CN109101568A - 基于XgBoost算法的交通高危人员识别方法 - Google Patents

基于XgBoost算法的交通高危人员识别方法 Download PDF

Info

Publication number
CN109101568A
CN109101568A CN201810783018.1A CN201810783018A CN109101568A CN 109101568 A CN109101568 A CN 109101568A CN 201810783018 A CN201810783018 A CN 201810783018A CN 109101568 A CN109101568 A CN 109101568A
Authority
CN
China
Prior art keywords
data
traffic
sample
illegal
risk
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.)
Granted
Application number
CN201810783018.1A
Other languages
English (en)
Other versions
CN109101568B (zh
Inventor
吕伟韬
刘林
陈凝
饶欢
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.)
JIANGSU INTELLIGENT TRANSPORTATION SYSTEMS Co Ltd
Original Assignee
JIANGSU INTELLIGENT TRANSPORTATION SYSTEMS Co Ltd
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 JIANGSU INTELLIGENT TRANSPORTATION SYSTEMS Co Ltd filed Critical JIANGSU INTELLIGENT TRANSPORTATION SYSTEMS Co Ltd
Priority to CN201810783018.1A priority Critical patent/CN109101568B/zh
Publication of CN109101568A publication Critical patent/CN109101568A/zh
Application granted granted Critical
Publication of CN109101568B publication Critical patent/CN109101568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于XgBoost算法的交通高危人员识别方法，基于原始的交通违法数据与事故数据，采用XgBoost算法进行高危人员识别模型训练与校正，将人员违法属性信息输入模型，则能够实现高危人员的识别与预测，对于提升交通安全治理工作效率、辅助交警日常安全管理工作更具针对性和主动性等方面具有现实意义。

