CN108417033B - 基于多维因素的高速路交通事故分析预测方法 - Google Patents

Abstract

本发明公开了一种基于多维因素的高速交通事故分析预测方法，其包括以下步骤：S1、根据历史交通事故数据和历史日常记录数据建立数据库；S2、从数据库中选取交通事故类型和对应的日常记录数据，获取交通事故的多维影响因素数据；S3、对多维影响因素数据建立贝叶斯网络，得到各个因素对交通事故的影响概率，并作为预测模型；S4、根据预测模型和实时数据，预测高速交通事故。本发明可以对历史交通事故数据进行预处理和转换，分析和利用交通事故的多维影响因素建立相应的贝叶斯网络从而形成交通事故的预测模型，运用数据挖掘技术找出影响交通事故的多维因素间的概率关系，根据分析的结果利用实时的观测数据就可以对事故是否发生进行预测。

Description

基于多维因素的高速路交通事故分析预测方法

技术领域

本发明涉及道路事故预测领域，具体涉及一种基于多维因素的高速路交通事故分析预测方法。

背景技术

随着我国高速公路的迅速发展以及车流量的增加，在高速公路上发生的交通事故数在逐年增长。目前，国外对交通安全的研究程度深、管理水平高，我国与之相比，还有较大的差距，缺乏对交通改善的系统化概念、理论和方法。

传统的交通事故分析方法具有如下不足之处：首先，在交通安全资料的收集方面欠全面、准确，使研究工作难以全面顺利地开展，研究成果对交通安全管理的指导和决策参考作用小；其次，研究分析的方法不够科学合理，对交通事故分布规律的研究只停留在宏观、单一的水平，缺乏对多个因素作用的综合考虑；最后，根据传统的统计法得出的决策主观性较严重，误差偏大。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于多维因素的高速路交通事故分析预测方法提高了对交通事故的预测能力。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于多维因素的高速交通事故分析预测方法，其包括以下步骤：

S1、根据历史交通事故数据和历史日常记录数据建立数据库；

S2、从数据库中选取交通事故类型和对应的日常记录数据，获取交通事故的多维影响因素数据；

S3、对多维影响因素数据建立贝叶斯网络，得到各个因素对交通事故的影响概率，并作为预测模型；

S4、根据预测模型和实时数据，预测高速交通事故。

进一步地，多维影响因素数据包括：

天气-W，道路状况-R，星期-D，时间段-T，交通流量-F和车速-V；所述天气-W、道路状况-R和星期-D为独立影响因素；所述时间段-T、交通流量-F和车速-V为联合影响因素。

进一步地，贝叶斯网络的建立方法为：

根据贝叶斯公式

得到给定训练集的各种属性数据B时的极大后验假设：

对于独立影响因素，根据公式：

得到影响概率；

对于联合影响因素，根据公式：

得到联合影响概率；

其中B表示训练集X＝{W，R，D，T，F，V}的多种属性，W代表天气，R表示道路状况，D代表星期，T代表时间段，F表示交通流量，V表示车速；h表示假设空间H中的候选集，H＝{0，1}，0代表不发生事故，1代表发生事故；其中j代表第j类独立属性；I代表对于j属性的一种取值；k代表所属类别；其中j_m代表第m种联合属性；I_m代表第m种属性的一种取值；i代表第i条数据，总数据量为N；b∈B；x∈X。

进一步地，根据预测模型和实时数据，预测高速交通事故的方法为：

S4-1、在预测模型中输入实时数据，根据实时数据查询概率记录，并检测实时数据是否出现未知属性值；

S4-2、若实时数据中没出现未知属性值，则根据查询的概率记录输出概率结果；若出现未知属性值，则对未知属性值根据公式：

进行拉普拉斯平滑处理，并根据公式：

P(h|w,r,d,t,f,v)＝P(w|h)P(r|h)P(d|a)P(t,f,v|h)P(h)

输出概率结果；

S4-3、根据步骤S4-2输出的概率结果预测高速路交通事故；

其中j代表对应的属性；I代表未知属性值；k代表所属类别；i代表第i条数据，总数据量为N；λ取值为1，防止在训练数据中某个类别下某个属性特征值没有出现；w∈W；r∈R；d∈D；t∈T；f∈F；v∈V；h为未知属性值所属类别值。

本发明的有益效果为：本发明可以对历史交通事故数据进行预处理和转换，分析和利用交通事故的多维影响因素建立相应的贝叶斯网络从而形成交通事故的预测模型，运用数据挖掘技术找出影响交通事故的多维因素间的概率关系，根据分析的结果利用实时的观测数据就可以对事故是否发生进行预测。通过对交通事故数据的收集和分析，可以找出其中潜在的关联信息或模式。例如，在雨天、周末和上午时段，在某个路段上可能发生交通事故，此时可以对相应的路段加强监管力度，从而在交通事故发生的时下及时进行处理，降低事故对整个路网的影响。

附图说明

图1为本发明的流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该基于多维因素的高速交通事故分析预测方法包括以下步骤：

S1、根据历史交通事故数据和历史日常记录数据建立数据库；

S2、从数据库中选取交通事故类型和对应的日常记录数据，获取交通事故的多维影响因素数据；

S3、对多维影响因素数据建立贝叶斯网络，得到各个因素对交通事故的影响概率，并作为预测模型；

S4、根据预测模型和实时数据，预测高速交通事故。

多维影响因素数据包括：

天气-W，道路状况-R，星期-D，时间段-T，交通流量-F和车速-V；所述天气-W、道路状况-R和星期-D为独立影响因素；所述时间段-T、交通流量-F和车速-V为联合影响因素。

贝叶斯网络的建立方法为：

根据贝叶斯公式

得到给定训练集的各种属性数据B时的极大后验假设：

对于独立影响因素，根据公式：

得到影响概率；

对于联合影响因素，根据公式：

得到联合影响概率；

其中B表示训练集X＝{W，R，D，T，F，V}的多种属性，W代表天气，R表示道路状况，D代表星期，T代表时间段，F表示交通流量，V表示车速；h表示假设空间H中的候选集，H＝{0，1}，0代表不发生事故，1代表发生事故；其中j代表第j类独立属性；I代表对于j属性的一种取值；k代表所属类别；其中j_m代表第m种联合属性；I_m代表第m种属性的一种取值；i代表第i条数据，总数据量为N；b∈B；x∈X。

根据预测模型和实时数据，预测高速交通事故的方法为：

S4-1、在预测模型中输入实时数据，根据实时数据查询概率记录，并检测实时数据是否出现未知属性值；

S4-2、若实时数据中没出现未知属性值，则根据查询的概率记录输出概率结果；若出现未知属性值，则对未知属性值根据公式：

进行拉普拉斯平滑处理，并根据公式：

P(h|w,r,d,t,f,v)＝P(w|h)P(r|h)P(d|a)P(t,f,v|h)P(h)

输出概率结果；

S4-3、根据步骤S4-2输出的概率结果预测高速路交通事故；

其中j代表对应的属性；I代表未知属性值；k代表所属类别；i代表第i条数据，总数据量为N；λ取值为1，防止在训练数据中某个类别下某个属性特征值没有出现；w∈W；r∈R；d∈D；t∈T；f∈F；v∈V；h为未知属性值所属类别值。

在本发明的具体实施过程中，未知属性值表示的是在历史数据中的属性内并未出现过的数值，例如某段高速路中发生的交通事故所处天气均为雨天，因此晴天或阴天则为已知属性中的未知属性值。交通事故预测模型是分析所选取的交通事故数据，利用交通事故的多维影响因素构建贝叶斯网络。在所设计的贝叶斯网络下，对历史的数据进行挖掘，计算在多维影响因素组合下的条件概率，将结果写入数据库中。当对实时数据进行事故是否发生的判断时，只需根据实时的多维观测数据查找相应的概率表，计算和比较事故发生与否的概率值则可以得到结果。

本发明可以对历史交通事故数据进行预处理和转换，分析和利用交通事故的多维影响因素建立相应的贝叶斯网络从而形成交通事故的预测模型，运用数据挖掘技术找出影响交通事故的多维因素间的概率关系，根据分析的结果利用实时的观测数据就可以对事故是否发生进行预测。通过对交通事故数据的收集和分析，可以找出其中潜在的关联信息或模式。例如，在雨天、周末和上午时段，在某个路段上可能发生交通事故，此时可以对相应的路段加强监管力度，从而在交通事故发生的时下及时进行处理，降低事故对整个路网的影响。

Claims (1)

1.一种基于多维因素的高速交通事故分析预测方法，其特征在于，包括以下步骤：

S1、根据历史交通事故数据和历史日常记录数据建立数据库；

S2、从数据库中选取交通事故类型和对应的日常记录数据，获取交通事故的多维影响因素数据；

S3、对多维影响因素数据建立贝叶斯网络，得到各个因素对交通事故的影响概率，并作为预测模型；

S4、根据预测模型和实时数据，预测高速交通事故；

所述多维影响因素数据包括：

天气-W，道路状况-R，星期-D，时间段-T，交通流量-F和车速-V；所述天气-W、道路状况-R和星期-D为独立影响因素；所述时间段-T、交通流量-F和车速-V为联合影响因素；

贝叶斯网络的建立方法为：

根据贝叶斯公式

得到给定训练集的各种属性数据B时的极大后验假设：

对于独立影响因素，根据公式：

得到影响概率；

对于联合影响因素，根据公式：

得到联合影响概率；

其中B表示训练集X＝{W，R，D，T，F，V}的多种属性，W代表天气，R表示道路状况，D代表星期，T代表时间段，F表示交通流量，V表示车速；h表示假设空间H中的候选集，H＝{0，1}，0代表不发生事故，1代表发生事故；其中j代表第j类独立属性；I代表对于j属性的一种取值；k代表所属类别；其中j_m代表第m种联合属性；I_m代表第m种属性的一种取值；i代表第i条数据，总数据量为N；b∈B；x∈X；

根据预测模型和实时数据，预测高速交通事故的方法为：

S4-1、在预测模型中输入实时数据，根据实时数据查询概率记录，并检测实时数据是否出现未知属性值；

S4-2、若实时数据中没出现未知属性值，则根据查询的概率记录输出概率结果；若出现未知属性值，则对未知属性值根据公式：

进行拉普拉斯平滑处理，并根据公式：

P(h|w,r,d,t,f,v)＝P(w|h)P(r|h)P(d|a)P(t,f,v|h)P(h)

输出概率结果；

S4-3、根据步骤S4-2输出的概率结果预测高速路交通事故；

其中j代表对应的属性；I代表未知属性值；k代表所属类别；i代表第i条数据，总数据量为N；λ取值为1，防止在训练数据中某个类别下某个属性特征值没有出现；w∈W；r∈R；d∈D；t∈T；f∈F；v∈V；h为未知属性值所属类别值。

Images