CN116434543A - 一种基于事故分布规律和事故成因的交通隐患点预警方法 - Google Patents
一种基于事故分布规律和事故成因的交通隐患点预警方法 Download PDFInfo
- Publication number
- CN116434543A CN116434543A CN202310305056.7A CN202310305056A CN116434543A CN 116434543 A CN116434543 A CN 116434543A CN 202310305056 A CN202310305056 A CN 202310305056A CN 116434543 A CN116434543 A CN 116434543A
- Authority
- CN
- China
- Prior art keywords
- accident
- point
- traffic
- points
- early warning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 82
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000006378 damage Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明一种基于事故分布规律和事故成因的交通隐患点预警方法,该方法为:获取事故参数,构建事故集群点‑事故参数矩阵;采用Isomap非线性数据降维方法,对事故集群点‑事故参数矩阵降维;基于K‑medoids,对降维后的矩阵进行聚类;完成聚类之后,通过局部异常因子算法,对集群中的所有点进行离群因子的筛选;筛选完离群因子后获得隐患点,运用FAHP评价法建立路网交通事故预警指标体系,按照隶属度最大原则得到最大值获取隐患点预警综合等级,对交通事故隐患点进行预警。本发明能够有效削弱距离极值事故点对于聚类效果的影响,从而适应交通事故及事故隐患点的数据特征及多发分布规律,高效可靠地对交通隐患点进行预警。
Description
技术领域
本发明归属于智慧交通技术领域,特别涉及一种基于事故分布规律和事故成因的交通隐患点预警方法。
背景技术
智慧交通融入物联网、云计算、大数据、移动互联等高新IT技术,通过高新技术汇集交通信息,提供实时交通数据下的交通信息服务。大量使用了数据模型、数据挖掘等数据处理技术,实现了智慧交通的系统性、实时性、信息交流的交互性以及服务的广泛性。通过对交通拥挤的有效减轻,降低了交通事故的出现率,增强了交通系统的安全性。智能交通系统中对于风险潜在隐患治理以防止和减免道路发生交通事故为目的,运用新技术、新策略对其进行交通事故易发评估,并对新建和改扩建路段的交通安全潜在的隐患进行了提前预知。对事故多次发生的成因、特点和分布规律等进行大数据分析,确定了交通隐患点的主要调研内容。
K-medoids算法(也称作PAM算法)是一种分类数据的有效方法,它能够将每一个观察值分类到最相关的类。K-medoids算法属于聚类算法,它假设聚类形状近似于圆,并且每个聚类具有一个潜在或表面的“中心”。K-medoids算法可以更高效地处理类间距离不同的情况,同时可以适应以离散形式提供的数据。
局部离群因子(LOF,又叫局部异常因子)算法是一种基于密度的局部离群点检测算法,该方法适用于不同类簇密度分散情况迥异的数据。LOF算法的基本思想是,根据数据点周围的数据密集情况,首先计算每个数据点的一个局部可达密度,然后通过局部可达密度进一步计算得到每个数据点的一个离群因子,该离群因子即标识了一个数据点的离群程度,因子值越大,表示离群程度越高,因子值越小,表示离群程度越低。最后,输出离群程度最大的top(n)个点。
FAHP评价法是一种将FCE模糊综合评价法和AHP层次分析法相结合的评价方法,在体系评价、效能评估,系统优化等方面有着广泛的应用,是一种定性与定量相结合的评价模型,一般是先用层析分析法确定因素集,然后用模糊综合评判确定评判效果。模糊法是在层次法之上,两者相互融合,对评价有着很好的可靠性。
专利CN113781745A公开了一种基于K均值聚类算法的北斗和微动的山体滑坡预警方法,该方法提出的k均值聚类算法进行预警的讨论,结合目前现有K-means聚类算法技术应用于风险预警领域的情况,但是该方法存在以下不足:(1)K值不好确定难以把握;(2)对于噪音和异常点比较敏感影响聚类效果。
发明内容
本发明的目的在于提供一种基于事故分布规律和事故成因的交通隐患点预警方法,K-medoids算法对于K值的选取具有随机适应性,能够有效削弱距离极值事故点对于聚类效果的影响,从而适应交通事故及事故隐患点的数据特征及多发分布规律。
实现本发明目的的技术解决方案为:一种基于事故分布规律和事故成因的交通隐患点预警方法,包括以下步骤:
步骤10、获取事故参数:根据交通事故直接财产损失、死亡人数、发生起数、受伤人数这些指标,构建事故集群点-事故参数矩阵;
步骤20、对事故集群点-事故参数矩阵降维:采用Isomap非线性数据降维方法对矩阵降维;
步骤30、对降维后的矩阵进行聚类:基于K-medoids,任意选取k个初始中心点medoids,按照距离最近的原则,将剩余事故点分配到当前最佳的medoids代表的类中;在每一类中,计算每个事故点与其他事故点的距离之和,选取距离之和最小的事故点作为新的medoids;重复按照距离之和最小为准则选择新的medoids事故点的过程,直到所有的medoids点不再发生变化,或已达到设定的最大迭代次数;
步骤40、进行离群因子的筛选:基于K-medoids完成聚类之后,通过局部异常因子算法,对集群中的所有点进行计算离群因子LOF,将LOF相较于1的比较结果作为依据,若LOF远大于1,则认为是离群因子,接近于1,则是正常点;
步骤50、对交通事故隐患点进行预警:筛选完离群因子后获得隐患点,运用FAHP评价法建立路网交通事故预警指标体系并且设定各个指标的警限值,进行计算交通事故隐患点预警级别,进行计算评价结果,按照隶属度最大原则得到最大值获取隐患点预警综合等级。
本发明与现有技术比,其显著优点为:(1)本发明根据交通事故相关指标例如交通事故的直接财产损失、死亡人数、发生起数、受伤人数等条件设定规则,进而推算出不同级别的交通隐患点;(2)本发明结合交通事故及事故隐患点的数据特征及多发分布规律,使用k-medoids聚类算法有效削弱异常点的影响,非常切合适用于交通事故场景;(3)本发明结合城市道路交通事故基础数据的属性,选取交通事故分布规律、交通事故成因及交通事故变化趋势相关指标,构建路网交通事故预警指标体系,并借助层次分析法分别选取目标层、准则层、指标层指标进行分析。
附图说明
图1为本发明的基于LOF算法的预估事故隐患点的流程图。
图2为本发明K-medoids算法流程图。
图3为本发明当中实例操作界面的初始样式示意图。
图4为本发明初始设置与集中多发点划分标准设置完成的界面示意图。
图5为本发明计算后的K个事故多发隐患点与离群点样式图。
图6为本发明剔除离群点后的事故多发点按照坐标显示于地图的样式示意图。
具体实施方式
本发明一种基于事故分布规律和事故成因的交通隐患点预警方法,包括以下步骤:
步骤10、获取事故参数:根据交通事故直接财产损失、死亡人数、发生起数、受伤人数这些指标,构建事故集群点-事故参数矩阵;
步骤20、对事故集群点-事故参数矩阵降维:采用Isomap非线性数据降维方法对矩阵降维;
步骤30、对降维后的矩阵进行聚类:基于K-medoids,任意选取k个初始中心点medoids,按照距离最近的原则,将剩余事故点分配到当前最佳的medoids代表的类中;在每一类中,计算每个事故点与其他事故点的距离之和,选取距离之和最小的事故点作为新的medoids;重复按照距离之和最小为准则选择新的medoids事故点的过程,直到所有的medoids点不再发生变化,或已达到设定的最大迭代次数;
步骤40、进行离群因子的筛选:基于K-medoids完成聚类之后,通过局部异常因子算法,对集群中的所有点进行计算离群因子LOF,将LOF相较于1的比较结果作为依据,若LOF远大于1,则认为是离群因子,接近于1,则是正常点;
步骤50、对交通事故隐患点进行预警:筛选完离群因子后获得隐患点,运用FAHP评价法建立路网交通事故预警指标体系并且设定各个指标的警限值,进行计算交通事故隐患点预警级别,进行计算评价结果,按照隶属度最大原则得到最大值获取隐患点预警综合等级。
作为一种具体示例,所述步骤10,具体如下:
对某个地区历史一段时间内的交通事故相关数据进行获取,包括交通事故直接财产损失,直接财产损失分为实体物品损失与社会劳动价值损失,统计车辆损坏等级、损失货物的种类、设施损坏种类及死伤人员社会劳动价值损失这些参数;
某事故点死亡人数及死亡率即统计时段内死亡人数及死亡人数数量占事故总人数的比例大小;
各级交通事故占比及次数,包括特别重大道路交通事故、重大道路交通事故、一般道路交通事故、轻微道路交通事故次数及各自的占比;
某事故点受伤人数及受伤率即统计时段内受伤人数及受伤人数数量占事故总人数的比例大小;
统计事故诱因,获取事故是因人为原因或天气因素亦或其他不可控原因,分析各原因分别占比;
构建事故集群点-事故参数矩阵,将事故集群点设为行,将事故特征要素设为列。
作为一种具体示例,所述步骤20,包含以下步骤:
(21)选取邻域,构造邻域图G:计算每个样本点xi同其余样本点之间的欧氏距离;当xj是xi的最近的K个点中的一个时,认为它们是相邻的,即图G有边xixj,这种邻域称为K-邻域;或者当xi和xj的欧氏距离d(xi,xj)小于固定值ε时,认为图G有边xixj,这种邻域称为ε邻域;设边xixj的权为d(xi,xj);
(22)计算最短路径:当图G有边xixj时,设最短路径dG(xi,xj)=d(xi,xj);否则设dG(xi,xj)=∞;对l=1,…,N,dG(xi,xj)=min{dG(xi,xj),dG(xi,xl)+dG(xl,xj)},这样得到最短路径距离矩阵DG=[d2 G(xi,xj)]i,j=1,DG由图G的所有样本点之间的最短路径的平方组成。
作为一种具体示例,所述步骤30,包含以下步骤:
(31)选择k个数据代表对象Cj={c1,c2,...ck};
(32)将其余对象根据以下公式计算相似度,划分到最为相似代表对象所在的类簇中:
(33)任意选取非数据代表对象的数据样本Xrandom,代替中心点cj,根据以下两个公式计算替换中心点后新旧聚类的差异值S:
S=E2-E1
如果S<0,则以Xrandom替代cj形成新的数据代表对象集合;
(34)重复(32)~(33)的过程,直到迭代更新后的数据代表对象不再发生更改,产出最终确定的k个聚类中心。
作为一种具体示例,所述步骤40,计算离群因子LOF,通过K-medoids聚类之后获得K个聚类中心,筛除单发事故点,即筛掉离群点,包含以下步骤:
(41)计算每个点的第k距离邻域内各点的第k可达距离:
reach-distancek(p,o)=max{k-distance(o),d(p,o)}
其中,reach-distancek(p,o)表示点p到点o的第k可达距离,k-distance(o)表示点o的第k距离,d(p,o)表示点p与点o之间距离;
上式表示:点o到点p的第k可达距离为o的第k距离和op间真实距离较大值;
(42)计算每个点的局部第k局部可达密度:
其中,lrdk(p,o)表示点p到点o的第k局部可达密度,Nk(p)为p点的第k距离邻域,reach-distk(x,y)表示点x到点y的第k可达距离;
上式表示:点p的第k距离邻域内的所有点到点p的平均第k可达距离的倒数;
(43)计算每个点的第k局部离群因子:通过计算得到每个点的离群因子LOF,如果对象p不是局部离群点,则LOFk(p)接近于1,计算公式为:
其中,LOFk(p)表示点p第K局部离群因子,lrd(o)表示点o的局部可达密度,lrd(p)表示点p的局部可达密度,Nk(p)为p点的第k距离邻域,lrdk(o)表示点o的第k局部可达密度,lrdk(p)表示点p的第k局部可达密度;
上式表示:点p的邻域点Nk(p)的局部可达密度与点p的局部可达密度之比的平均数。
作为一种具体示例,所述步骤50,对事故隐患点进行预警:筛选完离群因子后获得事故多发隐患点,运用FAHP评价法建立路网交通事故预警指标体系并且计算交通事故隐患点预警综合等级,包含以下步骤:
(51)根据城市道路交通事故基础数据的属性,选取交通事故分布规律、交通事故成因及交通事故变化趋势相关指标,构建路网交通事故预警指标体系,并借助层次分析法的原理,如表1所示,分别选取目标层A、准则层B、指标层C指标:
表1
(52)定各个指标的警限值,应用系统化分析方法,使用多数、半数、少数、均数、众数、负数和参数这些原则,每个原则确定一个警限值,综合平均这些警限值,并调整得出各个指标的警限值,建立以下道路交通事故预警成因指标分级标准如表2所示:
表2
预警指标 | 代码 | 一级 | 二级 | 三级 | 四级 | 五级 |
3年以下驾龄事故比例/% | X23 | 10 | 15 | 20 | 25 | 30 |
道路无物理隔离事故/% | X24 | 10 | 15 | 20 | 25 | 30 |
大中型汽车事故比例/% | X25 | 10 | 15 | 20 | 25 | 30 |
恶劣天气事故比例/% | X26 | 10 | 15 | 20 | 25 | 30 |
交通量变化率/% | X27 | 0 | 10 | 25 | 45 | 70 |
(53)计算预警级别:采用两层次模糊综合评价,分别是准则层与指标层、目标层与准则层,先建立因素集A:AT={a1,a2,.....,am}和评价集R:R={r1,r2,......,rn},使用层次分析法计算指标权重,通过分布函数计算隶属度,其次使用模糊综合评价确定第二层的综合评价结果Bi=(bi1,bi2,……,bik)=Ai*Ri,其中,Ai是计算层对应各指标因素的权重矩阵,Ri是计算层的评判矩阵,i是计算层的指标个数,k是计算层中涉及的子指标个数;分别计算准则层两大类指标和指标层的权重评价,得到的结果B1,B2构造总的评判矩阵R即目标层的评判矩阵:
再构造准则层对于目标层的权重向量A=(a1,a2),则目标层的评价结果:
由隶属度最大原则得到B中最大值即为事故预警综合等级,等级分为5个等级,即从一级到五级,分别对应着无警、轻警、中警、重警和巨警,不同预警信号代表不同警度。
下面结合附图及具体实施例对本发明做进一步详细说明。
实施例
如图1所示,本发明将单发事故点整合为集中多发点,剔除了不需要考虑的冗余点段,得到事故事故隐患点并进行预警,其包括以下步骤:
(10)获取事故参数:对某个地区历史一段时间内的交通事故相关数据进行获取,如:交通事故直接财产损失,直接财产损失分为实体物品损失与社会劳动价值损失,统计车辆损坏等级、损失货物的种类、设施损坏种类及死伤人员社会劳动价值损失等参数;某事故点死亡人数及死亡率即统计时段内死亡人数及死亡人数数量占事故总人数的比例大小;各级交通事故占比及次数,如特别重大道路交通事故、重大道路交通事故、一般道路交通事故、轻微道路交通事故次数及各自的占比;某事故点受伤人数及受伤率即统计时段内受伤人数及受伤人数数量占事故总人数的比例大小;统计事故诱因,获取事故是因人为原因或天气因素亦或其他不可控原因,分析各原因分别占比。建构事故集群点-事故参数矩阵,将事故集群点设为行,将事故特征要素设为列。
(20)对事故集群点-事故参数矩阵降维:采用Isomap非线性数据降维方法对矩阵降维,包含以下步骤:
(21)选取邻域,构造邻域图G:计算每个样本点xi同其余样本点之间的欧氏距离。当xj是xi的最近的K个点中的一个时,认为它们是相邻的,即图G有边xixj(这种邻域称为K-邻域);或者当xi和xj的欧氏距离d(xi,xj)小于固定值ε时,认为图G有边xixj(这种邻域称为ε邻域)。设边xixj的权为d(xi,xj)。
(22)计算最短路径:当图G有边xixj时,设最短路径dG(xi,xj)=d(xi,xj);否则设dG(xi,xj)=∞。对l=1,…,N,dG(xi,xj)=min{dG(xi,xj),dG(xi,xl)+dG(xl,xj)},这样可以得到最短路径距离矩阵DG=[d2 G(xi,xj)]i,j=1,它由图G的所有样本点之间的最短路径的平方组成。
(30)对降维后的矩阵进行聚类:根据K-medoids算法的相关特性,这是基于“代表对象”、数据变量为数值型的聚类方法,且k-mediods每次选取的中心点,必须是样本点,最初的聚类中心点选择的合理性对于聚类的实际效果非常关键。如图2所示流程,K-medoids对Isomap降维后的结果做聚类分析包含以下步骤:
(31)选择k个数据代表对象Cj={c1,c2,...ck}。
(32)将其余对象根据下方公式计算相似度,划分到与其最为相似代表对象所在的类簇中:
(33)任意选取非数据代表对象的数据样本Xrandom,代替中心点cj,根据下方两个公式计算替换中心点后新旧聚类的差异值S:
S=E2-E1
如果S<0,则以Xrandom替代cj形成新的数据代表对象集合。
(34)重复(32)-(33)的过程,直到迭代更新后的数据代表对象不再发生更改,产出最终确定的k个聚类中心。
(40)使用LOF算法计算离群因子:通过K-medoids聚类之后获得K个聚类中心,还需要筛除单发事故点,即筛掉离群点,使用LOF算法去达成目的,包含以下步骤:
(41)计算每个点的第k距离邻域内各点的第k可达距离:
reach-distancek(p,o)=max{k-distance(o),d(p,o)}
即点o到点p的第k可达距离为o的第k距离和op间真实距离大值。
(42)计算每个点的局部第k局部可达密度:
其中,Nk(p)为p点的第k距离邻域
(43)计算每个点的第k局部离群因子:通过计算得到每个点的离群因子LOF,如果对象p不是局部离群点,则LOFk(p)接近于1。计算公式为:
(50)对事故隐患点进行预警:筛选完离群因子后获得事故多发隐患点,运用FAHP评价法建立路网交通事故预警指标体系并且计算交通事故隐患点预警综合等级,包含以下步骤:
(51)根据城市道路交通事故基础数据的属性,选取交通事故分布规律、交通事故成因及交通事故变化趋势相关指标,构建路网交通事故预警指标体系,并借助层次分析法的基本原理,如表1所示,分别选取目标层A、准则层B、指标层C指标;
(52)定各个指标的警限值,应用目前交通行业成熟的系统化分析方法,例如使用了多数、半数、少数、均数、众数、负数和参数等原则,每个原则确定一个警限值,综合平均这些警限值,并做适当调整得出各个指标的警限值,建立以下道路交通事故预警成因指标分级标准如表2所示;
(53)计算预警级别:采用两层次模糊综合评价,分别是准则层与指标层、目标层与准则层,先建立因素集A:AT={a1,a2,.....,am}和评价集R:R={r1,r2,......,rn},使用层次分析法计算指标权重,通过分布函数计算隶属度,其次使用模糊综合评价确定第二层的综合评价结果Bi=(bi1,bi2,……,bik)=Ai*Ri,其中,Ai是计算层对应各指标因素的权重矩阵,Ri是计算层的评判矩阵,i是计算层的指标个数,k是计算层中涉及的子指标个数。分别计算准则层两大类指标和指标层的权重评价,得到的结果B1,B2构造总的评判矩阵R即目标层的评判矩阵:
再构造准则层对于目标层的权重向量A=(a1,a2)则目标层的评价结果:
由隶属度最大原则得到B中最大值即为事故预警综合等级。等级分为5个等级,即从一级到五级,分别对应着无警、轻警、中警、重警和巨警,不同预警信号代表不同警度。
本实施例设定,根据某个市某个地区范围内2020年4月内的55起交通事故相关参数数据,数据包含了直接财产损失、死亡人数、发生起数、受伤人数等。基于提供的数据,验证本发明的方法。包含以下步骤:
1.如下图3可见,进行基本设置,包括时间颗粒度、辖区位置、颗粒度(可输入的范围为0-1000,单位为米),事故次数(可输入的范围为0-1000,单位为次)设置完成后可对事故进行筛选过滤。
2.完成基本设置后,可在上方区域看到设置的相关参数。再进行集中多发点划分标准的K值和舍弃单发点数两个指标的相关设置,如下图4可见。设置完成后会按照本发明的方法进行计算。
3.基于k-medoids算法计算的结果获得的K个事故多发隐患点聚类中心,如下图5可见。各聚类中心即代表各区域为事故多发隐患区域,会根据横纵坐标定位显示在地图中,如下图6可见。
4.我们随机选取其中三个隐患点并获取各隐患点的各指标数据,如表3所示:
表3
5.计算隶属度,得到指标隶属度矩阵,即量化各预警指标,量化后如表4所示:
表4
6.进行隶属度模糊综合评价,得到事故预警综合等级,如表5所示:
表5
隐患点 | 一级 | 二级 | 三级 | 四级 | 五级 |
隐患点1 | 0.2361 | 0.4732 | 0.0484 | 0 | 0 |
隐患点2 | 0.0156 | 0.4269 | 0.1953 | 0 | 0 |
隐患点3 | 0.0942 | 0.2357 | 0.4416 | 0.0857 | 0 |
可观察到,隐患点1二级的评价结果为0.4732,为评价结果中最大值,即隐患点1预警等级为二级,即轻警级别;同理,隐患点2预警等级为二级,即轻警级别;隐患3预警等级为三级,即中警级别。
综上所述,本发明根据交通事故相关指标例如交通事故的直接财产损失、死亡人数、发生起数、受伤人数等条件设定规则,进而推算出不同级别的交通隐患点;本发明结合交通事故及事故隐患点的数据特征及多发分布规律,使用k-medoids聚类算法有效削弱异常点的影响,非常切合适用于交通事故场景;本发明结合城市道路交通事故基础数据的属性,选取交通事故分布规律、交通事故成因及交通事故变化趋势相关指标,构建路网交通事故预警指标体系,并借助层次分析法分别选取目标层、准则层、指标层指标进行分析。
Claims (6)
1.一种基于事故分布规律和事故成因的交通隐患点预警方法,其特征在于,包括以下步骤:
步骤10、获取事故参数:根据交通事故直接财产损失、死亡人数、发生起数、受伤人数这些指标,构建事故集群点-事故参数矩阵;
步骤20、对事故集群点-事故参数矩阵降维:采用Isomap非线性数据降维方法对矩阵降维;
步骤30、对降维后的矩阵进行聚类:基于K-medoids,任意选取k个初始中心点medoids,按照距离最近的原则,将剩余事故点分配到当前最佳的medoids代表的类中;在每一类中,计算每个事故点与其他事故点的距离之和,选取距离之和最小的事故点作为新的medoids;重复按照距离之和最小为准则选择新的medoids事故点的过程,直到所有的medoids点不再发生变化,或已达到设定的最大迭代次数;
步骤40、进行离群因子的筛选:基于K-medoids完成聚类之后,通过局部异常因子算法,对集群中的所有点进行计算离群因子LOF,将LOF相较于1的比较结果作为依据,若LOF远大于1,则认为是离群因子,接近于1,则是正常点;
步骤50、对交通事故隐患点进行预警:筛选完离群因子后获得隐患点,运用FAHP评价法建立路网交通事故预警指标体系并且设定各个指标的警限值,进行计算交通事故隐患点预警级别,进行计算评价结果,按照隶属度最大原则得到最大值获取隐患点预警综合等级。
2.根据权利要求1所述的基于事故分布规律和事故成因的交通隐患点预警方法,其特征在于,所述步骤10,具体如下:
对某个地区历史一段时间内的交通事故相关数据进行获取,包括交通事故直接财产损失,直接财产损失分为实体物品损失与社会劳动价值损失,统计车辆损坏等级、损失货物的种类、设施损坏种类及死伤人员社会劳动价值损失这些参数;
某事故点死亡人数及死亡率即统计时段内死亡人数及死亡人数数量占事故总人数的比例大小;
各级交通事故占比及次数,包括特别重大道路交通事故、重大道路交通事故、一般道路交通事故、轻微道路交通事故次数及各自的占比;
某事故点受伤人数及受伤率即统计时段内受伤人数及受伤人数数量占事故总人数的比例大小;
统计事故诱因,获取事故是因人为原因或天气因素亦或其他不可控原因,分析各原因分别占比;
构建事故集群点-事故参数矩阵,将事故集群点设为行,将事故特征要素设为列。
3.根据权利要求1所述的基于事故分布规律和事故成因的交通隐患点预警方法,其特征在于,所述步骤20,包含以下步骤:
(21)选取邻域,构造邻域图G:计算每个样本点xi同其余样本点之间的欧氏距离;当xj是xi的最近的K个点中的一个时,认为它们是相邻的,即图G有边xixj,这种邻域称为K-邻域;或者当xi和xj的欧氏距离d(xi,xj)小于固定值ε时,认为图G有边xixj,这种邻域称为ε邻域;设边xixj的权为d(xi,xj);
(22)计算最短路径:当图G有边xixj时,设最短路径dG(xi,xj)=d(xi,xj);否则设dG(xi,xj)=∞;对l=1,…,N,dG(xi,xj)=min{dG(xi,xj),dG(xi,xl)+dG(xl,xj)},这样得到最短路径距离矩阵DG=[d2 G(xi,xj)]i,j=1,DG由图G的所有样本点之间的最短路径的平方组成。
5.根据权利要求1所述的基于事故分布规律和事故成因的交通隐患点预警方法,其特征在于,所述步骤40,计算离群因子LOF,通过K-medoids聚类之后获得K个聚类中心,筛除单发事故点,即筛掉离群点,包含以下步骤:
(41)计算每个点的第k距离邻域内各点的第k可达距离:
reach-distancek(p,o)=max{k-distance(o),d(p,o)}
其中,reach-distancek(p,o)表示点p到点o的第k可达距离,k-distance(o)表示点o的第k距离,d(p,o)表示点p与点o之间距离;
上式表示:点o到点p的第k可达距离为o的第k距离和op间真实距离较大值;
(42)计算每个点的局部第k局部可达密度:
其中,lrdk(p,o)表示点p到点o的第k局部可达密度,Nk(p)为p点的第k距离邻域,reach-distk(x,y)表示点x到点y的第k可达距离;
上式表示:点p的第k距离邻域内的所有点到点p的平均第k可达距离的倒数;
(43)计算每个点的第k局部离群因子:通过计算得到每个点的离群因子LOF,如果对象p不是局部离群点,则LOFk(p)接近于1,计算公式为:
其中,LOFk(p)表示点p第K局部离群因子,lrd(o)表示点o的局部可达密度,lrd(p)表示点p的局部可达密度,Nk(p)为p点的第k距离邻域,lrdk(o)表示点o的第k局部可达密度,lrdk(p)表示点p的第k局部可达密度;
上式表示:点p的邻域点Nk(p)的局部可达密度与点p的局部可达密度之比的平均数。
6.根据权利要求1所述的基于事故分布规律和事故成因的交通隐患点预警方法,其特征在于,所述步骤50,对事故隐患点进行预警:筛选完离群因子后获得事故多发隐患点,运用FAHP评价法建立路网交通事故预警指标体系并且计算交通事故隐患点预警综合等级,包含以下步骤:
(51)根据城市道路交通事故基础数据的属性,选取交通事故分布规律、交通事故成因及交通事故变化趋势相关指标,构建路网交通事故预警指标体系,并借助层次分析法的原理,如表1所示,分别选取目标层A、准则层B、指标层C指标:
表1
(52)定各个指标的警限值,应用系统化分析方法,使用多数、半数、少数、均数、众数、负数和参数这些原则,每个原则确定一个警限值,综合平均这些警限值,并调整得出各个指标的警限值,建立以下道路交通事故预警成因指标分级标准如表2所示:
表2
(53)计算预警级别:采用两层次模糊综合评价,分别是准则层与指标层、目标层与准则层,先建立因素集A:AT={a1,a2,.....,am}和评价集R:R={r1,r2,......,rn},使用层次分析法计算指标权重,通过分布函数计算隶属度,其次使用模糊综合评价确定第二层的综合评价结果Bi=(bi1,bi2,……,bik)=Ai*Ri,其中,Ai是计算层对应各指标因素的权重矩阵,Ri是计算层的评判矩阵,i是计算层的指标个数,k是计算层中涉及的子指标个数;分别计算准则层两大类指标和指标层的权重评价,得到的结果B1,B2构造总的评判矩阵R即目标层的评判矩阵:
再构造准则层对于目标层的权重向量A=(a1,a2),则目标层的评价结果:
由隶属度最大原则得到B中最大值即为事故预警综合等级,等级分为5个等级,即从一级到五级,分别对应着无警、轻警、中警、重警和巨警,不同预警信号代表不同警度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310305056.7A CN116434543B (zh) | 2023-03-27 | 2023-03-27 | 一种基于事故分布规律和事故成因的交通隐患点预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310305056.7A CN116434543B (zh) | 2023-03-27 | 2023-03-27 | 一种基于事故分布规律和事故成因的交通隐患点预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116434543A true CN116434543A (zh) | 2023-07-14 |
CN116434543B CN116434543B (zh) | 2024-04-05 |
Family
ID=87078945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310305056.7A Active CN116434543B (zh) | 2023-03-27 | 2023-03-27 | 一种基于事故分布规律和事故成因的交通隐患点预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434543B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289928A (zh) * | 2011-05-19 | 2011-12-21 | 上海市城市建设设计研究院 | 基于模糊层次分析法的枢纽综合交通运行态势评价方法 |
CN102855395A (zh) * | 2012-08-16 | 2013-01-02 | 长安大学 | 一种道路交通事故多发位置鉴别方法 |
CN110826785A (zh) * | 2019-10-28 | 2020-02-21 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
US20220222556A1 (en) * | 2020-04-30 | 2022-07-14 | Shandong Jiaotong University | Road traffic jam early warning method and system |
CN115455079A (zh) * | 2022-09-09 | 2022-12-09 | 浙江嘉兴数字城市实验室有限公司 | 一种基于事故数据和特征因素的事故多发点推荐方法 |
US11587441B1 (en) * | 2021-09-30 | 2023-02-21 | Lytx, Inc. | Location risk determination and ranking based on vehicle events and/or an accident database |
-
2023
- 2023-03-27 CN CN202310305056.7A patent/CN116434543B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289928A (zh) * | 2011-05-19 | 2011-12-21 | 上海市城市建设设计研究院 | 基于模糊层次分析法的枢纽综合交通运行态势评价方法 |
CN102855395A (zh) * | 2012-08-16 | 2013-01-02 | 长安大学 | 一种道路交通事故多发位置鉴别方法 |
CN110826785A (zh) * | 2019-10-28 | 2020-02-21 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
US20220222556A1 (en) * | 2020-04-30 | 2022-07-14 | Shandong Jiaotong University | Road traffic jam early warning method and system |
US11587441B1 (en) * | 2021-09-30 | 2023-02-21 | Lytx, Inc. | Location risk determination and ranking based on vehicle events and/or an accident database |
CN115455079A (zh) * | 2022-09-09 | 2022-12-09 | 浙江嘉兴数字城市实验室有限公司 | 一种基于事故数据和特征因素的事故多发点推荐方法 |
Non-Patent Citations (1)
Title |
---|
张欣妍 等: "基于LOF改进的K-means算法在交通事故黑点识别中的应用", 《黑龙江交通科技》, vol. 45, no. 1, 31 January 2022 (2022-01-31), pages 134 - 136 * |
Also Published As
Publication number | Publication date |
---|---|
CN116434543B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN106485262A (zh) | 一种母线负荷预测方法 | |
CN105404944A (zh) | 一种面向电力系统重过载预警的大数据分析方法 | |
CN108922174B (zh) | 一种快速路入口匝道周围交叉口群内路径动态分级方法 | |
CN109636104A (zh) | 矿山地质环境质量演变规律的综合评价方法 | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
CN111640304B (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
CN108170769A (zh) | 一种基于决策树算法的装配制造质量数据处理方法 | |
CN110826785B (zh) | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 | |
CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
CN109446243B (zh) | 一种基于大数据分析检测光伏电站发电异常的方法 | |
CN113988484B (zh) | 一种应用于国土空间总体规划的交通可达性指标优化方法 | |
CN112016175A (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
CN111832098A (zh) | 一种市政道路施工期交通组织方案评价方法 | |
CN108166362B (zh) | 一种沥青路面裂缝类型的自动识别方法 | |
CN111523562B (zh) | 一种基于车牌识别数据的通勤模式车辆识别方法 | |
CN107766983B (zh) | 一种城市轨道交通车站应急救援驻车点的设置方法 | |
CN113822387A (zh) | 路面损坏状况指数预测方法、系统、设备及介质 | |
CN115455079A (zh) | 一种基于事故数据和特征因素的事故多发点推荐方法 | |
CN116050831A (zh) | 一种农业灌溉用水水质预警方法及系统 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
CN111814528A (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
CN116434543B (zh) | 一种基于事故分布规律和事故成因的交通隐患点预警方法 | |
CN106446194B (zh) | 一种地理区域的采集参数确定方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |