CN117033891A - 基于单车交通事故数据库的交通事故严重程度评估方法 - Google Patents
基于单车交通事故数据库的交通事故严重程度评估方法 Download PDFInfo
- Publication number
- CN117033891A CN117033891A CN202311019680.7A CN202311019680A CN117033891A CN 117033891 A CN117033891 A CN 117033891A CN 202311019680 A CN202311019680 A CN 202311019680A CN 117033891 A CN117033891 A CN 117033891A
- Authority
- CN
- China
- Prior art keywords
- traffic accident
- accident
- severity
- random
- traffic
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 208000012260 Accidental injury Diseases 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 208000027418 Wounds and injury Diseases 0.000 claims description 15
- 230000006378 damage Effects 0.000 claims description 15
- 230000034994 death Effects 0.000 claims description 15
- 208000014674 injury Diseases 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 3
- 208000037974 severe injury Diseases 0.000 claims description 3
- 230000009528 severe injury Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种基于单车交通事故数据库的交通事故严重程度评估方法,包括步骤:S1.基于单车交通事故数据库建立单车事故严重度结果的随机效用函数,S2.对于βjn引入正态分布用于事故伤害严重程度数据的分析,S3.为捕捉影响交通事故的随机参数的均值和方差异质性问题,对βjn的参数估计,S4.对建立的影响交通事故的随机参数logit模型的概率密度函数的模拟求解。本发明通过结合均值和方差异质性随机参数logit模型的模拟求解的方法,解决了单车事故数据中存在的异质性问题。
Description
技术领域
本发明涉及交通事故评估模型相关技术领域,尤其涉及一种基于单车交通事故数据库的交通事故严重程度评估方法。
背景技术
随着社会经济飞速发展,道路交通基础设施随之进一步改善,人民生活水平也在不断提高。近几年来道路交通事故数量不断增加,其中交通事故致死人数处于一个平稳状态,但事故受伤人数却不断增加。为降低交通事故发生的可能性,对单车事故形成机理及异质性问题的研究是非常有必要的。
在已有的交通事故严重程度评估模型系统中,多数采用简单离散选择模型,未能捕捉单车事故数据中的异质性问题。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种基于单车交通事故数据库的交通事故严重程度评估方法,包括步骤:
S1.基于单车交通事故数据库建立单车事故严重程度结果的随机效用函数,
S2.对于βjn引入正态分布用于事故伤害严重程度数据的分析,
S3.为捕捉影响交通事故的随机参数的均值和方差异质性问题,对βjn的参数估计,
S4.对建立的影响交通事故的随机参数logit模型的概率密度函数的模拟求解。
进一步地,所述随机效用函数,可分别表示为:
Ujn=Vjn+εjn=βjnxjn
Vjn=βj1xjn1年βj2xjn2+…+βjPxjnP=βjnXjn
其中,Ujn效用函数,Vjn为自变量的线性函数形式来表示;εjn为分别误差项;βjn表示自变量参数估计值,xjn表示对应自变量取值,
为满足效用函数最大化,当Uin>Ujn时,该起交通事故被预测为死亡事故,则第n起交通事故预测为死亡事故的概率可以表示为:
Pn(i)=P(Uin>Ujn)
=P{(Vin+εin)>(Vjn+εjn)}
=P(εjn-εin<Vin-Vjn)
假设随机效用函数中的误差部分εjn和εin相互独立且服从广义极值分布,则标准多项式Logit模型交通事故为死亡事故的概率分布表示为:
其中,I为受伤严重程度的集合。
进一步地,所述受伤严重程度的集合分为无伤、重伤和死亡三种,其中,
I为1时,表示无伤,
I为2时,表示重伤,
I为3时,表示死亡。
进一步地,对于事故伤害严重程度数据分析采用概率密度函数,表示为:
其中:为β的概率密度函数;/>是描述概率密度函数的参数向量。
进一步地,对βjn的参数估计建立的模型表示为:
βjn=βj+γjmZjm+σjmEXP(ωjmWjm)δjm
其中,βj表示在所有事故中参数估计的均值,Zjm表示在事故严重程度j中捕捉响事故严重程度的平均值的异质性,γjm为Zjm的参数估计向量,Wjm表示捕捉影响事故严重程度的σjm的异质性,δjm表示事故严重程度的干扰项,ωjm表示事故严重程度j中捕捉响事故严重程度的方差的异质性。
进一步地,对影响交通事故的随机参数logit模型的概率密度函数的模拟求解采用极大模拟似然估计法。
进一步地,模拟求解的步骤为:
(1)确定随机参数抽样方法
假定模型中的随机参数服从正态分布,通过Halton抽样的抽样方法从分布中随机产生R个互不相干的随机向量βjn;
(2)确定的统计估计值/>
(3)确定似然函数
其中,N为样本容量,δin为指示变量,对应取值如下:
(4)采用牛顿迭代法,利用最大似然估计法进行参数估计,将仿真概率代入似然函数中,通过最大化似然函数值计算得到未知参数
本发明具有以下有益效果:
本发明所提出的结合了均值和方差异质性随机参数logit模型的模拟求解的方法,对于随机参数logit模型与其他离散模型相比较,可更好地捕捉数据异质性问题,因此,对于单车事故发生后,调研统计时可能存在查漏问题,以及事故因素间是否存在较强关联度,对影响交通事故的随机参数logit模型的提出均可更好地解决单车事故中的异质性问题。
附图说明
图1为本发明的交通事故严重程度评估方法的流程图。
具体实施方式
以下将结合附图,对本发明的基于单车交通事故数据库的交通事故严重程度评估方法进行进一步地详细说明。
本发明的提供一种考虑均值和方差异质性随机参数logit评估模型,目的在于全国事故数据建立一个单车事故数据库与交通事故严重程度评估推理的方法。
为本发明采用以下技术方案实现上述目的:
第一步,影响交通事故的随机参数logit模型自变量估计值可随事故观测样本变化,同多项式logit模型不同的是其不受“IIA”假设的限制。单车事故严重度的模型估计结果是事故因素共同作用的影响结果。因此,单车事故严重程度结果的随机效用函数可分别表示为:
Ujn=Vjn+εjn=βjnxjn
Vjn=βj1xjn1+βj2xjn2+…+βjPxjnP=βjnXjn
其中,Ujn效用函数,Vjn为自变量的线性函数形式来表示;εjn为分别误差项;βjn表示自变量参数估计值,xjn表示对应自变量取值,
为满足效用函数最大化,当Uin>Ujn时,该起交通事故被预测为死亡事故,则第n起交通事故预测为死亡事故的概率可以表示为:
Pn(i)=P(Uin>Ujn)
=P{(Vin+εin)>(Vjn+εjn)}
=P(εjn-εin<Vin-Vjn)
假设随机效用函数中的误差部分εjn和εin相互独立且服从广义极值分布,则标准多项式Logit模型交通事故为死亡事故的概率分布表示为:
其中,I为受伤严重程度的集合。
所述受伤严重程度的集合分为无伤、重伤和死亡三种,其中,
I为1时,表示无伤,
I为2时,表示重伤,
I为3时,表示死亡。
在上述概率分布中可以取值I=3。
第二步,为解释单车事故中可能存在的异质性问题,因此对于βjn引入正态分布、三角分布、均匀分布等,以往的研究证明正态分布最适合用于事故伤害严重程度数据的分析,则给定的事故伤害严重程度概率密度函数可表示为:
其中:为β的概率密度函数;/>是描述概率密度函数以及考虑均值或方差的随机参数的参数向量。
第三步,同时为捕捉影响交通事故的随机参数的均值和方差异质性问题,对于βjn的参数估计推导公式如下:
βjn=βj+γjmZjm+σjmEXP(ωjmWjm)δjm
其中,βj表示在所有事故中参数估计的均值,Zjm表示在事故严重程度j中捕捉响事故严重程度的平均值的异质性,γjm为Zjm的参数估计向量,Wjm表示捕捉影响事故严重程度的σjm的异质性,δjm表示事故严重程度的干扰项,ωjm表示事故严重程度j中捕捉响事故严重程度的方差的异质性。
第四步,对建立的影响交通事故的随机参数logit模型的概率密度函数的模拟求解,由于影响交通事故的随机参数logit模型为离散选择模型,导致模型无固定的积分形式,似然函数的求解过程非常复杂,因此通常采用仿真确定模拟参数并计算选择概率。一般采用极大模拟似然估计法对随机参数logit模型的概率密度函数进行求解,其主要思想是基于不同的事故数据样本进行多次抽样并计算其概率密度函数值,以模拟概率均值作为积分近似解。求解的模拟的步骤如下:
(1)确定影响交通事故的随机参数抽样方法
假定模型中的随机参数服从正态分布,一般为正态分布、对数正态分布、均匀分布和三角分布等,通过确定的抽样方法从分布中随机产生R个互不相干的随机向量βjn。在相同的抽样次数条件下,Halton抽样相比于随机抽样方法的抽样时间较短,结果准确精度高。因此,选用Halton抽样方法作为本发明的随机参数的抽样方法。
(2)确定的统计估计值/>
(3)确定似然函数
其中,N为样本容量,δin为指示变量,对应取值如下:
(4)采用牛顿迭代法,利用最大似然估计法进行参数估计,将仿真概率代入似然函数中,通过最大化似然函数值计算得到未知参数
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
Claims (7)
1.一种基于单车交通事故数据库的交通事故严重程度评估方法,其特征在于,包括步骤:
S1.基于单车交通事故数据库建立单车事故严重程度结果的随机效用函数,
S2.对于βjn引入正态分布用于事故伤害严重程度数据的分析,
S3.为捕捉影响交通事故的随机参数的均值和方差异质性问题,对βjn的参数估计,
S4.对建立的影响交通事故的随机参数logit模型的概率密度函数的模拟求解。
2.根据权利要求1所述的基于单车交通事故数据库的交通事故严重程度评估方法,其特征在于,所述随机效用函数,可分别表示为:
Ujn=Vjn+εjn
Vjn=βj1xjn1+βj2xjn2+…+βjPxjnP=βjnXjn
其中,Ujn效用函数,Vjn为自变量的线性函数形式来表示;εjn为分别误差项;βjn表示自变量参数估计值,xjn表示对应自变量取值,
为满足效用函数最大化,当Uin>Ujn时,该起交通事故被预测为死亡事故,则第n起交通事故预测为死亡事故的概率可以表示为:
Pn(i)=P(Uin>Ujn)
=P{(Vin+εin)>(Vjn+εjn)}
=P(εjn-εin<Vin-Vjn)
假设随机效用函数中的误差部分εjn和εin相互独立且服从广义极值分布,则标准多项式Logit模型交通事故为死亡事故的概率分布表示为:
其中,I为受伤严重程度的集合。
3.根据权利要求2所述的基于单车交通事故数据库的交通事故严重程度评估方法,其特征在于,所述受伤严重程度的集合分为无伤、重伤和死亡三种,其中,
I为1时,表示无伤,
I为2时,表示重伤,
I为3时,表示死亡。
4.根据权利要求1所述的基于单车交通事故数据库的交通事故严重程度评估方法,其特征在于,对于事故伤害严重程度数据分析采用概率密度函数,表示为:
其中:为β的概率密度函数;/>是描述概率密度函数的参数向量。
5.根据权利要求1所述的基于单车交通事故数据库的交通事故严重程度评估方法,其特征在于,对βjn的参数估计建立的模型表示为:
βjn=βj+γjmZjm+σjmEXP(ωjmWjm)δjm
其中,βj表示在所有事故中参数估计的均值,Zjm表示在事故严重程度j中捕捉响事故严重程度的平均值的异质性,γjm为Zjm的参数估计向量,Wjm表示捕捉影响事故严重程度的σjm的异质性,δjm表示事故严重程度的干扰项,ωjm表示事故严重程度j中捕捉响事故严重程度的方差的异质性。
6.根据权利要求1所述的基于单车交通事故数据库的交通事故严重程度评估方法,其特征在于,对随机参数logit模型的概率密度函数的模拟求解采用极大模拟似然估计法。
7.根据权利要求6所述的基于单车交通事故数据库的交通事故严重程度评估方法,其特征在于,模拟求解的步骤为:
(1)确定影响交通事故的随机参数抽样方法
假定模型中的随机参数服从正态分布,通过Halton抽样的抽样方法从分布中随机产生R个互不相干的随机向量βjn;
(2)确定的统计估计值/>
(3)确定似然函数
其中N为样本容量,δin为指示变量,对应取值如下:
(4)采用牛顿迭代法,利用最大似然估计法进行参数估计,将仿真概率代入似然函数中,通过最大化似然函数值计算得到未知参数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311019680.7A CN117033891A (zh) | 2023-08-14 | 2023-08-14 | 基于单车交通事故数据库的交通事故严重程度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311019680.7A CN117033891A (zh) | 2023-08-14 | 2023-08-14 | 基于单车交通事故数据库的交通事故严重程度评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117033891A true CN117033891A (zh) | 2023-11-10 |
Family
ID=88627657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311019680.7A Pending CN117033891A (zh) | 2023-08-14 | 2023-08-14 | 基于单车交通事故数据库的交通事故严重程度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033891A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648539A (zh) * | 2024-01-30 | 2024-03-05 | 山东理工大学 | 一种农村公路交通事故严重程度评价方法 |
-
2023
- 2023-08-14 CN CN202311019680.7A patent/CN117033891A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648539A (zh) * | 2024-01-30 | 2024-03-05 | 山东理工大学 | 一种农村公路交通事故严重程度评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832225A (zh) | 一种构建汽车行驶工况的方法 | |
CN111273623B (zh) | 基于Stacked LSTM的故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN117033891A (zh) | 基于单车交通事故数据库的交通事故严重程度评估方法 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
CN114970943B (zh) | 一种高速公路事故类型与严重程度预测方法 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
Sheikh et al. | A complex network analysis approach for estimation and detection of traffic incidents based on independent component analysis | |
CN111858340A (zh) | 一种基于稳定性变换的深度神经网络测试数据生成方法 | |
CN110562261A (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN112836967B (zh) | 新能源汽车电池安全风险评估系统 | |
CN113989179B (zh) | 基于目标检测算法的列车轮对踏面缺陷检测方法及系统 | |
CN111695288A (zh) | 一种基于Apriori-BP算法的变压器故障诊断方法 | |
CN117591986A (zh) | 基于人工智能的汽车数据实时处理方法 | |
CN115630280A (zh) | 一种基于ceemd多尺度散布熵与pso-elm的滚动轴承故障诊断方法 | |
CN117152072A (zh) | 一种基于两阶段特征金字塔网络的遥感图像变化检测方法 | |
CN112287461A (zh) | 基于高斯过程回归的汽车驾驶模拟器制动系统建模方法 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN110020686A (zh) | 一种基于群智感知传感数据的路面异常检测方法 | |
CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
CN112285541A (zh) | 一种电流频率转换电路的故障诊断方法 | |
CN115288994B (zh) | 一种基于改进dcgan的压缩机异常状态检测方法 | |
CN117689114A (zh) | 一种面向地下水的污染监测系统 |
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 |