[發明專利]一種基于混合地理加權回歸的交通事故預測方法

在審

• 申請號: 201911294152.6
• 申請日: 2019-12-16
• 公開（公告）號: CN111210052A
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 王少華;肖金堅;杜峰;宋裕慶;陳艷艷
• 申請（專利權）人: 天津職業技術師范大學（中國職業培訓指導教師進修中心）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06F17/18
• 代理公司: 天津協眾信創知識產權代理事務所(普通合伙) 12230
• 代理人: 劉斌

1.一種基于混合地理加權回歸的交通事故預測方法，其特征在于：包括如下步驟：

步驟1、劃分交通事故的空間研究區域，采集所述空間研究區域內的影響因素數據，獲得建模所需解釋變量和被解釋變量；

步驟2、預處理空間研究區域內的影響因素數據，通過雙對數模型分析處理解釋變量和被解釋變量，同時通過多重共線性驗證解釋變量，刪除不合理的解釋變量；

步驟3、構建空間權重函數為高斯函數和雙重平方函數；

步驟4、確定帶寬選擇類型為固定帶寬和自適應帶寬，確定帶寬優化準則為修正的赤池信息準則；

步驟5、基于空間權重函數和帶寬選擇類型的不同組合，以模型-2倍的對數似然函數值-2log-likelihood、帶寬優化AICc值和調整擬合優度值Adjusted R²作為評價指標，構建并確定最優地理加權泊松回歸模型；

步驟6、分別納入解釋變量作為全局變量構建混合地理加權泊松回歸模型進行對比測試，若模型擬合結果AICc的差值為正值，則表示該解釋變量應作為全局變量納入混合地理加權泊松回歸模型，否則，該解釋變量應作為局部變量納入混合地理加權泊松回歸模型；

步驟7、以模型-2倍的對數似然函數值-2log-likelihood、帶寬優化AICc值和調整擬合優度值Adjusted R²作為評價指標，構建并確定最優混合地理加權泊松回歸模型。

2.根據權利要求1所述的一種基于混合地理加權回歸的交通事故預測方法，其特征在于：所述步驟1中空間研究區域根據區、縣區、街道、交通小區、郵編區域和人口普查區的任何一種進行劃分。

3.根據權利要求1所述的一種基于混合地理加權回歸的交通事故預測方法，其特征在于：所述步驟1中影響因素數據包括交通事故地點、人口統計特征、社會經濟屬性、興趣點數據、交通基礎設施和運行管理數據中的一種或幾種。

4.根據權利要求1所述的一種基于混合地理加權回歸的交通事故預測方法，其特征在于：所述步驟1中的被解釋變量為交通事故發生頻次，解釋變量為人口密度、零售店密度，賓館酒店密度、休閑娛樂密度、餐飲服務密度、公司企業密度、住宅小區密度、交叉口密度和路網密度中的一種或幾種。

5.根據權利要求1所述的一種基于混合地理加權回歸的交通事故預測方法，其特征在于：所述步驟2中通過多重共線性驗證解釋變量，刪除不合理的解釋變量，進一步包括：

通過多重共線性驗證解釋變量，將方差膨脹因子小于10的解釋變量予以保留，將方差膨脹因子大于10的解釋變量予以刪除。

6.根據權利要求1所述的一種基于混合地理加權回歸的交通事故預測方法，其特征在于：所述步驟3中空間權重函數為：

高斯函數

和雙重平方函數

其中，W_ij是空間研究區域i與空間研究區域j之間的空間權重，d_ij是事故地點i到事故地點j間的歐式距離，h是帶寬，表示距離與權重之間函數關系的非負衰減參數。

7.根據權利要求1所述的一種基于混合地理加權回歸的交通事故預測方法，其特征在于：所述步驟5中地理加權泊松回歸模型為：

其中，(u_i,v_i)為第i個空間研究區域質心的坐標，P為解釋變量總數，β₀(u_i,v_i)是回歸常數，β_k(u_i,v_i)是第i個空間研究區域的第k個回歸系數，ε_i是第i個空間研究區域的隨機誤差，服從于數學期望為0、方差為σ²的正態分布。

8.根據權利要求1所述的一種基于混合地理加權回歸的交通事故預測方法，其特征在于：所述步驟7中混合地理加權泊松回歸模型為：

其中，(u_i,v_i)為第i個空間研究區域質心的坐標，P為解釋變量總數，P_a為全局變量個數，P_b為局部變量個數，β₀(u_i,v_i)是回歸常數，β_k(u_i,v_i)是第i個空間研究區域的第k個回歸系數，β_ik(u_i,v_i)是第i個空間研究區域的第ik個回歸系數，ε_i是第i個空間研究區域的隨機誤差，服從于數學期望為0、方差為σ²的正態分布。