CN108346291B - 基于手机app的城市道路交通事故采集与分析方法 - Google Patents

Abstract

本发明公开了基于手机APP的城市道路交通事故采集与分析方法，(1)通过多个选择按钮，快速采集事故现场基本信息；(2)通过专用按钮完成拍照、录音及数据上传等功能；(3)在事故处理结束后将事故现场数据反馈到后台服务器；(4)进行事故数据处理，对道路交通事故热点区域的聚类和甄别，得到有效事故信息记录在后台服务器并发送到手机APP。本发明的有益效果是人工纸质采集的替代方法得到了快速发展，可快速完成现场交通事故的采集工作，提高了事故采集和处理的效率。

Description

基于手机APP的城市道路交通事故采集与分析方法

技术领域

本发明属于智能交通技术领域，涉及基于手机APP的城市道路交通事故采集与分析方法。

背景技术

可持续交通是联合国实现2030可持续议程的承诺，道路交通安全作为可持续议程的17项可持续发展子目标之一，世界联合国大会明确提出到2020年时使全球道路交通事故造成的死伤人数减少50％。纳入该项具体目标说明人们正日益认识到道路交通事故所造成的巨大代价以及道路交通伤害给国家经济和家庭造成的沉重负担，特别是对于贫穷国家而言。据世界卫生组织(World Health Organization,WHO)报告数据，尽管道路安全有所改善，但全球182个国家的道路交通死亡人数仍高达每年130万人，平均每25秒有1人因道路交通事故死亡，道路交通事故所造成的死亡及损失列全球15-29岁人群各类死亡原因之首。2010-2013年期间，79个国家的绝对死亡人数有所减少，而68个国家的死亡人数则出现增加，全球道路交通安全形势依然严峻。因此，加强对全球道路交通事故数据采集和安全审计，全面系统地分析事故黑点的原因，尤其是基于城市道路交通事故大数据客观分析事故原因，并提出有针对性的改善措施，对于预防重特大交通事故的发生，减少交通事故伤亡人数和降低经济损失具有重大意义。目前已拥有大量关于能有效加强道路安全的干预措施证据，而且成功实施了这些干预措施的国家已经相应减少了道路交通死亡人数和经济。在全球推行这些干预措施具有巨大潜力，可减轻未来财产的损害并挽救生命。可信的、有效的事故数据是道路安全工作的基础。传统的道路交通事故数据采集主要依靠人工记录，效率低，采集数据不精确，限制了道路交通事故的分析和深度挖掘。

发明内容

本发明的目的在于提供基于手机APP的城市道路交通事故采集与分析方法，解决了传统的道路交通事故数据采集主要依靠人工记录，效率低，采集数据不精确导致事故数据分析不准确的问题。

本发明所采用的技术方案是包括：(1)通过多个选择按钮，快速采集事故现场基本信息；(2)通过专用按钮完成拍照、录音及数据上传等功能；(3)在事故处理结束后将事故现场数据反馈到后台服务器；(4)进行事故数据处理，对道路交通事故热点区域的聚类和甄别，得到有效事故信息记录在后台服务器并发送到手机APP。

进一步，步骤(1)中事故现场基本信息包括事故编号、经纬度坐标、事故时间、事故所属中队、是否报警、事故点位置、事故类型、事故原因、天气因素、事故发生环境和事故现场照片。

