CN106897948B - 一种骑推行交通事故鉴定方法 - Google Patents
一种骑推行交通事故鉴定方法 Download PDFInfo
- Publication number
- CN106897948B CN106897948B CN201710003948.6A CN201710003948A CN106897948B CN 106897948 B CN106897948 B CN 106897948B CN 201710003948 A CN201710003948 A CN 201710003948A CN 106897948 B CN106897948 B CN 106897948B
- Authority
- CN
- China
- Prior art keywords
- identification
- riding
- data
- traffic accident
- variables
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000011835 investigation Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Technology Law (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种骑推行交通事故鉴定方法，包括如下步骤：①进行交通事故现场查勘：全面采集记录相关检材的受损情况；②由专家分析确定查勘数据和鉴定结论；③骑推行交通事故鉴定数据录入；④将汇总数据导入统计分析软件SPSS statistics，定义变量名、变量类型、变量标签、缺省值、码数、码位等属性，完成数据清理预处理，最终建立骑推行交通事故鉴定信息数据库；⑤开展调查变量与鉴定结论的相关性分析：⑥构建骑推行鉴定判别分析模型：⑦确定待判定案例鉴定结论。本发明有效地提高了司法鉴定的工作效率、提高了鉴定的精确度高。
Description
技术领域
本发明涉及交通事故鉴定领域，尤其涉及判断交通事故发生过程涉案者的行为方式，特别是非机动车驾驶人是骑行还是推行的交通事故鉴定方法。
背景技术
我国《道路交通安全法实施条例》第七十条明确指出，在交通事故过程中非机动车横过机动车道不下车推行，属于交通违法行为，在事故发生后要承担一定的责任。在实际交通事故处理过程中，事故发生时非机动车的行驶状态往往成为事故责任处理的焦点，由此引发的社会矛盾和警民纠纷也比较多。为此，交警通过委托第三方司法鉴定机构独立开展非机动车驾驶人在事故过程中是骑行或推行的交通行为方式司法鉴定(以下简称“骑推行鉴定”)，从而为事故责任认定提供判罚依据
公开号为CN102034257A的中国发明专利申请公开了一种“汽车与两轮或三轮车碰撞事故模拟再现计算机系统”，该系统主要用于计算汽车与两轮或三轮车碰撞事故中汽车和摩托车的行驶车速和碰撞车速，并未涉及到两轮车事故中涉案者骑行或推行的判定分析。
传统的骑推行鉴定大都通过人工技术鉴定和事故再现仿真软件等方法进行鉴定。人工技术鉴定可以结合多种特征痕迹综合判定，结论虽然准确可靠但判定难度较大，十分依赖司法鉴定人个人自身的理论和实践知识积累，在实际应用时需要司法鉴定人依靠个人理论知识和实践经验灵活运用，因此，面对同样的检材，不同的司法鉴定人得出的鉴定结论有可能完全不同。同时，人工技术鉴定人力成本高，鉴定周期长。事故再现仿真由于需要准确界定多个人、车、路、环境参数，具有一定误差而难于作为呈堂物证，主要用作鉴定参考。因此，十分有必要建立不依赖于个人有限知识经验，并能够全面借鉴专家鉴定经验和判定方式的科学化、规范化、自动化的事故鉴定方法。
发明内容
本发明的目的就是要克服现有技术的不足，提出一种骑推行交通事故鉴定方法，该方法有效地提高了司法鉴定的工作效率、提高了鉴定的精确度高。
如上构思，本发明的技术方案是：一种骑推行交通事故鉴定方法，其特征在于：包括如下步骤：
①进行交通事故现场查勘：全面采集记录相关检材的受损情况；
②由专家分析确定查勘数据和鉴定结论；
③骑推行交通事故鉴定数据录入：基于前述查勘数据和鉴定结论，设计案例数据信息采集表，并随着案例数据的录入修正补充采集表，最终73项重点事故信息进行二分类数字化表示，然后将每个案例数据信息录入Excel中，通过VBA编程自动进行所有案例数据汇总；
④将汇总数据导入统计分析软件SPSS statistics，定义变量名、变量类型、变量标签、缺省值、码数、码位等属性，完成数据清理预处理，最终建立骑推行交通事故鉴定信息数据库；
⑤开展调查变量与鉴定结论的相关性分析：
鉴于所选变量均为分类变量，在SPSS statistics软件中以Fisher精确检验作为相关性检验方法对73项交通事故数据变量，分别与鉴定结论进行相关性分析。数据挖掘结果显示，按相关系数从大到小，车座旋转、车座损伤、机动车类型、引擎盖左、前轮胎左、保险杠左、风挡玻璃中、头颈部和翼子板左共计9个变量，P值均小于显著性水平0.05，即变量与鉴定结论具有相关关系。但所有变量其相关系数均不超过0.5，说明为弱相关；
⑥构建骑推行鉴定判别分析模型：
针对前述相关变量，可进行线性和非线性判别分析研究构建判别分析模型，基于SPSS statistics软件进行线性判别分析，分别采用单个变量的全部输入自变量方法以及步进输入自变量下的Wilks’lambda(w)方法，选用留一交叉验证法作为建模效果评价，一般可快速获得最佳判别结果；
⑦确定待判定案例鉴定结论：
对需要判定的骑推行交通事故鉴定案例进行数据采集，将相应的变量值输入不同建模方法得出的函数模型，计算y值后对比其他同值案例，即可在不同建模方法下，以一定概率判定该案例涉案者交通行为到底是骑行还是推行，亦或是无法确定。
本发明公开了一种骑推行交通事故鉴定方法，其特征在于对汽车与非机动车碰撞的交通事故进行现场查勘，由具有丰富事故鉴定经验的专家确定每个案例的鉴定结论，采集机动车、非机动车、人体等检材的多个调查变量，通过相关性分析确定与鉴定结论相关的调查变量，对该部分变量开展判别分析，采用留一交叉验证法进行建模效果评价，最终构建判别分析模型，将要判定的事故案例数据输入判别函数，根据函数结果即可确定案例的鉴定结论。
与现有技术相比，本发明的效果是积极和明显的。本发明有效提高了司法鉴定工作效率，有助于科学可靠的鉴定非机动车驾驶人交通行为状态，为交警执法提供更为广阔的决策参考视野，符合尽量运用不同技术手段进行综合分析鉴定的司法鉴定理念，有助于提高交通事故司法鉴定质量，进而对维护国家法律权威，保障社会公平正义，实现人民生活的和谐稳定具有重要意义。
附图说明
附图1是本发明的鉴定方法流程图。
具体实施方式
以下结合附图所示优选实施例作进一步详述。
以小汽车与自行车的骑推行鉴定案例为例对本发明做详细说明，本发明采用某地区127起小汽车与自行车骑推行鉴定的真实案例数据来进行分析。
第一步，进行交通事故现场查勘
对汽车与自行车碰撞的交通事故进行现场查勘，尽可能全面的采集记录机动车、非机动车、人体、环境等相关检材的受损情况。
第二步，由专家分析确定鉴定结论
由多名具有二十年以上事故鉴定工作经验的交通事故痕迹鉴定专家、法医鉴定专家逐一复核，剔出因检材不全导致鉴定无法实施的案例，排除结论具有争议的鉴定案例，从而确保所选案例从现场查勘到检材运用，从鉴定方法到鉴定结论均科学公正，准确无误。本实施例最终获得鉴定结论为骑行的案例91起，为推行的案例6起，无法确定的案例30起。
第三步，骑推行交通事故鉴定数据录入
基于前述查勘数据和鉴定结论，设计案例数据信息采集表，并随着案例数据的录入修正补充采集表，最终选取机动车、自行车和人体痕迹特征、损伤特征等73项重点事故信息进行二分类数字化表示，如前保险杠右侧有碰撞痕迹，则数据录入为1，无碰撞痕迹则录入数据为0。将每个案例数据信息录入Excel中，通过VBA编程自动进行所有案例数据汇总。
第四步，建立骑推行交通事故鉴定数据库
将汇总数据导入统计分析软件SPSS statistics，定义变量名、变量类型、变量标签、缺省值、码数、码位等属性，完成数据清理等预处理，降低输入错误、数据缺失、数据噪声点对数据挖掘质量的影响，最终建立骑推行交通事故鉴定信息数据库。
第五步，开展调查变量与鉴定结论的相关性分析
鉴于所选变量均为分类变量，在SPSS statistics软件中以Fisher精确检验作为相关性检验方法对73项交通事故数据变量，分别与鉴定结论进行相关性分析。数据挖掘结果显示，按相关系数从大到小，车座旋转、车座损伤、机动车类型、引擎盖左、前轮胎左、保险杠左、风挡玻璃中、头颈部和翼子板左共计9个变量，P值均小于显著性水平0.05，即变量与鉴定结论具有相关关系。但所有变量其相关系数均不超过0.5，说明为弱相关。
第六步，构建骑推行鉴定判别分析模型
针对前述相关变量，可进行线性和非线性判别分析研究构建判别分析模型。基于SPSS statistics软件进行线性判别分析，分别采用单个变量的全部输入自变量方法以及步进输入自变量下的Wilks’lambda(w)方法，选用留一交叉验证法作为建模效果评价，一般可快速获得最佳判别结果。
本实施例在采用全部输入自变量方法时，以自行车车座旋转为自变量，总体留一交叉验证正确率可达71.7％，其中骑行的判定准确率达到了75.8％，无法确定的判别准确率达到了73.3％。最终构建线性判别分析函数模型如下：
(1)
本实施例在采用步进输入自变量下的Wilks’lambda(w)方法时，以前述9个相关变量为自变量，总体留一交叉验证正确率可达63.8％，其中骑行的判定准确率达到了64.8％，无法确定的判别准确率达到了66.7％。最终构建线性判别分析函数模型如下：
(2)
采用其他非线性判别方法，如构建基于人工神经网络的判别模型过程与之类似。
第七步，确定待判定案例鉴定结论
对需要判定的骑推行交通事故鉴定案例进行数据采集，将相应的变量值输入不同建模方法得出的函数模型，计算y值后对比其他同值案例，即可在不同建模方法下，以一定概率判定该案例涉案者交通行为到底是骑行还是推行，亦或是无法确定。
经计算，本优化方法既借鉴了司法鉴定专家对骑推行鉴定案例的科学、准确判定结论，避免了由于鉴定人个人知识经验不足导致的鉴定结论差异，同时又提高了司法鉴定效率，为交警执法提供了更为广阔的决策参考视野。考虑到不同鉴定结论的案件数量对判定准确率的影响之外，依然可以看到本发明的优越性。
Claims (1)
1.一种骑推行交通事故鉴定方法，其特征在于：包括如下步骤：
①进行交通事故现场查勘：全面采集记录相关检材的受损情况；
②由专家分析确定查勘数据和鉴定结论；
③骑推行交通事故鉴定数据录入：基于前述查勘数据和鉴定结论，设计案例数据信息采集表，并随着案例数据的录入修正补充采集表，最终73项重点事故信息进行二分类数字化表示，然后将每个案例数据信息录入Excel中，通过VBA编程自动进行所有案例数据汇总；
④将汇总数据导入统计分析软件SPSS statistics，定义变量名、变量类型、变量标签、缺省值、码数和码位属性，完成数据清理预处理，最终建立骑推行交通事故鉴定信息数据库；
⑤开展调查变量与鉴定结论的相关性分析：
鉴于所选变量均为分类变量，在SPSS statistics软件中以Fisher精确检验作为相关性检验方法对73项重点事故信息，分别与鉴定结论进行相关性分析， 数据挖掘结果显示，按相关系数从大到小，车座旋转、车座损伤、机动车类型、引擎盖左、前轮胎左、保险杠左、风挡玻璃中、头颈部和翼子板左共计9个变量，P值均小于显著性水平0.05，即变量与鉴定结论具有相关关系， 但所有变量其相关系数均≤0.5，说明为弱相关；
⑥构建骑推行鉴定判别分析模型：
针对前述相关变量，进行线性和非线性判别分析研究构建判别分析模型，基于SPSSstatistics软件进行线性判别分析，分别采用单个变量的全部输入自变量方法以及步进输入自变量下的Wilks’lambda(w)方法，选用留一交叉验证法作为建模效果评价，快速获得最佳判别结果；
⑦确定待判定案例鉴定结论：
对需要判定的骑推行交通事故鉴定案例进行数据采集，将相应的变量值输入不同建模方法得出的函数模型，计算y值后对比其他同值案例，然后在建模方法下，以一定概率判定该案例涉案者交通行为是骑行还是推行，亦或是无法确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710003948.6A CN106897948B (zh) | 2017-01-04 | 2017-01-04 | 一种骑推行交通事故鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710003948.6A CN106897948B (zh) | 2017-01-04 | 2017-01-04 | 一种骑推行交通事故鉴定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106897948A CN106897948A (zh) | 2017-06-27 |
| CN106897948B true CN106897948B (zh) | 2021-01-01 |
Family
ID=59198308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710003948.6A Active CN106897948B (zh) | 2017-01-04 | 2017-01-04 | 一种骑推行交通事故鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106897948B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522303B (zh) * | 2018-11-13 | 2021-06-15 | 深圳市思迪信息技术股份有限公司 | 基于Excel配置的数据采集方法、装置及计算机设备 |
| CN110009903B (zh) * | 2019-03-05 | 2022-02-18 | 同济大学 | 一种交通事故现场还原方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101782916A (zh) * | 2009-09-22 | 2010-07-21 | 上海海事大学 | 船舶事故数据库系统的实现方法 |
| CN101833610A (zh) * | 2010-04-09 | 2010-09-15 | 北京工业大学 | 事故黑点鉴别优化方法 |
| CN102103715A (zh) * | 2010-11-18 | 2011-06-22 | 上海海事大学 | 基于负二项回归的水上交通事故调查分析和预测方法 |
| CN105070097A (zh) * | 2015-07-16 | 2015-11-18 | 山东交通学院 | 一种营运车辆道路交通事故风险识别方法 |
| CN105976616A (zh) * | 2016-07-29 | 2016-09-28 | 林玉峰 | 一种基于交通数据的交通事件监测模型的分析方法 |
| CN106066907A (zh) * | 2016-05-27 | 2016-11-02 | 大连楼兰科技股份有限公司 | 基于多零件多模型判断的定损分等级方法 |
-
2017
- 2017-01-04 CN CN201710003948.6A patent/CN106897948B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101782916A (zh) * | 2009-09-22 | 2010-07-21 | 上海海事大学 | 船舶事故数据库系统的实现方法 |
| CN101833610A (zh) * | 2010-04-09 | 2010-09-15 | 北京工业大学 | 事故黑点鉴别优化方法 |
| CN102103715A (zh) * | 2010-11-18 | 2011-06-22 | 上海海事大学 | 基于负二项回归的水上交通事故调查分析和预测方法 |
| CN105070097A (zh) * | 2015-07-16 | 2015-11-18 | 山东交通学院 | 一种营运车辆道路交通事故风险识别方法 |
| CN106066907A (zh) * | 2016-05-27 | 2016-11-02 | 大连楼兰科技股份有限公司 | 基于多零件多模型判断的定损分等级方法 |
| CN105976616A (zh) * | 2016-07-29 | 2016-09-28 | 林玉峰 | 一种基于交通数据的交通事件监测模型的分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106897948A (zh) | 2017-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gonzalez et al. | Modeling and detecting aggressiveness from driving signals | |
| CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
| Castignani et al. | An evaluation study of driver profiling fuzzy algorithms using smartphones | |
| CN106650157B (zh) | 车辆零部件故障发生概率估算方法、装置及系统 | |
| CN110570655B (zh) | 基于层次聚类和决策树的车辆特征评估方法 | |
| CN106066907B (zh) | 基于多零件多模型判断的定损分等级方法 | |
| CN106897948B (zh) | 一种骑推行交通事故鉴定方法 | |
| CN104077483A (zh) | 城轨车辆部件故障模式和故障原因综合影响度的确定方法 | |
| CN110766943A (zh) | 一种基于事故数据的不良驾驶行为判定的监测方法和系统 | |
| Wang et al. | Causation analysis of crashes and near crashes using naturalistic driving data | |
| Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
| Pozueco et al. | Analysis of driving patterns and on-board feedback-based training for proactive road safety monitoring | |
| CN116309610B (zh) | 一种基于人工智能的车辆管理方法及系统 | |
| CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
| CN109849926B (zh) | 一种辨别出租车是否交予他人驾驶的方法及系统 | |
| CN108182802B (zh) | 一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法 | |
| Williams et al. | Exploratory analysis of motorcycle incidents using naturalistic riding data | |
| CN116541786A (zh) | 基于驾驶行为的网约车识别方法、装置及系统 | |
| US20230237584A1 (en) | Systems and methods for evaluating vehicle insurance claims | |
| CN114565155A (zh) | 一种公路安全测试方法、装置、电子设备及存储介质 | |
| CN114780591A (zh) | 一种检测行程车牌识别错误的计算方法和系统 | |
| CN111709720A (zh) | 一种基于大数据的车辆年检自动识别方法及系统 | |
| CN113673826B (zh) | 基于驾驶人个体因素的行车风险评估方法及系统 | |
| CN111489556A (zh) | 一种营运车辆挂靠行为的判断方法 | |
| Themann et al. | Database of relevant traffic scenarios as a tool for the development and validation of automated driving |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180730 Address after: 100022 No. 100 Chaoyang District Ping Tian Park, Beijing Applicant after: Beijing University of Technology Address before: 300222 1310 Dagu South Road, Hexi District, Tianjin Applicant before: Tianjin University of Technology and Education |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210112 Address after: 100022 No. 100 Chaoyang District Ping Tian Park, Beijing Patentee after: Beijing University of Technology Patentee after: Tianjin Vocational and Technical Normal University Address before: 100022 No. 100 Chaoyang District Ping Tian Park, Beijing Patentee before: Beijing University of Technology |
|
| TR01 | Transfer of patent right |