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

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β_jn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β_jn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

基于单车交通事故数据库的交通事故严重程度评估方法

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β_jn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β_jn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：

U_jn＝V_jn+ε_jn＝β_jnx_jn

V_jn＝β_j1x_jn1年β_j2x_jn2+…+β_jPx_jnP＝β_jnX_jn

其中，U_jn效用函数，V_jn为自变量的线性函数形式来表示；ε_jn为分别误差项；β_jn表示自变量参数估计值，x_jn表示对应自变量取值，

为满足效用函数最大化，当U_in＞U_jn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：

P_n(i)＝P(U_in＞U_jn)

＝P{(V_in+ε_in)＞(V_jn+ε_jn)}

＝P(ε_jn-ε_in＜V_in-V_jn)

假设随机效用函数中的误差部分ε_jn和ε_in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β_jn的参数估计建立的模型表示为：

β_jn＝β_j+γ_jmZ_jm+σ_jmEXP(ω_jmW_jm)δ_jm

其中，β_j表示在所有事故中参数估计的均值，Z_jm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，γ_jm为Z_jm的参数估计向量，W_jm表示捕捉影响事故严重程度的σ_jm的异质性，δ_jm表示事故严重程度的干扰项，ω_jm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β_jn；

(2)确定的统计估计值/>

(3)确定似然函数

其中，N为样本容量，δ_in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：

U_jn＝V_jn+ε_jn＝β_jnx_jn

V_jn＝β_j1x_jn1+β_j2x_jn2+…+β_jPx_jnP＝β_jnX_jn

其中，U_jn效用函数，V_jn为自变量的线性函数形式来表示；ε_jn为分别误差项；β_jn表示自变量参数估计值，x_jn表示对应自变量取值，

为满足效用函数最大化，当U_in＞U_jn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：

P_n(i)＝P(U_in＞U_jn)

＝P{(V_in+ε_in)＞(V_jn+ε_jn)}

＝P(ε_jn-ε_in＜V_in-V_jn)

假设随机效用函数中的误差部分ε_jn和ε_in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β_jn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β_jn的参数估计推导公式如下：

β_jn＝β_j+γ_jmZ_jm+σ_jmEXP(ω_jmW_jm)δ_jm

其中，β_j表示在所有事故中参数估计的均值，Z_jm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，γ_jm为Z_jm的参数估计向量，W_jm表示捕捉影响事故严重程度的σ_jm的异质性，δ_jm表示事故严重程度的干扰项，ω_jm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β_jn。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，δ_in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β_jn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β_jn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：

U_jn＝V_jn+ε_jn

V_jn＝β_j1x_jn1+β_j2x_jn2+…+β_jPx_jnP＝β_jnX_jn

其中，U_jn效用函数，V_jn为自变量的线性函数形式来表示；ε_jn为分别误差项；β_jn表示自变量参数估计值，x_jn表示对应自变量取值，

为满足效用函数最大化，当U_in>U_jn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：

P_n(i)＝P(U_in>U_jn)

＝P{(V_in+ε_in)>(V_jn+ε_jn)}

＝P(ε_jn-ε_in＜V_in-V_jn)

假设随机效用函数中的误差部分ε_jn和ε_in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β_jn的参数估计建立的模型表示为：

β_jn＝β_j+γ_jmZ_jm+σ_jmEXP(ω_jmW_jm)δ_jm

其中，β_j表示在所有事故中参数估计的均值，Z_jm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，γ_jm为Z_jm的参数估计向量，W_jm表示捕捉影响事故严重程度的σ_jm的异质性，δ_jm表示事故严重程度的干扰项，ω_jm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β_jn；

(2)确定的统计估计值/>

(3)确定似然函数

其中N为样本容量，δ_in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