[發明專利]一種適于大數據的交通安全影響因素辨識方法

有效

• 申請號: 201910347945.3
• 申請日: 2019-04-28
• 公開（公告）號: CN110119891B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 巫威眺;江書妍;靳文舟
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/30;G06N20/00;G08G1/01
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;黃海波

1.一種適于大數據的交通安全影響因素辨識方法，其特征在于，包括以下步驟：

S1、通過對現階段交通安全狀況進行分析，識別潛在交通安全影響因素并進行有效數據的采集；具體從社會經濟、人口特征和道路網絡三大相關影響因素出發，識別潛在交通安全影響因素并進行有效數據的采集；所述的社會經濟相關影響因素包括：國民生產總值，人均國民生產總值，第一、二、三產業生產總值，客運量，貨運量，小、中、大型汽車保有量，小、中、大型貨車保有量和摩托車保有量；

所述人口特征相關影響因素包括：總人口數，市區人口，戶籍人口，外來人口以及駕駛人數量；

所述道路網絡相關影響因素包括：高速公路里程，一、二、三、四級道路里程，等外公路里程，總里程和路網密度；

S2、分別以交通事故數、經濟損失、受傷人數以及死亡人數作為因變量建立梯度提升決策樹模型；建立梯度提升決策樹模型具體包括：

步驟S201：根據數據特征對測試集以及訓練集進行相關定義；

步驟S202：初始化學習機器：

其中，argmin代表的是求取使目標函數取最小值時的變量值，ρ代表的是使損失函數極小化的估計常數值，是一棵根節點為1的回歸樹，而L(y_i,ρ)為均方誤差損失函數，x_i定義為所選定的交通安全指標第_i年的數據，如交通事故數、經濟損失、受傷人數等；y_i則被定義為潛在影響因素第i年的數據；

步驟S203：計算殘差，并且在計算過程中利用損失函數的負梯度在當前模型的值來作為殘差的近似值：

其中，m代表迭代次數且m＝1,2,....M，M則代表決策樹的總量；

步驟S204：擬合一棵含有j個葉子節點的回歸樹：

其中，R_jm代表葉子節點可能節點值，則代表y_i的負梯度值；

步驟S205：估計回歸樹葉子節點γ_jm的值：

步驟S206：得到本輪迭代所得學習機器：

其中，I代表x_i的判斷函數，

步驟S207：繼續進行多輪迭代，得到最終的決策模型：

S3、使用窮舉法獲取最優梯度提升決策樹模型性能參數組合；

S4、分別使用最優梯度提升決策樹模型性能參數組合計算各個因素對交通事故數、經濟損失、受傷人數以及死亡人數的相對重要性，并進行排序；

S5、建立偏效應函數，對重要影響因素進行偏效應分析，從而辨識出用于改善交通安全的交通安全影響因素。

2.根據權利要求1所述的適于大數據的交通安全影響因素辨識方法，其特征在于所述步驟S3具體包括：

使用窮舉法，根據不同組合的模型性能參數，建立了一系列的梯度提升決策樹模型，并使用相應的評判指標，計算不同參數組合情況下模型的預測精準度，并選取誤差值最小的模型作為最優梯度提升決策樹模型。

3.根據權利要求2所述的適于大數據的交通安全影響因素辨識方法，其特征在于，所述計算不同參數組合情況下模型的預測精準度，并選取誤差值最小的模型作為最優梯度提升決策樹模型時，使用平均絕對百分比誤差(MAPE)作為模型的預測精準度的評判指標，計算不同參數組合情況下模型的預測精準度，并選取獲得MAPE最小值的模型作為最優梯度提升決策樹模型，所述平均絕對百分比誤差的定義如下：

其中，n代表預測的年份總數，O_i代表第i年的因變量實際值，代表同年的因變量預測值。

4.根據權利要求1所述的適于大數據的交通安全影響因素辨識方法，其特征在于，所述步驟S5中，所述偏效應函數通過最優梯度提升決策樹模型的局部依賴圖來描述各個重要影響因素的偏效應。