[發(fā)明專利]一種適于大數(shù)據(jù)的交通安全影響因素辨識(shí)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910347945.3
• 申請(qǐng)日: 2019-04-28
• 公開(kāi)（公告）號(hào): CN110119891B
• 公開(kāi)（公告）日: 2022-12-16
• 發(fā)明（設(shè)計(jì)）人: 巫威眺;江書(shū)妍;靳文舟
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q50/30;G06N20/00;G08G1/01
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 何淑珍;黃海波

本發(fā)明公開(kāi)了一種適于大數(shù)據(jù)的交通安全影響因素辨識(shí)方法，包括步驟：S1、通過(guò)分析識(shí)別潛在交通安全影響因素并進(jìn)行有效數(shù)據(jù)的采集；S2、分別以交通事故數(shù)、經(jīng)濟(jì)損失、受傷人數(shù)以及死亡人數(shù)作為因變量建立梯度提升決策樹(shù)模型；S3、使用窮舉法獲取最優(yōu)性能參數(shù)組合；S4、分別使用最優(yōu)梯度提升決策樹(shù)模型性能參數(shù)組合計(jì)算各個(gè)因素對(duì)交通事故數(shù)、經(jīng)濟(jì)損失、受傷人數(shù)以及死亡人數(shù)的相對(duì)重要性，并進(jìn)行排序；S5、建立偏效應(yīng)函數(shù)，對(duì)重要影響因素進(jìn)行偏效應(yīng)分析，從而辨識(shí)出用于改善交通安全的交通安全影響因素。本發(fā)明有助于了解經(jīng)濟(jì)發(fā)展，人口特征和道路網(wǎng)絡(luò)對(duì)區(qū)域交通事故的共同影響，有助于決策者采取綜合對(duì)策來(lái)改善道路安全。

技術(shù)領(lǐng)域

本發(fā)明涉及交通安全領(lǐng)域，具體涉及一種適于大數(shù)據(jù)的交通安全影響因素辨識(shí)方法。

背景技術(shù)

近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的飛速發(fā)展，交通安全問(wèn)題日益突出，逐漸引起了國(guó)內(nèi)外社會(huì)各界專家的廣泛關(guān)注，成為目前交通管理部門必須面對(duì)的重點(diǎn)和難點(diǎn)問(wèn)題。而改善交通安全問(wèn)題的關(guān)鍵就是交通安全影響因素的辨識(shí)，從源頭探尋正確而有效的交通安全改善措施。因此，各國(guó)學(xué)者紛紛投身于交通安全的影響因素的研究，探討交通事故的嚴(yán)重程度與駕駛行為、國(guó)民生產(chǎn)總值、人口與車輛保有量等因素之間的研究，還對(duì)對(duì)摩托車和卡車事故等特殊交通事故的影響因素進(jìn)行了大量研究。而從研究方法上來(lái)看，主流方法可以大致分為兩類：統(tǒng)計(jì)回歸模型以及機(jī)器學(xué)習(xí)。前者包括負(fù)二項(xiàng)回歸模型，向量自回歸模型，立方回歸模型，邏輯回歸模型，多元邏輯回歸模型等。另一方面，機(jī)器學(xué)習(xí)方法的原理是在沒(méi)有先驗(yàn)數(shù)據(jù)的前提下，為輸入變量和輸出變量構(gòu)建一個(gè)非線性關(guān)系。其中，人工神經(jīng)網(wǎng)絡(luò)模型廣泛應(yīng)用于許多運(yùn)輸領(lǐng)域，因?yàn)樗鼈兡軌蛱幚矶鄠€(gè)數(shù)據(jù)集合之間的復(fù)雜關(guān)系。然而，人工神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)是局部最小值和參數(shù)化問(wèn)題，以及過(guò)度擬合的問(wèn)題。此外，需要大量的訓(xùn)練樣本以便提供良好的概括性能。支持向量機(jī)是另一種機(jī)器學(xué)習(xí)方法。支持向量機(jī)有可能克服神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，并能夠處理非線性，小樣本，高維度，局部最小值和過(guò)擬合等問(wèn)題

然而，這些模型的一個(gè)最為關(guān)鍵的問(wèn)題就是：無(wú)法評(píng)估各個(gè)預(yù)測(cè)變量之間對(duì)交通事故的相對(duì)影響。充分了解影響因素對(duì)交通事故的相對(duì)重要性有助于預(yù)測(cè)和改善未來(lái)的交通安全。此外，識(shí)別和排列影響因素可以幫助節(jié)省成本，因?yàn)閿?shù)據(jù)采集和維護(hù)費(fèi)用通常很昂貴。盡管可以進(jìn)行靈敏度分析來(lái)進(jìn)行識(shí)別，但是只能做到每次評(píng)估一個(gè)變量時(shí)假設(shè)其他變量保持不變，無(wú)法做到影響因素之間復(fù)雜相互作用效應(yīng)的識(shí)別。另一方面，大多數(shù)關(guān)于交通事故分析的現(xiàn)有研究?jī)H考慮有限數(shù)量的影響因素。交通事故是不同交織因素的結(jié)果。經(jīng)濟(jì)發(fā)展，人口特征和道路網(wǎng)絡(luò)是了解區(qū)域社會(huì)狀況的關(guān)鍵因素。他們的相互作用在包括城市規(guī)劃，交通和社會(huì)科學(xué)在內(nèi)的各個(gè)領(lǐng)域都很普遍和重要。例如，社會(huì)人口統(tǒng)計(jì)與流動(dòng)模式和經(jīng)濟(jì)發(fā)展密切相關(guān)。社會(huì)經(jīng)濟(jì)因素與車輛保有量和潛在的碰撞風(fēng)險(xiǎn)密切相關(guān)。因此迫切需要探索社會(huì)經(jīng)濟(jì)、人口特征和道路網(wǎng)絡(luò)相關(guān)的各種因素將在宏觀層面上如何對(duì)道路安全性能產(chǎn)生影響。

發(fā)明內(nèi)容

本發(fā)明的目的是為了能夠同時(shí)分析社會(huì)經(jīng)濟(jì)、人口特征和道路網(wǎng)絡(luò)相關(guān)的多種因素在宏觀層面上對(duì)道路安全性能產(chǎn)生的影響，提供一種適于大數(shù)據(jù)的交通安全影響因素辨識(shí)方法。

本發(fā)明的目的可以通過(guò)采取如下技術(shù)方案達(dá)到：

一種適于大數(shù)據(jù)的交通安全影響因素辨識(shí)方法，包括以下步驟：

S1、通過(guò)對(duì)現(xiàn)階段交通安全狀況進(jìn)行分析，識(shí)別潛在交通安全影響因素并進(jìn)行有效數(shù)據(jù)的采集；

S2、分別以交通事故數(shù)、經(jīng)濟(jì)損失、受傷人數(shù)以及死亡人數(shù)作為因變量建立梯度提升決策樹(shù)(GBDT)模型，從而以數(shù)據(jù)挖掘的方式來(lái)分析多種因素分別對(duì)交通事故數(shù)、經(jīng)濟(jì)損失、受傷人數(shù)以及死亡人數(shù)的影響程度；

S3、使用窮舉法獲取最優(yōu)梯度提升決策樹(shù)(GBDT)模型性能參數(shù)組合；

S4、分別使用最優(yōu)梯度提升決策樹(shù)(GBDT)模型性能參數(shù)組合計(jì)算各個(gè)因素對(duì)交通事故數(shù)、經(jīng)濟(jì)損失、受傷人數(shù)以及死亡人數(shù)的相對(duì)重要性，并進(jìn)行排序；