Description

基于XgBoost算法的交通高危人员识别方法
技术领域
本发明涉及一种基于XgBoost算法的交通高危人员识别方法。
背景技术
在道路交通安全领域的研究大多集中于环境、道路基础设施、交通流运行状态等外部因素与交通事故的关联规律分析，例如中国专利CN201710400521.X、CN201580075213.3、CN201611051192.4等或从事故时空分布特征，或从环境、交通管制措施等特征角度出发分析交通事故规律特征。交通参与者(机动车、非机动车驾驶人、行人)本身的行为习惯等内部因素，由于其信息维度广、信息感知手段有限等问题，目前尚缺乏深入的研究和探析，但人为因素对交通事故的影响是交通安全研究不可避免的内容，对交通安全治理具有极大的现实性指导意义。
有研究表明，交通违法与交通事故间存在相关关系；考虑到当前交通管控行业内积累有海量的违法数据，能够为交通事故的特征挖掘提供可靠的数据支撑。
XgBoost是改进的boosting算法，实现了一种分裂节点寻找的近似算法，可以给预测模型带来能力的提升。在应用于数据分类时具有很好的性能优势，将其应用于交通违法数据的处理，能够挖掘出有价值的交通安全信息，但当前还缺乏此类应用。
本发明以交通参与者行为特征挖掘为核心，提取事故相关人员的违法驾驶行为属性，辅助交通参与者的安全风险的评价，识别高危人员，实现数据驱动的主动交通安全预防。
发明内容
本发明的目的是基于XgBoost实现数据挖掘，从而在存在交通违法记录的交通参与者中识别可能发生交通事故的危险人员，达到人员的交通安全风险预测评价的效果，在交通安全治理应用中的源头管理、现场检查等工作中提供辅助决策的科学指标依据。
本发明基于原始的交通违法数据与事故数据，采用XgBoost算法进行高危人员分类模型训练与校正，将违法属性信息输入模型，则能够实现高危人员的识别与预测，对于提升交通安全治理工作效率、辅助交警日常安全管理工作更具针对性和主动性等方面具有现实意义。
本发明的技术解决方案是：
一种基于XgBoost算法的交通高危人员识别方法，包括以下步骤，
S1、基于原始的交通违法数据与事故数据，构建违法数据集、严重事故数据集、轻微事故数据集；
S2、将违法数据集二分类，即高危人员、一般人员，根据分类规则确定数据标记值label，据此将违法数据集分为高危人员数据子集D、一般人员数据子集N以及待识别子集U；
S3、对违法数据集中的一般人员数据子集N进行抽样，与高危人员数据子集D组合并拆分获得训练集与测试集；
S4、基于XgBoost算法，以训练集数据训练高危人员识别模型，确定模型参数；其中，模型参数包括学习率、弱分类器个数、最大树深、节点最小分裂值、叶节点最小样本数、叶节点权值之和最小值、最小化损失函数值、行抽样率、列抽样率、正则化项1、正则化项2、正负权值平衡项、提前终止训练条件；
S5、以测试集数据进行高危人员识别模型评估，并确定分类概率临界阈值，校正模型，获得最终的交通高危人员识别模型；
S6、将步骤S2中待识别子集数据输入步骤S5得到的交通高危人员识别模型，获得高危人员识别结果。
进一步地，步骤S3中所述的抽样方法具体为，
S31、对一般人员数据子集进行随机抽样，获得压缩后的一般人员样本N’；
S32、对压缩后的一般人员数据子集N’的样本数据进行变量处理与筛选；
S33、将高危人员数据子集D与N’的合集G拆分为训练集和测试集；
S34、对训练集进行SMOTE抽样，确定高危人员数据子集以及一般人员数据子集扩样、缩样比例，得到最终的样本数量，处理后获得训练集样本。
进一步地，步骤S32中所述的样本数据变量处理与筛选方法，具体为：
S321、设置因变量target，其数值在高危、一般中择其一，根据样本数据标签确定；违法数据集的数据字段作为自变量；
