CN114611773B - 潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法 - Google Patents
潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法 Download PDFInfo
- Publication number
- CN114611773B CN114611773B CN202210190171.XA CN202210190171A CN114611773B CN 114611773 B CN114611773 B CN 114611773B CN 202210190171 A CN202210190171 A CN 202210190171A CN 114611773 B CN114611773 B CN 114611773B
- Authority
- CN
- China
- Prior art keywords
- throwing
- event
- historical
- casting
- vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007246 mechanism Effects 0.000 title claims abstract description 30
- 238000005266 casting Methods 0.000 claims abstract description 126
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000013058 risk prediction model Methods 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 27
- 230000006378 damage Effects 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Abstract
本申请涉及一种潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法。该方法包括:获取历史抛洒物事故数据并构建抛洒事件潜在风险预测模型;实时对道路上的车辆进行抛洒事件监测;当监测到抛洒事件时,获取目标抛洒车辆的车牌号码、抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性;将抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性输入到抛洒事件潜在风险预测模型中,输出初始的潜在风险等级预测结果;根据目标抛洒车辆的历史抛洒记录进行分析和计算,利用基于惩戒机制的风险等级修正模型修正初始的潜在风险等级预测,输出目标抛洒车辆的处置建议并备案。提高抛洒车辆违规成本,减少路面抛洒事件的发生。
Description
技术领域
本申请涉及交通安全技术领域,特别是涉及一种潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法。
背景技术
近年来,路面抛洒物引发的交通事故屡见不鲜。在路面抛洒物及其潜在的交通安全问题引起广泛关注的同时,抛洒车辆成为交通管理部门整治的新重点。目前,面对各种道路及交通环境下的复杂的抛洒物事件,尤其对于未直接引起事故或造成其他财产损失及人身损害的抛洒物车辆,相关部门依据规定视实际情节与处置经验的处罚方法导致群众的不理解。
此外,目前部分路面抛洒物未直接引起事故或造成其他财产损失及人身损害的原因在于,管理部门单方势力积极巡查和全时段监控下的及时发现与紧急处置,很多驾驶员只看到暂未引发严重后果的现实、未预见抛洒物本身在道路交通环境中的巨大安全隐患。
传统决策树预测风险在处理大数据中具有连续属性的不确定性数据时无法适应;决策树规则复杂时难以避免过拟合问题的发生,若完全用传统的神经网络模型替代决策树,则需要大量训练提升准确度。此外,仅基于单次风险预测等级且无惩戒机制介入的抛洒车辆处置方法无法有效提高违规成本。
发明内容
基于此,有必要针对上述技术问题,提供一种潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法。
一种潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法,所述方法包括:
步骤1:从交管部门获取历史抛洒物事故数据,所述历史抛洒物事故数据包括历史抛洒物事故中的抛洒物属性、抛洒发生路段交通特性、抛洒发生路段道路环境特性和历史抛洒事件所致事故严重程度;
步骤2:利用预处理后的所述历史抛洒物事故数据抽取分类知识,通过计算路面抛洒物风险特征的模糊增益生长决策结点和枝叶,直到生长停止,建立决策树;利用改进特征损益函数的神经网络算法对所述决策树的叶节点进行局部决策,得到最终分类规则,得到抛洒事件潜在风险预测模型;
步骤3:实时对道路上的车辆进行抛洒事件监测;
步骤4:当监测到抛洒事件时,获取目标抛洒车辆的车牌号码、所述抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性;
步骤5:将所述抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性输入到抛洒事件潜在风险预测模型中,输出初始的潜在风险等级预测结果;
步骤6:在历史数据库中选取历史抛洒记录,比对该历史抛洒记录的车牌号码与所述目标抛洒车辆的车牌号码是否一致,若不一致,返回执行步骤6继续选取下一条历史记录继续比对;直至对比完历史数据库中所有的历史抛洒记录都未比对到与所述目标抛洒车辆的车牌号码一致时,将所述初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,根据所述初始的潜在风险等级预测结果,输出所述目标抛洒车辆的处置建议并备案;若一致,执行步骤7;
步骤7:判断该历史抛洒记录安全风险的显隐性,当该历史抛洒记录的安全风险为显性时,则计算抛洒事件与该历史抛洒事件的风险等级比,返回执行步骤6选取下一条历史记录继续比对;当该历史抛洒记录的安全风险为隐性时,则计算抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离,返回执行步骤6选取下一条历史记录继续比对,直至比完历史数据库中所有的历史抛洒记录,执行步骤8;
步骤8:判断存在安全风险为隐性的历史抛洒记录条数,若为0条,执行步骤9,若为1条,根据第一事件相似度计算方法计算事件相似度后,执行步骤9;若大于1条,根据第二事件相似度计算方法计算事件相似度后,执行步骤9;
步骤9:将所述初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,基于惩戒机制的风险等级修正模型结合基于孪生网络融合相似度算法计算所得抛洒事件与目标抛洒车辆的隐性历史抛洒事件的相似度、抛洒事件与目标抛洒车辆的隐性历史抛洒事件风险等级比、目标抛洒车辆的历史抛洒事件的数量、目标抛洒车辆的历史抛洒事件的显隐性,计算惩戒建议总分,对所述初始的潜在风险等级预测结果进行修正,并输出所述目标抛洒车辆的处置建议并备案。
在其中一个实施例中,所述历史抛洒物事故数据的预处理过程为:
筛除含有缺失数值的历史抛洒事故数据,构建样本数据集;
对所述样本数据集进行模糊化处理,获得所述预处理后的所述历史抛洒物事故数据;
在其中一个实施例中,所述利用预处理后的所述历史抛洒物事故数据抽取分类知识,通过计算路面抛洒物风险特征的模糊增益生长决策结点和枝叶,直到生长停止,建立决策树,包括:
步骤2.1:基于模糊熵的计算方法和模糊化处理后的数据集创建根节点;
步骤2.2:若训练样本集合属同类,则返回根节点;
步骤2.3:若模糊抛洒特征集A={A1,A2,…Ak}是空集或没有剩余抛洒特征用于进一步划分,则返回根节点,其中,任一模糊抛洒特征Ai包含Aij(1≤i≤k,1≤j≤li)为任一模糊抛洒特征的任一状态;
步骤2.4:选择模糊熵最大的模糊抛洒特征生成支,直到没有模糊抛洒特征可继续时返回根节点;
步骤2.5:面向剩余模糊抛洒特征,递归调用步骤2.1~2.4,继续选择模糊熵最大的模糊抛洒特征,在训练样本集合生成子节点,进而划分子集。
在其中一个实施例中,所述模糊熵的计算方法为:
其中,FE(Aij)表示模糊抛洒特征状态的模糊熵,SFE(Ai)表示模糊抛洒特征的模糊熵,表示模糊抛洒特征状态的隶属度,表示风险等级的隶属度,风险等级D包含{D1,D2,…Dn},其中Dm(1≤m≤n)为任一风险等级;x表示训练样本,U为模糊化处理后的数据集,U={x1,x2,…xN}。
在其中一个实施例中,所述改进特征损益函数的神经网络算法为:
其中,LF表示偏差造成的损失量,a表示期望结果,p表示测试结果符合期望的概率。
在其中一个实施例中,利用孪生网络计算所述抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离的方式,包括:
事件特征降维与提取:将抛洒事件与该历史抛洒事件的特征简化为向量,利用差异子网络CNN和子网络LSTM提取相应事件特征;
采用Euclidean算法与Adjusted Cosine算法计算抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离:
其中,EDis(Ni′,Oi′)和ACos(Ni′,Oi′)分别表示Euclidean算法与AdjustedCosine算法所得抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离,Ni′表示抛洒事件特征向量,Oi′表示该历史抛洒事件特征向量,表示特征均值,用于修正该计算方法下数据敏感度低所致的误差和不合理性。
在其中一个实施例中,所述第一事件相似度计算方法为:
S=σEDis(Ni′,Oi′)+τACos(Ni′,Oi′)
所述第二事件相似度计算方法为:
其中,S表示事件相似度,EDis(Ni′,Oi′)和ACos(Ni′,Oi′)分别表示Euclidean算法与Adjusted Cosine算法所得目标抛洒事件与属于目标抛洒车辆隐性的历史抛洒事件特征对应维度下输出向量之间的距离,σ和τ表示相似度权重系数。
在其中一个实施例中,将所述初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,基于惩戒机制的风险等级修正模型结合基于孪生网络融合相似度算法计算所得抛洒事件与目标抛洒车辆的隐性历史抛洒事件的相似度、抛洒事件与目标抛洒车辆的隐性历史抛洒事件风险等级比、目标抛洒车辆的历史抛洒事件的数量、目标抛洒车辆的历史抛洒事件的显隐性,计算惩戒建议总分,对所述初始的潜在风险等级预测结果进行修正,并输出所述目标抛洒车辆的处置建议并备案的步骤,包括:
步骤9.1:若目标抛洒车辆的历史抛洒事件中有多件历史抛洒事件,则对多个历史抛洒事件安全风险显隐性进行归一化处理;若目标抛洒车辆的历史抛洒事件中有多起显性抛洒事件,则需对安全风险等级比进行归一化处理;否则直接跳转步骤9.2;归一化计算方法均如下:
其中,x′h表示处理前的变量,y′h表示对应变量x′h的归一化处理结果;
步骤9.2:构建惩戒因素集合,包括属于目标抛洒车辆的历史抛洒事件的数量、历史抛洒事件的安全风险显隐性、安全风险等级比、事件相似度;构建惩戒建议集合,包括不改变初始等级、初始等级上调一级、初始等级上调为最高;
步骤9.3:构建惩戒因素与惩戒建议隶属度矩阵,并确定因素权向量,其中隶属度计算方法如下:
其中,δ(y′hr)表示惩戒因素h对于惩戒建议r的隶属度,a,b,c表示参数,且h=1对应目标抛洒车辆抛洒行为历史备案数量,zmf(y′h,[0,1])表示变量为y′h且取值定义在[0,1]的经典函数Z形隶属度函数,中e是自然对数的底数;
步骤9.4:建立综合评价模型,并计算惩戒建议总分,计算方法如下:
F=W·B
其中,W表示权重矩阵,B表示惩戒因素与惩戒建议矩阵,F表示惩戒建议得分;
步骤9.5:输出总分最高的惩戒建议,并根据该建议修正初步风险预测等级。
上述潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法的有益效果:有助于未引起事故或造成其他财产损失及人身损害的抛洒车辆处置有据化,提高抛洒车辆违规成本,减少路面抛洒事件的发生,进一步的较好地解决未引起事故或造成其他财产损失及人身损害的抛洒车辆处置问题。
附图说明
图1为一个实施例中潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法的流程示意图;
图2为另一个实施例中潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1和图2所示,一种潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法,步骤包括:
步骤S1:从交管部门获取历史抛洒物事故数据,历史抛洒物事故数据包括历史抛洒物事故中的抛洒物属性、抛洒发生路段交通特性、抛洒发生路段道路环境特性和历史抛洒事件所致事故严重程度。
步骤S2:利用预处理后的历史抛洒物事故数据抽取分类知识,通过计算路面抛洒物风险特征的模糊增益生长决策结点和枝叶,直到生长停止,建立决策树;利用改进特征损益函数的神经网络算法对决策树的叶节点进行局部决策,得到最终分类规则,得到抛洒事件潜在风险预测模型。
步骤S3,实时对道路上的车辆进行抛洒事件监测。
步骤S4,当监测到抛洒事件时,获取目标抛洒车辆的车牌号码、抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性。
其中,抛洒物属性包括抛洒物类型、掉落位置、占地面积、高度、硬度、摩擦系数、粘性、危害属性;抛洒发生路段交通特性包括小时交通量、平均速度、变道规则、发生时段;抛洒发生路段道路环境特性包括路面类型、天气状况、环境亮度、路面状况指数、路面行驶质量、路面抗滑系数,具体参考表1:
表1.各数据类型
步骤S5,将抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性输入到抛洒事件潜在风险预测模型中,输出初始的潜在风险等级预测结果。
其中,抛洒事件所致事故严重程度的分类标准和等级见表2;
表2.抛洒事件所致事故等级划分
抛洒事件分类标准 | 事故等级 |
仅造成财产损失 | 一级 |
造成人身伤害但未构成伤残 | 二级 |
造成Ⅶ~Ⅹ级伤残 | 三级 |
造成Ⅳ~Ⅵ级伤残 | 四级 |
造成Ⅰ~Ⅲ级伤残 | 五级 |
一般死亡事故(死亡人员为1~2人) | 六级 |
特大死亡事故(死亡人员达2人以上) | 七级 |
步骤6:在历史数据库中选取历史抛洒记录,比对该历史抛洒记录的车牌号码与目标抛洒车辆的车牌号码是否一致,若不一致,返回执行步骤6继续选取下一条历史记录继续比对;直至对比完历史数据库中所有的历史抛洒记录都未比对到与目标抛洒车辆的车牌号码一致时,将初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,根据初始的潜在风险等级预测结果,输出目标抛洒车辆的处置建议并备案;若一致,执行步骤7;
步骤7:判断该历史抛洒记录安全风险的显隐性,当该历史抛洒记录的安全风险为显性时,则计算抛洒事件与该历史抛洒事件的风险等级比,返回执行步骤6选取下一条历史记录继续比对;当该历史抛洒记录的安全风险为隐性时,则计算抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离,返回执行步骤6选取下一条历史记录继续比对,直至比完历史数据库中所有的历史抛洒记录,执行步骤8;
步骤8:判断存在安全风险为隐性的历史抛洒记录条数,若为0条,执行步骤9,若为1条,根据第一事件相似度计算方法计算事件相似度后,执行步骤9;若大于1条,根据第二事件相似度计算方法计算事件相似度后,执行步骤9;
步骤9:将初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,基于惩戒机制的风险等级修正模型结合基于孪生网络融合相似度算法计算所得抛洒事件与目标抛洒车辆的隐性历史抛洒事件的相似度、抛洒事件与目标抛洒车辆的隐性历史抛洒事件风险等级比、目标抛洒车辆的历史抛洒事件的数量、目标抛洒车辆的历史抛洒事件的显隐性,计算惩戒建议总分,对初始的潜在风险等级预测结果进行修正,并输出目标抛洒车辆的处置建议并备案。
在一个实施例中,历史抛洒物事故数据的预处理过程为:
筛除含有缺失数值的历史抛洒事故数据,构建样本数据集;
对样本数据集进行模糊化处理,获得预处理后的历史抛洒物事故数据。
其中,样本数据集中包括了离散型数据和连续性数据,模糊化处理要是将样本数据集中的连续性数据无法进行等级划分,因此主要针对连续性数据进行模糊化处理,其中,抛洒物类型、掉落位置、发生时段、变道规则、路面类型、天气状况、粘性、危害属性为离散型;占地面积、高度、硬度、摩擦系数、平均速度、小时交通量、环境亮度、路面状况指数、路面行驶质量、路面抗滑系数为连续型;连续性数据进行模糊化处理后与离散型数据组成模糊化处理后的数据集。
在一个实施例中,利用预处理后的历史抛洒物事故数据抽取分类知识,通过计算路面抛洒物风险特征的模糊增益生长决策结点和枝叶,直到生长停止,建立决策树,包括:
步骤2.1:基于模糊熵的计算方法和模糊化处理后的数据集创建根节点;
步骤2.2:若训练样本集合属同类,则返回根节点;
步骤2.3:若模糊抛洒特征集A={A1,A2,…Ak}是空集或没有剩余抛洒特征用于进一步划分,则返回根节点,其中,任一模糊抛洒特征Ai包含为任一模糊抛洒特征的任一状态;
步骤2.4:选择模糊熵最大的模糊抛洒特征生成支,直到没有模糊抛洒特征可继续时返回根节点;
步骤2.5:面向剩余模糊抛洒特征,递归调用步骤2.1~2.4,继续选择模糊熵最大的模糊抛洒特征,在训练样本集合生成子节点,进而划分子集。
在一个实施例中,模糊熵的计算方法为:
其中,FE(Aij)表示模糊抛洒特征状态的模糊熵,SFE(Ai)表示模糊抛洒特征的模糊熵,表示模糊抛洒特征状态的隶属度,表示风险等级的隶属度,风险等级D包含{D1,D2,…Dn},其中Dm(1≤m≤n)为任一风险等级;x表示训练样本,U为模糊化处理后的数据集,U={x1,x2,…xN}。
在其中一个实施例中,改进特征损益函数的神经网络算法为:
其中,LF表示偏差造成的损失量,a表示期望结果,p表示测试结果符合期望的概率。
在一个实施例中,利用孪生网络计算抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离的方式,包括:
事件特征降维与提取:将抛洒事件与该历史抛洒事件的特征简化为向量,利用差异子网络CNN和子网络LSTM提取相应事件特征;
采用Euclidean算法与Adjusted Cosine算法计算抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离:
其中,EDis(Ni′,Oi′)和ACos(Ni′,Oi′)分别表示Euclidean算法与AdjustedCosine算法所得抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离,Ni′表示抛洒事件特征向量,Oi′表示该历史抛洒事件特征向量,表示特征均值,用于修正该计算方法下数据敏感度低所致的误差和不合理性。
在一个实施例中,第一事件相似度计算方法为:
S=σEDis(Ni′,Oi′)+τACos(Ni′,Oi′)
第二事件相似度计算方法为:
其中,S表示事件相似度,EDis(Ni′,Oi′)和ACos(Ni′,Oi′)分别表示Euclidean算法与Adjusted Cosine算法所得目标抛洒事件与属于目标抛洒车辆隐性的历史抛洒事件特征对应维度下输出向量之间的距离,σ和τ表示相似度权重系数。
在一个实施例中,将初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,基于惩戒机制的风险等级修正模型结合基于孪生网络融合相似度算法计算所得抛洒事件与目标抛洒车辆的隐性历史抛洒事件的相似度、抛洒事件与目标抛洒车辆的隐性历史抛洒事件风险等级比、目标抛洒车辆的历史抛洒事件的数量、目标抛洒车辆的历史抛洒事件的显隐性,计算惩戒建议总分,对初始的潜在风险等级预测结果进行修正,并输出目标抛洒车辆的处置建议并备案的步骤,包括:
步骤9.1:若目标抛洒车辆的历史抛洒事件中有多件历史抛洒事件,则对多个历史抛洒事件安全风险显隐性进行归一化处理;若目标抛洒车辆的历史抛洒事件中有多起显性抛洒事件,则需对安全风险等级比进行归一化处理;否则直接跳转步骤9.2;归一化计算方法均如下:
其中,x′h表示处理前的变量,y′h表示对应变量x′h的归一化处理结果;
步骤9.2:构建惩戒因素集合,包括属于目标抛洒车辆的历史抛洒事件的数量、历史抛洒事件的安全风险显隐性、安全风险等级比、事件相似度;构建惩戒建议集合,包括不改变初始等级、初始等级上调一级、初始等级上调为最高;
步骤9.3:构建惩戒因素与惩戒建议隶属度矩阵,并确定因素权向量,其中隶属度计算方法如下:
其中,δ(y′hr)表示惩戒因素h对于惩戒建议r的隶属度,a,b,c表示参数,且h=1对应目标抛洒车辆抛洒行为历史备案数量,zmf(y′h,[0,1])表示变量为y′h且取值定义在[0,1]的经典函数Z形隶属度函数,中e是自然对数的底数;
步骤9.4:建立综合评价模型,并计算惩戒建议总分,计算方法如下:
F=W·B
其中,W表示权重矩阵,B表示惩戒因素与惩戒建议矩阵,F表示惩戒建议得分;
步骤9.5:输出总分最高的惩戒建议,并根据该建议修正初步风险预测等级。
其中,根据《道路交通安全法》相关规定,机动车载物行驶时遗洒、抛洒运载货物但未直接造成事故或其他财产损失及人身损害,无需承担民事赔偿、刑事责任且未构成交通肇事罪的条件下,应处警告或罚款最终确定的潜在风险等级,对目标抛洒车辆的罚款数额定档,附加批评教育、警告、车辆标记等处置措施,并将相关数据上传至交管部门备案。其中,输出等级为一级时以警告为主要处置措施,批评教育为附加措施;输出等级为二级时以罚款为主要措施,金额为《道路交通安全法》相关规定的最低额度,批评教育为附加措施;输出等级为七级时以罚款为主要措施,金额为《道路交通安全法》相关规定的最高额度,批评教育为附加措施;输出等级为三至六级时以罚款为主要措施,金额参考《道路交通安全法》相关规定范围与风险等级综合确定;此外,应标记修正后风险等级上调的车辆和驾驶员信息,予以着重教育;若标记车辆为货车,则将其车牌号码和驾驶员身份信息上传至高速公路收费站等卡口处,便于相关工作人员在其进入复杂道路交通环境前着重核查货物捆绑等情况等等。
本发明的有益效用包括:
1、本发明引入抛洒事件潜在风险预测模型,根据目标抛洒事件下的路面抛洒物属性、抛洒发生路段交通特性、抛洒发生路段环境特性预测潜在风险等级,对各种道路及交通环境下未引起事故或造成其他财产损失及人身损害的抛洒事件中路面抛洒物的安全隐患进行定级,能够在满足《道路交通安全法》相关规定的前提下,为相关部门处置未引起事故但具有隐患的抛洒事件提供参考和依据,在一定程度上有助于处置细节的规范化和有据化。
2、本发明融合了引入模糊理论的决策树算法和神经网络算法,解决了风险预测模型处理大数据中具有连续属性和不确定数据的适应能力,并且能够在避免过拟合问题的基础上保证训练高效率和预测准确率,能够较好地适应大数据时代中数据多元化的时代特征和智慧交通管理中数据可量化的需求,形成可调试的抛洒事件风险定级规则。
3、本发明引入惩戒机制对抛洒事件风险等级进行修正并调整定级,综合考虑了目标抛洒事件潜在风险和目标抛洒车辆再次违规风险,有利于提升驾驶员安全风险意识和主动规避多次违规的守法意识,在一定程度上降低同一车辆或驾驶员多次出现抛洒行为的概率,提升道路交通环境的综合水平,为相关部门处置路面抛洒问题提供参考。
以以下抛洒事件(参见表3)以及抛洒事件的目标抛洒车辆的历史抛洒数据(参见表4)为例,进行举例说明:
表3.抛洒事件数据
表4.目标抛洒车辆的抛洒事件数据
将抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性输入到抛洒事件潜在风险预测模型中,输出初始的潜在风险等级预测结果,将所述初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,基于惩戒机制的风险等级修正模型结合基于孪生网络融合相似度算法计算所得抛洒事件与目标抛洒车辆的隐性历史抛洒事件的相似度、抛洒事件与目标抛洒车辆的隐性历史抛洒事件风险等级比、目标抛洒车辆的历史抛洒事件的数量、目标抛洒车辆的历史抛洒事件的显隐性,计算惩戒建议总分,对所述初始的潜在风险等级预测结果进行修正,并输出所述目标抛洒车辆的处置建议并备案。
其中,计算惩戒建议总分可得惩戒建议为:初始等级上调一级;根据该建议修正初步风险预测等级为四级;处置建议为,以罚款为主要措施,参考《道路交通安全法》相关规定范围取20~200元区间内参照抛洒事件潜在风险四级确定具体金额;标记该车辆和驾驶员信息,予以着重教育;鉴于标记车辆为货车,将其车牌号码和驾驶员身份信息上传至高速公路收费站等卡口处,便于相关工作人员在其进入复杂道路交通环境前着重核查货物捆绑等情况;处置完成后,将相关数据上传至交管部门备案。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法,其特征在于,所述方法包括:
步骤1:从交管部门获取历史抛洒物事故数据,所述历史抛洒物事故数据包括历史抛洒物事故中的抛洒物属性、抛洒发生路段交通特性、抛洒发生路段道路环境特性和历史抛洒事件所致事故严重程度;
步骤2:利用预处理后的所述历史抛洒物事故数据抽取分类知识,通过计算路面抛洒物风险特征的模糊增益生长决策结点和枝叶,直到生长停止,建立决策树;利用改进特征损益函数的神经网络算法对所述决策树的叶节点进行局部决策,得到最终分类规则,得到抛洒事件潜在风险预测模型;
步骤3:实时对道路上的车辆进行抛洒事件监测;
步骤4:当监测到抛洒事件时,获取目标抛洒车辆的车牌号码、所述抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性;
步骤5:将所述抛洒事件的抛洒物属性、抛洒发生路段交通特性和抛洒发生路段环境特性输入到抛洒事件潜在风险预测模型中,输出初始的潜在风险等级预测结果;
步骤6:在历史数据库中选取历史抛洒记录,比对该历史抛洒记录的车牌号码与所述目标抛洒车辆的车牌号码是否一致,若不一致,返回执行步骤6继续选取下一条历史记录继续比对;直至对比完历史数据库中所有的历史抛洒记录都未比对到与所述目标抛洒车辆的车牌号码一致时,将所述初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,根据所述初始的潜在风险等级预测结果,输出所述目标抛洒车辆的处置建议并备案;若一致,执行步骤7;
步骤7:判断该历史抛洒记录安全风险的显隐性,当该历史抛洒记录的安全风险为显性时,则计算抛洒事件与该历史抛洒事件的风险等级比,返回执行步骤6选取下一条历史记录继续比对;当该历史抛洒记录的安全风险为隐性时,则计算抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离,返回执行步骤6选取下一条历史记录继续比对,直至比完历史数据库中所有的历史抛洒记录,执行步骤8;
步骤8:判断存在安全风险为隐性的历史抛洒记录条数,若为0条,执行步骤9,若为1条,根据第一事件相似度计算方法计算事件相似度后,执行步骤9;若大于1条,根据第二事件相似度计算方法计算事件相似度后,执行步骤9;
步骤9:将所述初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,基于惩戒机制的风险等级修正模型结合基于孪生网络融合相似度算法计算所得抛洒事件与目标抛洒车辆的隐性历史抛洒事件的相似度、抛洒事件与目标抛洒车辆的隐性历史抛洒事件风险等级比、目标抛洒车辆的历史抛洒事件的数量、目标抛洒车辆的历史抛洒事件的显隐性,计算惩戒建议总分,对所述初始的潜在风险等级预测结果进行修正,并输出所述目标抛洒车辆的处置建议并备案。
2.根据权利要求1所述的方法,其特征在于,所述历史抛洒物事故数据的预处理过程为:
筛除含有缺失数值的历史抛洒事故数据,构建样本数据集;
对所述样本数据集进行模糊化处理,获得所述预处理后的所述历史抛洒物事故数据。
3.根据权利要求1所述的方法,其特征在于,所述利用预处理后的所述历史抛洒物事故数据抽取分类知识,通过计算路面抛洒物风险特征的模糊增益生长决策结点和枝叶,直到生长停止,建立决策树,包括:
步骤2.1:基于模糊熵的计算方法和模糊化处理后的数据集创建根节点;
步骤2.2:若训练样本集合属同类,则返回根节点;
步骤2.3:若模糊抛洒特征集A={A1,A2,…Ak}是空集或没有剩余抛洒特征用于进一步划分,则返回根节点,其中,任一模糊抛洒特征Ai包含Aij(1≤i≤k,1≤j≤li)为任一模糊抛洒特征的任一状态;
步骤2.4:选择模糊熵最大的模糊抛洒特征生成支,直到没有模糊抛洒特征可继续时返回根节点;
步骤2.5:面向剩余模糊抛洒特征,递归调用步骤2.1~2.4,继续选择模糊熵最大的模糊抛洒特征,在训练样本集合生成子节点,进而划分子集。
4.根据权利要求3所述的方法,其特征在于,所述模糊熵的计算方法为:
其中,FE(Aij)表示模糊抛洒特征状态的模糊熵,SFE(Ai)表示模糊抛洒特征的模糊熵,表示模糊抛洒特征状态的隶属度,表示风险等级的隶属度,风险等级D包含{D1,D2,…D4},其中Dm(1≤m≤n)为任一风险等级;x表示训练样本,U为模糊化处理后的数据集,6={x1,x2,…xN}。
5.根据权利要求1所述的方法,其特征在于,所述改进特征损益函数的神经网络算法为:
其中,LF表示偏差造成的损失量,a表示期望结果,p表示测试结果符合期望的概率。
6.根据权利要求1所述的方法,其特征在于,利用孪生网络计算所述抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离的方式,包括:
事件特征降维与提取:将抛洒事件与该历史抛洒事件的特征简化为向量,利用差异子网络CNN和子网络LSTM提取相应事件特征;
采用Euclidean算法与Adjusted Cosine算法计算抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离:
其中,EDis(Ni′,Oi′)和ACos(Ni′,Oi′)分别表示Euclidean算法与Adjusted Cosine算法所得抛洒事件与该历史抛洒事件特征对应维度下输出向量之间的距离,Ni′表示抛洒事件特征向量,Oi′表示该历史抛洒事件特征向量,表示特征均值,用于修正该计算方法下数据敏感度低所致的误差和不合理性。
7.根据权利要求6所述的方法,其特征在于,所述第一事件相似度计算方法为:
S=σEDis(Ni′,Oi′)+τACos(Ni′,Oi′)
所述第二事件相似度计算方法为:
其中,S表示事件相似度,EDis(Ni′,Oi′)和ACos(Ni′,Oi′)分别表示Euclidean算法与Adjusted Cosine算法所得目标抛洒事件与属于目标抛洒车辆隐性的历史抛洒事件特征对应维度下输出向量之间的距离,σ和τ表示相似度权重系数。
8.根据权利要求1所述的方法,其特征在于,将所述初始的潜在风险等级预测结果输入基于惩戒机制的风险等级修正模型,基于惩戒机制的风险等级修正模型结合基于孪生网络融合相似度算法计算所得抛洒事件与目标抛洒车辆的隐性历史抛洒事件的相似度、抛洒事件与目标抛洒车辆的隐性历史抛洒事件风险等级比、目标抛洒车辆的历史抛洒事件的数量、目标抛洒车辆的历史抛洒事件的显隐性,计算惩戒建议总分,对所述初始的潜在风险等级预测结果进行修正,并输出所述目标抛洒车辆的处置建议并备案的步骤,包括:
步骤9.1:若目标抛洒车辆的历史抛洒事件中有多件历史抛洒事件,则对多个历史抛洒事件安全风险显隐性进行归一化处理;若目标抛洒车辆的历史抛洒事件中有多起显性抛洒事件,则需对安全风险等级比进行归一化处理;否则直接跳转步骤9.2;归一化计算方法均如下:
其中,x′h表示处理前的变量,y′h表示对应变量x′h的归一化处理结果;
步骤9.2:构建惩戒因素集合,包括属于目标抛洒车辆的历史抛洒事件的数量、历史抛洒事件的安全风险显隐性、安全风险等级比、事件相似度;构建惩戒建议集合,包括不改变初始等级、初始等级上调一级、初始等级上调为最高;
步骤9.3:构建惩戒因素与惩戒建议隶属度矩阵,并确定因素权向量,其中隶属度计算方法如下:
其中,δ(y′hr)表示惩戒因素h对于惩戒建议r的隶属度,a,b,c表示参数,且h=1对应目标抛洒车辆抛洒行为历史备案数量,zmf(y′h,[0,1])表示变量为y′h且取值定义在[0,1]的经典函数Z形隶属度函数,中e是自然对数的底数;
步骤9.4:建立综合评价模型,并计算惩戒建议总分,计算方法如下:
F=W·B
其中,W表示权重矩阵,B表示惩戒因素与惩戒建议矩阵,F表示惩戒建议得分;
步骤9.5:输出总分最高的惩戒建议,并根据该建议修正初步风险预测等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210190171.XA CN114611773B (zh) | 2022-02-28 | 潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210190171.XA CN114611773B (zh) | 2022-02-28 | 潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611773A CN114611773A (zh) | 2022-06-10 |
CN114611773B true CN114611773B (zh) | 2024-06-28 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
CN113379267A (zh) * | 2021-06-21 | 2021-09-10 | 重庆大学 | 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
CN113379267A (zh) * | 2021-06-21 | 2021-09-10 | 重庆大学 | 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
CN107918921B (zh) | 刑事案件判决结果度量方法及系统 | |
CN113255815B (zh) | 用户行为异常分析方法、装置、设备及存储介质 | |
CN111462488A (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
EP3038025A1 (en) | Retention risk determiner | |
CN111242484A (zh) | 基于转移概率的车辆风险综合评价方法 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN110544373A (zh) | 一种基于北斗车联网的货车预警信息提取与风险识别方法 | |
CN109543710B (zh) | 一种模型训练方法及相关设备 | |
CN112083456B (zh) | 一种货运状态识别方法、装置、设备及存储介质 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
CN114022000A (zh) | 基于模糊综合评价的车辆道路运输风险评估方法及系统 | |
CN114626684A (zh) | 一种大数据驱动的高速公路交通事件持续时间预测方法 | |
CN115147155A (zh) | 一种基于集成学习的铁路货运客户流失预测方法 | |
CN114611773B (zh) | 潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法 | |
CN109784586B (zh) | 车险的出险情况的预测方法及系统 | |
CN113011788A (zh) | 一种海上交通事故应急决策方法、终端设备及存储介质 | |
CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
CN116562824B (zh) | 一种公路工程全生命周期项目管理方法及系统 | |
CN114611773A (zh) | 潜在风险预测与多重惩戒机制嵌套的抛洒车辆处置方法 | |
CN116596307A (zh) | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 | |
CN114492544A (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN114446031A (zh) | 基于多设备、多维度数据融合分析检查站管理方法及系统 | |
CN114580874A (zh) | 一种适用于高速公路风险评估的多维分布式数据分析系统 | |
CN114693072A (zh) | 车队结构分析方法、系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |