及一种基于主成分贡献度参数的事故热点内特性分析方法及行车指导方法。

背景技术

随着社会经济的发展，汽车保有量的逐年增加给我国的道路交通系统带来巨大压力，不可避免地引发了大量交通事故，虽然道路交通事故起数、死亡人数与直接财产损失等得到有效控制与改善，但与其他发达国家相比，我国的道路交通安全形势仍不容乐观。由此可知，我国仍面临着严峻的道路交通安全问题。这迫切要求我们深入研究道路交通事故热点成因，为交通提供相关的控制决策信息，提高道路交通安全等。

热点成因发现是一个历史数据分析问题，即通过分析海量历史数据，发现对象热点中事故的生成共性因素，并以之为依据发现热点成因。

实验区域的筛选可采用基于道路特性和基于社会特性两种模式展开。基于社会特性的筛选是以区域社会因素，如区域人口密度，犯罪率及受教育程度，为参照展开的，这类数据较易获得。关键问题在于基于道路特性的筛选是以路况条件参照展开的，路况条件不仅与道路本身有关，也与道路地理特性相关，较难获得准确的评价参数。道路环境属性权重确定，在进行试验区域选择或决策分析过程中至关重要。常用的权重确定或计算方法主要有专家评分、模糊统计、二元对比排序等，但它们在实际应用中都存在着明显的不足，它们没有考虑到条件属性与决策属性之间内在的关联程度，将导致道路环境属性权重计算不准确，从而影响实验区域的筛选，使得事故热点成因分析模型验证不准确。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于主成分贡献度参数的事故热点内特性分析及行车指导方法。

为实现本发明的上述目的，本发明提供了一种基于主成分贡献度参数的事故热点内特性分析及行车指导方法，其包括如下步骤：

S1，识别事故热点；

S2，确定事故热点中影响事故发生的最重要的m个主要影响因素，所述m＝5；

S3，计算事故热点主要影响因素的贡献权重；

S4，计算热点成因因子并构建事故热点的成因分析模型；

S5，根据获得的故热点的成因分析模型指导驾驶员在事故热点处的驾驶。

在事故热点成因分析方面，本发明先计算出热点成因因素贡献权重，再对重构的因素变量进行主成分分析，这样可以找出最能反映事故形成原因的成分，最终分别得到道路成因和社会成因。在热点区域可以更好地改善交通环境，并且可以控制导航路线，选择更加安全可靠的路线。

应用本发明所提出的事故热点成因分析模型所获取的内特性参数C_road和C_society能直观地反映事故热点的形成主要受到哪个热点内特性参数的影响，指导驾驶员行车中更多地注意相对危险的内特性参数对行车的影响。

在本发明的一种优选实施方式中，步骤S3中计算热点主要影响因素的贡献权重的方法为：

S31，根据社会因素选择高人口密度、高犯罪率、低人口受教育程度、低年龄分布，和低人口密度、低犯罪率、高人口受教育程度、高年龄分布区域各一个作为对象区域i和对象区域j，并在对象区域i和对象区域j中根据交通事故数量、死亡人数、受伤人数、经济损失四项指标筛选出主要道路作为目标区域i和目标区域j；

S32，分别统计目标区域i和目标区域j内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5对应数据库指标涉及的总事故数AccNum(i)和AccNum(j)；

S33，根据人口密度、犯罪率、人口受教育程度和年龄分布分别计算选择区域的社会因子F_s，计算选择的两个不同对象区域i、j的总事故数AccNum(i)、AccNum(j)和F_s(i)、F_s(j)，获得社会因素权重CS_i；

其中，Density(i)是目标区域i的人口密度，Crime(i)是目标区域i的犯罪率，Education(i)是目标区域i的人口受教育程度，Age(i)是目标区域i的年龄分布，Density(j)是目标区域j的人口密度，Crime(j)是目标区域j的犯罪率，Education(j)是目标区域j的人口受教育程度，Age(j)是目标区域j的年龄分布，Density_MAX(i)是目标区域i中人口密度最大值，Crime_MAX(i)是目标区域i中犯罪率最大值，Education_MAX(i)是目标区域i中受教育程度最大值，Age_MAX(i)是目标区域i中年龄分布最大值,Density_MAX(j)是目标区域j中人口密度最大值，Crime_MAX(j)是目标区域j中犯罪率最大值，Education_MAX(j)是目标区域j中受教育程度最大值，Age_MAX(j)是目标区域i中年龄分布最大值；

社会因素权重CS_i为：

F_S(i)表示目标区域i的社会因子，AccNum(i)表示目标区域i内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5分别对应数据库指标涉及的总事故数，F_S(j)表示目标区域j的社会因子，AccNum(j)表示目标区域j内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5分别对应数据库指标涉及的总事故数，CS_i表现为参数X_i所占权重，i，j为两个不同社会属性对象区域；

由于各影响因素的CR_i+CS_i＝1，根据社会因素权重CS_i，得出道路物理因素权重CR_i。

贡献权重计算方法优点有两点：第一，根据社会因素计算事故热点成因因素权重，社会因素这类数据较易获得，如果是根据道路物理特性展开，较难获得准确的评价参数。第二，社会因素可以根据手边的数据进行修改或添加，增加了权重准确度。

在本发明的另一种优选实施方式中，步骤S4中计算热点成因因子并构建事故热点的成因分析模型的步骤为：

S41，根据事故热点成因因素构建原变量矩阵，基于此构建参数矩阵X；

n为事故热点个数，x_pq为第p个事故热点第q个成因因素元变量，p＝1,2，…，n；q＝1,2，…，5；

S42，构建参数矩阵X的归一化矩阵标准化

即：

其中，X_q是参数矩阵X中列的平均值，S_q ²则是参数矩阵X中每一列的方差；

S43，构建协方差矩阵R，获取协方差矩阵R的特征值矩阵λ_1×5和特征向量矩阵v_5×n，对特征值进行排序使得λ₁≥λ₂≥…≥λ₅，

即：

第p个主成分指标

其中，v_p是协方差矩阵R的第p个特征值λ_p所对应的特征向量；

通过以下式子提取主成分个数k；

基于主成分分析，得到主成分特征值矩阵λ_1×k所对应的主成分特征向量矩阵V_5×k，λ₁≥λ₂≥…λ_k；

S44，获取主成分方差贡献率矩阵W_1×m；

W_1×m＝[w₁,w₂,…,w_m]

m为事故热点中影响事故发生的主要影响因素的个数，w_p为第p个影响因素的主成分方差贡献率；

S45，构建热点成因分析模型：

C_road＝CR_1×5×(abs(V_5×m)×W_1×m ^T)

C_society＝CS_1×5×(abs(V_5×m)×W_1×m ^T) (9)

式中，C_road为道路成因，C_society为社会成因，

V_5×m表示参数变量对该主成分的贡献率矩阵，

W_1×m表示该主成分对事故热点整体的贡献率矩阵，

CR_1×5表示参数变量对道路因子的贡献率矩阵，

CS_1×5表示参数变量对社会因子的贡献率矩阵。

事故热点的形成原因各有不同，但无一例外包含有若干共性影响因子，计算热点成因因子是热点成因发现的关键，是构建事故热点成因分析模型必不可少的关键步骤。以上计算方法能够准确快速获得热点成因因子，反映事故热点形成的成因。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是事故热点与事故的关系图；

图2是本发明一种优选实施方式中计算热点成因因素贡献权重的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提供了一种基于主成分贡献度参数的事故热点内特性分析及行车指导方法，其包括如下步骤：

S1，识别事故热点。事故热点是指具有某种关联特性的交通事故发生位置点的集合，即交通事故多发区域。如图1所示，多个事故点生成一个事故热点的示例图。事故热点研究分析是解决道路安全策略的关键问题，事故热点的内特性分析是目前业界的研究难点，事故热点的内特性将直接决定车辆的通过策略。在本实施方式中，具体事故热点的识别采用申请人的已公开的专利申请201510564540.7中的方法，具体步骤为：

步骤一：通过3N(natural nearest neighbor)搜索算法构造最小邻居图MNG(minimum neighborhood graph)。

步骤二：将MNG中的点分为两类，拥有自然最邻近的点以及离群点，并分别将两种点归入集合TN和TO，同时给予两种点不同的标识符。

步骤三：运用广度优先搜索法BFS(Breadth First Search)并且结合点与聚类中心的最长距离阈值THLD对TN中的点进行聚类，即如果该点与簇中心的距离小于THLD，则将该点归入簇中，以此对TN中的每个点进行聚类，获得初始聚类结果。

步骤四：将TO中满足最短距离阈值THSD的点归入簇中，即是先计算该点与各簇中心的距离，然后选取最小的那个距离，如果该距离小于THSD，则将其归入得到最小距离的簇中，以此对TO中的每个点进行聚类，得到最终聚类结果，实现事故热点的发现。本发明聚类算法的改进有两点，其一是对MNG中的点进行分类，其二是运用阈值THLD和THSD分别对两类点进行聚类。该聚类算法相比于CB3N，能够更好的反映道路网络，实现热点边界的区分，能够为事故成因分析和破坏度评估提供更精确的热点信息。

S2，确定事故热点中影响事故发生的最重要的m个主要影响因素，m＝5。设F₁表示原变量的第一个线性组合所形成的主成分指标，即F₁＝a₁₁X₁+a₂₁X₂+…+a_p1X_p，在所有的线性组合中选取的F₁所含的信息量最大，故称F₁为第一主成分。如果第一主成分不足以代表原来p个指标的信息，再考虑选取第二个主成分指标F₂，为有效地反映原信息，F₂与F₁要保持独立、不相关，依此类推构造出的F₁、F₂……F_m为原变量指标X₁、X₂……X_p第一、第二、……、第m个主成分。F₁、F₂……F_m，m≤p，为构造的新变量综合指标，即原变量指标的第一、第二、……、第m个主成分。

每一个主成分所提取的信息量用其方差来度量，其方差Var(F₁)越大，表示F₁所包含的信息越多。并且为了F₂与F₁不相关的数学表达是其协方差Cov(F₁,F₂)＝0。

根据以上分析可得知：

①F_i与F_j互不相关，即Cov(F_i,F_j)＝0，并有Var(F_i)＝a_i'Σa_i，Σ为X的协方差阵Σ＝(s_ij)_p×p，其中

②求出Σ的特征值λ_i及相应的正交化单位特征向量a_i

Σ的前m个较大的特征值λ₁≥λ₂≥…≥λ_m＞0，就是前m个主成分对应的方差，λ_i对应的单位特征向量a_i就是主成分F_i的关于原变量的系数，则原变量的第i个主成分F_i为：

F_i＝a_i'X，

③选择主成分

最终要选择几个主成分，即F₁、F₂……F_m中m的确定是通过方差(信息)累计贡献率G(m)来确定：

当累计贡献率大于一定门限值时，就认为能足够反映原来变量的信息了，对应的m就是抽取的前m个主成分。

在本实施方式中，选定5个主要影响因素，具体包括的指标如表1所示，根据不同影响因素中不同指标导致的交通事故对事故按照事故影响因素分类。

表1.事故热点成因因素构造表

S3，计算事故热点主要影响因素的贡献权重。如图2所示，具体方法为：

S31，根据社会因素选择高人口密度、高犯罪率、低人口受教育程度、低年龄分布，和低人口密度、低犯罪率、高人口受教育程度、高年龄分布区域各一个作为对象区域i和对象区域j，并在对象区域i和对象区域j中根据交通事故数量、死亡人数、受伤人数、经济损失四项指标筛选出主要道路作为目标区域i和目标区域j；

S32，分别统计目标区域i和目标区域j内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5对应数据库指标涉及的总事故数AccNum(i)和AccNum(j)；

S33，根据人口密度、犯罪率、人口受教育程度和年龄分布分别计算选择区域的社会因子F_s，计算选择的两个不同对象区域i、j的总事故数AccNum(i)、AccNum(j)和F_s(i)、F_s(j)，获得社会因素权重CS_i；

其中，Density(i)是目标区域i的人口密度，Crime(i)是目标区域i的犯罪率，Education(i)是目标区域i的人口受教育程度，Age(i)是目标区域i的年龄分布，Density(j)是目标区域j的人口密度，Crime(j)是目标区域j的犯罪率，Education(j)是目标区域j的人口受教育程度，Age(j)是目标区域j的年龄分布，Density_MAX(i)是目标区域i中人口密度最大值，Crime_MAX(i)是目标区域i中犯罪率最大值，Education_MAX(i)是目标区域i中受教育程度最大值，Age_MAX(i)是目标区域i中年龄分布最大值,Density_MAX(j)是目标区域j中人口密度最大值，Crime_MAX(j)是目标区域j中犯罪率最大值，Education_MAX(j)是目标区域j中受教育程度最大值，Age_MAX(j)是目标区域i中年龄分布最大值；

社会因素权重CS_i为：

F_S(i)表示目标区域i的社会因子，AccNum(i)表示目标区域i内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5分别对应数据库指标涉及的总事故数，F_S(j)表示目标区域j的社会因子，AccNum(j)表示目标区域j内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5分别对应数据库指标涉及的总事故数，CS_i表现为参数X_i所占权重，i，j为两个不同社会属性对象区域；

由于各影响因素的CR_i+CS_i＝1，根据社会因素权重CS_i，得出道路物理因素权重CR_i。其中，道路因素X1仅与道路物理成因相关，因此设置CR₁＝1，那么相应的CS₁＝0。

S4，计算热点成因因子并构建事故热点的成因分析模型。具体步骤为：

S41，根据事故热点成因因素构建原变量矩阵，基于此构建参数矩阵X；

n为事故热点个数，x_pq为第p个事故热点第q个成因因素元变量，p＝1,2，…，n；q＝1,2，…，5；

S42，构建参数矩阵X的归一化矩阵标准化

即：

其中，X_q是参数矩阵X中列的平均值，S_q ²则是参数矩阵X中每一列的方差；

S43，构建协方差矩阵R，获取协方差矩阵R的特征值矩阵λ_1×5和特征向量矩阵v_5×n，对特征值进行排序使得λ₁≥λ₂≥…≥λ₅，

即：

第p个主成分指标

其中，v_p是协方差矩阵R的第p个特征值λ_p所对应的特征向量；

通过以下式子提取主成分个数k；

基于主成分分析，得到主成分特征值矩阵λ_1×k所对应的主成分特征向量矩阵V_5×k，λ₁≥λ₂≥…λ_k；

S44，获取主成分方差贡献率矩阵W_1×m；

m为事故热点中影响事故发生的主要影响因素的个数，w_p为第p个影响因素的主成分方差贡献率；

S45，构建热点成因分析模型：

式中，C_road为道路成因，C_society为社会成因，

V_5×m表示参数变量对该主成分的贡献率矩阵，

W_1×m表示该主成分对事故热点整体的贡献率矩阵，

CR_1×5表示参数变量对道路因子的贡献率矩阵，

CS_1×5表示参数变量对社会因子的贡献率矩阵。由于本发明仅采用最重要的五个参数对应的权重，CR_1×5和CS_1×5由5个数值组成。

S5，根据获得的事故热点的成因分析模型指导驾驶员在事故热点处的驾驶。例如根据某区域事故热点处的C_road和C_society的值，如果C_road比C_society大，则可以对该区域进行道路改进或者增设交通设施；如果C_road比C_society相差不大，则需要同时注意社会因素影响和道路物理因素影响；如果C_road比C_society小，则可以结合车辆导航避开该路段，选择其他更为安全可靠的路线。

在本实施方式中，本发明基于社会特性筛选实验区域，以区域社会因素，如区域人口密度，犯罪率及受教育程度为参照展开的，这类数据较易获得。

本发明包括计算事故热点成因因素贡献权重、计算事故热点成因因子，然后构造事故热点成因分析模型，和实验区域的选择。首先在事故热点成因分析方面，本发明先计算出热点成因因素贡献权重，再对重构的因素变量进行主成分分析，这样可以找出最能反映事故形成原因的成分，最终分别得到道路成因和社会成因。在热点区域可以更好地改善交通环境，并且可以控制导航路线，选择更加安全可靠的路线。最后基于社会特性选择实验区域，即以区域社会因素，如区域人口密度、犯罪率等为参照展开，有利于验证事故热点成因因素贡献权重在事故热点成因分析中的作用，不似基于道路特性筛选试验区域，路况条件不仅与道路本身有关，与道路地理特性相关，难以获得准确的评价参数。

应用本发明所提出的事故热点成因分析模型所获取的内特性参数C_road和C_society能直观地反映事故热点的形成主要受到哪个热点内特性参数的影响，指导驾驶员行车中更多地注意相对危险的内特性参数对行车的影响。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (2)

1.一种基于主成分贡献度参数的事故热点内特性分析及行车指导方法，其特征在于，包括如下步骤：

S1，识别事故热点，具体过程为：

步骤一：通过3N搜索算法构造最小邻居图MNG；

步骤二：将MNG中的点分为两类，拥有自然最邻近的点以及离群点，并分别将两种点归入集合TN和TO，同时给予两种点不同的标识符；

步骤三：运用广度优先搜索法BFS并且结合点与聚类中心的最长距离阈值THLD对TN中的点进行聚类，即如果该点与簇中心的距离小于THLD，则将该点归入簇中，以此对TN中的每个点进行聚类，获得初始聚类结果；

步骤四：将TO中满足最短距离阈值THSD的点归入簇中，即是先计算该点与各簇中心的距离，然后选取最小的那个距离，如果该距离小于THSD，则将其归入得到最小距离的簇中，以此对TO中的每个点进行聚类，得到最终聚类结果，实现事故热点的发现；

S2，确定事故热点中影响事故发生的最重要的m个主要影响因素，m＝5；

S3，计算事故热点主要影响因素的贡献权重,具体步骤为：

S31，根据社会因素选择高人口密度、高犯罪率、低人口受教育程度、低年龄分布，和低人口密度、低犯罪率、高人口受教育程度、高年龄分布区域各一个作为对象区域i和对象区域j，并在对象区域i和对象区域j中根据交通事故数量、死亡人数、受伤人数、经济损失四项指标筛选出主要道路作为目标区域i和目标区域j；

S32，分别统计目标区域i和目标区域j内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5对应数据库指标涉及的总事故数AccNum(i)和AccNum(j)；

S33，根据人口密度、犯罪率、人口受教育程度和年龄分布分别计算选择区域的社会因子F_s，计算选择的两个不同对象区域i、j的总事故数AccNum(i)、AccNum(j)和F_s(i)、F_s(j)，获得社会因素权重CS_i；

其中，Density(i)是目标区域i的人口密度，Crime(i)是目标区域i的犯罪率，Education(i)是目标区域i的人口受教育程度，Age(i)是目标区域i的年龄分布，Density(j)是目标区域j的人口密度，Crime(j)是目标区域j的犯罪率，Education(j)是目标区域j的人口受教育程度，Age(j)是目标区域j的年龄分布，Density_MAX(i)是目标区域i中人口密度最大值，Crime_MAX(i)是目标区域i中犯罪率最大值，Education_MAX(i)是目标区域i中受教育程度最大值，Age_MAX(i)是目标区域i中年龄分布最大值,Density_MAX(j)是目标区域j中人口密度最大值，Crime_MAX(j)是目标区域j中犯罪率最大值，Education_MAX(j)是目标区域j中受教育程度最大值，Age_MAX(j)是目标区域i中年龄分布最大值；

社会因素权重CS_i为：

F_S(i)表示目标区域i的社会因子，AccNum(i)表示目标区域i内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5分别对应数据库指标涉及的总事故数，F_S(j)表示目标区域j的社会因子，AccNum(j)表示目标区域j内道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5分别对应数据库指标涉及的总事故数，CS_i表现为参数X_i所占权重，i，j为两个不同社会属性对象区域；

由于各影响因素的CR_i+CS_i＝1，根据社会因素权重CS_i，得出道路物理因素权重CR_i；

S4，计算热点成因因子并构建事故热点的成因分析模型，具体步骤为：

S41，根据事故热点成因因素构建原变量矩阵，基于此构建参数矩阵X；

n为事故热点个数，x_pq为第p个事故热点第q个成因因素元变量，p＝1,2，…，n；q＝1,2，…，5；

S42，构建参数矩阵X的归一化矩阵标准化

即：

其中，X_q是参数矩阵X中列的平均值，S_q ²则是参数矩阵X中每一列的方差；

S43，构建协方差矩阵R，获取协方差矩阵R的特征值矩阵λ_1×5和特征向量矩阵v_5×n，对特征值进行排序使得λ₁≥λ₂≥…≥λ₅，

即：

第p个主成分指标

其中，v_p是协方差矩阵R的第p个特征值λ_p所对应的特征向量；

通过以下式子提取主成分个数k；

基于主成分分析，得到主成分特征值矩阵λ_1×k所对应的主成分特征向量矩阵V_5×k，λ₁≥λ₂≥…λ_k；

S44，获取主成分方差贡献率矩阵W_1×m；

m为事故热点中影响事故发生的主要影响因素的个数，w_p为第p个影响因素的主成分方差贡献率；

S45，构建热点成因分析模型：

式中，C_road为道路成因，C_society为社会成因，

V_5×m表示参数变量对该主成分的贡献率矩阵，

W_1×m表示该主成分对事故热点整体的贡献率矩阵，

CR_1×5表示参数变量对道路因子的贡献率矩阵，

CS_1×5表示参数变量对社会因子的贡献率矩阵；

S5，根据获得的故热点的成因分析模型指导驾驶员在事故热点处的驾驶。

2.根据权利要求1所述的基于主成分贡献度参数的事故热点内特性分析及行车指导方法，其特征在于，选定5个主要影响因素，具体为道路参数X1、行人参数X2、车辆参数X3、环境参数X4、管制参数X5；具体包括的指标为：道路参数X1包括的指标为路面类型、交叉口类型、路面状况、现场特殊情况、交叉口位置和车道障碍区，行人参数X2包括的指标为人行道道路维修工、人行横道物理设施、行人位置和行人移动状态，车辆参数X3包括的指标为车型、拖车、车辆操纵、车辆位置、超载量、车辆安全状况、车辆使用性质，环境参数X4包括的指标为光照条件、天气情况、地形、路表情况和事故地点在道路横截面位置，管制参数X5包括的指标为人为控制、人行横道交叉口控制、日期、事故时间点、是否运载危险品和运载危险物品种类。

Images