CN109410570A - 车辆交通事故量预测方法 - Google Patents

Abstract

本发明实施例公开一种车辆交通事故量预测方法，包括：获取第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间；根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型ARIMA；根据所述测试集及所述ARIMA，预测第二时间段内的车辆事故量。本发明实施例能够更准确的预测未来一段时间内车辆交通事故量，为汽车厂家预备救援方案、配置救援资源提供数据参考。

Description

车辆交通事故量预测方法

技术领域

本发明涉及汽车领域，尤其涉及一种车辆交通事故量预测方法。

背景技术

随着汽车保有量的逐年增加，车辆交通事故发生的概率和绝对数量也在逐渐增加，为了提升个人客户对车辆的用户体验，提高客户对车辆品牌的认可度、忠诚度，汽车厂家越来越重视售后客户服务质量及用户关怀，尤其是当车辆发生事故时对客户的紧急救援服务，可以提供及时的安全保障，避免客户的人身安全或财产遭受巨大的损失。

为了更好的为客户提供紧急救援服务，需进行数据建模时间序列算法分析。

发明内容

本发明实施例提供一种车辆交通事故量预测方法，能够更准确的预测未来一段时间内车辆交通事故量，为汽车厂家预备救援方案、配置救援资源提供数据参考。

本发明实施例的技术方案如下：

一种车辆交通事故量预测方法，包括：

获取第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间；

根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型ARIMA；

根据所述测试集及所述ARIMA，预测第二时间段内的车辆事故量。

基于上述技术方案的车辆交通事故量预测方法，获取第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间；根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型ARIMA；根据所述测试集及所述ARIMA，预测第二时间段内的车辆事故量。从而能够更准确的预测未来一段时间内车辆交通事故量，为汽车厂家预备救援方案、配置救援资源提供数据参考。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为本发明实施例示出的车辆交通事故量预测方法的流程图。

图2为本发明实施例示出的模型示意图。

图3为本发明实施例示出的数据示意图之一。

图4为本发明实施例示出的数据示意图之二。

图5为本发明实施例示出的数据示意图之三。

图6为本发明实施例示出的数据示意图之四。

图7为本发明实施例示出的数据示意图之五。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

本发明实施例提供一种车辆交通事故量预测方法，如图1所示，该方法包括：

11、获取第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间；

12、根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型ARIMA；

13、根据所述测试集及所述ARIMA，预测第二时间段内的车辆事故量。

在一个实施例中，所述根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型 ARIMA包括：

基于所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间建立时间数据模型；

根据所述时间数据模型的稳定性确定所述ARIMA的参数；

根据所述ARIMA的参数，建立所述ARIMA。

本发明实施例的车辆交通事故量预测方法，获取第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间；根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型ARIMA；根据所述测试集及所述ARIMA，预测第二时间段内的车辆事故量。从而能够更准确的预测未来一段时间内车辆交通事故量，为汽车厂家预备救援方案、配置救援资源提供数据参考。

在一个实施例中，所述基于所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间建立时间数据模型包括：

将所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，做时间序列的处理，转化为纵轴年份，横轴为月份，每一个数据为纵轴横轴对应年月份的事故量数据，建立所述时间数据模型，图2为一个所述时间数据模型示例。

在一个实施例中，所述ARIMA的参数包括第一参数P、第二参数D和第三参数Q，所述根据所述时间数据模型的稳定性确定所述ARIMA的参数包括：

检测所述时间数据模型的稳定性；

如所述时间数据模型不稳定，则对所述时间数据模型进行一阶差分计算，得到稳定的时间数据模型；

将所述时间数据模型一阶差分计算的次数作为所述第二参数D；

确定偏自相关系数PACF计算方程，根据所述PACF计算方程确定所述第一参数P；

确定偏自相关系数ACF方程，根据所述ACF方程确定所述第三参数Q。在一个实施例中，检测所述时间数据模型的稳定性包括：

根据所述时间数据模型建立历史数据趋势图，根据所述历史数据趋势图判定所述时间数据模型的稳定性。

具体的，判断序列是否稳定的标准定义如下：

如图3所示，随着时间轴向前延伸，事故量值的曲线图始终在一个比较小的范围内进行波动，不会出现很大的数值悬殊，不存在明显的极高值和极低值。

满足上述条件，即可判定为稳定序列，否则，判定为不稳定序列。

从趋势图中判断出该序列是不平稳的。

或者，在一个实施例中，检测所述时间数据模型的稳定性包括：

根据所述时间数据模型确定单位根及置信区间，根据所述单位根及所述置信区间判定所述时间数据模型的稳定性。

具体的，根据统计学中的Augmented Dickey-Fuller test(增项DF单位根检验)模式，计算时间序列的单位根，同时ADF检验会生成1％、5％、10％三个置信区间的根值，如果测试的时间序列根值处于5％或1％的置信区间以内，则认定为时间序列稳定，否则认定为不稳定。

如果该时间序列经过测试，证明是不平稳的，那么先对该序列做一次一阶差分运算，再重新利用单位根检验方法测试平稳性。

在一个实施例中，该方法还包括：确定所述时间数据模型进行一阶差分计算的差分方程：

事故量为y，时间为t，t时刻的一阶差分方程为Δy_t＝Y_t+1-y_t＝f(t+1)-f(t)，得到：

Δy_t+1＝y_t+2-Y_t+1＝f(t+2)-f(t+1)

Δy_t+2＝Y_t+3-y_t+2＝f(t+3)-f(t+2)

Δy_t+n＝Y_t+n+1-Y_t+n＝f(t+n+1)-f(t+n)

得出计算出时间序列的一阶差分序列为：(Δy_t+1，Δy_t+2，......，Δy_t+n)。

一阶差分计算完成之后，利用上述的平稳性检验方法，对该一阶差分序列再次进行平稳性测试，如果测试结果为平稳，则差分阶数为1，如果不平稳，则再次对该差分序列做一阶差分，直到差分结果序列平稳为止，差分阶数定为进行差分运算的次数。

在一个实施例中，所述确定偏自相关系数ACF方程，根据所述ACF方程确定所述第三参数Q包括：

r(k)方程为所述时间数据模型中序列的延迟k阶自协方差为：

其中，t为时间点，k为延迟k的时间点；

r(k)＝r(t，t+k)＝E[X(t)-EX(t)][X(t+k)-EX(t+k)]

序列的ACF自相关系数计算方程：

根据q(k)＝r(t，t+k)/[(DX(t).DX(t+k))^0.5]＝r(k)/σ2＝r(k)/r(0)，，其中，r(t，t+k) 为延迟k的自协方差，DX(t)为t时间方差，将计算出的每个时间点数据的自相关系数值作图，随着横轴的延伸，自相关系数值逐渐趋于0，则最后一个值超出对应的置信区间的数值点为第N个点，则q的值为N-1，其中N为整数。

在一个实施例中，所述确定偏自相关系数PACF计算方程，根据所述PACF 计算方程确定所述第一参数P包括：

偏自相关系数PACF计算方程：

p[(x(t)，x(t-k)]|(x(t-1)，......， x(t-k+1)＝{E[(x(t)-Ex(t)][x(t-k)-Ex(t-k)]}/E{[x(t-k)-Ex(t-k)]^2}

其中，E[(x(t)-Ex(t)][x(t-k)-Ex(t-k)]为延迟k的自协方差，E{[x(t-k)-Ex(t-k)]^2} 为延迟k的方差；

根据偏自相关系数ACF方程计算出结果作图，偏自相关系数序列值趋于 0，最后一个超出置信区间的值所处位置为M，则P的值为M-1。

在一个实施例中，根据所述ARIMA的参数，建立所述ARIMA包括：

根据所述第一参数P、第二参数D和第三参数Q，得到所述所述ARIMA 为ARIMA(P，D，Q)。

根据ARIMA模型定义ARIMA(p，d，q)，推测预测模型为ARIMA(0，1，1)，根据数据周期类型，添加季节因素(加法模型(0，1，0)[12]、乘法模型(1，0，1)[12]、 (0，0，1)[12]、(1，0，0)[12])到预测模型中，

可选模型列表：

ARIMA(0，1，1)(0，1，0)[12]

ARIMA(0，1，1)(1，0，1)[12]

ARIMA(0，1，1)(0，0，1)[12]

ARIMA(0，1，1)(1，0，0)[12]

根据AIC准则算法，结合时间序列数据，对上面推测出来的模型列表进行筛选，选择AIC值最小的模型ARIMA(0，1，1)(0，1，0)[12]

至此，ARIMA预测模型建立完毕。

在一个实施例中，所述根据所述测试集及所述ARIMA，确定第二时间段内的车辆事故量包括：

对所述ARIMA进行验证后，根据所述测试集及所述ARIMA，确定第二时间段内的车辆事故量。

具体的，Ljung-Box是专门用来检验序列纯随机性的一个工具，直接把上述确定的ARIMA模型代入该检验工具，如下图的方式，可以对预测模型的残差序列进行检验，根据Ljung-Box定义，该工具计算出来的p-value值如果低于5％，就不是白噪声，如果高于5％，就是白噪声。如果残差序列为白噪声，就可以认定预测模型时候有效的。

示例：使用Ljung-Box对建立的模型进行残差序列检验，确定是否为白噪声

如图6所示计算结果，残差序列p-value值大于5％，所以是白噪声，证明选定的预测模型ARIMA(0，1，1)(0，1，0)[12]已经提取完时间序列中的全部有用信息，是可以用来进行预测的。

使用建立好的预测模型ARIMA(0，1，1)(0，1，0)[12]和测试数据集 (2017.06--2018.06)，对未来一段时间内的事故量进行预测检验。

预测检验方法：

确定好的ARIMA模型会根据模型内置的算法进行预测，首先我们指定一个预测的周期，比如未来12个月，然后把这个周期输入到ARIMA模型进行预测，得到预测值，然后把未来12个月的真实值和预测值作比较，可以通过数值比较，也可以通过图7的方式查看实际值和预测值是否贴近，处于比较小的误差范围，如果比较贴近，变化趋势也和实际值的变化趋势相近，则可认为预测成功，预测模型可以使用。

观察预测结果，2017.06至2018.06之间的事故量预测值和趋势走向预测比较准确的反映了真实的事故量和趋势走向。

本发明实施例可以根据历史事故量数据，滚动训练模型，持续有效的预测未来一定时间段的事故量及事故量趋势走向，为车辆厂家救援服务资源配置提供数据参考，提高厂家资源配置效率。

本发明实施例采用时间序列对车联网ECALL车辆救援历史数据进行训练建模，使用算法模型ARIMA进行预测；采用增项DF单位根检验、Ljung-Box 检验、赤池信息量准则算法，确定车联网ECALL事故预测模型及模型参数。

本发明实施例的车辆交通事故量预测方法，获取第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间；根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型ARIMA；根据所述测试集及所述ARIMA，预测第二时间段内的车辆事故量。从而能够更准确的预测未来一段时间内车辆交通事故量，为汽车厂家预备救援方案、配置救援资源提供数据参考。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种车辆交通事故量预测方法，其特征在于，包括：

获取第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间；

根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型ARIMA；

根据所述测试集及所述ARIMA，预测第二时间段内的车辆事故量。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，建立数据测试集及自回归积分滑动平均模型ARIMA包括：

基于所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间建立时间数据模型；

根据所述时间数据模型的稳定性确定所述ARIMA的参数；

根据所述ARIMA的参数，建立所述ARIMA。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间建立时间数据模型包括：

将所述第一时间段内车辆事故量及所述第一时间段内每次车辆事故发生时间，做时间序列的处理，转化为纵轴年份，横轴为月份，每一个数据为纵轴横轴对应年月份的事故量数据，建立所述时间数据模型。

4.根据权利要求2所述的方法，其特征在于，所述ARIMA的参数包括第一参数P、第二参数D和第三参数Q，所述根据所述时间数据模型的稳定性确定所述ARIMA的参数包括：

检测所述时间数据模型的稳定性；

如所述时间数据模型不稳定，则对所述时间数据模型进行一阶差分计算，得到稳定的时间数据模型；

将所述时间数据模型一阶差分计算的次数作为所述第二参数D；

确定偏自相关系数PACF计算方程，根据所述PACF计算方程确定所述第一参数P；

确定偏自相关系数ACF方程，根据所述ACF方程确定所述第三参数Q。

5.根据权利要求4所述的方法，其特征在于，检测所述时间数据模型的稳定性包括：

根据所述时间数据模型建立历史数据趋势图，根据所述历史数据趋势图判定所述时间数据模型的稳定性；

或者

根据所述时间数据模型确定单位根及置信区间，根据所述单位根及所述置信区间判定所述时间数据模型的稳定性。

6.根据权利要求4所述的方法，其特征在于，还包括：确定所述时间数据模型进行一阶差分计算的差分方程：

事故量为y，时间为t，t时刻的一阶差分方程为Δy_t＝y_t+1-y_t＝f(t+1)-f(t)，得到：

Δy_t+1＝y_t+2-y_t+1＝f(t+2)-f(t+1)

Δy_t+2＝y_t+3-y_t+2＝f(t+3)-f(t+2)

Δy_t+n＝y_t+n+1-y_t+n＝f(t+n+1)-f(t+n)

得出时间序列的一阶差分序列为：(Δy_t+1，Δy_t+2，......，Δy_t+n)。

7.根据权利要求4所述的方法，其特征在于，所述确定偏自相关系数PACF计算方程，根据所述PACF计算方程确定所述第一参数P包括：

偏自相关系数PACF计算方程：

p[(x(t)，x(t-k)]|(x(t-1)，......，x(t-k+1)＝{E[(x(t)-Ex(t)][x(t-k)-Ex(t-k)]}/E{[x(t-k)-Ex(t-k)]^2}

其中，E[(x(t)-Ex(t)][x(t-k)-Ex(t-k)]为延迟k的自协方差，E{[x(t-k)-Ex(t-k)]^2}为延迟k的方差；

根据偏自相关系数ACF方程计算出结果作图，偏自相关系数序列值趋于0，最后一个超出置信区间的值所处位置为M，则P的值为M-1。

8.根据权利要求4所述的方法，其特征在于，所述确定偏自相关系数ACF方程，根据所述ACF方程确定所述第三参数Q包括：

r(k)方程为所述时间数据模型中序列的延迟k阶自协方差为：

r(k)＝r(t，t+k)＝E[X(t)-EX(t)][X(t+k)-EX(t+k)]

其中，t为时间点，k为延迟k的时间点；

序列的ACF自相关系数计算方程：

根据q(k)＝r(t，t+k)/[(DX(t).DX(t+k))^0.5]＝r(k)/σ2＝r(k)/r(0)，其中，r(t，t+k)为延迟k的自协方差，DX(t)为t时间方差，将计算出的每个时间点数据的自相关系数值作图，随着横轴的延伸，自相关系数值逐渐趋于0，则最后一个值超出对应的置信区间的数值点为第N个点，则q的值为N-1，其中N为整数。

9.根据权利要求4至8中任一项所述的方法，其特征在于，根据所述ARIMA的参数，建立所述ARIMA包括：

根据所述第一参数P、第二参数D和第三参数Q，得到所述所述ARIMA为ARIMA(P，D，Q)。

10.根据权利要求1至8中任一项所述的方法，其特征在于，所述根据所述测试集及所述ARIMA，确定第二时间段内的车辆事故量包括：

对所述ARIMA进行验证后，根据所述测试集及所述ARIMA，确定第二时间段内的车辆事故量。