进一步，步骤(4)中进行事故数据处理，对道路交通事故热点区域的聚类和甄别方法如下：

Step 1:随机选取k个对象作为初始聚类中心；

Step 2:将事故数据样本集合中的样本按照最小距离原则分配到最邻近聚类；

Step 3:计算改进K-means算法的误差平方和准则函数

Step 4:计算无监督的平均中心μ_k；

Step 5:计算有监督的指示函数

Step6:重复step(3)至step(5)，直到聚类中心

不再变化；

Step7:由式(10)计算受监督的平均中心

进一步，计算改进K-means算法的误差平方和准则函数如下：

式中，

表示在簇k中隶属类别l事故数据的平均中心；μ_k表示在簇k中事故数据的平均中心；

表示有监督的指示函数；δ_nk表示无监督的指标函数；α表示有监督与无监督的聚类比，α∈[0,1]；

表示类别l在簇k中的概率。

进一步，计算无监督的平均中心μ_k如下式所示：

进一步，计算有监督的指示函数

可通过拉普拉斯平滑方法计算其初始值，公式如下：

进一步，计算受监督的平均中心

公式如下：

本发明的有益效果是人工纸质采集的替代方法得到了快速发展，可快速完成现场交通事故的采集工作，提高了事故采集和处理的效率。

附图说明

图1是本发明交通事故快速采集框架图。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

1.事故数据采集框架如图1所示:事故数据采集逻辑框架由数据采集模块、数据分析与处理模块、决策支持模块组成。数据采集模块的核心功能是通过自主研发的交通事故数据快速采集APP(名称：鄞州交警)，快速完成事故现场主要数据采集(平均20秒时间完成一起事故数据采集)，包括事故经纬度坐标、事故发生时间、事故类型、事故原因、事故发生环境等关键属性，并通过移动互联网上传到后台服务器。其中，事故类型与宁波110接处警平台事故类型一致，即分为机动车与机动车、机动车与非机动车、机动车与行人、非机动车与非机动车、非机动车与行人、单车肇事、其他交通事故。数据分析与处理模块具有事故时间特征分析、事故空间特征分析、事故类型构成分析、事故原因分析、事故发生环境分析等分析与处理功能。决策支持模块基于PTV VISUM Safety平台，具有地图匹配、聚类分析、黑点识别、热力图分析等功能，为事故数据分析与处理提供决策支持。

交通事故快速采集APP主要功能包括：(1)通过多个选择按钮，快速采集事故现场位置、事故类型、事故发生环境、初步原因、事故现场照片等基本信息。(2)通过专用按钮完成拍照、录音及数据上传等功能。(3)在事故处理结束后将事故现场数据反馈到后台服务器。

2.现场数据采集内容

城市道路交通事故现场采集主要包括12项内容，分别为事故编号、经纬度坐标、事故时间、事故所属中队、是否报警、事故点位置、事故类型、事故原因、天气因素、事故发生环境和事故现场照片。具体如表1所示所示。

表1基于手机APP的交通事故数据采集表

注：^a在第七项事故位置选项中，交叉口位置又细分为9小类，分别为：交叉口内部、东进口/东出口、南进口/南出口、西进口/西出口、北进口/北出口。^b多车事故：事故现场涉及三辆或三辆以上车辆发生碰撞的事故。^c单向事故：事故现场只涉及一辆车发生碰撞的事故，如撞墙、撞护栏、撞花坛等。^d其它：事故现场难以主观判断或者交通逃逸等。

3.事故数据处理方法

(1)假设事故数据集合为(x₁,x₂,…,x_n)，在给定分类组数k(k≤n)值的条件下，将原始事故数据分成k类：S＝{S₁,S₂,…,S_k}，其数学表达式为：

事故数据处理方法主要是基于事故APP采集的经度和维度数据进行聚类分析，识别事故黑点(即事故多发地点)。这里S代表若干个事故簇，一个事故簇表示以某个事故黑点为聚类中心的若干个事故点。事故数据处理方法仅针对经度和维度数据进行聚类分析并识别事故黑点，表1中采集的内容是在识别事故黑点后进行事故原因分析时需要用到的。具体算法过程如下：

K-means传统的误差平方和准则函数表达式为：

式中，n表示事故样本数；k表示事故样本的分类；δ_nk表示第n个样本点是否属于第k类，属于则δ_nk＝1，否则r_nk＝0；μ_k表示第k个中心点。

对于事故数据x_n和簇C_k，无监督的指示函数δ_nk被定义如下：

K-means聚类的目的就是使每个个体与所在聚类的类中心的距离最小，即让目标函数J值最小。由于孤立点的存在，使得现实状况下交通事故数据较为繁多，直接影响了交通事故多发点聚类中心的选取精度，加大了交通事故多发点辨别的难度，因此有必要移除孤立点，突出主要的交通事故区域，提出改进后的K-means聚类算法。

(2)改进K-means算法的误差平方和准则函数如下：

式中，

表示在簇k中隶属类别l事故数据的平均中心；μ_k表示在簇k中事故数据的平均中心；

表示有监督的指示函数；δ_nk表示无监督的指标函数；α表示有监督与无监督的聚类比，α∈[0,1]；

表示类别l在簇k中的概率，

定义如下：

当

接近1时，表示簇k趋近于只包含类别l的元素，反之表示簇k趋近于几乎不包含类别l的元素。

第k个中心点μ_k被定义为所有监督的平均中心

的加权平均中心，如式(5)所示。

求解算法：

1)参数

可通过拉普拉斯平滑方法计算其初始值，公式如下：

2)参数

可以通过求导数获得，对公式(3)求偏导数，得到：

令偏导数为0，得到：

继续对l＝l'进行优化，得到：

最终可得：

根据以上公式，本发明进行事故数据处理，对道路交通事故热点区域的聚类和甄别方法如下：

Step 1:随机选取k个对象作为初始聚类中心；

Step 2:将事故数据样本集合中的样本按照最小距离原则分配到最邻近聚类；

Step 3:由式(3)计算改进K-means算法的误差平方和准则函数

Step 4:由式(5)计算无监督的平均中心μ_k；

Step 5:由式(6)计算有监督的指示函数

Step6:重复step(3)至step(5)，直到聚类中心

不再变化；

Step7:由式(10)计算受监督的平均中心

本发明文提出将手机定位技术引入事故多发区域的数据采集工作中，通过手机APP采集城市道路交通事故数据，对事故类型和事故影响因素进行分析。手机定位技术是移动通信技术未来的发展方向之一，将手机定位技术用于交叉口、路段、停车场、商业中心等客流密集场所进行事故数据采集，是我国当前道路交通事故数据自动采集技术上的有益补充，不仅可以提升我国当前现场采集事故数据的效率，而且对于区域道路事故数据库构建、事故数据挖掘、事故黑点改善等提供决策支持和数据支撑，大大降低了决策者由于主观判断所造成的经验研判误差。

应用本发明进行城市道路交通事故数据采集统计实施例：

城市道路交通事故采集地点为宁波市鄞州区(注：2016年宁波行政区划调整前所辖范围)，全区面积为1346km2，经济总量在宁波市各区县(市)位列第一，气候为亚热带季风性湿润气候。采集时间为2016年第四季度(2016年10月1号-12月31日)。事故数据采集由宁波市公安局鄞州分局交通警察大队现场执法民警完成，每条事故记录主要包括事故时间、经纬度坐标、事故点位置、事故类型、机动车(或非机动车或行人)行为、天气、事故发生环境等10余项内容。通过手机APP共采集事故总数为37,654条，其中有效GPS坐标的事故数据样本量共37,521条，剔除无效样本133条(注：无效样本为所采集的事故点经纬度坐标不在研究区域范围内，一般是因为手机误操作或GPS定位失效造成的)。由于采集工作是由负责处理事故的民警或协警完成，且已纳入了事故民警或协警的日常考核管理，只要接到110接警指令，不管民警是否出现在事故现场，都有责任进行事故数据采集(不在事故现场时，可通过APP地图定位功能进行采集，但数据采集精度有所降低)，一般不会出现漏报或不报的问题。因此，本文手机APP事故数据采集方法具有定位精度高、采集样本全和采集效率高等特点。为进一步验证事故数据采集的精度和质量，调取2016年第四季度指挥中心有效警情数据作为对比，发现同期有效警情数据为38,932起，通过手机APP有效采集事故数据样本量占有效警情的比例为96.38％，满足事故数据分析的精度和质量要求。

本发明的优点还在于：

(1)提出了一种基于手机APP的城市道路交通事故信息采集方法，通过改进的K-means聚类算法并结合PTV VISUM Safety平台，实现了对道路交通事故热点区域的聚类和甄别。由于该方法实现了20秒以内快速高效采集事故信息，使得该方法具有广阔的应用前景。

(2)对事故时空特性和热点区域进行了详细分析，发现历年每个季度的事故变化趋势呈现明显的“锯齿状”变化，机动车与机动车事故比例最高，机动车与非机动车事故比例次之。时间特征方面，星期一发生的事故数量最高，星期四发生的事故数量最低，且主要集中在早、晚高峰通勤时段。空间特征方面，道路交通事故发生地点主要集中在城乡结合部的快速路-主干路交叉口以及地面路段、停车场等处，居民小区和高架事故比例较低。

(3)在事故黑点识别的基础上，对主要事故黑点事故发生原因进行了详细分析。跟车距离过近、转弯未让直行、“加塞”、超速行驶等驾驶行为是引发交叉口机动车与机动车类型交通事故的主要原因；机动车转弯未让直行非机动车、非机动车闯红灯和逆向行驶以及机动车与非机动车相互占用车道行驶是诱发交叉口机动车与非机动车类型交通事故的主要原因。

(4)研究成果可为交通管理部门排查事故隐患、分析事故原因、整治事故黑点等提供决策依据。根据本文的研究成果，为提高城市道路交通安全水平，可以考虑以下改善建议：①加强对城乡结合部的道路改善和交通管理，尤其针对交叉口处，建议完善交通工程设施、合理划分车道功能、优化信号配时相位和增设行人/非机动车信号灯等；②针对商业广场、商务办公区和娱乐中心等区域停车场，建议加强区域停车场内、外的交通组织和安全管控；③加强定期的交通安全教育，提高交通安全意识，建议每隔1-2个月对驾驶员进行集中安全教育，地点选择在当地机动车培训学校或车管所。

以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (1)

1.基于手机APP的城市道路交通事故采集与分析方法，其特征在于按照以下步骤进行：

交通事故快速采集APP包括：(1)通过多个选择按钮，快速采集事故现场基本信息；事故现场基本信息包括事故编号、经纬度坐标、事故时间、事故所属中队、是否报警、事故点位置、事故类型、事故原因、天气因素、事故发生环境和事故现场照片；(2)通过专用按钮完成拍照、录音及数据上传等功能；(3)在事故处理结束后将事故现场数据反馈到后台服务器；(4)进行事故数据处理，对道路交通事故热点区域的聚类和甄别，得到有效事故信息记录在后台服务器并发送到手机APP；进行事故数据处理，对道路交通事故热点区域的聚类和甄别方法如下：

Step1:随机选取k个对象作为初始聚类中心；

Step2:将事故数据样本集合中的样本按照最小距离原则分配到最邻近聚类；

Step3:计算改进K-means算法的误差平方和准则函数

Step4:计算无监督的平均中心μ_k；

Step5:计算有监督的指示函数

Step6:重复step(3)至step(5)，直到聚类中心

不再变化；

Step7:由式(10)计算受监督的平均中心

计算改进K-means算法的误差平方和准则函数如下：

式中，

表示在簇k中隶属类别l事故数据的平均中心；μ_k表示在簇k中事故数据的平均中心；

表示有监督的指示函数；δ_nk表示无监督的指标函数；α表示有监督与无监督的聚类比，α∈[0,1]；

表示类别l在簇k中的概率；

计算无监督的平均中心μ_k如下式所示：

计算有监督的指示函数

通过拉普拉斯平滑方法计算其初始值，公式如下：

计算受监督的平均中心

公式如下：

Images