CN106355881A - 一种基于空间自相关的事故多发点鉴别方法及装置 - Google Patents
一种基于空间自相关的事故多发点鉴别方法及装置 Download PDFInfo
- Publication number
- CN106355881A CN106355881A CN201610890608.5A CN201610890608A CN106355881A CN 106355881 A CN106355881 A CN 106355881A CN 201610890608 A CN201610890608 A CN 201610890608A CN 106355881 A CN106355881 A CN 106355881A
- Authority
- CN
- China
- Prior art keywords
- accident
- spatial
- autocorrelation
- statistic
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于道路安全评价技术领域,公开了一种基于空间自相关的事故多发点鉴别方法及装置,从事故分布的地理角度出发,以道路空间单元之间的临近关系为前提,结合道路空间单元上的事故属性值描述其地理分布特征,采用核密度估计以及空间自相关方法进行事故多发点的鉴别,克服了现有技术事故中的多发点鉴别过程采用经典数理统计的分析方法,以致研究数据可视化表达能力较差的缺陷,本发明能够鉴别路段和交叉路口的事故多发点,使鉴别结果更准确,与此同时,采用基于空间位置和地理位置信息,充分利用空间分析功能,对潜在事故原因的挖掘奠定基础。
Description
技术领域
本发明属于道路安全评价技术领域,涉及一种基于空间自相关的事故多发点鉴别方法及装置。
背景技术
事故多发点的鉴别是道路安全评价及有针对性地对交通安全措施进行改善的重要前提,常用的事故多发点鉴别方法有事故数法、事故率法、当量总事故数法、聚类分析和经验贝叶斯法等。
事故数法和事故率法旨在确定一个临界值作为判断事故多发点的指标,应用于公路,不考虑随机波动的影响,不适用于大规模的鉴别;矩阵法在一定程度上克服了事故数法和事故率法的缺陷,综合事故数法和事故率法对待测点进行排序和鉴别,但是其判断标准有一定的主观性,依然不能处理随机波动的问题;灰度评价法基于灰色理论,判断标准仍然具有一定的主观性;质量控制法以事故率作为鉴别指标,根据统计学原理去除评价指标的邻接空间,需要相似地点的大量历史数据,我国现阶段的数据资料尚不具备条件,另外,工作量大;当量事故总数法是基于微观交通分析的非统计安全评价法,虽然不依赖于事故的统计数据,但是调查量巨大,可移植性差;经典贝叶斯法考虑了事故的随机性,提高了预测的准确性,但是数据采集量大,程序操作复杂。
上述事故多发点鉴别分析过程中,基本依靠经典数理统计分析方法与模型,研究结果表现形式单一,数据可视化表达能力较差;一般将交叉口与路段分别评价,忽略了两者相互影响;此外,忽略事故发生的空间位置和地理属性信息,空间分析功能不足,对潜在事故原因的挖掘深度不够。
发明内容
本发明的目的在于提供一种基于空间自相关的道路事故多发点鉴别方法,克服现有技术中的鉴别事故多发点时鉴别因素不全面、对潜在事故原因深度挖掘不够的缺陷。
为达到上述目的,本发明采用的技术方案为:
一种基于空间自相关的道路事故多发点鉴别方法,包括如下步骤:
采用非参数核密度估计模型表示待测区域内的待检测事故点的二维分布;
确定所述核密度估计模型的最优窗宽h0;
采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元;
判定所述空间统计单元上的事故属性是否呈现空间自相关;
若所述空间统计单元上的事故属性呈现空间自相关,则计算所述空间统计单元的局部统计量的标准化Z(i)值的分布结果;
根据所述局部统计量的标准化Z(i)值的分布结果生成事故多发点的分布图。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述核密度估计模型的核密度函数为:
其中,k()为核函数,h为窗宽,n为待测区域内的待测事故点的个数,d为数据的维数,(l-li)为待测事故点到事故点li的距离。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述确定所述核密度函数的最优窗宽,包括:
获取所述待测事故点在所述待测区域内的真实密度f(x);
获取所述核密度函数与所述真实密度f(x)的积分均方误差最小时的对应的窗宽h0,即为最优窗宽。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述核密度函数与所述真实密度f(x)的积分均方误差计算公式为:
其中为所述核密度函数、为所述积分均方误差。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元,包括:
将待测区域分为交叉路口区域和路段区域;
交叉路口区域内的事故点,通过“面”与“点”的运算规则建立交叉路口与事故的空间关系;
路段区域的事故点,通过空间数据叠合运算建立道路与事故的空间关系,并且在所述通过空间数据叠合预算建立空间关系前,在地理信息***(Geographic InformationSystem,简称GIS)中为弧段设预设宽度的缓冲区。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述判定所述空间统计单元上的事故属性是否呈现空间自相关,包括:
步骤S41,计算事故属性的自相关指数I、期望E(I)及期望E(I)与方差构造的标准化Z1值;
步骤S42,判断所述事故属性的自相关指数I是否大于零,若是,则说明统计单元的邻近区域的事故属性呈空间正相关,继续步骤S43,否则,退出本次操作;
步骤S43,所述自相关指数的期望与方差构造的标准化Z1的值大于预设值时,表示统计单元上所述空间邻接或空间邻近的区域的事故属性呈空间自相关。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述自相关指数I的计算方法为:
其中,wij为空间单元i与j之间位置关系的空间权重矩阵,SPi,SPj为空间单元i和j处的事故数或事故严重程度;为事故数或事故严重程度的平均值,n为空间单元总数。
上述基于空间自相关的道路事故多发点鉴别方法,其中,在所述判定所述空间统计单元上的事故属性是否呈现空间自相关前,还包括:
确定事故属性为事故严重程度和/或事故数。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述事故严重程度的计算方法为:
其中,SPs为预设地点s处的事故严重程度指数,fps为地点s处事故类型p的频数,wp为死亡、重伤及轻伤的权重系数,P为考虑的事故类型的种类数。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述计算所述空间统计单元的局部统计量的标准化Z值的分布结果之前,还包括:
计算局部Gi统计量;
计算局部Gi统计量的期望E(Gi)和方差Var(Gi);
计算所述局部统计量Gi的标准化Z(i)值。
上述基于空间自相关的道路事故多发点鉴别方法,其中,所述计算局部Gi统计量的方法为:
所述局部Gi统计量的期望E(Gi)的计算方法为:
E(Gi)=W/n;
所述局部Gi统计量的方差Var(Gi)的计算方法为:
所述计算所述局部统计量Gi的标准化Z值的方法为:
其中,SPj为空间单元j处的事故严重程度,为空间事故严重程度平均值。
相应地,本发明还提供一种基于空间自相关的道路事故多发点鉴别装置,包括:
模型表示单元,用于采用非参数核密度估计模型表示待测区域内的待检测事故点的二维分布;
最优窗宽确定单元,用于确定所述核密度估计模型的最优窗宽h0;
构建单元,用于采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元;
判断单元,用于判定所述空间统计单元上的事故属性是否呈现空间自相关;
计算单元,用于当所述空间统计单元上的事故属性呈现空间自相关时,计算所述空间统计单元的局部统计量的标准化Z(i)值的分布结果;
分布图生成单元,用于根据所述局部统计量的标准化Z(i)值的分布结果生成事故多发点的分布图。
由于采用上述技术方案,本发明具有如下有益效果:
1.本发明提供的基于空间自相关的事故多发点鉴别方法及装置,从事故分布的地理角度出发,以道路空间单元之间的临近关系为前提,结合道路空间单元上的事故属性值描述其地理分布特征,采用核密度估计以及空间自相关方法进行事故多发点的鉴别,克服了现有技术事故中的多发点鉴别过程采用经典数理统计的分析方法,以致研究数据可视化表达能力较差的缺陷,本发明基于空间位置和地理位置信息,充分利用空间分析功能,对潜在事故原因的挖掘奠定基础。
2.本发明提供的基于空间自相关的事故多发点鉴别方法及装置,将待测事故点按照区域划分为交叉路口区域内的事故点和路段区域的事故点,结合二者的空间特征采用不同的方法构建待测区域与待测事故点的空间关系,再计算事故严重程度评价指数,该方案克服了现有技术中将路段区域和交叉口区域分别评价,而不考虑二者之间的相互影响的缺陷。
本技术方案从我国道路交通运营及管理现状出发,针对道路空间构建科学合理、有效便捷、适用性强且能够分析事故成因的城市道路事故多发点鉴别方案。
附图说明
图1为本发明实施例1中基于空间自相关的道路事故多发点鉴别方法的一个具体示例的流程图;
图2为本发明实施例1中优选的空间统计单元的结构示意图;
图3a为本发明实施例1中基于空间单元的事故数的局部统计量的Z值的分布结果图;
图3b为本发明实施例1中基于空间单元的事故严重程度的局部统计量的Z值的分布结果图;
图4为本发明实施例2中基于空间自相关的道路事故多发点鉴别装置的模块结构图。
具体实施方式
以下结合附图所示对本发明作进一步的说明。
本发明一种基于空间自相关的道路事故多发点鉴别方法,如图1所示,包括如下步骤:
步骤S1,采用非参数核密度估计模型表示待测区域内的待检测事故点的二维分布,选定待测区域内的待测事故点,将该待测事故点的二维分布采用核密度模型来表示,由于非参数核密度估计方法不利用待测事故点的有关分布的先验知识,对待测事故点的分布不附加任何假定,从待测事故点本身出发研究待测事故点的分布特征,因此,该方法在应用领域受到高度的重视;
步骤S2,确定所述核密度估计模型的最优窗宽h0,将步骤S1中的待测事故点的二维分布用一核密度函数表示,根据核密度函数的性质计算该核密度函数与真实密度的积分均方误差最小时对应的窗宽,即为最优窗宽;
步骤S3,采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元,引入“面-弧度”拓扑模型对道网络构建模型,将待测区域分为交叉路口区域和位于任意相邻两个交叉路口区域之间的路段区域,对于交叉路口区域,然后根据两个待测区域的不同特性分别建立交叉路口与交叉路口内的待测事故点的空间关系及路段区域与路段区域内的待测事故点的空间关系,如下以一个具体实施例进行阐释:
参见图2所示结构,为乌鲁木齐市2007年至2011年的2316条立案事故数据按照“面-弧”模型划分为的2468个空间统计单元,图中以若干段空间统计单元为例,将“面-弧”拓扑模型层与事故数据层叠加分析,其中,基于“面-弧”拓扑模型层的数据是办案交警在Google map上后期定位获得其经纬度并导入ArcGis***数据库,因此,使用时,直接从ArcGis***数据库中获取,而事故数据层的数据(包括但不仅限于伤亡人数,事故类型等)是由交管部门提供,综合进行分析,得到A类区域和B类区域,其中,A类区域为交叉路口区域,B类区域为路段区域,则发生在A类区域内的事故为交叉口事故,发生在B类区域内的事故为路段事故。
步骤S4,判定所述空间统计单元上的事故属性是否呈现空间自相关,空间自相关的判断需要判断Moran指数I是否大于零,及Moran指数的期望E(I)与方差构造的标准化Z值是否大于一预设值,当二者都满足时,表示呈空间自相关,否则,不呈空间自相关。关于所述“预设值”,如图3a和图3b所示,其中Z大于预设值的部分可以被标记在图中,并且还可以进一步根据Z值区别标记显著性水平。例如可以使用第一颜色标记1.65<Z<1.96对应的部分并判定为三级事故多发点;1.96<Z<2.58对应于α=0.05的显著性水平,表明该单元是一个较高值的空间聚类,可以使用第二颜色对相应部分进行标记并判定为二级事故多发点;空间单元标准化Z值>2.58对应于α=0.01的显著性水平,表明该单元是一个极高值的空间聚类,可以使用第三颜色对相应部分进行标记并判定为一级事故多发点,其它空间单元表示不存在明显的空间聚类,可以利用其他颜色进行标记。
步骤S5,若所述空间统计单元上的事故属性呈现空间自相关,则计算所述空间统计单元的局部统计量的标准化Z(i)值的分布结果,请参阅图3a、3b所示,为本实施例中选取的乌鲁木齐市的2468个空间统计单元的事故数的局部统计量的标准化Z(i)值的分布结果,其中,图3a是基于空间单元事故数的局部统计量的Z(i)值分布结果,图3b是基于空间单元事故严重程度的局部统计量的Z(i)值分布结果。
步骤S6,根据所述局部统计量的标准化Z(i)值的分布结果生成事故多发点的分布图。
该分布图是根据上述步骤S5中生成的局部统计量的标准化Z值生成的分布图,具体分布图的格式由客户根据需求进行选择设定,同时,软件显示的是基于何种事故属性,例如是事故数的局部统计量的标准化Z(i)值的分布图还是基于事故严重程度的局部统计量的标准化Z(i)值的分布图,还是二者或者多个属性的结合,用户根据需要进行选择。
上述基于空间自相关的事故多发点鉴别方法,解决了现有技术中无法鉴别包含有交叉口的城市道路中的事故多发点的难题,从事故分布的地理角度出发,以道路空间单元之间的临近关系为前提,结合道路空间单元上的事故属性值描述其地理分布特征,采用核密度估计以及空间自相关方法进行事故多发点的鉴别,克服了现有技术中的事故多发点鉴别过程采用经典数理统计的分析方法,以致研究数据可视化表达能力较差的缺陷,本发明基于空间位置和地理位置信息,充分利用空间分析功能,对潜在事故原因的挖掘奠定基础。
优选地,步骤S2中的核密度函数为:
其中,k()为核函数,h为窗宽,n为待测区域内的待测事故点的个数,d为数据的维数,(l-li)为待测事故点到事故点li的距离。
优选地,步骤S2中确定所述核密度函数的最优窗宽,还包括:
步骤S21,获取所述待测事故点在所述待测区域内的真实密度f(x);
步骤S22,获取所述核密度函数与所述真实密度f(x)的积分均方误差最小时的对应的窗宽h0,即为最优窗宽。
在此基础上,进一步的,核密度函数与真实密度f(x)的积分均方误差计算公式为:
其中为核密度函数、为积分均方误差。
本实施例对于道路采用1000m为单位划分为基本路段,对于主、次干路则根据核密度函数的最佳窗宽来确定,本实施例中研究区域的主、次干路上共有的事故样本点共1661个,选用Gaussian核函数估计平面空间事故点的密度,获取最优窗宽h0为115.2m。
优选地,步骤S3中,采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元,包括如下步骤:
步骤S31,将待测区域分为交叉路口区域和路段区域;
步骤S32,对于交叉路口区域内的事故点,通过“面”与“点”的运算规则建立交叉路口与事故的空间关系;
步骤S33,对于路段区域的事故点,通过空间数据叠合运算建立道路与事故的空间关系,并且在所述通过空间数据叠合预算建立空间关系前,在地理信息***(GeographicInformation System,简称GIS)中为弧段设预设宽度的缓冲区。
采用此方法,将包含有交叉口的城市道路中的路段区域的事故点与交叉路口区域内的事故点依据其具体情况具体分析,分别建立交叉路口与事故的空间关系及道路与事故的空间关系,通过此方法,依据事故发生区域的不同,建立事故与事发地点的空间关系,综合分析事故与事发地点的关系进行下一步分析。
优选地,步骤S4中,判定空间统计单元上的事故属性是否呈空间自相关,还包括:
步骤S41,计算事故属性的自相关指数I、期望E(I)及期望E(I)与方差构造的标准化Z1值;事故数的自相关指数I反映的是空间邻接或空间邻近的区域的事故属性的相关性,其中,事故属性可为但不仅限于事故数、事故严重程度。
步骤S42,判断所述事故属性的自相关指数I是否大于零,若是,则说明统计单元的邻近区域的事故属性呈空间正相关,继续步骤S43,否则,退出本次操作,其中,所述自相关指数的期望与方差构造的标准化Z1的值大于预设值时,表示统计单元上所述空间邻接或空间邻近的区域的事故属性呈空间自相关。另外,当I<0,表示统计单元的邻近区域的事故属性呈空间负相关,若I=0,表示统计单元的邻近区域的事故属性呈现空间随机性。
步骤S43,当所述自相关指数的期望与方差构造的标准化Z1的值大于预设值时,表示统计单元上所述空间邻接或空间邻近的区域的事故属性分布模式与随机分布模式之间存在显著性差异,且呈空间自相关。
优选的,综合分析事故数和事故严重程度两个事故属性,在优选α=0.01的显著水平下,通过上述公式分别计算得到对于事故数的Moran指数为I1=0.24,Z1=12.01;对于事故严重程度的Moran指数为I2=0.15,Z2=7.6,可以看出,两个自相关指数的期望与方差构造的标准化Z值(包括Z1和Z2)均大于预设2.58,则表明该空间统计单元上的事故属性均呈空间自相关。
通过此方法,有效判断出空间统计单元上的事故属性是否呈现空自相关,不同的区域依据不同的原则建立事故与事发地点的空间关系,但是,此步采用同一原则判断不同区域的事故属性是否均呈空间自相关,做到了将不同区域的事故点分别分析又整体分析的目的,解决了孤立分析每一类事故点而导致无法有效建立不同事发区域的事故点之间的联系的缺陷。
在此基础上,进一步的,Moran指数I的计算方法为:
其中,wij为空间单元i与j之间位置关系的空间权重矩阵,SPi,SPj为空间单元i和j处的事故数或事故严重程度;为事故数或事故严重程度的平均值,n为空间单元总数。
优选地,上述步骤S4中,判断空间统计单元上的事故属性是否呈现空间自相关前,还包括:
步骤S′4,确定本实施例的事故属性为事故严重程度和/或事故数。
在此基础上,进一步的,计算事故严重程度的方法为:
其中,SPs为预设地点s处的事故严重程度指数,fps为地点s处事故类型p的频数,wp为死亡、重伤及轻伤的权重系数,P为考虑的事故类型的种类数,在本实施例中,wp为死亡、重伤及轻伤的权重系数分别为9.5,9.5,3.5。
计算事故严重程度评价指数前,首先对事故赋予权重,然后计算事故严重程度评价指数,本实施例中,空间单元的平均事故数为0.66,平均事故严重程度为3.67。
优选地,步骤S5,计算空间统计单元的局部统计量的标准化Z(i)值的分布结果之前,还包括:
步骤S′51,计算局部Gi统计量;
步骤S′52,计算局部Gi统计量的期望E(Gi)和方差Var(Gi);
步骤S′53,计算所述局部统计量Gi的标准化Z(i)值。
在此基础上,进一步的,计算局部Gi统计量的方法为:
局部Gi统计量的期望E(Gi)的计算方法为:
E(Gi)=W/n;
局部Gi统计量的方差Var(Gi)的计算方法为:
计算所述局部统计量Gi的标准化Z(i)值的方法为:
其中,SPj为空间单元j处的事故严重程度,为空间事故严重程度平均值。
优选的,在α=0.01时,当Z(i)>2.58时,表示该单元是一个事故多发点,称为一级事故多发点;在α=0.05时,1.96<α=0.01<2.58时,该单元的事故多发概率小于该一级事故多发点,设定该单元是一个二级事故多发点,其中,i表示基于的事故属性类型。
通过上述公式计算得到针对事故数鉴别出的事故多发点为53处,针对事故严重程度鉴别出的事故多发点为47处,而基于这两种属性鉴别出的重复的事故多发点为28处,则此28个事故点为事故多发点,需要进行改善。
综上所述,本发明从事故分布的地理角度出发,以道路空间单元之间的临近关系为前提,结合道路空间单元上的事故属性值描述其地理分布特征,采用核密度估计以及空间自相关方法进行事故多发点的鉴别,克服了现有技术事故中的多发点鉴别过程采用经典数理统计的分析方法,以致研究数据可视化表达能力较差的缺陷,本发明基于空间位置和地理位置信息,充分利用空间分析功能,对潜在事故原因的挖掘奠定基础;同时,将待测事故点按照区域划分为交叉路口区域内的事故点和路段区域的事故点,结合二者的空间特征采用不同的方法构建待测区域与待测事故点的空间关系,再计算事故严重程度评价指数,该方案克服了现有技术中将路段区域和交叉口区域分别评价,而不考虑二者之间的相互影响的缺陷。
一种实现上述方法的基于空间自相关的道路事故多发点鉴别装置,如图4所示,包括:
模型表示单元41,用于采用非参数核密度估计模型表示待测区域内的待检测事故点的二维分布;
最优窗宽确定单元42,用于确定所述核密度估计模型的最优窗宽h0;
构建单元43,用于采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元;
判断单元44,用于判定所述空间统计单元上的事故属性是否呈现空间自相关;
计算单元45,用于当所述空间统计单元上的事故属性呈现空间自相关时,计算所述空间统计单元的局部统计量的标准化Z值的分布结果;
分布图生成单元46,用于根据所述局部统计量的标准化Z值的分布结果生成事故多发点的分布图。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (10)
1.一种基于空间自相关的道路事故多发点鉴别方法,其特征在于,包括如下步骤:
采用非参数核密度估计模型表示待测区域内的待检测事故点的二维分布;
确定所述核密度估计模型的最优窗宽h0;
采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元;
判定所述空间统计单元上的事故属性是否呈现空间自相关;
若所述空间统计单元上的事故属性呈现空间自相关,则计算所述空间统计单元的局部统计量的标准化Z(i)值的分布结果;
根据所述局部统计量的标准化Z(i)值的分布结果生成事故多发点的分布图。
2.根据权利要求1所述基于空间自相关的道路事故多发点鉴别方法,其特征在于,所述核密度估计模型的核密度函数为:
其中,k()为核函数,h为窗宽,n为待测区域内的待测事故点的个数,d为数据的维数,(l-li)为待测事故点到事故点li的距离。
3.根据权利要求1所述基于空间自相关的道路事故多发点鉴别方法,其特征在于,所述确定所述核密度函数的最优窗宽,包括:
获取所述待测事故点在所述待测区域内的真实密度f(x);
获取所述核密度函数与所述真实密度f(x)的积分均方误差最小时的对应的窗宽h0,即为最优窗宽。
4.根据权利要求3所述基于空间自相关的道路事故多发点鉴别方法,其特征在于,所述核密度函数与所述真实密度f(x)的积分均方误差计算公式为:
其中为所述核密度函数、为所述积分均方误差。
5.根据权利要求1所述基于空间自相关的道路事故多发点鉴别方法,其特征在于,所述采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元,包括:
将待测区域分为交叉路口区域和路段区域;
交叉路口区域内的事故点,通过“面”与“点”的运算规则建立交叉路口与事故的空间关系;
路段区域的事故点,通过空间数据叠合运算建立道路与事故的空间关系,并且在所述通过空间数据叠合预算建立空间关系前,在地理信息***中为弧段设预设宽度的缓冲区。
6.根据权利要求1所述基于空间自相关的道路事故多发点鉴别方法,其特征在于,所述判定所述空间统计单元上的事故属性是否呈现空间自相关,包括:
步骤S41,计算事故属性的自相关指数I、期望E(I)及期望E(I)与方差构造的标准化Z1值;
步骤S42,判断所述事故属性的自相关指数I是否大于零,若是,则说明统计单元的邻近区域的事故属性呈空间正相关,继续步骤S43,否则,退出本次操作;
步骤S43,所述自相关指数的期望与方差构造的标准化Z1的值大于预设值时,表示统计单元上所述空间邻接或空间邻近的区域的事故属性呈空间自相关;
优选地,所述自相关指数I的计算方法为:
其中,wij为空间单元i与j之间位置关系的空间权重矩阵,SPi,SPj为空间单元i和j处的事故数或事故严重程度;为事故数或事故严重程度的平均值,n为空间单元总数。
7.根据权利要求1所述基于空间自相关的道路事故多发点鉴别方法,其特征在于,在所述判定所述空间统计单元上的事故属性是否呈现空间自相关前,还包括:
确定事故属性为事故严重程度和/或事故数;
优选地,所述事故严重程度的计算方法为:
其中,SPs为预设地点s处的事故严重程度指数,fps为地点s处事故类型p的频数,wp为死亡、重伤及轻伤的权重系数,P为考虑的事故类型的种类数。
8.根据权利要求1所述基于空间自相关的道路事故多发点鉴别方法,其特征在于,所述计算所述空间统计单元的局部统计量的标准化Z值的分布结果之前,还包括:
计算局部Gi统计量;
计算局部Gi统计量的期望E(Gi)和方差Var(Gi);
计算所述局部统计量Gi的标准化Z(i)值。
9.根据权利要求8所述基于空间自相关的道路事故多发点鉴别方法,其特征在于,所述计算局部Gi统计量的方法为:
所述局部Gi统计量的期望E(Gi)的计算方法为:
E(Gi)=W/n;
所述局部Gi统计量的方差Var(Gi)的计算方法为:
所述计算所述局部统计量Gi的标准化Z值的方法为:
其中,SPj为空间单元j处的事故严重程度,为空间事故严重程度平均值。
10.一种实现权利要求1至9中任一所述方法的基于空间自相关的道路事故多发点鉴别装置,其特征在于,包括:
模型表示单元,用于采用非参数核密度估计模型表示待测区域内的待检测事故点的二维分布;
最优窗宽确定单元,用于确定所述核密度估计模型的最优窗宽h0;
构建单元,用于采用基于地理***的“面-弧”网络拓扑模型构建空间统计单元;
判断单元,用于判定所述空间统计单元上的事故属性是否呈现空间自相关;
计算单元,用于当所述空间统计单元上的事故属性呈现空间自相关时,计算所述空间统计单元的局部统计量的标准化Z值的分布结果;
分布图生成单元,用于根据所述局部统计量的标准化Z值的分布结果生成事故多发点的分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610890608.5A CN106355881A (zh) | 2016-10-12 | 2016-10-12 | 一种基于空间自相关的事故多发点鉴别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610890608.5A CN106355881A (zh) | 2016-10-12 | 2016-10-12 | 一种基于空间自相关的事故多发点鉴别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106355881A true CN106355881A (zh) | 2017-01-25 |
Family
ID=57866531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610890608.5A Pending CN106355881A (zh) | 2016-10-12 | 2016-10-12 | 一种基于空间自相关的事故多发点鉴别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355881A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067781A (zh) * | 2017-04-07 | 2017-08-18 | 叶昊 | 一种用于先进驾驶辅助***应用的gis道路黑点地图生成方法 |
CN108195385A (zh) * | 2017-12-29 | 2018-06-22 | 杭州后博科技有限公司 | 一种结合地理特征的危险识别***及方法 |
CN109727454A (zh) * | 2019-02-15 | 2019-05-07 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN109766395A (zh) * | 2018-12-06 | 2019-05-17 | 深圳市和讯华谷信息技术有限公司 | 网格数据处理方法、装置、计算机设备和存储介质 |
CN109902134A (zh) * | 2019-02-18 | 2019-06-18 | 北京市天元网络技术股份有限公司 | 工程道路中故障路段的精确呈现方法、装置与电子设备 |
CN110648537A (zh) * | 2019-09-28 | 2020-01-03 | 安徽百诚慧通科技有限公司 | 一种基于海恩法则的交通事故相关性分析方法 |
CN110851395A (zh) * | 2019-10-31 | 2020-02-28 | 武汉联图时空信息科技有限公司 | 路网约束下的空间自相关Spark并行计算方法 |
CN110866051A (zh) * | 2019-10-18 | 2020-03-06 | 江苏大学 | 一种表征区域物流企业时空演变的*** |
CN111640295A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 基于潜在冲突风险评估的交叉口事故黑点判别方法 |
CN112652168A (zh) * | 2020-12-15 | 2021-04-13 | 安徽百诚慧通科技有限公司 | 一种重大交通事故预警方法、***及存储介质 |
CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及*** |
CN113361854A (zh) * | 2021-04-28 | 2021-09-07 | 上海工程技术大学 | 一种基于泰森多边形的事故多发点鉴别方法及其应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005241313A (ja) * | 2004-02-25 | 2005-09-08 | Hitachi Ltd | 交通情報表示装置 |
CN101763730A (zh) * | 2009-12-30 | 2010-06-30 | 北京世纪高通科技有限公司 | 交通路况信息填补方法和*** |
-
2016
- 2016-10-12 CN CN201610890608.5A patent/CN106355881A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005241313A (ja) * | 2004-02-25 | 2005-09-08 | Hitachi Ltd | 交通情報表示装置 |
CN101763730A (zh) * | 2009-12-30 | 2010-06-30 | 北京世纪高通科技有限公司 | 交通路况信息填补方法和*** |
Non-Patent Citations (3)
Title |
---|
任文军等: "核密度估计中递归方法选择窗宽及其应用", 《长春大学学报》 * |
孙劲宇等: "基于核密度模型的上海市快速路交通事件空间自相关分析", 《上海公路》 * |
蒋宏等: "基于空间自相关的城市道路事故多发点鉴别", 《同济大学学 报(自然科学版)》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067781B (zh) * | 2017-04-07 | 2020-02-11 | 叶昊 | 一种用于先进驾驶辅助***应用的gis道路黑点地图生成方法 |
CN107067781A (zh) * | 2017-04-07 | 2017-08-18 | 叶昊 | 一种用于先进驾驶辅助***应用的gis道路黑点地图生成方法 |
CN108195385A (zh) * | 2017-12-29 | 2018-06-22 | 杭州后博科技有限公司 | 一种结合地理特征的危险识别***及方法 |
CN109766395A (zh) * | 2018-12-06 | 2019-05-17 | 深圳市和讯华谷信息技术有限公司 | 网格数据处理方法、装置、计算机设备和存储介质 |
CN109766395B (zh) * | 2018-12-06 | 2021-12-31 | 深圳市和讯华谷信息技术有限公司 | 网格数据处理方法、装置、计算机设备和存储介质 |
CN109727454B (zh) * | 2019-02-15 | 2020-07-31 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN109727454A (zh) * | 2019-02-15 | 2019-05-07 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN109902134A (zh) * | 2019-02-18 | 2019-06-18 | 北京市天元网络技术股份有限公司 | 工程道路中故障路段的精确呈现方法、装置与电子设备 |
CN110648537A (zh) * | 2019-09-28 | 2020-01-03 | 安徽百诚慧通科技有限公司 | 一种基于海恩法则的交通事故相关性分析方法 |
CN110866051A (zh) * | 2019-10-18 | 2020-03-06 | 江苏大学 | 一种表征区域物流企业时空演变的*** |
CN110866051B (zh) * | 2019-10-18 | 2024-03-22 | 江苏大学 | 一种表征区域物流企业时空演变的*** |
CN110851395A (zh) * | 2019-10-31 | 2020-02-28 | 武汉联图时空信息科技有限公司 | 路网约束下的空间自相关Spark并行计算方法 |
CN110851395B (zh) * | 2019-10-31 | 2023-09-29 | 武汉大学 | 路网约束下的空间自相关Spark并行计算方法 |
CN111640295A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 基于潜在冲突风险评估的交叉口事故黑点判别方法 |
CN112652168A (zh) * | 2020-12-15 | 2021-04-13 | 安徽百诚慧通科技有限公司 | 一种重大交通事故预警方法、***及存储介质 |
CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及*** |
CN112966941B (zh) * | 2021-03-09 | 2024-04-19 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及*** |
CN113361854A (zh) * | 2021-04-28 | 2021-09-07 | 上海工程技术大学 | 一种基于泰森多边形的事故多发点鉴别方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355881A (zh) | 一种基于空间自相关的事故多发点鉴别方法及装置 | |
Sepehri et al. | Assessment of flood hazard mapping in urban areas using entropy weighting method: a case study in Hamadan city, Iran | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN117010726B (zh) | 用于城市防洪的智慧预警方法及*** | |
CN116911699B (zh) | 城市洪涝灾害应对韧性的精细化动态评估方法和*** | |
CN109360421B (zh) | 一种基于机器学习的交通信息预测方法及装置、电子终端 | |
Theodoridou et al. | Spatial analysis of groundwater levels using fuzzy logic and geostatistical tools | |
Farcaş et al. | Road traffic noise: GIS tools for noise mapping and a case study for Skåne region | |
Fahad et al. | Coupled hydrodynamic and geospatial model for assessing resiliency of coastal structures under extreme storm scenarios | |
Kim et al. | Hurricane scenario generation for uncertainty modeling of coastal and inland flooding | |
Chebbi et al. | Optimization of a hydrometric network extension using specific flow, kriging and simulated annealing | |
Cheng et al. | Structural equation model of the spatial distribution of water engineering facilities along the Beijing-Hangzhou grand canal and its relationship with natural factors | |
Niu et al. | Road extraction using smart phones GPS | |
CN116523189A (zh) | 一种考虑水文特征的墒情站点规划方法、装置及存储介质 | |
CN113849976A (zh) | 规划用地的开发强度评估方法、装置及设备 | |
Wang et al. | Life loss estimation based on dam-break flood uncertainties and lack of information in mountainous regions of Western China | |
Yadlowsky et al. | Link density inference from cellular infrastructure | |
CN113408201B (zh) | 基于地形单元的滑坡易发性评判方法 | |
Khaldi et al. | Quantitative assessment of the relative impacts of different factors on flood susceptibility modelling: case study of Fez-Meknes region in Morocco | |
Galasso et al. | A statistical model for flood depth estimation in southeast Europe | |
Sun et al. | Exploring sustainable watershed flood risks management: an innovative TFAHP-TOPSIS methodology in the Georges River Basin, Australia | |
Zhang et al. | From axial to pedestrian path-centre line: The case of 3d pedestrian network in Hong Kong, central | |
Ka et al. | A physics-informed machine learning for generalized bathtub model in large-scale urban networks | |
Nkeki et al. | Is the existing methods sustainable? A hybrid approach to flood risk mapping | |
Han et al. | Holistic visual data representation for built environment assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170125 |