CN107798418A - 一种基于交通分析小区的交通事故频次预测方法 - Google Patents
一种基于交通分析小区的交通事故频次预测方法 Download PDFInfo
- Publication number
- CN107798418A CN107798418A CN201710895380.3A CN201710895380A CN107798418A CN 107798418 A CN107798418 A CN 107798418A CN 201710895380 A CN201710895380 A CN 201710895380A CN 107798418 A CN107798418 A CN 107798418A
- Authority
- CN
- China
- Prior art keywords
- traffic
- traffic analysis
- analysis cell
- accident frequency
- cell
- 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 32
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000000470 constituent Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通分析小区的交通事故频次预测方法:首先收集研究范围内各交通分析小区的历史事故数据,然后采用地理加权回归模型设定交通分析小区事故频次和解释变量之间的关系并设置解释变量前参数的矩阵形式以及参数估计过程中的权重函数,然后进行模型参数估计,最后根据有效的事故预测模型进行事故频次预测。本发明克服了以往县、市级地理单元内部差异较大以及广义线性模型框架假设各地理单元相互独立,无法解释事故数据空间相关性和异质性,影响预测准确性的问题,可以描述不同空间位置解释变量对事故频次的不同影响,为交通安全防治提供指导。
Description
技术领域
本发明涉及一种基于交通分析小区的交通事故频次预测方法,具体说运用地理加权回归模型,提出一种基于交通分析小区的交通事故频次预测方法,可基于交通分析小区预测事故频次,涉及交通安全领域。
背景技术
随着道路交通的发展、机动化进程的深入,交通安全问题也日益突显,仅在2010年,全国就共接报道路交通事故3,906,164起,同比上升35.9%,其中,涉及人员伤亡的道路交通事故219,521起,造成65,225人死亡、254,075人受伤,直接财产损失9.3亿,近十年在我国每年因交通事故所造成的经济损失达数百亿元。
道路交通安全问题越来越受到社会的关注,基于交通分析小区的交通事故频次预测方法可以根据各个交通分析小区的土地利用、社会经济、道路设施以及交通运行特征,来评价交通分析小区内合理的交通事故频次,从而为交通安全治理以及交通安全政策的制定提供指导。以往多基于县、市等地理单元进行事故频次预测,相比于交通分析小区,县、市级地理单元存在较大的内部差异;另外,以往多采用传统的广义线性模型,在广义线性模型的框架下,各地理单元是假设相互独立的,但是实际上道路交通数据是与地点相关的,相邻的区域在道路交通事故、社会经济发展、道路交通特征方面有某种程度的趋同性,而距离较远的区域之间会有某种程度的相异性,传统的广义线性模型无法考虑这种区域间的空间关系,因此预测精度不高。
发明内容
发明目的:针对以往县、市级地理单元内部差异较大以及广义线性模型框架假设各地理单元相互独立,无法解释事故数据空间相关性和异质性,影响预测准确性的问题,本发明提出一种基于交通分析小区的交通事故频次预测方法,可以考虑事故预测中的空间相关性和异质性的问题,可以描述不同空间位置解释变量对事故频次的不同影响,可以提高预测准确性。
技术方案:为实现上述目的,本发明采用如下技术方案:
一种基于交通分析小区的交通事故频次预测方法,包括如下步骤:
(1)收集研究范围内各交通分析小区的参数信息,所述参数信息包括历史事故数据与解释变量数据;
(2)使用地理信息系统软件将所述参数信息标识到对应的交通分析小区;
(3)采用地理加权回归模型设定交通分析小区事故频次和解释变量之间的关系;
(4)设置解释变量前参数的矩阵形式,并确定参数估计过程中的权重函数;
(5)基于地理加权回归模型进行参数估计,得出每个解释变量前的参数在不同交通分析小区的估计值以及解释变量的显著性水平;
(6)将各交通小区内显著变量的数据值输入到标定的模型中,对各交通分析小区的交通事故频次进行预测并计算残差;
(7)检验各交通分析小区的事故预测值的残差是否具有空间相关性,若无空间相关性,则标定的事故预测模型具有有效性;如果具有空间相关性,则从模型中剔除空间相关性检验显著的变量,然后从步骤5)开始重复,直至残差不具有空间相关性,基于得到的有效模型进行交通事故频次预测。
优选地,所述解释变量数据包括交通分析小区的土地利用、社会经济、道路设施以及交通运行特征数据。
进一步地,所述地理加权回归模型为:
其中,λi为第i个交通分析小区事故频数的期望值;(ui,vi)为第i个交通分析小区质心的二维坐标;β0(ui,vi)为截距;βj(ui,vi)为第i个交通分析小区的第j个解释变量xij的回归参数,该参数随交通分析小区发生变化;J为解释变量的个数;εi为误差项。
进一步地,所述解释变量前参数的矩阵形式为:
其中,n是交通分析小区数量;
其中,是第i个交通分析小区的回归参数估计值组成的行向量;X为解释变量组成的矩阵;Y为因变量组成的列向量;W(ui,vi)为空间权重矩阵:
其中,wij,j=1,2,...,n,为第i个交通分析小区进行参数估计时赋予第j个交通分析小区的权重,代表空间位置j的观测值对回归点i参数估计的影响程度。
优选地,采用自适应bi-square函数计算权重值wij。
其中,Gij为交通分析小区i和j的质心距离;bi为交通分析小区i进行参数估计时的带宽。
有益效果:本发明提出基于交通分析小区的交通事故频次预测方法:首先收集研究范围内各交通分析小区的历史事故数据,然后采用地理加权回归模型设定交通分析小区事故频次和解释变量之间的关系并设置解释变量前参数的矩阵形式以及参数估计过程中的权重函数,然后进行模型参数估计,最后根据有效的事故预测模型进行事故频次预测。本发明克服了以往县、市级地理单元内部差异较大以及广义线性模型框架假设各地理单元相互独立,无法解释事故数据空间相关性和异质性,影响预测准确性的问题,可以描述不同空间位置解释变量对事故频次的不同影响,为交通安全防治提供指导。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例中洛杉矶县交通事故频次分布示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明实施例公开的一种基于交通分析小区的交通事故频次预测方法,包括步骤:
1)第一步,通过数据调查收集研究范围内各交通分析小区的历史事故数据,以及各交通分析小区的土地利用(如用地形态)、社会经济(如人口密度)、道路设施(如地方道路长度、高速公路比例)以及交通运行特征(如年平均日车辆里程、货车年平均日交通量)数据,提取出交通分析小区边界、人口统计、路网长度、交通流量以及建筑物用地等参数信息。
第二步,使用ArcGIS10.1软件根据地理位置将上述参数信息标识到对应的交通分析小区,然后再基于交通分析小区编号进行整合,一个交通小区为一条记录。
第三步,采用地理加权回归模型设定交通分析小区事故频次和解释变量之间的关系:
其中,λi为第i个交通分析小区事故频数的期望值;(ui,vi)为第i个交通分析小区质心的二维坐标;β0(ui,vi)为截距;βj(ui,vi)为第i个交通分析小区的第j个局部解释变量xij的回归参数,该参数随交通分析小区发生变化;J为解释变量的个数;εi为误差项。
第四步设置解释变量前参数的矩阵形式,并确定参数估计过程中的权重函数:
其中,n是交通分析小区数量;
其中,是第i个交通分析小区的回归参数估计值(包括常数项)组成的行向量;X为解释变量组成的矩阵;Y为因变量组成的列向量;W(ui,vi)为空间权重矩阵:
其中:wij(j=1,2,...,n)为第i个交通分析小区进行参数估计时赋予第j个交通分析小区的权重,代表空间位置j的观测值对回归点i参数估计的影响程度。自适应bi-square函数为常用的计算权重的函数,表达式为:
其中,wij为第i个交通分析小区进行参数估计时赋予第j个交通分析小区的权重;Gij为交通分析小区i和j的质心距离;bi为交通分析小区i进行参数估计时的带宽;
第五步,基于地理加权泊松回归模型进行参数估计,得出每个解释变量前的参数在不同交通分析小区(地理位置)的估计值以及解释变量的显著性水平;
第六步,将某年各交通小区内显著变量的值输入到标定的模型中,对各交通分析小区的交通事故频次进行预测;
第七步,采用莫兰检验的方法检验各交通分析小区的事故预测值的残差是否具有空间相关性,若无空间相关性,则标定的事故预测模型具有有效性;如果具有空间相关性,则从模型中剔除空间相关性检验显著的变量,从第五步开始重复,直至残差不具有空间相关性。最后可基于得到的有效的事故预测模型进行有效的交通事故频次预测。
如图2,本实施例选择洛杉矶县2010的数据进行分析,收集了交通事故频数、土地利用、社会经济、道路设施以及交通运行特征等五类数据。
采用地理加权泊松回归模型构建事故频数和解释变量的关系,采用自适应bi-square函数计算权重值。
然后基于地理加权泊松回归模型进行参数估计(表1),得到各解释变量在不同交通分析小区对事故频次的影响,模型中年平均日车辆里程的参数都为正表明年平均日车辆里程与交通事故频次呈正相关的关系,参数变化范围为0.344到2.113,具有较为明显的空间不稳定性,说明该模型较好地捕捉到了事故和年平均日车辆里程的空间异质性的关系,模型具有合理性。
表1基于地理加权回归模型的参数估计结果
其后将某年各交通小区内显著变量的值输入到标定的模型中,对各交通分析小区的交通事故频次进行预测,利用莫兰检验对预测值的残差进行检验,该模型的残差空间自相关检验结果(Moran's I指数=0.0033,p值为0.5170>0.05)不显著表明在95%的置信水平模型残差项是独立分布的,符合地理加权模型的基本假设,因此该模型可以对范围内的交通分析小区进行有效的交通事故频次预测。
Claims (6)
1.一种基于交通分析小区的交通事故频次预测方法,其特征在于,包括如下步骤:
(1)收集研究范围内各交通分析小区的参数信息,所述参数信息包括历史事故数据与解释变量数据;
(2)使用地理信息系统软件将所述参数信息标识到对应的交通分析小区;
(3)采用地理加权回归模型设定交通分析小区事故频次和解释变量之间的关系;
(4)设置解释变量前参数的矩阵形式,并确定参数估计过程中的权重函数;
(5)基于地理加权回归模型进行参数估计,得出每个解释变量前的参数在不同交通分析小区的估计值以及解释变量的显著性水平;
(6)将各交通小区内显著变量的数据值输入到标定的模型中,对各交通分析小区的交通事故频次进行预测并计算残差;
(7)检验各交通分析小区的事故预测值的残差是否具有空间相关性,若无空间相关性,则标定的事故预测模型具有有效性;如果具有空间相关性,则从模型中剔除空间相关性检验显著的变量,然后从步骤(5)开始重复,直至残差不具有空间相关性,基于得到的有效模型进行交通事故频次预测。
2.根据权利要求1所述的一种基于交通分析小区的交通事故频次预测方法,其特征在于,所述解释变量数据包括交通分析小区的土地利用、社会经济、道路设施以及交通运行特征数据。
3.根据权利要求1所述的一种基于交通分析小区的交通事故频次预测方法,其特征在于,所述地理加权回归模型为:
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>i</mi>
</msub>
</mrow>
其中,λi为第i个交通分析小区事故频数的期望值;(ui,vi)为第i个交通分析小区质心的二维坐标;β0(ui,vi)为截距;βj(ui,vi)为第i个交通分析小区的第j个解释变量xij的回归参数,该参数随交通分析小区发生变化;J为解释变量的个数;εi为误差项。
4.根据权利要求3所述的一种基于交通分析小区的交通事故频次预测方法,其特征在于,所述解释变量前参数的矩阵形式为:
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>J</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>J</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>J</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,n是交通分析小区数量;
<mrow>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>T</mi>
</msup>
<mi>W</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>X</mi>
<mi>T</mi>
</msup>
<mi>W</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>Y</mi>
</mrow>
其中,是第i个交通分析小区的回归参数估计值组成的行向量;X为解释变量组成的矩阵;Y为因变量组成的列向量;W(ui,vi)为空间权重矩阵:
<mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中:wij,j=1,2,...,n,为第i个交通分析小区进行参数估计时赋予第j个交通分析小区的权重,代表空间位置j的观测值对回归点i参数估计的影响程度。
5.根据权利要求4所述的一种基于交通分析小区的交通事故频次预测方法,其特征在于,采用自适应bi-square函数计算权重值wij。
6.根据权利要求5所述的一种基于交通分析小区的交通事故频次预测方法,其特征在于,
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>G</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>/</mo>
<msubsup>
<mi>b</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mtd>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Gij为交通分析小区i和j的质心距离;bi为交通分析小区i进行参数估计时的带宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710895380.3A CN107798418A (zh) | 2017-09-28 | 2017-09-28 | 一种基于交通分析小区的交通事故频次预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710895380.3A CN107798418A (zh) | 2017-09-28 | 2017-09-28 | 一种基于交通分析小区的交通事故频次预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107798418A true CN107798418A (zh) | 2018-03-13 |
Family
ID=61532737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710895380.3A Pending CN107798418A (zh) | 2017-09-28 | 2017-09-28 | 一种基于交通分析小区的交通事故频次预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798418A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360421A (zh) * | 2018-11-28 | 2019-02-19 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN113792941A (zh) * | 2021-10-29 | 2021-12-14 | 平安科技(深圳)有限公司 | 预测道路通行速度的方法、装置、计算机设备及存储介质 |
CN113990033A (zh) * | 2021-09-10 | 2022-01-28 | 南京融才交通科技研究院有限公司 | 基于5g车联网的车辆交通事故远程接管救援方法及系统 |
CN115050181A (zh) * | 2022-06-06 | 2022-09-13 | 合肥工业大学 | 交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306299A (zh) * | 2011-07-22 | 2012-01-04 | 浙江农林大学 | 基于斜率、截距和相关系数的距离测度方法 |
CN103218668A (zh) * | 2013-02-01 | 2013-07-24 | 东南大学 | 一种基于地理加权泊松回归的县级交通事故的预测方法 |
US20160290918A1 (en) * | 2014-09-12 | 2016-10-06 | The Climate Corporation | Forecasting national crop yield during the growing season |
CN107016851A (zh) * | 2017-05-24 | 2017-08-04 | 大连理工大学 | 一种量化分析城市建成环境对道路行程时间影响的方法 |
CN107103392A (zh) * | 2017-05-24 | 2017-08-29 | 北京航空航天大学 | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 |
CN107169653A (zh) * | 2017-05-12 | 2017-09-15 | 江苏警官学院 | 基于gwr分析城乡建设用地扩展空间细部特征的方法 |
-
2017
- 2017-09-28 CN CN201710895380.3A patent/CN107798418A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306299A (zh) * | 2011-07-22 | 2012-01-04 | 浙江农林大学 | 基于斜率、截距和相关系数的距离测度方法 |
CN103218668A (zh) * | 2013-02-01 | 2013-07-24 | 东南大学 | 一种基于地理加权泊松回归的县级交通事故的预测方法 |
US20160290918A1 (en) * | 2014-09-12 | 2016-10-06 | The Climate Corporation | Forecasting national crop yield during the growing season |
CN107169653A (zh) * | 2017-05-12 | 2017-09-15 | 江苏警官学院 | 基于gwr分析城乡建设用地扩展空间细部特征的方法 |
CN107016851A (zh) * | 2017-05-24 | 2017-08-04 | 大连理工大学 | 一种量化分析城市建成环境对道路行程时间影响的方法 |
CN107103392A (zh) * | 2017-05-24 | 2017-08-29 | 北京航空航天大学 | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 |
Non-Patent Citations (2)
Title |
---|
天地大施主: "地理加权回归模型介绍", 《百度文库 HTTPS://WENKU.BAIDU.COM/VIEW/0EB5231D011CA300A6C390F9.HTML?FROM_PAGE=VIEW&FROM_MOD=DOWNLOAD》 * |
张耀军等: "基于地理加权回归的山区人口分布影响因素实证研究 以贵州省毕节地区为例", 《人口研究》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360421A (zh) * | 2018-11-28 | 2019-02-19 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN111489008B (zh) * | 2019-08-24 | 2023-09-19 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN113990033A (zh) * | 2021-09-10 | 2022-01-28 | 南京融才交通科技研究院有限公司 | 基于5g车联网的车辆交通事故远程接管救援方法及系统 |
CN113792941A (zh) * | 2021-10-29 | 2021-12-14 | 平安科技(深圳)有限公司 | 预测道路通行速度的方法、装置、计算机设备及存储介质 |
CN113792941B (zh) * | 2021-10-29 | 2024-06-21 | 平安科技(深圳)有限公司 | 预测道路通行速度的方法、装置、计算机设备及存储介质 |
CN115050181A (zh) * | 2022-06-06 | 2022-09-13 | 合肥工业大学 | 交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 |
CN115050181B (zh) * | 2022-06-06 | 2023-05-02 | 合肥工业大学 | 交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798418A (zh) | 一种基于交通分析小区的交通事故频次预测方法 | |
Wang et al. | Spatial and temporal prediction and uncertainty of soil loss using the revised universal soil loss equation: a case study of the rainfall–runoff erosivity R factor | |
Liu et al. | Modeling different urban growth patterns based on the evolution of urban form: A case study from Huangpi, Central China | |
Yeh et al. | Entropy and kriging approach to rainfall network design | |
Melching et al. | A reliability estimation in modeling watershed runoff with uncertainties | |
CN109523066B (zh) | 一种基于克里金插值的pm2.5新增移动站点选址方法 | |
CN106845768B (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
CN105741549B (zh) | 一种基于空间copula理论的交通流量预测方法 | |
CN103854518B (zh) | 一种航路网络节点时空流量的计算方法 | |
CN103163064B (zh) | 一种变电站接地网腐蚀速率的模糊预测方法 | |
CN105654236A (zh) | 一种地下水型饮用水水源地污染风险评价方法 | |
Elbagalati et al. | Development of an enhanced decision-making tool for pavement management using a neural network pattern-recognition algorithm | |
CN113191582B (zh) | 一种基于gis与机器学习的道路山洪易损性评价方法 | |
Afghari et al. | Bayesian latent class safety performance function for identifying motor vehicle crash black spots | |
Saliminejad et al. | A spatial‐Bayesian technique for imputing pavement network repair data | |
Ou et al. | A data‐driven approach to determining freeway incident impact areas with fuzzy and graph theory‐based clustering | |
CN112347652A (zh) | 基于水文气象地区线性矩频率分析的暴雨高风险区划方法 | |
CN117314178A (zh) | 生态安全格局构建方法、装置、设备及存储介质 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
Yang | Dynamic assessment of environmental damage based on the optimal clustering criterion–Taking oil spill damage to marine ecological environment as an example | |
Forna et al. | Spatiotemporal variability in case fatality ratios for the 2013–2016 Ebola epidemic in West Africa | |
CN117272092A (zh) | 基于亚热带地区健康城市评价结果的城市优化建设方法 | |
Gebregiorgis et al. | Basin regionalization for the purpose of water resource development in a limited data situation: Case of Blue Nile River Basin, Ethiopia | |
Xia et al. | Deeprailway: a deep learning system for forecasting railway traffic | |
Hassan et al. | At site and regional frequency analysis for Sudan annual rainfall by using the L-moments and nonlinear regression techniques |
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 |
Application publication date: 20180313 |
|
RJ01 | Rejection of invention patent application after publication |