[發明專利]事故黑點鑒別優化方法

無效

• 申請號: 201010145785.3
• 申請日: 2010-04-09
• 公開（公告）號: CN101833610A
• 公開（公告）日: 2010-09-15
• 發明（設計）人: 賀玉龍;孫小端;鐘小明;陳永勝;張杰;徐婷;侯樹展;王華榮;王一祎;連嘉;王超
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

技術領域

本發明涉及事故黑點鑒別的優化方法，設計和實現了基于多元回歸經驗貝葉斯安全評價方法。屬于交通安全領域。

背景技術

事故黑點鑒別優化方法是公路交通安全的一個重要的關鍵技術。目前我國在這方面的研究水平參差不齊。現在國內采用的事故黑點的鑒別方法很多，而人們普遍采用的方法為經驗貝葉斯方法，因為貝葉斯方法全面考慮了事故影響因素，由此得到的期望事故數更準確，有利于事故多發點的鑒別。

1992年Hauer提出利用經驗貝葉斯法可以克服觀測到的交通事故的回歸效應。經驗貝葉斯法通過貝葉斯理論與反映道路安全水平的信息相結合來評價道路安全水平，反映道路安全水平的信息包括：與研究道路有相同特征的參照道路；研究道路以往的安全狀況。經驗貝葉斯法將未知的概率分布參數(例如事故數的期望值Λ)看成是其本身具有概率分布的隨機變量，確定了參數的概率分布，就可以通過分布的均值來預測參數的數值。確定未知參數的概率分布需要兩步，第一步，在未知參數的相關數據的情況下，確定參數的事前分布；第二步，依據參數的相關數據，利用經驗貝葉斯法將事前分布轉化為事后分布(其中，事前分布是得到樣本信息之前的概率分布；把樣本信息與事前分布相結合的概率分布稱為事后分布)。

在利用經驗貝葉斯法進行安全評價時會遇到的問題是需要找到足夠的參照道路，才能獲得可信的事前分布的參數估計。我們必須嚴格的挑選參照道路單元，以確保參照道路單元與我們要研究其安全性的道路單元具有相同特征，相似性要求越高，找到足夠相似道路單元的難度就越大，實際上，這種高度相似的道路單元很難達到足夠大的數量。鑒于以上問題，如何克服經驗貝葉斯法需要大量道路單元數據的缺陷，是進行事故黑點鑒別亟需解決的問題。

發明內容

基于以上分析，本發明設計了多元回歸經驗貝葉斯法來解決這一問題。多元回歸經驗貝葉斯法是在經驗貝葉斯法的基礎上進行了改進，利用構建事故模型來獲得事前分布的均值和方差，從而克服了經驗貝葉斯法需要大量參照道路單元的缺陷。可以利用同類的而不必具有完全相同特征的道路單元，借助多元回歸方法建立事故回歸模型，目的是探尋因變量與自變量在自變量取值范圍內的系統的關系。就事故回歸模型來說，因變量是某一道路單元某一時期內的事故數的期望值，自變量是反映道路單元的交通和道路特征的量。然后就可以利用事故數的期望值和方差得到事前分布的參數，從而確定事前分布。這樣對于任何我們要研究的道路單元都能找到其相應參照道路單元，然后再利用其自身特征加以修正。

本發明的技術思路特征為：

1.利用事故模型來獲得事前分布的均值和方差，從而克服了經驗貝葉斯法需要大量參照道路單元的缺陷。

2.把經驗貝葉斯法的E(Λ|Y＝y)＝ω×u+(1-ω)×y轉化為E(Λ|Y＝y)＝u+(1-ω)(y-u)，其中u表征預測的事故數，y表征為道路單元內每年每公里的交通事故數，ω為權重系數(0＜ω＜1)，這樣得到的E(Λ|Y＝y)(表征為安全服務水平高低，即估計的期望事故數)可以由預測的事故數u和修正項(1-ω)(y-u)決定，而修正項(1-ω)(y-u)由y決定，這樣我們由多元回歸經驗貝葉斯法得到的安全水平大小就可以明顯的看出是由預測值和對預測值的修正項兩部分得出，可以看出對預測值修正了多少，其結果更加精準。

以下為本發明的技術思路特征及具體方案的詳細說明(圖1)。

1.第一階段：事前分布(構建事故模型)

本階段不同于以往的經驗貝葉斯安全評價方法的地方在于以往的經驗貝葉斯安全評價方法的事前分布是通過調查大量道路的數據后得出期望和方差，代入公式(1)中的期望u＝E(Λ)表征為安全服務水平高低，即估計的期望事故數；方差u²/k＝Var(Λ)表征為期望事故數的離散程度。k為過離散參數。得出的事前分布：