S322、删除自变量中的常数自变量与方差极小的自变量；其中方差极小的判断条件为：其中freqcutX＝xf/xl，xf为变量X频次最大的样本值，xl为变量X频次次大的样本值，Tf为对应阈值，通常取值19；uniquecutX＝mX/nX，mX为样本值去重后的样本数量，nX为样本总量，Tu为uniquecut的检验阈值，通常取值为0.1；
S323、删除与其他自变量共线性大于阈值的自变量；其中阈值通常取值0.75；
S324、检查自变量多重共线性，确定数据自变量。
进一步地，步骤S2中所述的基于分类规则赋予对应数据标记值label的方法具体为：
高危人员：一类为存在违法记录且存在负主要责任或全部责任的严重交通事故记录的交通参与者；另一类为存在违法记录，仅存在轻微事故记录，且事故记录不低于2条的交通参与者；
一般人员：存在违法记录但无事故记录的交通参与者；
不满足上述判别条件的数据构成待识别子集。
进一步地，步骤S1中原始的交通违法数据与事故数据包含相关人员证件信息；对违法记录进行汇集、分类处理操作后获得违法数据集；违法数据集为违法记录全样本数据，违法数据集信息包含人员证件号码、违法次数、违法种类、扣分罚款情况、事故相关违法行为发生情况、违法发生时段。
进一步地，步骤S1中事故相关违法行为发生情况通过对应分析方式获得，并提取交通事故影响程度较高的违法类型，作为违法数据集的数据属性。
进一步地，步骤S1中所述违法发生时段是将时间连续型变量转化为离散变量，根据违法时间特征进行分类。
本发明的有益效果是：
一、本发明基于交通违法与交通事故的相关性，提出基于XgBoost算法的高危人员识别方法，依托交通违法记录达到预测人员交通安全风险的效果。该方法采用实施性较强的人员安全风险标签确定方法，可根据实际应用中的地区交通规范性与安全性程度以及模型所需的灵敏性进行灵活调整。
二、本发明采用XgBoost算法对高危人员识别模型进行拟合，该算法能很好地控制学习得到的模型复杂度，防止过拟合，其性能能够满足基于违法数据的人员分类需求，保证高危人员识别准确性。
三、本发明在SMOTE抽样前预先进行大样本的压缩，能够一定程度上缓解不均衡数据集影响模型精确度的问题。
四、本发明采用特征工程方法对原始数据进行预处理，提高了模型准确度。
附图说明
图1是本发明实施例基于XgBoost算法的交通高危人员识别方法的流程示意图。
图2是实施例中对一般人员数据子集进行抽样的流程示意图。
图3是实施例中样本数据变量处理与筛选方法的流程示意图。
图4是实施例中数据集的说明示意图。
图5是实施例中重要度前20位的属性变量的说明示意图。
图6是实施例绘制的测试集ROC曲线的示意图。
图7是实施例绘制的测试集PR曲线的示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种基于XgBoost算法的交通高危人员识别方法，从交通违法记录提取交通参与者安全行为特征属性并训练模型，实现高危人员识别与安全风险预测；如图1，具体的方法流程为：
S1、基于原始的交通违法数据与事故数据，构建违法数据集、严重事故数据集、轻微事故数据集。
实施例中，步骤S1中原始的交通违法数据与事故数据包含相关人员证件信息；对原始违法记录进行汇集、分类等预处理操作后获得违法数据集；违法数据集为人员的违法记录全样本数据，数据集信息包含人员证件号码、违法次数、违法种类、扣分罚款情况、事故相关违法行为发生情况、违法发生时段。
S1中事故相关违法行为发生情况通过对应分析方式获得，并提取交通事故影响程度较高的违法类型，作为违法数据集的数据属性。
S1中违法发生时段是将时间连续型变量转化为离散变量，根据违法时间特征进行分类。
S2、将违法数据集二分类，即高危人员、一般人员，根据分类规则确定数据标记值label，据此将违法数据集分为高危人员数据子集D、一般人员数据子集N以及待识别子集U。
S2中所述的基于分类规则赋予对应数据标记值label的方法具体为，高危人员的分类规则为：(1)存在违法记录且存在负主要责任或全部责任的严重交通事故记录的人员；(2)存在违法记录，仅存在轻微事故记录，且事故记录不低于2条的人员；一般人员为存在违法记录但无事故记录的人员；不满足上述判别条件的数据构成待识别子集。
S3、对违法数据集中的一般人员数据子集N进行抽样，与高危人员数据子集D组合并拆分获得训练集与测试集。
S31、对一般人员数据子集进行随机抽样，获得压缩后的一般人员样本N’。
S32、对压缩后的一般人员数据子集N’的样本数据进行变量处理与筛选；处理步骤如图3，具体为：
S321、设置因变量target，其数值在高危、一般中择其一，根据样本数据标签确定；违法数据集的数据字段作为自变量；
S322、删除自变量中的常数自变量与方差极小的自变量；其中方差极小的判断条件为：其中freqcutX＝xf/xl，xf为变量X频次最大的样本值，xl为变量X频次次大的样本值，Tf为对应阈值，通常取值19；uniquecutX＝mX/nX，mX为样本值去重后的样本数量，nX为样本总量，Tu为uniquecut的检验阈值，通常取值为0.1；
S323、删除与其他自变量共线性大于阈值的自变量；其中阈值通常取值0.75；
S324、检查自变量多重共线性，确定数据自变量。
S33、将高危人员数据子集D与N’的合集G拆分为训练集和测试集；实施例中，拆分比例为9:1。
S34、对训练集进行SMOTE抽样，确定高危人员数据子集以及一般人员数据子集扩样、缩样比例，得到最终的样本数量，处理后获得训练集样本。
S4、基于XgBoost算法，以训练集数据训练高危人员识别模型，确定模型参数；其中，模型参数包括学习率、弱分类器个数、最大树深、节点最小分裂值、叶节点最小样本数、叶节点权值之和最小值、最小化损失函数值、行抽样率、列抽样率、正则化项1、正则化项2、正负权值平衡项、提前终止训练条件。在实施例中，运用Python调用Sklearn机器学习库中的XGBClassifier函数执行XgBoost算法。
S5、以测试集数据进行高危人员识别模型评估，并确定分类概率临界阈值，校正模型，获得最终的交通高危人员识别模型。
S6、将步骤S2中待识别子集数据输入步骤S5得到的交通高危人员识别模型，获得高危人员识别结果。
具体示例
步骤1、通过与数据库对接获取区域内2年的交通违法记录以及事故记录。
本实施例以机动车驾驶人为分析对象。将发生死亡或受伤严重或发生肇事逃逸的交通事故作为严重事故，其他事故作为轻微事故，据此对原始的事故记录进行分类，并将事故类型与人员证件信息作为严重事故数据集与轻微事故数据集的属性特征，获取两数据集样本数据。
进一步地，对违法原始数据进行预处理，对人员的违法信息进行汇集统计，包括累计违法次数、违法种类、累计扣分分值、平均扣分分值(分/次)、单次最大扣分分值、累计罚款金额、平均罚款金额(元/次)。
采用对应分析法对交通事故数据与违法原始数据进行降维处理，根据违法与事故在类型上的相关性对违法种类进行分类，并提取其中相关性最高的五类作为事故风险违法行为字段的数据属性，如表1所示。
表1.事故相关违法类型划分情况
根据实施例所在区域路网的交通流运行以及交通违法事件发生规律特征，将时间进行聚合，并划分分析时段，将连续型变量转化为标称型变量；在另一个实施例中，通过聚类等其他统计方式进行时段划分。
人员特征数据则根据证件号码中提取年龄、性别、所属省市编码；根据上述各环节提取的信息生成违法数据集，如表2所示。
表2.违法数据集部分数据
步骤2、对违法数据集内全样本I进行高危驾驶人与一般驾驶人二分类。如图4，将存在违法记录且存在负主要责任或全部责任的严重交通事故记录的人员作为高危驾驶人的一种情况，符合条件的数据划为数据集D1；将存在违法记录，仅存在轻微事故记录，且事故记录不低于2条的人员作为高危驾驶人的另一种情况，符合条件的数据划为数据集D2；高危人员数据集D＝D1+D2。存在违法记录但无事故记录的人员对应数据合成一般驾驶人数据集N。
据此对违法数据集中满足规则的数据确定高危或一般的数据标记值label，另外无法适用于此分类规则的数据子集U＝I-N-D＝U1+U2，则为待识别数据子集，U1、U2分别为待识别数据子集的两个子集。
步骤3、对违法数据集中的一般驾驶人数据子集N进行抽样，与高危驾驶人数据子集D组合并拆分获得训练集与测试集；具体的抽样方法为：
步骤31、对一般驾驶人数据子集进行随机抽样，获得压缩后的一般人员样本N’，采样率一般取2.5％～25％，本实施例中从84383条数据中抽取4000条。
步骤32、对抽样后的一般驾驶人数据子集的样本数据进行变量处理与筛选；具体步骤包括：
S321、设置因变量target，其数值在高危、一般中择其一，根据样本数据标签确定；违法数据集的数据字段作为自变量；将其中的省级编码与市级编码字段设置为哑变量，自变量增为93个；
S322、删除自变量中的常数自变量与方差极小的自变量；其中方差极小的判断条件为：其中freqcutX＝xf/xl，xf为变量X频次最大的样本值，xl为变量X频次次大的样本值，Tf为对应阈值，取值19；uniquecutX＝mX/nX，mX为样本值去重后的样本数量，nX为样本总量，Tu为uniquecut的检验阈值，取值0.1；在本实施例中，该环节删除了累计违法次数、type2、type3、type5、19:00～22:00几个自变量；
S323、删除与其他自变量共线性大于阈值的自变量；其中阈值通常取值0.75；在本实施例中，该环节删除了累计扣分分值、平均扣分分值、其他违法行为合计三个自变量；
S324、经检查，剩余自变量不存在多重共线性，由此确定数据自变量。
S33、将高危驾驶人数据子集D与N’的合集G拆分为训练集和测试集；实施例中，训练集与测试集的样本量比例为9:1。
S34、对训练集进行SMOTE抽样，确定高危驾驶人数据子集以及一般驾驶人数据子集扩样、缩样比例，得到最终的样本数量，处理后获得训练集样本。实施例中，高危驾驶人数据子集的过采样样本数为原来的2倍，一般驾驶人数据子集欠抽样样本数为原高危驾驶人样本数的2倍。
步骤4、运用XgBoost算法，对训练集数据采用5折交叉验证方法，进行模型的训练。模型参数具体为：学习率learning_rate_value＝0.1，弱分类器个数n_estimators_value＝200，最大树深max_depth_value＝2，节点最小分裂值min_samples_split_value＝2，叶节点最小样本数min_samples_leaf_value＝2，叶节点权值之和最小值min_child_weight_value＝2，最小化损失函数值gamma_value＝0，行抽样率subsample_value＝0.75、列抽样率colsample_bytree_value＝0.1、正则化项1reg_lambda_value＝10、正则化项2reg_alpha_value＝10、正负权值平衡项scale_pos_weight_value＝1、提前终止训练条件early_stopping_rounds_value＝50。模型内部节点选择属性个数mtry为47，即从93个属性变量中筛选年龄、平均罚款金额、累计罚款金额、性别等47个特征变量，重要度前20位的属性变量，如图5所示。
步骤5、以测试集数据进行模型评估，并确定分类概率临界阈值，校正模型。
具体地，首先，将测试集数据输入步骤4训练的模型，由模型处理获得测试样本分类类别Fit_class及其概率Fit_probs；其次，绘制测试集的ROC曲线(图6)、PR曲线(图7)，确定精确度与召回率；根据召回率确定分类概率阈值，本实施例中，模型精确度为0.8，召回率为0.462，对应的高危人员与一般人员的判定概率阈值为0.648。
步骤6、基于上述步骤训练的高危人员识别模型，将步骤2获得的待识别子集U的数据输入模型，经过模型预测target数值，部分判断结果如表3所示。
表3.运用本发明方法的高危人员识别结果

Claims (7)

1.一种基于XgBoost算法的交通高危人员识别方法，其特征在于：根据道路交通参与者的违法属性判断其交通事故风险，包括以下步骤，
S1、基于原始的交通违法数据与事故数据，构建违法数据集、严重事故数据集、轻微事故数据集；
S2、将违法数据集二分类，即高危人员、一般人员，根据分类规则确定数据标记值label，据此将违法数据集分为高危人员数据子集D、一般人员数据子集N以及待识别子集U；
S3、对违法数据集中的一般人员数据子集N进行抽样，与高危人员数据子集D组合并拆分获得训练集与测试集；
S4、基于XgBoost算法，以训练集数据训练高危人员识别模型，确定模型参数；其中，模型参数包括学习率、弱分类器个数、最大树深、节点最小分裂值、叶节点最小样本数、叶节点权值之和最小值、最小化损失函数值、行抽样率、列抽样率、正则化项1、正则化项2、正负权值平衡项、提前终止训练条件；
S5、以测试集数据进行高危人员识别模型评估，并确定分类概率临界阈值，校正模型，获得最终的交通高危人员识别模型；
S6、将步骤S2中待识别子集数据输入步骤S5得到的交通高危人员识别模型，获得高危人员识别结果。
2.如权利要求1所述的基于XgBoost算法的交通高危人员识别方法，其特征在于：步骤S3中所述的一般人员数据子集进行抽样具体为，
S31、对一般人员数据子集进行随机抽样，获得压缩后的一般人员样本N’；
S32、对压缩后的一般人员数据子集N’的样本数据进行变量处理与筛选；
S33、将高危人员数据子集D与N’的合集G拆分为训练集和测试集；
S34、对训练集进行SMOTE抽样，确定高危人员数据子集以及一般人员数据子集扩样、缩样比例，得到最终的样本数量，处理后获得训练集样本。
3.如权利要求2所述的基于XgBoost算法的交通高危人员识别方法，其特征在于，步骤S32中所述的样本数据变量处理与筛选方法，具体为：
S321、设置因变量target，其数值在高危、一般中择其一，根据样本数据标签确定；违法数据集的数据字段作为自变量；
S322、删除自变量中的常数自变量与方差极小的自变量；其中方差极小的判断条件为：其中freqcutX＝xf/xl，xf为变量X频次最大的样本值，xl为变量X频次次大的样本值，Tf为对应阈值；uniquecutX＝mX/nX，mX为样本值去重后的样本数量，nX为样本总量，Tu为uniquecut的检验阈值；
S323、删除与其他自变量共线性大于阈值的自变量；
S324、检查自变量多重共线性，确定数据自变量。
4.如权利要求1-3任一项所述的基于XgBoost算法的交通高危人员识别方法，其特征在于，步骤S2中所述的基于分类规则赋予对应数据标记值label的方法具体为：
高危人员：一类为存在违法记录且存在负主要责任或全部责任的严重交通事故记录的交通参与者；另一类为存在违法记录，仅存在轻微事故记录，且事故记录不低于2条的交通参与者；
一般人员：存在违法记录但无事故记录的交通参与者；
不满足上述判别条件的数据构成待识别子集。
5.如权利要求1-3任一项所述的基于XgBoost算法的交通高危人员识别方法，其特征在于：步骤S1中原始的交通违法数据与事故数据包含相关人员证件信息；对违法记录进行汇集、分类处理操作后获得违法数据集；违法数据集为违法记录全样本数据，违法数据集信息包含人员证件号码、违法次数、违法种类、扣分罚款情况、事故相关违法行为发生情况、违法发生时段。
6.如权利要求5所述的基于XgBoost算法的交通高危人员识别方法，其特征在于：步骤S1中事故相关违法行为发生情况通过对应分析方式获得，并提取交通事故影响程度较高的违法类型，作为违法数据集的数据属性。
7.如权利要求5所述的基于XgBoost算法的交通高危人员识别方法，其特征在于：步骤S1中所述违法发生时段是将时间连续型变量转化为离散变量，根据违法时间特征进行分类。
CN201810783018.1A 2018-07-16 2018-07-16 基于XgBoost算法的交通高危人员识别方法 Active CN109101568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810783018.1A CN109101568B (zh) 2018-07-16 2018-07-16 基于XgBoost算法的交通高危人员识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810783018.1A CN109101568B (zh) 2018-07-16 2018-07-16 基于XgBoost算法的交通高危人员识别方法

Publications (2)

Publication Number Publication Date
CN109101568A true CN109101568A (zh) 2018-12-28
CN109101568B CN109101568B (zh) 2021-09-07

Family

ID=64846535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810783018.1A Active CN109101568B (zh) 2018-07-16 2018-07-16 基于XgBoost算法的交通高危人员识别方法

Country Status (1)

Country Link
CN (1) CN109101568B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853761A (zh) * 2019-11-26 2020-02-28 上海市同济医院 一种基于极端梯度提升算法的精神病高危识别模型
CN112016735A (zh) * 2020-07-17 2020-12-01 厦门大学 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质
CN113570862A (zh) * 2021-07-28 2021-10-29 太原理工大学 一种基于XGboost算法的大型交通拥堵预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
CN106780263A (zh) * 2017-01-13 2017-05-31 中电科新型智慧城市研究院有限公司 基于大数据平台的高危人员分析和识别方法
CN106991510A (zh) * 2017-05-31 2017-07-28 福建江夏学院 一种基于时空分布特征预测城市交通事故的方法
US20180165963A1 (en) * 2015-12-29 2018-06-14 Thunder Power New Energy Vehicle Development Company Limited Onboard vehicle notification system
CN108275158A (zh) * 2017-01-05 2018-07-13 大唐高鸿信息通信研究院（义乌）有限公司 车载短距离通信网的驾驶行为评测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
US20180165963A1 (en) * 2015-12-29 2018-06-14 Thunder Power New Energy Vehicle Development Company Limited Onboard vehicle notification system
CN108275158A (zh) * 2017-01-05 2018-07-13 大唐高鸿信息通信研究院（义乌）有限公司 车载短距离通信网的驾驶行为评测方法
CN106780263A (zh) * 2017-01-13 2017-05-31 中电科新型智慧城市研究院有限公司 基于大数据平台的高危人员分析和识别方法
CN106991510A (zh) * 2017-05-31 2017-07-28 福建江夏学院 一种基于时空分布特征预测城市交通事故的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FANG C Y: "Dangerous Prediction by Case-Based Approach on Expressways", 《INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
余锋: "基于驾驶员操控行为特征的碰撞预判系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853761A (zh) * 2019-11-26 2020-02-28 上海市同济医院 一种基于极端梯度提升算法的精神病高危识别模型
CN112016735A (zh) * 2020-07-17 2020-12-01 厦门大学 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质
CN112016735B (zh) * 2020-07-17 2023-03-28 厦门大学 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质
CN113570862A (zh) * 2021-07-28 2021-10-29 太原理工大学 一种基于XGboost算法的大型交通拥堵预警方法
CN113570862B (zh) * 2021-07-28 2022-05-10 太原理工大学 一种基于XGboost算法的大型交通拥堵预警方法

Also Published As

Publication number Publication date
CN109101568B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
Ma et al. Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry
CN108596409B (zh) 提升交通危险人员事故风险预测精度的方法
WO2020238631A1 (zh) 一种基于手机信令数据的人群类型识别方法
CN109086808A (zh) 基于随机森林算法的交通高危人员识别方法
CN105303197B (zh) 一种基于机器学习的车辆跟车安全自动评估方法
Qi et al. Recognizing driving styles based on topic models
CN106384100A (zh) 一种基于部件的精细车型识别方法
CN104036360B (zh) 一种基于磁卡考勤行为的用户数据处理系统及处理方法
CN109101568A (zh) 基于XgBoost算法的交通高危人员识别方法
CN104268599A (zh) 一种基于车辆轨迹时空特征分析的黑车智能发现方法
CN105070053A (zh) 一种识别车辆违规运动模式的智能交通监控摄像机
CN105740767A (zh) 一种基于脸部特征的驾驶员路怒症实时识别和预警方法
CN109191828A (zh) 基于集成学习的交通参与者事故风险预测方法
CN108717786A (zh) 一种基于普适性元规则的交通事故致因挖掘方法
CN101447020A (zh) 基于直觉模糊的色情图像识别方法
CN109086794B (zh) 一种基于t-lda主题模型的驾驶行为模式识方法
CN109598931A (zh) 基于交通安全风险的群体划分与差异性分析方法及系统
CN107992958A (zh) 基于arma的人口超限预警方法
CN112084240B (zh) 一种群租房智能识别、联动治理方法及系统
CN109903053A (zh) 一种基于传感器数据进行行为识别的反欺诈方法
CN116028884A (zh) 一种小样本下基于原型网络的车辆换道风险评估方法
CN106681980B (zh) 一种垃圾短信分析方法和装置
CN109063751A (zh) 基于梯度提升决策树算法的交通高危人员识别方法
CN109145953A (zh) 基于Adaboost算法的交通高危人员识别方法
CN109272412A (zh) 一种车险理赔风控维护系统

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
CB02 Change of applicant information

Address after: 211100 No. 19 Suyuan Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province

Applicant after: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd.

Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor

Applicant before: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant