CN116720142A - 一种有限证据下的事故未知信息快速重建方法 - Google Patents
一种有限证据下的事故未知信息快速重建方法 Download PDFInfo
- Publication number
- CN116720142A CN116720142A CN202310679799.0A CN202310679799A CN116720142A CN 116720142 A CN116720142 A CN 116720142A CN 202310679799 A CN202310679799 A CN 202310679799A CN 116720142 A CN116720142 A CN 116720142A
- Authority
- CN
- China
- Prior art keywords
- information
- accident
- decision tree
- tree model
- key
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003066 decision tree Methods 0.000 claims abstract description 126
- 238000012795 verification Methods 0.000 claims abstract description 28
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通事故重建技术领域,具体涉及一种有限证据下的事故未知信息快速重建方法,包括以下步骤:S1、采集步骤:采集待补充信息案例的已有信息;S2、处理步骤:分析处理待补充信息案例的已有信息中缺失的关键事故信息,并根据关键事故信息匹配并调用决策树模型库中决策树模型的决策点带有关键事故信息的决策树模型;S3、决策步骤:根据决策树模型进行逆向推导,获取缺失的关键事故信息;S4、验证步骤:将缺失的关键事故信息输入验证模块进行验证,验证通过则作为缺失的关键事故信息;S5、循环步骤S3和步骤S4,直至关键事故信息被补充完善。本发明解决了现有事故重建的限制较多,导致事故数据获取效率低、精度不高的问题。
Description
技术领域
本发明涉及交通事故重建技术领域,具体涉及一种有限证据下的事故未知信息快速重建方法。
背景技术
随着车辆交通工具的普及与发展,交通事故难以避免。因此开展VRU安全研究是十分重要的,事故数据是开展研究的基础。在事故数据库建设中,事故信息的完整度至关重要。而现在的事故数据采集还处于人力阶段,如通过现场采集、车辆勘查、视频分析提取相应数据,这会花费大量人力和经费,且部分数据会由于资料不足而缺失。
事故数据获取也可以通过软件进行事故重建,一般运用试错的方法对影响结果的关键参数进行手动调节,直到与视频或现场图保持一致,再获得相应的碰撞数据如车速、碰撞角度等,这种方法在一定程度上可以获得部分事故信息,但限制于重建精度和对视频与第一现场的高度依赖,以及重建需要花费大量的时间。事故重建难以在短时间内获取关键事故信息,而视频分析计算又受限于视频清晰度、视频拍摄角度,还需配合现场的查勘记录,不利于历史的事故数据补充。
发明内容
本发明的目的在于提供一种有限证据下的事故未知信息快速重建方法,解决现有事故重建的限制较多,导致事故数据获取效率低、精度不高的问题。
为了达到上述目的,提供了一种有限证据下的事故未知信息快速重建方法,包括以下步骤:
S1、采集步骤:采集待补充信息案例的已有信息,所述已有信息包括基本事故碰撞信息、车辆信息及人员伤情信息;
S2、处理步骤:分析处理待补充信息案例的已有信息中缺失的关键事故信息,并根据关键事故信息匹配并调用决策树模型库中决策树模型的决策点带有关键事故信息的决策树模型;
S3、决策步骤:将待补充信息案例的已有信息导入到决策树模型中,根据决策树模型的各个分支和决策节点进行逆向推导,获取缺失的关键事故信息;
S4、验证步骤:将缺失的关键事故信息输入验证模块进行验证,验证通过则作为缺失的关键事故信息;
S5、将步骤S3中的决策树模型根据步骤S2中匹配出的决策树模型进行重复使用或替换,并循环步骤S3和步骤S4,直至待补充信息案例缺失的关键事故信息被补充完善。
进一步,所述步骤S2中决策树模型库的建立包括以下步骤:
S201、获取交通事故案例数据库,并将交通事故案例数据库分为两类数据库,包括具有完整数据信息的一类数据库和含有缺失数据信息的二类数据库;
S202、基于一类数据库的案例分别建立决策树模型,并作为决策树模型库f1。
进一步,所述决策树模型呈树状结构,包括若干决策规则分支,所述决策规则分支由节点和有向边组成,所述节点包含内部节点和叶子节点,所述内部节点表示一个特征或属性,细分为根节点和中间决策节点,根节点表示影响响应/分类最显著的特征;叶子节点则表示一个分类,也表示响应的水平或程度;有向边为当前节点流向下一层级节点时取值范围,也表示为参数取值范围;每条从根节点到叶子节点的分支路径均表示一个完整的预测或决策过程。
进一步,所述验证模块进行验证时具体包括以下步骤:
S401、基于二类数据库建立决策树模型库f2;
S402、利用拉丁超立方采样规则,随机在一类数据库与二类数据库中抽取n例事故案例;根据抽取的n例事故案例分别从决策树模型库f1与决策树模型库f2中匹配对应的决策树模型;
S403、将待补充信息案例涉及的已有信息和补充好的关键事故信息,分别输入决策树模型库f1与决策树模型库f2中匹配对应的决策树模型中,输出各自的模型精度X;
精度计算方法如下:
对决策树分类结果,采用分类模型混淆矩阵的方式对模型精度进行计算:
TP真阳性:预测为阳性且预测正确,FP假阳性:预测为阳性且预测错误;
S404、根据各个决策树模型输出的模型精度Xf1i与Xf2i,进行模型精度平均值与进行计算:
利用模型精度平均值对填充的关键事故信息的精度进行验证,当时验证通过。
进一步,还包括以下步骤:
S6、确定待补充信息案例最终补充的关键事故信息,并归类到二类数据库,且得到二类数据库完整版,原二类数据库为二类数据库缺失版;
S7、根据步骤S2--S5,对二类数据库缺失版中含有缺失数据信息的交通事故案例进行补充完善,并归类到二类数据库完整版中,再训练新的决策树模型库f3。
进一步,还包括以下步骤:
S8、在各个决策树模型库f1、决策树模型库f2和决策树模型库f3中的决策树模型在通过案例的已有信息对缺失的关键事故信息进行逆向推导后,记录关键事故信息及其精度,并根据关键事故信息的精度为关键事故信息设置对应决策树模型的推荐抽取概率;
S9、当二类数据库完整版中的交通事故案例达到预设数量要求时,对步骤S402中的事故案例抽取进行优化;所述优化的方式为:分别为一类数据库、二类数据库缺失版和二类数据库完整版设置抽取事故案例数量的权重比例;以及再根据步骤S8中关键事故信息设置对应决策树模型的推荐抽取概率进行抽取事故案例。
原理及优点:
1.在有限证据下,通过将分析处理待补充信息案例的已有信息中缺失的关键事故信息,并根据关键事故信息匹配并调用决策树模型库中决策树模型的决策点带有关键事故信息的决策树模型;再将待补充信息案例的已有信息导入到决策树模型中,根据决策树模型的各个分支和决策节点进行逆向推导,快速获取缺失的关键事故信息关键信息的,解决了事故数据库中因资料不足而导致的关键信息缺失,以及缺失的关键信息不方便获取的问题。本方案还可基于大量真实交通事故数据进行数据的精确度计算,即验证模块的验证。可应用于交通事故数据库的未知信息的自动填充与准确度评价,特别对历史的交通事故案例的数据缺失的补充有较大的运用意义。
2.通过步骤S6-S9,本方案的决策树模型库f1、决策树模型库f2和决策树模型库f3能够逐渐丰富,且丰富到一定程度后能够实现自优化、自学习的效果,从而不断提高缺失的关键信息的补充精准度和效率,解决了现有事故重建的限制较多,导致事故数据获取效率低、精度不高的问题。
附图说明
图1为本发明实施例一种有限证据下的事故未知信息快速重建方法的流程框图;
图2为决策树模型的示意图;
图3为具体示例中决策树模型的示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例
一种有限证据下的事故未知信息快速重建方法,基本如图1所示,包括以下步骤:
S1、采集步骤:采集待补充信息案例的已有信息,所述已有信息包括基本事故碰撞信息、车辆信息及人员伤情信息;
1.碰撞信息可包括:车辆速度、碰撞角度、车辆尺寸、WAD、碰撞位置等。
2.车辆信息可包括:保险杠高度、发动机罩前沿高度、发动机罩长度、挡风玻璃角度等。
3.伤情信息可包括:人员年龄、性别、身高、体重、各身体损伤等级。
其中,身体损伤等级,考虑使用AIS05进行编码。
S2、处理步骤:分析处理待补充信息案例的已有信息中缺失的关键事故信息,并根据关键事故信息匹配并调用决策树模型库中决策树模型的决策点带有关键事故信息的决策树模型;所述步骤S2中决策树模型库的建立包括以下步骤:
S201、获取交通事故案例数据库,并将交通事故案例数据库分为两类数据库,包括具有完整数据信息的一类数据库和含有缺失数据信息的二类数据库;
S202、基于一类数据库的案例分别建立决策树模型,并作为决策树模型库f1。
S3、决策步骤:将待补充信息案例的已有信息导入到决策树模型中,根据决策树模型的各个分支和决策节点进行逆向推导,获取缺失的关键事故信息;如图2所示,所述决策树模型呈树状结构,包括若干决策规则分支,所述决策规则分支由节点和有向边组成,所述节点包含内部节点和叶子节点,所述内部节点表示一个特征或属性,如初始碰撞参数、车辆前部结构尺寸参数、骑车人参数等,细分为根节点和中间决策节点,根节点表示影响响应/分类最显著的特征;叶子节点则表示一个分类,也表示响应的水平或程度;有向边为当前节点流向下一层级节点时取值范围,也表示为参数取值范围;每条从根节点到叶子节点的分支路径均表示一个完整的预测或决策过程。与碰撞过程无关的车辆固有信息不能通过决策模块获取,如VIN号等。
S4、验证步骤:将缺失的关键事故信息输入验证模块进行验证,验证通过则作为缺失的关键事故信息;所述验证模块进行验证时具体包括以下步骤:
S401、基于二类数据库建立决策树模型库f2;
S402、利用拉丁超立方采样规则,随机在一类数据库与二类数据库中抽取n例事故案例;根据抽取的n例事故案例分别从决策树模型库f1与决策树模型库f2中匹配对应的决策树模型;
S403、将待补充信息案例涉及的已有信息和补充好的关键事故信息,分别输入决策树模型库f1与决策树模型库f2中匹配对应的决策树模型中,输出各自的模型精度X;
精度计算方法如下:
对决策树分类结果,采用分类模型混淆矩阵的方式对模型精度进行计算:
S404、根据各个决策树模型输出的模型精度Xf1i与Xf2i,进行模型精度平均值与进行计算:
Xf1i就是f1数据库决策树输出的精度,因为会有n个输入,所以会有n个输出,f1库就会对应输出Xf1i(i=1~n)个精度。Xf2i就是f2数据库决策树输出的精度,因为会有n个输入,所以会有n个输出,f2库就会对应输出Xf2i(i=1~n)个精度。
利用模型精度平均值对填充的关键事故信息的精度进行验证,当时验证通过。
S5、将步骤S3中的决策树模型根据步骤S2中匹配出的决策树模型进行重复使用或替换,并循环步骤S3和步骤S4,直至待补充信息案例缺失的关键事故信息被补充完善。由于事故数据中各个参数之间的相关性不同,对于数据库中不同的缺失数据需要调用不同的决策树模型。
S6、确定待补充信息案例最终补充的关键事故信息,并归类到二类数据库,且得到二类数据库完整版,原二类数据库为二类数据库缺失版;
S7、根据步骤S2--S5,对二类数据库缺失版中含有缺失数据信息的交通事故案例进行补充完善,并归类到二类数据库完整版中,再训练新的决策树模型库f3。
S8、在各个决策树模型库f1、决策树模型库f2和决策树模型库f3中的决策树模型在通过案例的已有信息对缺失的关键事故信息进行逆向推导后,记录关键事故信息及其精度,并根据关键事故信息的精度为关键事故信息设置对应决策树模型的推荐抽取概率;
S9、当二类数据库完整版中的交通事故案例达到预设数量要求时,对步骤S402中的事故案例抽取进行优化;所述优化的方式为:分别为一类数据库、二类数据库缺失版和二类数据库完整版设置抽取事故案例数量的权重比例,分别为X、Y、Z,且X+Y+Z=1,因此抽取数量分别为nX、nY、nZ,均取整数;以及再根据步骤S8中关键事故信息设置对应决策树模型的推荐抽取概率进行抽取事故案例。一类数据库中每个交通事故案例均对应有一个决策树模型,而决策树模型在一类数据库中的抽取概率根据关键事故信息的推荐抽取概率进行随机抽取,避免推导的缺失的关键事故信息过于片面,真实性过低。即使是同一个决策树模型,由于关键事故信息的不同,因此推荐抽取概率也是不同的。其优点就是随机性高,能够尽可能地模拟真实事故的信息。
通过案例进行说明:发现有一例乘用车碰撞二轮车事故有待补充的缺失信息(乘用车速度),通过采集步骤获取该案例中基本事故碰撞信息,输入到处理步骤。
处理步骤中,对已有信息缺失的关键事故信息进行调取分析,例如设定缺失的关键事故信息为车辆速度,则调用决策树模型库f1中决策点带有速度的决策树模型,调用的决策模型如下图3所示。
在处理步骤中对该决策树模型的相关数据信息进行调取,如表1。
表1乘用车速度缺失决策模型相关数据信息
处理步骤将以上决策模型与相关数据输入到决策步骤。
决策步骤中根据调用的决策树模型与相关数据进行事故关键未知信息的推导,若二轮车与乘用车的碰撞夹角(>0°),男性骑车人为中等身材(模型中则视为50th),WAD在1700mm~2100mm范围内,则流程如下:
(1)找出已知决策节点:决策点1(碰撞夹角>0°)、决策点2(50th);
(2)标出对应的决策分支:V_Car(未知)→≤50→Ini_Angle→>0°→V_Car(未知)→≤40→Size→50th→V_Car(未知);
(3)确定结果所对应分类等级:叶节点(1700mm<WAD≤2100mm→M);
(4)得出预测规则:V_Car(未知)≤50←Ini_Angle←>0°←V_Car(未知)≤40←Size←50th←V_Car(未知)>30←1700mm<WAD≤2100mm;
(5)确定未知关键参数范围:30<V_Car≤40。
随机在一类数据库、二类数据库缺失版和二类数据库完整版中抽取n例事故案例,其中各数据库对应推导关键事故信息的决策树模型,按关键事故信息对应的推荐抽取概率;提高随机性,尽可能模拟真实的交通事故数据。将案例涉及的已有信息和补充好的关键事故信息,分别输入决策树模型库f1、决策树模型库f2和决策树模型库f3中匹配对应的决策树模型中,输出各自的模型精度X;
对决策树分类结果,采用分类模型混淆矩阵的方式对模型精度进行计算:
根据各个决策树模型输出的模型精度Xf1i、Xf2i与Xf3i,进行模型精度平均值与/>进行计算:
仅存在决策树模型库f1、决策树模型库f2时,利用模型精度平均值对填充的关键事故信息的精度进行验证,当/>时验证通过。而存在决策树模型库f1、决策树模型库f2和决策树模型库f3时,利用下述公式计算:
本方案在有限证据下,通过将分析处理待补充信息案例的已有信息中缺失的关键事故信息,并根据关键事故信息匹配并调用决策树模型库中决策树模型的决策点带有关键事故信息的决策树模型;再将待补充信息案例的已有信息导入到决策树模型中,根据决策树模型的各个分支和决策节点进行逆向推导,快速获取缺失的关键事故信息关键信息的,解决了事故数据库中因资料不足而导致的关键信息缺失,以及缺失的关键信息不方便获取的问题。本方案还可基于大量真实交通事故数据进行数据的精确度计算,即验证模块的验证。可应用于交通事故数据库的未知信息的自动填充与准确度评价,特别对历史的交通事故案例的数据缺失的补充有较大的运用意义。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.一种有限证据下的事故未知信息快速重建方法,其特征在于,包括以下步骤:
S1、采集步骤:采集待补充信息案例的已有信息,所述已有信息包括基本事故碰撞信息、车辆信息及人员伤情信息;
S2、处理步骤:分析处理待补充信息案例的已有信息中缺失的关键事故信息,并根据关键事故信息匹配并调用决策树模型库中决策树模型的决策点带有关键事故信息的决策树模型;
S3、决策步骤:将待补充信息案例的已有信息导入到决策树模型中,根据决策树模型的各个分支和决策节点进行逆向推导,获取缺失的关键事故信息;
S4、验证步骤:将缺失的关键事故信息输入验证模块进行验证,验证通过则作为缺失的关键事故信息;
S5、将步骤S3中的决策树模型根据步骤S2中匹配出的决策树模型进行重复使用或替换,并循环步骤S3和步骤S4,直至待补充信息案例缺失的关键事故信息被补充完善。
2.根据权利要求1所述的一种有限证据下的事故未知信息快速重建方法,其特征在于:所述步骤S2中决策树模型库的建立包括以下步骤:
S201、获取交通事故案例数据库,并将交通事故案例数据库分为两类数据库,包括具有完整数据信息的一类数据库和含有缺失数据信息的二类数据库;
S202、基于一类数据库的案例分别建立决策树模型,并作为决策树模型库f1。
3.根据权利要求2所述的一种有限证据下的事故未知信息快速重建方法,其特征在于:所述决策树模型呈树状结构,包括若干决策规则分支,所述决策规则分支由节点和有向边组成,所述节点包含内部节点和叶子节点,所述内部节点表示一个特征或属性,细分为根节点和中间决策节点,根节点表示影响响应/分类最显著的特征;叶子节点则表示一个分类,也表示响应的水平或程度;有向边为当前节点流向下一层级节点时取值范围,也表示为参数取值范围;每条从根节点到叶子节点的分支路径均表示一个完整的预测或决策过程。
4.根据权利要求3所述的一种有限证据下的事故未知信息快速重建方法,其特征在于:所述验证模块进行验证时具体包括以下步骤:
S401、基于二类数据库建立决策树模型库f2;
S402、利用拉丁超立方采样规则,随机在一类数据库与二类数据库中抽取n例事故案例;根据抽取的n例事故案例分别从决策树模型库f1与决策树模型库f2中匹配对应的决策树模型;
S403、将待补充信息案例涉及的已有信息和补充好的关键事故信息,分别输入决策树模型库f1与决策树模型库f2中匹配对应的决策树模型中,输出各自的模型精度X;
精度计算方法如下:
对决策树分类结果,采用分类模型混淆矩阵的方式对模型精度进行计算:
TP真阳性:预测为阳性且预测正确,FP假阳性:预测为阳性且预测错误;
S404、根据各个决策树模型输出的模型精度Xf1i与Xf2i,进行模型精度平均值与/>进行计算:
利用模型精度平均值对填充的关键事故信息的精度进行验证,当/>时验证通过。
5.根据权利要求4所述的一种有限证据下的事故未知信息快速重建方法,其特征在于:还包括以下步骤:
S6、确定待补充信息案例最终补充的关键事故信息,并归类到二类数据库,且得到二类数据库完整版,原二类数据库为二类数据库缺失版;
S7、根据步骤S2--S5,对二类数据库缺失版中含有缺失数据信息的交通事故案例进行补充完善,并归类到二类数据库完整版中,再训练新的决策树模型库f3。
6.根据权利要求5所述的一种有限证据下的事故未知信息快速重建方法,其特征在于:还包括以下步骤:
S8、在各个决策树模型库f1、决策树模型库f2和决策树模型库f3中的决策树模型在通过案例的已有信息对缺失的关键事故信息进行逆向推导后,记录关键事故信息及其精度,并根据关键事故信息的精度为关键事故信息设置对应决策树模型的推荐抽取概率;
S9、当二类数据库完整版中的交通事故案例达到预设数量要求时,对步骤S402中的事故案例抽取进行优化;所述优化的方式为:分别为一类数据库、二类数据库缺失版和二类数据库完整版设置抽取事故案例数量的权重比例;以及再根据步骤S8中关键事故信息设置对应决策树模型的推荐抽取概率进行抽取事故案例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310679799.0A CN116720142A (zh) | 2023-06-08 | 2023-06-08 | 一种有限证据下的事故未知信息快速重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310679799.0A CN116720142A (zh) | 2023-06-08 | 2023-06-08 | 一种有限证据下的事故未知信息快速重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720142A true CN116720142A (zh) | 2023-09-08 |
Family
ID=87869217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310679799.0A Pending CN116720142A (zh) | 2023-06-08 | 2023-06-08 | 一种有限证据下的事故未知信息快速重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720142A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407258A (zh) * | 2016-08-24 | 2017-02-15 | 广东工业大学 | 一种缺失数据预测方法及装置 |
CN109035763A (zh) * | 2018-07-02 | 2018-12-18 | 东南大学 | 基于c4.5的高速公路事故主次因分析及事故类型判断方法 |
CN110555565A (zh) * | 2019-09-09 | 2019-12-10 | 南京东控智能交通研究院有限公司 | 基于决策树模型的高速路出口匝道事故严重程度预测方法 |
CN113470357A (zh) * | 2021-06-30 | 2021-10-01 | 中国汽车工程研究院股份有限公司 | 一种道路交通事故信息处理系统及处理方法 |
CN114970737A (zh) * | 2022-06-13 | 2022-08-30 | 中国第一汽车股份有限公司 | 一种事故原因确定方法、装置、设备及存储介质 |
CN115659265A (zh) * | 2022-10-25 | 2023-01-31 | 上海应用技术大学 | 一种交通事故预测模型建立方法及模型特征分析方法 |
DE202023100243U1 (de) * | 2023-01-18 | 2023-02-03 | Chinni Hima Bindu | Ein System, das auf einem maschinellen Lernalgorithmus basiert, um ein Vorhersagemodell für Unfälle zu erstellen |
-
2023
- 2023-06-08 CN CN202310679799.0A patent/CN116720142A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407258A (zh) * | 2016-08-24 | 2017-02-15 | 广东工业大学 | 一种缺失数据预测方法及装置 |
CN109035763A (zh) * | 2018-07-02 | 2018-12-18 | 东南大学 | 基于c4.5的高速公路事故主次因分析及事故类型判断方法 |
CN110555565A (zh) * | 2019-09-09 | 2019-12-10 | 南京东控智能交通研究院有限公司 | 基于决策树模型的高速路出口匝道事故严重程度预测方法 |
CN113470357A (zh) * | 2021-06-30 | 2021-10-01 | 中国汽车工程研究院股份有限公司 | 一种道路交通事故信息处理系统及处理方法 |
CN114970737A (zh) * | 2022-06-13 | 2022-08-30 | 中国第一汽车股份有限公司 | 一种事故原因确定方法、装置、设备及存储介质 |
CN115659265A (zh) * | 2022-10-25 | 2023-01-31 | 上海应用技术大学 | 一种交通事故预测模型建立方法及模型特征分析方法 |
DE202023100243U1 (de) * | 2023-01-18 | 2023-02-03 | Chinni Hima Bindu | Ein System, das auf einem maschinellen Lernalgorithmus basiert, um ein Vorhersagemodell für Unfälle zu erstellen |
Non-Patent Citations (4)
Title |
---|
ADDI AIT-MLOUK ET AL.: "Application of Big Data Analysis with Decision Treefor Road Accident", INDIAN JOURNAL OF SCIENCE AND TECHNOLOGY, vol. 10, no. 29, 28 February 2017 (2017-02-28), pages 1 - 10 * |
吴郁;张金奋;范存龙;胡卫东;: "基于随机森林的船舶碰撞事故缺失数据插补", 武汉理工大学学报(交通科学与工程版), no. 06, 15 December 2019 (2019-12-15) * |
张忠海;赵颖磊;: "客船航行安全隐患风险等级评估", 大连海事大学学报, no. 1, 15 June 2009 (2009-06-15) * |
钱超;陈建勋;罗彦斌;代亮;: "基于随机森林的公路隧道运营缺失数据插补方法", 交通运输系统工程与信息, no. 03, 15 June 2016 (2016-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704682B (zh) | 一种基于视频多维特征智能推荐背景音乐的方法及系统 | |
CN111274814B (zh) | 一种新型的半监督文本实体信息抽取方法 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN105809193A (zh) | 一种基于kmeans算法的非法运营车辆的识别方法 | |
CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
CN110620760A (zh) | 一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置 | |
CN112613321A (zh) | 一种抽取文本中实体属性信息的方法及系统 | |
CN111488501A (zh) | 一种基于云平台的电商统计系统 | |
CN114266740A (zh) | 一种中药饮片质检方法、装置、设备及存储介质 | |
CN106815209B (zh) | 一种维吾尔文农业技术术语识别方法 | |
CN112992187B (zh) | 基于上下文的语音情感检测方法、装置、设备及存储介质 | |
CN106294315A (zh) | 基于句法特性与统计融合的自然语言谓语动词识别方法 | |
CN112101274B (zh) | 一种车牌识别方法、装置、设备及可读存储介质 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别系统 | |
CN116721552B (zh) | 一种非机动车超速识别记录方法、装置、设备及存储介质 | |
CN116720142A (zh) | 一种有限证据下的事故未知信息快速重建方法 | |
CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 | |
CN110363198A (zh) | 一种神经网络权重矩阵拆分与组合的方法 | |
CN115713669A (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
CN114443930A (zh) | 一种新闻舆情智能监测分析方法、系统及计算机存储介质 | |
CN110225025B (zh) | 异常网络数据行为模型的获取方法、装置、电子设备及存储介质 | |
CN112257869A (zh) | 基于随机森林的套牌车分析方法、系统及计算机介质 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN111242307A (zh) | 基于深度学习的裁判结果获取方法、装置及存储介质 |
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 |