CN112037513B - 一种实时交通安全指数动态综合评价系统及其构建方法 - Google Patents

Abstract

本发明涉及一种实时交通安全指数动态综合评价系统及其构建方法，其特征在于包括以下步骤：步骤1：采集影响交通事故的相关数据并提取各类数据的特征；步骤2：将采集的相关数据的特征作为自变量，历史交通事故数及等级构成的交通安全指数作为因变量，建立事故风险评估与预测模型，并求解模型参数；步骤3：根据步骤2得到的事故风险评估与预测模型，结合实时的路况、道路结构属性及驾驶安全系数计算不同区域发生交通事故数的期望，并根据预先建立的安全指数模型，计算得到不同区域的实时交通安全指数；步骤4：建立可视化展示平台，用于对不同区域的实时交通安全指数进行展示。本发明可以广泛应用于交通安全评价领域。

Description

一种实时交通安全指数动态综合评价系统及其构建方法

技术领域

本发明涉及一种交通安全评价系统，特别是一种实时交通安全指数动态综合评价系统及其构建方法，可用于实时监控路网上交通安全等级。

背景技术

世界卫生组织发布的《道路安全全球现状报告》中指出，道路交通伤害是造成目前全球死亡人数最多的原因之一。

传统的交通安全评估方法是基于历史事故数据，建立事故风险和伤亡程度的计数模型，分析影响事故发生及严重程度的显著因素。然而，这类方法存在明显的局限性，一方面传统方法获取的数据往往来源于政府部门统计的上报数据，数据的时间粒度较粗，且往往时效性较差，导致建立的交通安全评价模型具有滞后性，不利于交通管理部门对于交通运行安全状况进行实时的把控和调整，并做出预防性措施；另一方面，交通安全与交通系统三要素人、车、路都有密切联系，交通事故的成因复杂，但受限于数据来源，现有三个维度的研究较为孤立，传统方法几乎完全依赖于事故数据，提取的特征有限，仅仅提取事故数据中的特征可能导致对事故的分析不够全面，评估模型的准确率也就较低。

近年来，随着移动智能终端技术的兴起，形成了种类繁多、全时空覆盖、时效性高、信息量巨大的交通大数据。利用这些交通大数据对交通安全的实时评估提供了可能，但是如何利用这些交通大数据进行评估仍未可知。

发明内容

针对上述问题，本发明的目的是提供一种实时交通安全指数动态评价系统及其构建方法，利用多源数据综合考虑人、车、路等影响交通事故的因素，实时评估交通安全水平，为个人出行提供个性化的风险预警，为交通管理部门的交通安全管理决策与响应提供支持。

为实现上述目的，本发明采取以下技术方案：

本发明的第一个方面，是提供一种实时交通安全指数动态综合评价系统的构建方法，其包括以下步骤：

步骤1：采集影响交通事故的人、车、路相关数据并进行预处理；

步骤2：将预处理后的人、车、路相关数据作为自变量，历史交通事故数及等级构成的交通安全指数作为因变量，建立事故风险评估与预测模型，并求解模型参数；

步骤3：根据步骤2得到的事故风险评估与预测模型，结合实时的路况、道路基本属性及驾驶安全系数计算不同区域发生交通事故数的期望，并根据预先建立的安全指数模型，计算得到不同区域的实时交通安全指数；

步骤4：建立可视化展示平台，对不同区域的实时交通安全指数进行展示。

进一步地，所述步骤1中，采集的影响交通事故的人、车、路相关数据包括：历史交通事故数据、道路基本属性数据、气象数据、交通信号周期数据、交通流量数据、车辆性能数据和驾驶行为数据。

进一步地，所述历史交通事故数据的采集和处理方法为：采集各交通事故中双方身份及车辆信息，事故时间地点、事故类型及伤亡程度；根据事故记录原始数据中的事故位置，通过百度地图标定，将每一起交通事故定位到其发生的交叉口或路段。

进一步地，所述道路基本属性数据的采集和处理方法为：首先，对各区域内所有的交叉口和路口进行编号；然后，对每一个交叉口或路段的道路设计因素进行统计，包括车道数、双向车道隔离方式、机动车与非机动车道隔离方式、转弯特性以及是否有机动车专用道；其中，所述转弯特性包括左转待转区、提前右转车道因素；最后，对所有道路设计因素分别制定代码表示。

进一步地，所述交通信号周期数据的采集和处理方法为：首先，从各区域的市交管部门的SCATS系统中导出交通信号周期数据，并从中采集出需要的交叉口的信号周期；然后，根据各交叉口路段两端的交叉口的信号周期，确定该交叉口路段的信号周期，即：将东西向路段东侧交叉口信号周期视为该路段的信号周期；将南北向路段北侧交叉口的信号周期视为该路段的信号周期。

进一步地，所述交通流量数据的采集和处理方法为：所述交通流量数据包括交叉口的车流量和路段的车流量数据；对交叉口的车流量数据进行采集时：对每一个交叉口，将其包含的每个卡口上的监控设备监控得到的各个方向的过车数进行累加，得到各卡口的车流量，进而得到每个交叉口的车流量；当出现监控设备采集不稳定导致卡口数据丢失时，则采用平均值补偿法进行对丢失的数据进行补偿；对于路段的车流量数据进行采集时：首先，对交叉口的四个卡口进行编号；然后，根据各交叉口的车流量，得到路段的车流量。

进一步地，所述车辆性能数据包括：车辆的静态参数和动态参数；所述车辆的静态参数包括：车型及发动机、车龄及行驶里程、初始配置、辅助设备、保养情况、是否改装；所述车辆的动态参数包括：行驶数据、车辆故障参数、工作状态、紧急操作信息、载人状况、载货状况、车内环境；所述驾驶行为数据包括：每位驾驶员的年龄、驾龄静态信息，以及一段时间内的行车行为习惯信息，计算出加速度、车头时距，利用聚类方法提取驾驶员驾驶特征参数。

进一步地，所述步骤2中，建立的事故风险评估与预测模型为：

E(y_it)＝λ_it＝exp(β^TX_it)

式中，y_it表示交叉口或路段i在时间段t内发生的事故数；X_it表示自变量，且X_it＝(1，X_(it)1，X_(it)2，...，X_(it)p)^T，下标it表示人、车、路、交通运行状况中的一种，共p个变量；β^T＝(β₀,β₁,β₂,...,β_p)^T表示自变量X_it的权重。

进一步地，所述步骤3中，预先建立的安全指数模型为：

Index＝10-10*E(y_it)

式中，E(y_it)为交叉口或路段i在时间段t内发生的事故数期望。

本发明的第二个方面，是提供一种实时交通安全指数动态综合评价系统，其包括：数据采集模块、事故风险评估与预测模型构建模块、交通安全指数计算模块以及可视化展示平台；所述数据采集模块用于采集各区域内影响交通事故的人、车、路相关数据并进行预处理；所述事故风险评估与预测模型构建模块用于以预处理后的人、车、路各类数据作为自变量，以历史交通事故数及等级构成的交通安全指数作为因变量，建立事故风险评估与预测模型，并求解模型参数；所述交通安全指数计算模块用于根据建立的事故风险评估与预测模型以及实时路况、道路结构属性及驾驶安全系数计算不同区域发生交通事故的期望，并结合预先建立的安全指数模型，计算得到不同区域的实时交通安全指数；所述可视化展示平台用于对不同区域的实时交通安全指数进行展示。

本发明由于采取以上技术方案，其具有以下优点：1、本发明创新性地探索交通大数据的特征，通过挖掘提炼交通大数据与交通安全相关联的信息，从驾驶安全、车辆安全和道路安全多个维度研究建立交通安全指数动态评价模型。与传统的方法相比，融合多维数据，提高了评估的准确性，同时，由于数据来源广泛、粒度细，能够实现实时的安全评估，能够被更有效的被交通管理部门、相关行业及个人出行应用。2、交通管理者可以以不同的时间粒度为单位计算不同区域的安全指数，实时监控交通，直观的感知各区域的交通安全水平，合理的安排人力、规划工作。实时的给驾驶员进行安全预警。因此，本发明可以广泛应用于交通安全评价领域。

附图说明

图1是本发明实时交通安全指数动态评价系统的构建方法流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

实施例一

本发明提供一种实时交通安全指数动态综合评价系统，其包括数据采集模块、事故风险评估与预测模型构建模块、交通安全指数计算模块以及可视化展示平台。其中，数据采集模块用于采集各区域内影响交通事故的人、车、路等相关数据，并进行预处理；事故风险评估与预测模型构建模块用于以预处理后的人、车、路等各类数据作为自变量，以历史交通事故数及等级构成的交通安全指数作为因变量，建立事故风险评估与预测模型，并求解模型参数；交通安全指数计算模块用于根据建立的事故风险评估与预测模型以及实时路况、道路基本属性及驾驶安全系数计算各区域发生交通事故的期望，并结合预先建立的交通安全指数模型，计算得到不同区域的实时交通安全指数；可视化展示平台用于对不同区域的实时交通安全指数进行展示。

实施例二

如图1所述，本发明还提供一种实时交通安全指数动态综合评价系统的构建方法，包括以下步骤：

步骤1：采集影响交通事故的人、车、路等相关数据并提取各类数据的特征，具体的，采集的相关数据包括历史交通事故数据、道路基本属性数据、气象数据、交通信号周期数据、交通流量数据、车辆性能数据和驾驶行为数据等。

步骤2：将采集的人、车、路等相关数据特征作为自变量，历史交通事故数及等级构成的交通安全指数作为因变量，建立事故风险评估与预测模型，并求解模型参数。

步骤3：根据步骤2得到的事故风险评估与预测模型，以及实时的路况、道路基本属性及驾驶安全系数计算不同区域发生交通事故数的期望，并结合预先建立的安全指数模型，计算得到不同区域的实时交通安全指数。

步骤4:基于ArcGIS进行二次开发，建立可视化展示平台，用于对不同区域的实时交通安全指数进行展示。

实施例三

下面以某大城市道路交通事故分析为例，对本发明系统构建方法的详细实施方案进行介绍。

上述步骤1中，采集影响交通事故的人、车、路等相关数据，并提取数据特征的方法，包括以下步骤：

步骤101：采集该市2014年内的交通事故统计数据，并提取交通事故特征。

其中，提取的交通事故特征包括事故双方身份及车辆信息，事故时间地点、事故类型及伤亡程度等。根据事故记录原始数据中的事故位置，通过百度地图的标定，将每一起交通事故定位到其发生的交叉口或路段。

步骤102：采集道路基本属性数据，并提取道路结构特征。

提取道路结构特征的方法为：首先，对该区域内所有的交叉口和路口进行编号；然后，根据百度地图对每一个交叉口路段的道路设计因素进行统计，包括车道数、双向车道隔离方式、机动车与非机动车道隔离方式、转弯特性以及是否有机动车专用道等；其中，转弯特性包括左转待转区、提前右转车道等因素；最后，对所有道路设计因素分别制定代码表示。

步骤103：采集该市在2014年的气相数据，并提取气象特征。

根据天气网(http://www.tianqi.com)给出的2014年的天气记录，收集该市统计日期的雨雪天气、空气质量等级等数据，并根据事故时间判定季节、是否是工作日、白天或晚上等与时间相关的变量。

步骤104：采集交通信号周期数据，并提取路段信号特征。

首先，从该市交管部门的SCATS系统中导出交通信号周期数据，并从中采集出需要的交叉口的信号周期；然后，根据各交叉口路段两端的交叉口的信号周期，确定该交叉口路段的信号周期因素。具体方法为：将东西向路段东侧交叉口信号周期视为该路段的信号周期；将南北向路段北侧交叉口的信号周期视为该路段的信号周期。例如，东安路北凤道至新源道段，该路段的信号周期为北凤道与东安路交叉口信号周期。金光道东安路至和平路段，该路段的信号周期为东安路与金光道交叉口的信号周期。

步骤105采集交通流量数据，并提取交通流量特征。

其中，交通流量数据包括交叉口的车流量和路段的车流量。

本发明中，对于交叉口的车流量数据的采集与计算采用计数器统计的方法。例如，本实施例中共考虑了56个交叉口，每个卡口均在各个方向设有监控设备，监控三条车道的停止线位置，并利用虚拟线圈技术识别过车信息。因此，将各个方向的过车数进行累加，即可得到卡口的车流量，进而得到交叉口的车流量。

现实中，由于交通监控设备对过车数据的采集不是十分的稳定，数据整理与保存体系可能有些许漏洞，导致最后形成的过车数据存在数据丢失的情况。针对这一问题，本发明拟采用平均值补偿法，利用时空相关性，对丢失的数据进行补偿。具体方法是：对于某卡口某时间段的流量缺失，如卡口i的t时间段数据缺失，则利用近几日的卡口i的t时间段的平均流量进行近似。

对于路段的车流量则根据卡口的车流量计算得到。首先，对交叉口的四个卡口进行编号。根据习惯，将4个卡口编号为：1(由南向北)、2(由东向西)、3(由北向南)、4(由西向东)。然后，根据各交叉口的车流量，得到路段的车流量，具体的计算方法为：假设路段x为东西向路段，东西两端的交叉口分别是交叉口a、交叉口b，则路段x的北侧车道的流量，等于交叉口b的卡口2的车流量，路段x的南侧车道的车流量等于交叉口a的卡口4的车流量；假设路段y为南北向路段，南北两端的交叉口分别为交叉口c和交叉口d，则路段y东侧车道的车流量等于交叉口d的卡口1的车流量，路段y的西侧车道的车流量等于交叉口c的卡口3的车流量。

步骤106采集车辆性能数据,提取车辆特征。

车辆性能数据包括车辆的静态参数和动态参数，其中，车辆的静态参数包括：车型及发动机、车龄及行驶里程、初始配置(价格、排放量、主被动安全装置)、辅助设备(导航设备、倒车影像)、保养情况、是否改装等；车辆的动态参数包括：行驶数据(行驶、工况)、车辆故障参数、工作状态(油耗、胎压)、紧急操作信息(事故或冲突信息)、载人状况(载客数、载人位置)、载货状况(载货量、是否危险品)、车内环境(温度、湿度、空气状况、舒适度)等。

步骤107采集驾驶行为数据，并提取驾驶特征数据。

采集的驾驶行为数据包括每位驾驶员的年龄、驾龄等静态信息，并且记录在一段时间内的行车行为习惯信息，计算出加速度、车头时距，利用聚类方法提取驾驶员驾驶特征参数。

上述步骤2中，建立事故风险评估与预测模型，并求解模型参数的方法，包括以下步骤：

步骤201：建立事故风险评估与预测模型，用于计算某一区域在某一时间段内发生事故数的期望。

根据交通学的基本常识可知，单位时间某区域内发生的事故起数具有非负性、随机性、离散性的特点。因此，可以将某一地点、某一时间段内是否发生事故看作服从一个二项分布，如式(1)：

其中，k表示发生事故数，N表示过车数，p表示发生事故概率，q表示不发生事故的概率。由概率统计知识，可知，二项分布的极限是泊松分布，即若N趋近无穷大，则二项分布可近似成泊松分布。即，令p＝λ/N，其中，λ为泊松分布参数，则式(1)可转换为式(2)：

当N趋于无穷大时，有

令y_it表示交叉口或路段i在时间段t内发生的事故数，则式(2)可以表示为式(3)形式：

将人、车、路、交通运行状况等相关的因素作为自变量X，用下标it表示人、车、路、交通运行状况中的一种，假设自变量X_it＝(1，X_(it)1，X_(it)2，...，X_(it)p)^T与λ_it存在以下线性对数关系：

λ_it＝exp(β^TX_it)                        (4)

其中，β^T＝(β₀,β₁,β₂,...,β_p)^T表示自变量的系数，也可以看做是自变量的权重；λ_it表示自变量X_it对应的泊松参数。假设不同交叉口单位时间内发生事故服从“独立同分布”，则β是一个与交叉口和时间无关的参数。

在道路安全评价研究中，曝光量、事故风险和伤亡程度构成道路交通评估模型的三要素。曝光量反应了机动车在道路上所谓的“曝光状态”。一般来说，曝光量可以跟时间有关，也可以跟距离、流量等有关。将暴露量引入模型中，为计算方便，一般将暴露量的对数形式引入模型中，即式(5)：

λ_it ^*＝exp(β^TX_it+log(exp osure_it))＝exp osure_it*exp(β^TX_it)   (5)

根据暴露量的定义可知，事故风险可以表示事故数与暴露量比值如式(6)。因此事故风险仍然保持原有形式。

λ_it＝λ_it ^*/exp osure_it＝exp(β^TX_it)              (6)

在实际问题计算时，使用某一时间某一地点发生的事故数期望来代替该地点该时间发生事故的可能性。发生事故数期望值越高，说明该地点、时间发生事故的可能性越大，该地点、时间越危险。根据泊松模型的性质可知，泊松模型的期望等于λ，发生事故数的期望形式为式(7)：

E(y_it)＝λ_it＝exp(β^TX_it)                     (7)

此外，交叉口、路段的交通数据略有区别，但除了影响事故风险的因素不同外基本一致。因此，对二者的事故风险分析都采用上述模型来进行。

步骤202对泊松模型求解

泊松模型(3)求解的最常用方法为极大似然估计法，其含义是：将β视为变量，对随机变量Y构造包含β的似然函数，利用极大化似然函数的方法，求出β的估计值。

似然函数的形式为式(8)所示：

其中，y_it、β与前一节定义相同，f(y_ik|β)即为事故风险的泊松分布。此时，对应的对数似然函数为式(9)：

对式(9)进行求导，并令其一阶导数等于零，二阶导数小于等于零，得到如式(10)所示的偏微分方程组：

通过运筹学的方法对以上偏微分方程组进行求解，最终求得β的估计值

步骤3包含以下步骤：

步骤301根据期望计算安全指数。根据安全指数的定义，安全指数越高，道路安全性越高，并结合事故期望趋势曲线，建立式(14)所示的安全指数模型：

Index＝10-10*E(y_it)  (11)

并根据安全指数结果，对安全等级进行划分，如表1所示。

表1安全等级表

指数范围	等级	交通状况
			0-2	很差	道路危险性极高，很不安全
2-4	较差	道路危险性较高，不太安全
			4-6	一般	交通状况不太稳定
6-8	良好	交通情况比较好，危险性较低
			8-10	优	道路交通情况好，危险性低

步骤4包括以下步骤:

步骤401使用AxMapControl”、“AxToolbarControl”和“AxLicenseContro”控件，进行界面设计和编程，设计分级的字段与等级来实现图层渲染功能。

步骤402使用C#定时器为定义在System.Timers.Timer类中的定时器，结合修改图层要素属性的功能，通过.NET Thread Pool(线程池)实现刷新显示功能。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (4)

1.一种实时交通安全指数动态综合评价系统的构建方法，其特征在于包括以下步骤：

步骤1：采集影响交通事故的人、车、路相关数据并进行预处理；

所述步骤1中，采集的影响交通事故的人、车、路相关数据包括：历史交通事故数据、道路基本属性数据、气象数据、交通信号周期数据、交通流量数据、车辆性能数据和驾驶行为数据；

所述交通信号周期数据的采集和处理方法为：

首先，从各区域的市交管部门的SCATS系统中导出交通信号周期数据，并从中采集出需要的交叉口的信号周期；

然后，根据各交叉口路段两端的交叉口的信号周期，确定该交叉口路段的信号周期，即：将东西向路段东侧交叉口信号周期视为该路段的信号周期；将南北向路段北侧交叉口的信号周期视为该路段的信号周期；

所述交通流量数据的采集和处理方法为：

所述交通流量数据包括交叉口的车流量和路段的车流量数据；

对交叉口的车流量数据进行采集时：对每一个交叉口，将其包含的每个卡口上的监控设备监控得到的各个方向的过车数进行累加，得到各卡口的车流量，进而得到每个交叉口的车流量；当出现监控设备采集不稳定导致卡口数据丢失时，则采用平均值补偿法进行对丢失的数据进行补偿；

对于路段的车流量数据进行采集时：首先，对交叉口的四个卡口进行编号；然后，根据各交叉口的车流量，得到路段的车流量；

所述车辆性能数据包括：车辆的静态参数和动态参数；

所述车辆的静态参数包括：车型及发动机、车龄及行驶里程、初始配置、辅助设备、保养情况、是否改装；

所述车辆的动态参数包括：行驶数据、车辆故障参数、工作状态、紧急操作信息、载人状况、载货状况、车内环境；

所述驾驶行为数据包括：每位驾驶员的年龄、驾龄静态信息，以及一段时间内的行车行为习惯信息，计算出加速度、车头时距，利用聚类方法提取驾驶员驾驶特征参数；

步骤2：将预处理后的人、车、路相关数据作为自变量，历史交通事故数及等级构成的交通安全指数作为因变量，建立事故风险评估与预测模型，并求解模型参数；

所述步骤2中，建立的事故风险评估与预测模型为：

E(y_it)＝λ_it＝exp(β^TX_it)

式中，y_it表示交叉口或路段i在时间段t内发生的事故数；X_it表示自变量，且X_it＝(1,X_(it)1,X_(it)2,…,X_(it)p)^T，下标it表示人、车、路、交通运行状况中的一种，共p个变量；β^T＝(β₀,β₁,β₂,...,β_p)^T表示自变量X_it的权重；

步骤3：根据步骤2得到的事故风险评估与预测模型，结合实时的路况、道路基本属性及驾驶安全系数计算不同区域发生交通事故数的期望，并根据预先建立的安全指数模型，计算得到不同区域的实时交通安全指数；

其中，预先建立的安全指数模型为：

Index＝10-10*E(y_it)

式中，E(y_it)为交叉口或路段i在时间段t内发生的事故数期望；

步骤4：建立可视化展示平台，对不同区域的实时交通安全指数进行展示。

2.如权利要求1所述的一种实时交通安全指数动态综合评价系统的构建方法，其特征在于：所述历史交通事故数据的采集和处理方法为：

采集各交通事故中双方身份及车辆信息，事故时间地点、事故类型及伤亡程度；

根据事故记录原始数据中的事故位置，通过百度地图标定，将每一起交通事故定位到其发生的交叉口或路段。

3.如权利要求1所述的一种实时交通安全指数动态综合评价系统的构建方法，其特征在于：所述道路基本属性数据的采集和处理方法为：

首先，对各区域内所有的交叉口和路口进行编号；

然后，对每一个交叉口或路段的道路设计因素进行统计，包括车道数、双向车道隔离方式、机动车与非机动车道隔离方式、转弯特性以及是否有机动车专用道；其中，所述转弯特性包括左转待转区、提前右转车道因素；

最后，对所有道路设计因素分别制定代码表示。

4.一种实时交通安全指数动态综合评价系统，其特征在于，包括：

数据采集模块、事故风险评估与预测模型构建模块、交通安全指数计算模块以及可视化展示平台；

所述数据采集模块用于采集各区域内影响交通事故的人、车、路相关数据并进行预处理；其中，采集的影响交通事故的人、车、路相关数据包括：历史交通事故数据、道路基本属性数据、气象数据、交通信号周期数据、交通流量数据、车辆性能数据和驾驶行为数据；

所述交通信号周期数据的采集和处理，包括：

首先，从各区域的市交管部门的SCATS系统中导出交通信号周期数据，并从中采集出需要的交叉口的信号周期；

然后，根据各交叉口路段两端的交叉口的信号周期，确定该交叉口路段的信号周期，即：将东西向路段东侧交叉口信号周期视为该路段的信号周期；将南北向路段北侧交叉口的信号周期视为该路段的信号周期；

所述交通流量数据的采集和处理，包括：

所述交通流量数据包括交叉口的车流量和路段的车流量数据；

对交叉口的车流量数据进行采集时：对每一个交叉口，将其包含的每个卡口上的监控设备监控得到的各个方向的过车数进行累加，得到各卡口的车流量，进而得到每个交叉口的车流量；当出现监控设备采集不稳定导致卡口数据丢失时，则采用平均值补偿法进行对丢失的数据进行补偿；

对于路段的车流量数据进行采集时：首先，对交叉口的四个卡口进行编号；然后，根据各交叉口的车流量，得到路段的车流量；

所述车辆性能数据包括：车辆的静态参数和动态参数；

所述车辆的静态参数包括：车型及发动机、车龄及行驶里程、初始配置、辅助设备、保养情况、是否改装；

所述车辆的动态参数包括：行驶数据、车辆故障参数、工作状态、紧急操作信息、载人状况、载货状况、车内环境；

所述驾驶行为数据包括：每位驾驶员的年龄、驾龄静态信息，以及一段时间内的行车行为习惯信息，计算出加速度、车头时距，利用聚类方法提取驾驶员驾驶特征参数；

所述事故风险评估与预测模型构建模块用于以预处理后的人、车、路各类数据作为自变量，以历史交通事故数及等级构成的交通安全指数作为因变量，建立事故风险评估与预测模型，并求解模型参数；

所述交通安全指数计算模块用于根据建立的事故风险评估与预测模型以及实时路况、道路结构属性及驾驶安全系数计算不同区域发生交通事故的期望，并结合预先建立的安全指数模型，计算得到不同区域的实时交通安全指数；

其中，预先建立的安全指数模型为：

Index＝10-10*E(y_it)

式中，E(y_it)为交叉口或路段i在时间段t内发生的事故数期望；

所述可视化展示平台用于对不同区域的实时交通安全指数进行展示。

Images