CN107273340A - 一种基于Logistic模型的道路交通事故因子分析方法 - Google Patents
一种基于Logistic模型的道路交通事故因子分析方法 Download PDFInfo
- Publication number
- CN107273340A CN107273340A CN201710404662.9A CN201710404662A CN107273340A CN 107273340 A CN107273340 A CN 107273340A CN 201710404662 A CN201710404662 A CN 201710404662A CN 107273340 A CN107273340 A CN 107273340A
- Authority
- CN
- China
- Prior art keywords
- traffic accident
- factor
- road
- accident
- influence
- 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.)
- Pending
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 88
- 238000013459 approach Methods 0.000 title claims abstract description 10
- 238000000556 factor analysis Methods 0.000 title claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000007477 logistic regression Methods 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims abstract description 3
- 238000011160 research Methods 0.000 description 11
- 230000001419 dependent effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003455 independent Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于Logistic模型的道路交通事故因子分析方法,具体包括:步骤1:从人、车、道路和环境四个方面分析行驶速度、出行时间和四急行为对道路交通事故的影响;步骤2:基于上述影响交通事故因子分析的基础上,建立Logistic回归模型,分析道路交通因子对产生交通事故严重程度的影响;步骤3:针对以往的道路交通事故统计数据验证上述Logistic回归模型。四急行为包含急加速、急减速、急刹车、急转弯。本发明通过对多方面影响交通事故的因子进行分析,可以分析出对发生交通事故影响较为严重的因子。本发明基于实际发生的交通事故数据可以对模型进行验证,并对结果进行分析。
Description
技术领域
本发明属于特定应用的数据处理领域,具体涉及一种基于Logistic模型的道路交通事故因子分析方法。
背景技术
随着经济的发展,我国机动车辆的数量迅速增加,车辆增加给出行带来了便利,但同时交通安全随处可见,据资料显示,2013年发生交通事故19.6万,死亡人数高达 6万多,受伤人数22万多,带来的经济损失约10亿多。对于道路交通事故来讲,如何避免重特大道路交通事故的发生、如何减少事故中死伤亡人员的数量,是道路安全研究的重要内容。
我国现有的道路事故研究大多集中于如何减少或避免道路交通事故,而甚少涉及对伤人或伤亡道路交通事故的分析,往往忽视了道路事故伤害数据的自然规律,即致命的事故数量虽然所占比例较小,但其损伤级别最为严重,人员伤亡所造成的损失是其他财产损失事故不可及的,故对道路交通事故严重程度影响因素的分析,不仅可以降低道路交通事故发生的起数,还可以避免严重事故的发生,降低交通事故的预防成本。
我国道路交通事故数据采集的匮乏,使得大部分事故研究停留在理论探究阶段,较少对模型进行应用及验证,无法针对我国的道路事故特性提出针对性的改善措施。且这些有限的事故数据往往是质量低和信息不完整的,往往缺失驾驶员的信息,如驾驶员年龄、驾驶员驾龄、驾驶员性别等。针对以上问题,客观上需要构建交通事故严重程度影响因素的完整体系,从整体上及细节上对事故信息进行深入探究,能够更加客观地分析各因素对道路交通事故的影响,并进行真实的评价。
道路交通系统主要是由人、车、道路和环境等因子构成,四种不同的因子相互联系,相互作用构成了错综复杂动态的道路交通管理系统,而道路事故主要是车辆在道路上因过错或者意外造成的人身伤亡和财产损失,造成道路事故的原因主要是由复杂的道路交通系统配合失衡的结果,造成交通事故的数据采集也是基于人、车、道路和环境因素。对于道路事故影响因子数据采集、原因分析和模型建立研究,为基于驾驶行为UBI分析提供理论依据,奠定基础。UBI车险研究主要依据车辆交通事故发生涉及赔尝情况,车辆保险的动态厘定模式根据此前的赔尝情况作为参考,出险次数越多,以后车险费率也就越高。根据近年的研究分析结果,造成交通事故因素主要分为从人、从车、从道路和从环境,其中人为因子为主要因素。但对于如何基于以上研究结果,构建道路交通事故严重程度的影响因子模型目前现有技术中还没有予以披露。
发明内容
本发明的目的是提出一种基于Logistic模型的道路交通事故因子分析方法,通过对多方面影响交通事故的因子进行分析,得出对发生交通事故影响较为严重的因子,在此分析的基础上,采集重要的因素作为Logistic模型的自变量建立模型。
为实现上述目的,本发明采用的技术方案为一种基于Logistic模型的道路交通事故因子分析方法,具体包括如下步骤:
步骤1:从人、车、道路和环境四个方面分析行驶速度、出行时间和四急行为对道路交通事故的影响;
步骤2:基于上述影响交通事故因子分析的基础上,建立Logistic回归模型,分析道路交通因子对产生交通事故严重程度的影响;
步骤3:针对以往的道路交通事故统计数据验证上述Logistic回归模型。
进一步,上述四急行为包含急加速、急减速、急刹车、急转弯。
进一步,上述步骤2中建立Logistic回归模型时选取比较显著的影响因子作为Logistic回归模型中的自变量。
上述影响因子包含驾驶员的年龄X2,疲劳驾驶X3,驾驶员的驾龄X4,速度X5,照明条件X7,路面状况X9,能见度X11,天气条件X12。
有益效果:
1.本发明通过对多方面影响交通事故的因子进行分析,可以得出对发生交通事故影响较为严重的因子。
2.在此分析的基础上,采集重要的因素作为Logistic模型的自变量建立模型,计算发生交通事故的概率。
3.本发明根据实际发生的交通事故数据可以对模型进行验证,并对结果进行分析。
附图说明
图1为道路交通安全的从人因子示意图。
图2为道路交通安全的从车因子示意图。
图3道路交通安全的从路因子示意图。
图4道路交通安全的从环境因子示意图。
图5为基于Logistic模型的道路交通事故因子分析流程图。
具体实施方式
现结合说明书附图对本发明创造作进一步的详细说明。
在道路交通事故很多因子中,从人因子占主要影响,是驾驶安全研究的重要问题。由于驾驶员的警惕性水平降低而导致的交通事故的增加已经成为严重的问题,统计表明近87.5%的交通意外是由司机的不良行为习惯造成。研究从人因子对引发交通事故的影响,也即研究驾驶员的驾驶行为对交通事故的影响。
驾驶员的驾驶行为是信息感知、信息判断、反馈执行3个循环过程,其中任意一个过程失误均有可能造成交通事故。影响驾驶行为的因子分为1)内部因子:驾驶员的生理和心理因素。生理因素主要有驾驶员的年龄、性别、疲劳驾驶等,心理因素主要有驾驶习惯、文明程度、注意力是否集中等。2)外部因子:车辆自身状态和道路环境等因素也会对驾驶行为产生影响。如图1道路交通影响因子中部分人为因子的示意图。
图1所示是影响道路交通安全的从人因子,以下对从人因子中各种因素的说明:(1)性别因素,对于突发情况下,女驾驶员容易紧张激动,男性驾驶员相对来说要冷静稳定,一般交通事故发生在突发情况下,这种情况下男驾驶员更能减少事故率。交通事故发生的数据统计表明轻微交通事故中女性发生概率高于男性,在重大交通事故中,男性交通事故发生率高于女性。酒后驾驶,超速,强行超车等行为多发生于男性驾驶员。
(2)年龄因素,根据调查表明,在18-30岁之间驾驶员的判断和应变能力最好,30岁之后的,随着年龄的增加,反应能力逐渐下降,特别是对于突发情况下的感知能力较弱,但是反应能力好的驾驶员并不代表发生交通事故少,研究发现,年轻的驾驶员因为经验不足,容易冲动,行驶速度较快等,发生交通事故概率更高。
(3)疲劳驾驶,是指驾驶员长时间驾驶车辆而没有休息,疲劳驾驶会导致驾驶员注意力不集中、意识水平低下、反应迟钝、打瞌睡等症状,表现在驾驶行为上判断力错误,不能及时调整方向,对于车速控制不当,疲劳驾驶是导致高速上交通事故的重要原因,高速公路车速较快,路上环境较单一容易造成疲劳驾驶。
(4)驾驶习惯,良好的驾驶习惯可以降低交通事故发生率,但是往往有很多驾驶员的驾驶习惯比较恶劣,比如开车打电话,玩手机,吃东西,超速等都会影响行车安全。
交通事故发生体就是车,故车辆也是影响交通事故的原因之一,车辆因子主要体现在机动车本身的特性,车辆性能的好坏,是影响道路安全的重要因素,如图2车辆因子对交通事故的影响。
(1)制动和转向系统,制动系统是行车安全最为核心的部件,根据我国的《机动车运行安全技术条件(GB7258)》,每个车辆必须安装驻车制动装置和行车制动装置,制动装置保证车辆的降低速度或者停止行驶的控制模块。转向系统是按照驾驶员的意愿控制汽车的行驶方向,对于汽车的安全行驶至关重要,汽车转向系统的零件都称为保安件。统计表明,因制动和转向失灵的交通事故占车辆因子引起事故原因中的25%。
(2)轮胎系统,轮胎是汽车唯一与地面直接接触的重要部件,它能缓和汽车行驶时所受到的冲击,轮胎的质量对汽车的牵引性、制动性和通过性有重要的影响。爆胎、轮胎磨损、脱落、气压不足等都是直接或者间接的导致交通事故。根据统计表明,在高速上发生的交通事故中,轮胎故障占车辆对交通事故影响的20%,可见轮胎状况与行车安全紧密相关。
(3)电气系统,主要是由电源系统、点火系统、照明系统、启动系统、信号系统等,各个系统之间相互作用,为车辆安全行驶提供保障。根据事故发生原因分析,其中对于交通事故影响比较严重是照明系统和信号系统。照明系统包括汽车内、外各种照明灯及其控制装置,用来保证车辆运行时的人车安全。每个系统都有独立作用,缺一不可。
(4)其他,比如安全带和安全气囊的使用,在一定程度上可以避免事故的发生,或者降低事故发生严重程度。
道路的技术等级和设施对交通安全有很大影响,如图3所示,展示道路中各个可能对交通安全产生影响因素。
道路因子主要可分为道路几何特征,是指平、纵、横曲面线及其之间的相互协调,平面主要注意曲线的长度、半径、偏角与地形的适应性等;纵断面考虑的是坡度、坡角、坡长度等;横断面布置考虑行车道的宽度、隔离设施、路肩等;线型组合主要考虑的平纵横交叉组合。道路路面状况对与行车安全也有很大影响,道路不平整、塌陷、积水会使车辆颠簸,急停急走等,容易引起事故。道路交通设施,完善合理的交通设施是减小事故,提高安全行驶的重要保障。道路路口形状,无信号或者标志的交叉路口发生行车和人的事故可能性较大,在交叉口要加入重点注意说明,减小事故发生的概率。
影响交通安全的环境因子分为自然环境和人工环境,如图4所示环境对于交通安全影响因子。
Logistic回归模型是研究观察结果Y与一些影响因素X1,X2...之间关系的一种多变量分析方法,Logistic回归模型常用来预测离散因变量与一组解释变量之间的关系,最常用的二分类Logistic,即因变量取值只包含两个类别,例如是与不是,好与坏,发生与不发生等,常用Y=1或者Y=0表示,X表示自变量,P(Y=1|X)表示在X条件下,Y=1发生的概率。
LR分类器(Logistic Regression Classifier)是一组权值为w0,w1,...,wn,当测试样本的数据输入时这组权值与测试数据按线性加和得到x=w0+w1x1+...+wnxn,这里 x1,x2,...,xn是每个样本的特征值,之后再按照sigmoid函数的形式求出:
具有n个独立变量的向量x=(x1,x2,...,xn),设条件慨率P(y=1|x)=p是事件y为1状态时相对于事件x发生的概率。那么Logistic回归模型可以表示为:
这里f(x)称为Logistic函数。其中g(x)=w0+w1x1+...+wnxn。
那么在x条件下不发生的概率为:
所以事件发生与不发生的概率之比为:
这个比值称为事件的发生比,假设有n个因素影响事故是否发生:x1,x2,...,xn,则Logistic模型是对于发生比取对数:
Y=(0,1)是判断事故是否发生的关键点,p是事件可能发生的概率,xi(i=1,2,...,n) 是事故发生的影响因素,w0,w1,...,wn回归系数,该模型可以等价为:
由前述可知,道路交通安全主要和驾驶员的因素、机动车因素、道路因素和环境因素有关,本发明主要采集的是交通事故数据与发生交通事故严重等级相关的影响因子。
本发明基于Logistic模型的道路交通事故因子分析流程图如图5所示。Logistic模型因变量取值Y=0(轻微事故)即发生的事故轻微不需要赔偿或者赔偿较少、Y=1(重大事故)即发生了重大交通事故,且需要赔偿金额较高。如表1所示:
表1交通事故事发生等级划分
划分等级 | 划分类型 |
Y=0 | 轻微事故 |
Y=1 | 重大事故 |
在上述分析基础上,Logistic模型自变量初选12个影响因子,分别为性别,年龄,疲劳驾驶,驾龄,车速,出行时间,照明条件,交通方式,路面状况,天气条件,能见度,路侧防护,变量及划分分类如表2所示。
表2变量及划分方法
对于以上12变量,若变量的取值为0,1则为定量变量,例如性别X的取值只为 0和1。变量取值超过0和1的则为定性变量例如年龄。对于定性变量,还需要进一步划分,引入其他变量符号表示,划分的原则如下列表所示。
表3驾驶员年龄变量
表4驾驶员驾龄变量
表5行驶车辆速度变量
表6出行时间段变量
表7照明条件变量
表8能见度变量
经过研究全国事故的相关性分析,取8个比较显著的影响因子作为Logistic回归模型中的自变量,选取相关因子分别是驾驶员的年龄X2,疲劳驾驶X3,驾驶员的驾龄X4,速度X5,照明条件X7,路面状况X9,能见度X11,天气条件X12,在Logistic模型中使用的8个影响因子和模型中参数的选取如表9所示。
表9 Logistic模型的变量
参数 | 参数估计 | 标准差 | Wald值 | 自由度 | .Sig |
X21 | 1.43 | 0.45 | 26.95 | 1 | 0.01 |
X3 | 1.61 | 0.43 | 29.95 | 1 | 0.03 |
X41 | -2.05 | 0.36 | 14.97 | 1 | 0.25 |
X53 | -1.26 | 0.47 | 31.41 | 1 | 0.39 |
X72 | 1.45 | 0.33 | 17.34 | 1 | 0.02 |
X9 | 2.58 | 0.46 | 16.47 | 1 | 0.04 |
X113 | -3.23 | 0.39 | 18.65 | 1 | 0.01 |
X12 | 0.66 | 0.41 | 12.53 | 1 | 0.02 |
常数 | -2.34 | 0.85 | 3.68 | 1 | 0.12 |
表中8个参数是对交通事故发生相关性影响最大的因子,标准差反映的是回归系数的标准偏差数据的离散度。Wald用于测试回归系数的显著性校验,Wald值越大,说明自变量对因变量作用越大。Sig反映的是显著水平。由表中可观测,8个自变量都对因变量有着显著的影响,故适用Logistic模型。
道路交通事故发生比的模型可用如下公式表示
其中,概率模型由下式表示:
由公式(7)可知,在其他影响因子一定条件下,速度100-120km/h及疲劳驾驶对事故发生影响最大,这两个因子都为驾驶员的驾驶行为,可以预测,在交通事故影响因子中,驾驶员的驾驶行为对道路交通发生率的影响因素最严重。
本发明使用的验证数据是2012年全国道路交通事故统计的数据为例,2012年共发生472.7万起道路交通事故,利用Logistic模型公式(8),计算在道路交通影响因子下,事故发生的概率,同时分析了是否需要保险公司赔偿的状态。
在对2012年事故原因统计分析可得影响交通事故因素结论如下表10所示。
表10影响交通事故因子预测结果
轻微事故 | 严重事故 | |
实际概率 | 75.79% | 24.16% |
预测概率 | 78.64% | 20.45% |
误差 | 2.85% | 3.71% |
由表10分析可知,影响交通事故因素中的实际概率和预测概率的误差较小,可以使用Logistic模型对影响交通事故的原因进行分析。
对模型进行应用同时,使用假设其他条件一定的情况下,利用所得结论分析影响道路交通事故中众多因子中的主要因子。
1)驾驶员的年龄因子
在没有疲劳驾驶,驾龄为5-10年,车速30-60km/h,照明条件白天,路面状况良好,能见度100m-200m,天气晴朗的条件下,利用Logistic模型,得到26-35岁的驾驶员年龄因素对道路交通事故轻微事故发生的概率为78.5%,严重事故概率为15.3%。
2)驾驶员的是否疲劳驾驶
在年龄为26-35岁,驾龄为5-10年,照明条件白天,路面状况良好,车速30-60km/h,能见度100m-200m,天气晴朗的条件下,利用Logistic模型,得到疲劳驾驶因素对道路交通事故轻微事故发生的概率为85.7%,严重事故概率为18.2%。
3)驾驶员的驾龄因子
在没有疲劳驾驶,年龄为26-35岁,车速30-60km/h,照明条件白天,路面状况良好,能见度100m-200m,天气晴朗的条件下,利用Logistic模型,得到驾龄为5-10年的驾驶员驾龄因素对道路交通事故轻微事故发生的概率为68.7%,严重事故概率为 13.2%。
4)驾驶员的车速
在没有疲劳驾驶,年龄为26-35岁,照明条件白天,路面状况良好,能见度 100m-200m,天气晴朗的条件下,利用Logistic模型,得到车速为100km/h以上,驾驶车速因素对道路交通事故轻微事故发生的概率为65.7%,严重事故概率为20.5%。
5)能见度
在没有疲劳驾驶,年龄为26-35岁,驾龄为5-10年,路面状况良好,车速30-60km/h,天气异常(大雨、下雾等)的条件下,利用Logistic模型,得到能见度为200m以下的因素对道路交通事故轻微事故发生的概率为40.7%,严重事故概率为9.8%。
6)照明条件
在没有疲劳驾驶,年龄为26-35岁,驾龄为5-10年,路面状况良好,车速30-60km/h,能见度100m-200m,天气晴朗的条件下,利用Logistic模型,得到照明条件的因素对道路交通事故轻微事故发生的概率为36.4%,严重事故概率为10.3%。
道路交通事故的发生源于驾驶员对于外界信息的感知,判断和操作等环节出现错误而导致的,所以驾驶员本身良好的心理和生理素质是安全驾驶车辆的重要保障。经过上述分析可知,驾驶员的驾驶行为因素对道路交通事故的发生影响最为严重。
交通事故受很多因素影响,出行时间,交通流量道路调整等,发生交通事故是复杂和随机的,本文建立的模型不能绝对的表示交通事故的特点,但是可以提供相对的高精度的预测。
Claims (4)
1.一种基于Logistic模型的道路交通事故因子分析方法,其特征在于,包括如下步骤:
步骤1:从人、车、道路和环境四个方面分析行驶速度、出行时间和四急行为对道路交通事故的影响;
步骤2:基于上述影响交通事故因子分析的基础上,建立Logistic回归模型,分析道路交通因子对产生交通事故严重程度的影响;
步骤3:针对以往的道路交通事故统计数据验证上述Logistic回归模型。
2.根据权利要求1所述的基于Logistic模型的道路交通事故因子分析方法,其特征在于所述四急行为包含急加速、急减速、急刹车、急转弯。
3.根据权利要求1所述的基于Logistic模型的道路交通事故因子分析方法,其特征在于,步骤2中建立Logistic回归模型时选取比较显著的影响因子作为Logistic回归模型中的自变量。
4.根据权利要求3所述的基于Logistic模型的道路交通事故因子分析方法,其特征在于,所述影响因子包含驾驶员的年龄X2,疲劳驾驶X3,驾驶员的驾龄X4,速度X5,照明条件X7,路面状况X9,能见度X11,天气条件X12。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710404662.9A CN107273340A (zh) | 2017-06-01 | 2017-06-01 | 一种基于Logistic模型的道路交通事故因子分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710404662.9A CN107273340A (zh) | 2017-06-01 | 2017-06-01 | 一种基于Logistic模型的道路交通事故因子分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107273340A true CN107273340A (zh) | 2017-10-20 |
Family
ID=60065319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710404662.9A Pending CN107273340A (zh) | 2017-06-01 | 2017-06-01 | 一种基于Logistic模型的道路交通事故因子分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273340A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256753A (zh) * | 2018-01-03 | 2018-07-06 | 浙江图讯科技股份有限公司 | 一种应急物资调配方法及装置 |
CN108320514A (zh) * | 2018-04-04 | 2018-07-24 | 哈尔滨工业大学 | 基于Tobit回归的高速公路线形指标对事故率影响的分析方法 |
CN108346317A (zh) * | 2018-04-11 | 2018-07-31 | 北京汽车研究总院有限公司 | 道路风险预警方法和装置 |
CN108682149A (zh) * | 2018-05-21 | 2018-10-19 | 东南大学 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
CN109859512A (zh) * | 2019-02-12 | 2019-06-07 | 桂林电子科技大学 | 一种v2x环境下典型弯道区域单一车辆动态引导方法 |
CN110154822A (zh) * | 2019-05-14 | 2019-08-23 | 中科院合肥技术创新工程院 | 一种应用于电动汽车智能电池管理系统的充放电控制方法 |
CN111126868A (zh) * | 2019-12-30 | 2020-05-08 | 中南大学 | 一种道路交通事故发生风险确定方法及系统 |
CN112837533A (zh) * | 2021-01-08 | 2021-05-25 | 合肥工业大学 | 一种考虑风险因素时变特征的公路事故频次预测方法 |
US11312374B2 (en) | 2020-01-31 | 2022-04-26 | International Business Machines Corporation | Prediction of accident risk based on anomaly detection |
CN115376319A (zh) * | 2022-08-22 | 2022-11-22 | 深圳市神州路路通网络科技有限公司 | 交通事故智能处理方法、装置、设备及存储介质 |
CN116980451A (zh) * | 2023-09-25 | 2023-10-31 | 北京智城联合科技发展有限公司 | 一种城市安全防护预警平台系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110059184A (ko) * | 2009-11-27 | 2011-06-02 | 주식회사 좋은정보기술 | 센서정보를 이용한 지능형 주행안전 예방 시스템 및 방법 |
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN105719510A (zh) * | 2016-04-15 | 2016-06-29 | 江苏大学 | 车联网环境下道路交通事故链阻断系统的效率评价方法 |
-
2017
- 2017-06-01 CN CN201710404662.9A patent/CN107273340A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110059184A (ko) * | 2009-11-27 | 2011-06-02 | 주식회사 좋은정보기술 | 센서정보를 이용한 지능형 주행안전 예방 시스템 및 방법 |
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN105719510A (zh) * | 2016-04-15 | 2016-06-29 | 江苏大学 | 车联网环境下道路交通事故链阻断系统的效率评价方法 |
Non-Patent Citations (4)
Title |
---|
KELVIN K.W. YAU: "Multiple-vehicle traffic accidents in Hong Kong", 《ACCIDENT ANALYSIS AND PREVENTION》 * |
于艳花: "基于故障树分析理论的高速公路预警系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
刘海珠: "道路交通事故严重程度影响因素分析及预测模型建立", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
马柱: "城市道路交通事故严重程度影响因素分析", 《重庆交通大学学报(自然科学版)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256753B (zh) * | 2018-01-03 | 2021-01-08 | 浙江图讯科技股份有限公司 | 一种应急物资调配方法及装置 |
CN108256753A (zh) * | 2018-01-03 | 2018-07-06 | 浙江图讯科技股份有限公司 | 一种应急物资调配方法及装置 |
CN108320514A (zh) * | 2018-04-04 | 2018-07-24 | 哈尔滨工业大学 | 基于Tobit回归的高速公路线形指标对事故率影响的分析方法 |
CN108346317A (zh) * | 2018-04-11 | 2018-07-31 | 北京汽车研究总院有限公司 | 道路风险预警方法和装置 |
CN108682149A (zh) * | 2018-05-21 | 2018-10-19 | 东南大学 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
CN109859512A (zh) * | 2019-02-12 | 2019-06-07 | 桂林电子科技大学 | 一种v2x环境下典型弯道区域单一车辆动态引导方法 |
CN110154822A (zh) * | 2019-05-14 | 2019-08-23 | 中科院合肥技术创新工程院 | 一种应用于电动汽车智能电池管理系统的充放电控制方法 |
CN111126868A (zh) * | 2019-12-30 | 2020-05-08 | 中南大学 | 一种道路交通事故发生风险确定方法及系统 |
US11312374B2 (en) | 2020-01-31 | 2022-04-26 | International Business Machines Corporation | Prediction of accident risk based on anomaly detection |
CN112837533A (zh) * | 2021-01-08 | 2021-05-25 | 合肥工业大学 | 一种考虑风险因素时变特征的公路事故频次预测方法 |
CN112837533B (zh) * | 2021-01-08 | 2021-11-19 | 合肥工业大学 | 一种考虑风险因素时变特征的公路事故频次预测方法 |
CN115376319A (zh) * | 2022-08-22 | 2022-11-22 | 深圳市神州路路通网络科技有限公司 | 交通事故智能处理方法、装置、设备及存储介质 |
CN115376319B (zh) * | 2022-08-22 | 2024-06-11 | 深圳市神州路路通网络科技有限公司 | 交通事故智能处理方法、装置、设备及存储介质 |
CN116980451A (zh) * | 2023-09-25 | 2023-10-31 | 北京智城联合科技发展有限公司 | 一种城市安全防护预警平台系统 |
CN116980451B (zh) * | 2023-09-25 | 2023-12-22 | 北京智城联合科技发展有限公司 | 一种城市安全防护预警平台系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273340A (zh) | 一种基于Logistic模型的道路交通事故因子分析方法 | |
Feng et al. | Can vehicle longitudinal jerk be used to identify aggressive drivers? An examination using naturalistic driving data | |
Shankar et al. | Statistical analysis of accident severity on rural freeways | |
Dissanayake et al. | Analysis of severity of young driver crashes: Sequential binary logistic regression modeling | |
DE102017113447A1 (de) | Fahrverhaltensanalyse basierend auf einer Fahrzeugbremsung | |
Martin et al. | Injury trends of passenger car drivers in frontal crashes in the USA | |
US20220092891A1 (en) | Passive safety design systems and methods | |
Roque et al. | Investigation of injury severities in single-vehicle crashes in North Carolina using mixed logit models | |
CN109738205B (zh) | 一种集成车辆自动紧急制动与安全气囊系统的乘员防护方法 | |
Lidbe et al. | Do NHTSA vehicle safety ratings affect side impact crash outcomes? | |
Kashyap et al. | Mining road traffic accident data to improve safety on road-related factors for classification and prediction of accident severity | |
Hitosugi et al. | Safety of the Japanese K-car in a real-world low-severity frontal collision | |
Ju et al. | Quantification method analysis of the relationship between occupant injury and environmental factors in traffic accidents | |
Kawato et al. | Analysis of child–vehicle collision injuries by vehicle type | |
Abdalla | Effectiveness of safety belts and Hierarchical Bayesian analysis of their relative use | |
Maika et al. | Development of occupant injury prediction algorithms for advanced automatic collision notification by numerical crash reconstructions | |
Anja et al. | Method to estimate the field effectiveness of an automatic braking system in combination with an adaptive restraint system in frontal crashes | |
Al-Shammari et al. | In-depth Sampling Study of Characteristics of Vehicle Crashes in Saudi Arabia. | |
Holmes | Applying a learning classifier system to mining explanatory and predictive models from a large clinical database | |
Prasad et al. | An examination of crash and NASS data to evaluate the field relevance of IIHS small offset tests | |
Dissanayake | Young drivers and run-off-the-road crashes | |
Bahouth | Reductions in crash injury and fatalities due to vehicle stability control technology | |
DE102019205006A1 (de) | Computerimplementiertes Verfahren zum Betreiben von Sicherheitssystemen eines Fahrzeuges, Steuergerät und Computerprogrammprodukt zum Auslösen von Sicherheitssystemen und Insassenschutzsystem | |
Watson et al. | Study of vehicle dynamics and occupant response in side impact crash tests | |
Li et al. | Frontal structure safety analysis of minibuses based on Chinese in-depth accident studies |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |