CN107506568A - 一种交通事故数据实时分析与预测的方法 - Google Patents

一种交通事故数据实时分析与预测的方法 Download PDF

Info

Publication number
CN107506568A
CN107506568A CN201610430873.5A CN201610430873A CN107506568A CN 107506568 A CN107506568 A CN 107506568A CN 201610430873 A CN201610430873 A CN 201610430873A CN 107506568 A CN107506568 A CN 107506568A
Authority
CN
China
Prior art keywords
traffic accident
time
accident
prediction
value
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
Application number
CN201610430873.5A
Other languages
English (en)
Inventor
田文洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huang Chaojie
Xu Minxian
Yang Wutong
Original Assignee
Huang Chaojie
Xu Minxian
Yang Wutong
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huang Chaojie, Xu Minxian, Yang Wutong filed Critical Huang Chaojie
Priority to CN201610430873.5A priority Critical patent/CN107506568A/zh
Publication of CN107506568A publication Critical patent/CN107506568A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种交通事故数据实时分析与预测的方法。所述方法包括步骤：使用贝叶斯模型，综合考虑交通事故(TA)，性别(S)，驾龄(DA)，时间(T)，天气(W)，车型(C)，地点路况(L)，PM2.5(PM)，计算交通事故是否发生的概率；使用灰色模型中的GM(1，1)模型，首先使用输入数据，建立原始数据序列；然后对原始数据序列进行灰色处理，来弱化原始时间序列的随机性；接着构造均值序列,并建立微分方程；由最小二乘法得,得到时间响应序列，对时间响应序列累减还原得原始数据的拟合值,接着使用马尔科夫模型划分当前所处状态，对状态定性描述，使用状态转移概率矩阵，最终计算预测事故数。

Description

一种交通事故数据实时分析与预测的方法
技术领域
本发明属于交通事故分析与预测领域，具体涉及一种对车辆在特定条件下是否发生交通事故，以及按照不用粒度(城市，行政区，环路)来预测交通事故数量。
背景技术
随着我国机动车保有量以及持证驾驶人员数量的快速上升，城市交通压力越来越大，城市道路交通事故的实时预测与分析对于城市交通的正常运行显得尤为重要。
目前交通事故预测的方法与日益增长的机动车数量等不匹配，无法满足快速高效的事故分析与预测问题。
发明内容
本发明要解决的技术问题是：提供一种交通事故数据实时分析与预测的方法，对车辆在特定是否发生交通事故，按照不用粒度(城市，行政区，环路)来预测交通事故数量。
为解决上述技术问题，第一方面，本发明实施例提供了一种交通事故数据实时分析与预测的方法，所述方法包括以下两大步骤：
1)使用贝叶斯模型，综合考虑交通事故(TA)，性别(S)，驾龄(DA)，时间(T)，天气(W)，车型(C)，地点路况(L)，PM2.5(PM)，使用公式P(TA,S,DA,T,W,C,L,PM)＝P(TA|S,DA,T,W,C,L,PM)P(S)P(DA)P(T)P(W)P(C)P(L)P(PM)计算交通事故是否发生的概率；
2)使用灰色模型中的GM(1，1)模型，首先使用输入数据，建立原始数据序列：X(0)＝(X(0)(1),X(0)(2).....X(0)(t))；然后对原始数据序列进行灰色处理，来弱化原始时间序列的随机性，X(1)＝(X(1)(1),X(1)(2).....X(1)(t))，接着构造均值序列，Z(1)＝(Z(1)(1),Z(1)(2).....Z(1)(t))，并建立微分方程，(a为发展灰数；b为内生控制灰数)；由最小二乘法得，[a,b]T＝(BTB)-1BTY；得到时间响应序列：对时间响应序列累减还原得原始数据的拟合值：接着使用马尔科夫模型划分当前所处状态M＝(M1,M2...,Mn)，对状态定性描述T＝(T1,T2...,Tn)，状态转移概率矩阵其中P(t)＝P(t-1)·P(*)；最终计算预测事故数：
根据第一方面，在第一种可能的实现方式中，交通事故(TA)取值为1(发生交通事故)或者0(不发生交通事故)；性别(S)取值为1(男)或者0(女)；驾龄(DA)为整型数据；时间(T)取值为1(白天)或者0(晚上)，并定义发生事故的时间在晚上八点到第二天早上六点之间为晚上，其余时间则为白天；天气(W)取值可为晴，多云，阴，小雨，中雨，阵雨，雷阵雨；车型(C)分为国产，进口；
根据第一方面，在第二种可能的实现方式中，可以使用贝叶斯模型预测事故类型。
根据第一方面，在第三种可能的实现方式中，以最大概率所处的位置作为未来的发展状态，这种方法对于短期的预测有惟一最大概率值时是可取的；但在长期预测或最大值不惟一时，状态的分布显著性不足，会产生较大的误差，所以考虑用期望值EP(t)作为未来时刻t发生事故数的预测值。
根据第一方面，在第四种可能的实现方式中，事故发生次数按全市，各个行政区，环路这3个不同的粒度预测。
根据第一方面，在第五种可能的实现方式中，所用贝叶斯模型与灰色马尔可夫模型的具体实施于Spark平台，提高处理效率。
附图说明
图1是本发明一种交通事故数据实时分析与预测方法的流程图；
图2是本发明按照环路预测交通事故数量的输入输出示意图；
具体实施方式
下面根据附图和实施例，对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例一
利用贝叶斯网络对交通事故是否发生进行预测，在给定任意一组观测值TA＝TA1，S＝S1，DA＝DA1，T＝T1，W＝W1，C＝C1，L＝L1，PM＝PM1的条件下，分别计算P(TA＝1|S1,DA1,T1,W1,C1,L1,PM1)和P(TA＝0|S1,DA1,T1,W1,C1,L1,PM1)；然后将两者大小进行比较，就可以判断是否会发生交通事故，如果P(TA＝1|S1,DA1,T1,W1,C1,L1,PM1)的计算值大于P(TA＝0|S1,DA1,T1,W1,C1,L1,PM1)表明会发生交通事故，反之则不会发生交通事故。
实施例二
利用灰色马尔可夫模型预测交通事故发生数量，按照某种粒度(全市，各个行政区，环路等)输入连续两周交通事故数量，输出预测一周的交通事故数量(参见附图2)；
其具体流程为：
使用灰色模型中的GM(1，1)模型，首先使用输入数据即交通事故数量，建立原始数据序列：X(0)＝(X(0)(1),X(0)(2).....X(0)(t))；
然后按照X(1)＝(X(1)(1),X(1)(2).....X(1)(t))，对原始数据序列进行灰色处理，来弱化原始时间序列的随机性；
接着构造均值序列，Z(1)＝(Z(1)(1),Z(1)(2).....Z(1)(t))，
并建立微分方程，(a为发展灰数；b为内生控制灰数)；
由最小二乘法得，[a,b]T＝(BTB)-1BTY；
获得到时间响应序列：
对时间响应序列累减还原得原始数据的拟合值：
接着使用马尔科夫模型划分当前所处状态M＝(M1,M2...,Mn)，对状态定性描述T＝(T1,T2...,Tn)，状态转移概率矩阵其中P(t)＝P(t-1)·P(*)；
最终其数学期望，即所预测事故数量：
本领域技术人员可以理解，在本发明各实施例的方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本发明具体实施例的实施过程构成任何限定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一台计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种交通事故数据实时分析与预测的方法，其特征在于，所述方法包括步骤：
使用贝叶斯模型，综合考虑交通事故(TA)，性别(S)，驾龄(DA)，时间(T)，天气(W)，车型(C)，地点路况(L)，PM2.5(PM)，使用公式P(TA,S,DA,T,W,C,L,PM)＝P(TA|S,DA,T,W,C,L,PM)P(S)P(DA)P(T)P(W)P(C)P(L)P(PM)计算交通事故是否发生的概率；
使用灰色模型中的GM(1，1)模型，首先使用输入数据，建立原始数据序列：X(0)＝(X(0)(1),X(0)(2).....X(0)(t))；
然后对原始数据序列进行灰色处理，来弱化原始时间序列的随机性，X(1)＝(X(1)(1),X(1)(2).....X(1)(t))，
接着构造均值序列，Z(1)＝(Z(1)(1),Z(1)(2).....Z(1)(t))，
并建立微分方程，(a为发展灰数；b为内生控制灰数)；
由最小二乘法得，[a,b]T＝(BTB)-1BTY；
获得到时间响应序列：
对时间响应序列累减还原得原始数据的拟合值：
接着使用马尔科夫模型划分当前所处状态M＝(M1,M2...,Mn)，对状态定性描述T＝(T1,T2...,Tn)，状态转移概率矩阵其中P(t)＝P(t-1)·P(*)；
最终计算预测事故数：
2.根据权利要求1所述的方法，其特征在于，交通事故(TA)取值为1(发生交通事故)或者0(不发生交通事故)；性别(S)取值为1(男)或者0(女)；驾龄(DA)为整型数据；时间(T)取值为1(白天)或者0(晚上)，并定义发生事故的时间在晚上八点到第二天早上六点之间为晚上，其余时间则为白天；天气(W)取值可为晴，多云，阴，小雨，中雨，阵雨，雷阵雨；车型(C)分为国产，进口。
3.根据权利要求1所述的方法，其特征在于，可以使用贝叶斯模型预测事故类型。
4.根据权利要求1所述的方法，其特征在于，以最大概率所处的位置作为未来的发展状态，这种方法对于短期的预测有惟一最大概率值时是可取的；但在长期预测或最大值不惟一时，状态的分布显著性不足，会产生较大的误差，所以考虑用期望值EP(t)作为未来时刻t发生事故数的预测值。
5.根据权利要求1所述的方法，其特征在于，事故发生次数按全市，各个行政区，环路这3个不同的粒度预测。
6.根据权利要求1所述的方法，其特征在于，所用贝叶斯模型与灰色马尔可夫模型的具体实施于Spark平台，提高处理效率。
CN201610430873.5A 2016-06-14 2016-06-14 一种交通事故数据实时分析与预测的方法 Pending CN107506568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610430873.5A CN107506568A (zh) 2016-06-14 2016-06-14 一种交通事故数据实时分析与预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610430873.5A CN107506568A (zh) 2016-06-14 2016-06-14 一种交通事故数据实时分析与预测的方法

Publications (1)

Publication Number Publication Date
CN107506568A true CN107506568A (zh) 2017-12-22

Family

ID=60679062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610430873.5A Pending CN107506568A (zh) 2016-06-14 2016-06-14 一种交通事故数据实时分析与预测的方法

Country Status (1)

Country Link
CN (1) CN107506568A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108417033A (zh) * 2018-03-23 2018-08-17 四川高路交通信息工程有限公司 基于多维因素的高速路交通事故分析预测方法
CN108764523A (zh) * 2018-04-19 2018-11-06 石家庄铁道大学 基于无偏非齐次灰色模型和马氏模型的交通事故预测方法
CN109598929A (zh) * 2018-11-26 2019-04-09 北京交通大学 一种多类别交通事故起数预测方法
CN109978395A (zh) * 2019-03-29 2019-07-05 长安大学 一种智能车间加工任务自治分配模型的创成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544850A (zh) * 2013-09-13 2014-01-29 中国科学技术大学苏州研究院 车联网中基于车间距离概率分布的碰撞预测方法
CN104537211A (zh) * 2014-12-12 2015-04-22 中钢集团武汉安全环保研究院有限公司 一种基于层次分析法及灰色理论的企业安全风险预警方法
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544850A (zh) * 2013-09-13 2014-01-29 中国科学技术大学苏州研究院 车联网中基于车间距离概率分布的碰撞预测方法
CN104537211A (zh) * 2014-12-12 2015-04-22 中钢集团武汉安全环保研究院有限公司 一种基于层次分析法及灰色理论的企业安全风险预警方法
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于灰色马尔可夫的道路交通事故预测: "基于灰色马尔可夫的道路交通事故预测", 《中国安全科学学报》 *
秦小虎等: "一种基于贝叶斯网络模型的交通事故预测方法", 《计算机仿真》 *
赵佳妮等: "基于灰色马尔可夫模型的水上交通事故预测", 《大连海事大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108417033A (zh) * 2018-03-23 2018-08-17 四川高路交通信息工程有限公司 基于多维因素的高速路交通事故分析预测方法
CN108764523A (zh) * 2018-04-19 2018-11-06 石家庄铁道大学 基于无偏非齐次灰色模型和马氏模型的交通事故预测方法
CN109598929A (zh) * 2018-11-26 2019-04-09 北京交通大学 一种多类别交通事故起数预测方法
CN109598929B (zh) * 2018-11-26 2020-06-16 北京交通大学 一种多类别交通事故起数预测方法
CN109978395A (zh) * 2019-03-29 2019-07-05 长安大学 一种智能车间加工任务自治分配模型的创成方法

Similar Documents

Publication Publication Date Title
CN112216108A (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN107506568A (zh) 一种交通事故数据实时分析与预测的方法
Khamis et al. Multi-objective traffic light control system based on Bayesian probability interpretation
CN112487954B (zh) 一种面向平面交叉口的行人过街行为预测方法
Lárraga et al. Cellular automata for one-lane traffic flow modeling
CN106427589A (zh) 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
Li et al. Short-term vehicle speed prediction based on BiLSTM-GRU model considering driver heterogeneity
CN109887279B (zh) 一种交通拥堵预测方法及系统
CN115273466B (zh) 一种基于柔性车道管控算法的监控方法与系统
Odeh Hybrid algorithm: fuzzy logic-genetic algorithm on traffic light intelligent system
Wang et al. Modeling bounded rationality in discretionary lane change with the quantal response equilibrium of game theory
Dai et al. Short-term traffic flow prediction: an ensemble machine learning approach
Hart et al. Towards robust car-following based on deep reinforcement learning
Yang et al. Integrating the intelligent driver model with the action point paradigm to enhance the performance of autonomous driving
Shang et al. A data-driven two-lane traffic flow model based on cellular automata
Li et al. Short-term traffic forecast of urban bus stations based on long short-term memory
Zhang et al. STGAT: A Spatio-Temporal Graph Attention Network for Travel Demand Prediction
Wang et al. Research of the lane utilization with microsimulation
Gong et al. A fuzzy cellular automaton model based on NaSchH model
Jakovljevic et al. Implementing multiscale traffic simulators using agents
Płaczek Fuzzy cellular model for on-line traffic simulation
Xu et al. A cellular automata traffic flow model based on safe lane-changing distance constraint rule
Lo Speeding up Multi-lane Traffic Cellular Automata Simulation.
Zhang et al. Multi-model traffic accident clearance time prediction framework
Baykal et al. Accident Severity Prediction in Big Data Using Auto-Machine Learning

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171222