CN115880906A - 基于自适应聚合算法的交通事故多发路段识别方法及*** - Google Patents
基于自适应聚合算法的交通事故多发路段识别方法及*** Download PDFInfo
- Publication number
- CN115880906A CN115880906A CN202211534771.XA CN202211534771A CN115880906A CN 115880906 A CN115880906 A CN 115880906A CN 202211534771 A CN202211534771 A CN 202211534771A CN 115880906 A CN115880906 A CN 115880906A
- Authority
- CN
- China
- Prior art keywords
- road section
- road
- accident
- traffic accident
- traffic
- 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.)
- Granted
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002776 aggregation Effects 0.000 title claims abstract description 34
- 238000004220 aggregation Methods 0.000 title claims abstract description 34
- 238000013075 data extraction Methods 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及道路交通安全和机器学习技术领域,具体公开了一种基于自适应聚合算法的交通事故多发路段识别方法,包括:获取预设交通事故数据提取条件、路段单元长度候选集合以及事故多发路段预期识别目标;根据该提取条件提取当前道路的交通事故数据;调用自适应聚合算法迭代计算交通事故多发路段识别结果,并计算每次迭代结果与预期识别目标的相对误差;依据最小相对误差对应的交通事故多发路段识别结果生成道路交通事故多发路段判定标准。本发明还公开了一种基于自适应聚合算法的交通事故多发路段识别***。本发明能够自适应确定交通事故多发路段识别结果,并生成交通事故多发路段判定标准,可为各地公安交通管理部的道路治理工作提供技术支撑。
Description
技术领域
本发明涉及道路交通安全和机器学习技术领域,更具体地,涉及一种基于自适应聚合算法的交通事故多发路段识别方法及***。
背景技术
近年来,我国道路里程、机动车驾驶人数量和机动车保有量增长迅猛,交通事故预防工作面临较为复杂和严峻的挑战,特别是部分路段发生交通事故的频次或严重程度明显高于其他路段,此类路段属于交通事故多发路段,占道路总里程比例一般较小,但危害性较大。因此,识别出此类路段有助于交通管理部门对道路进行针对性治理,进而提升道路的通行安全水平。
对于道路交通事故多发路段识别问题,国内外学者和研究人员已经探索了一系列方法,主要思路是首先将道路划分为若干路段单元,然后按照一定的方法计算每个路段单元的风险程度,最后将风险程度高于阈值的路段单元作为交通事故多发路段。根据路段单元划分方式的不同,交通事故多发路段识别方法主要包括滑动窗口法、聚类分析法和贝叶斯分析法三类。
滑动窗口法以固定长度的窗口在道路上滑动划分路段单元,并基于路段单元内的事故起数、每公里事故起数、当量事故起数等计算路段风险程度。根据滑动方式的不同,滑动窗口法分为两种:一是静态步长滑动,该方法从道路起点开始,使用固定的步长滑动窗口并划分路段单元;二是动态步长滑动,该方法从道路上事故地点桩号最小的位置为起点,以相邻事故之间的距离为步长滑动窗口并划分路段单元。在阈值的设置方面,静态步长滑动窗口法通常基于人工经验、累积频率曲线法、区间估计法等进行设置,动态步长滑动窗口法则主要依靠人工经验进行设置。
聚类分析法以事故地点为中心向两边延伸一定长度作为路段单元,并基于路段单元内的事故起数、每公里事故起数、当量事故起数等计算路段风险程度,然后筛选出风险程度高于阈值的路段单元,并将其中心点标记为核心点,最后对核心点周围的路段进行聚类,完成交通事故多发路段识别。其中,阈值主要依靠人工经验进行设置。
贝叶斯分析法首先根据道路线形、路面结构、路口路段类型等道路几何特征将道路划分为若干同质路段,每个同质路段内的道路几何特征一致。然后以同质路段的道路几何特征和平均车速、通行流量等车辆通行特征作为自变量,以交通事故起数为因变量,使用泊松回归、负二项回归等建立风险评估模型,并使用贝叶斯方法求解模型参数。最后将每个路段的事故起数预估值和类似路段平均事故起数期望值之差作为路段风险程度,并将风险程度高于阈值的路段作为交通事故多发路段。其中,阈值主要依靠人工经验进行设置。
上述方法主要存在以下三个问题:一是设置路段单元长度和风险阈值时主要依赖人工经验,无法基于数据分布情况自适应确定事故多发路段判定标准;二是划分路段单元时,容易将事故密集区划分为两个路段单元,导致两个路段单元等风险程度均未达到阈值,造成事故多发路段漏判;三是如果事故密集区仅占路段单元的一部分,则路段单元内的其他部分也会被判为事故多发路段,导致多判问题。因此,如何自适应确定交通事故多发路段判定标准,并解决事故多发路段漏判、多判问题,是交通事故多发路段识别任务中的重点和难点。
发明内容
为了解决现有技术中存在的不足,本发明提供了一种基于自适应聚合算法的交通事故多发路段识别方法及***,可以基于预期识别目标和数据分布情况,找出最合适的道路交通事故多发路段判定标准,并且以每一个事故地点为起点自适应划分路段单元,将满足判定标准的路段单元聚合处理后生成交通事故多发路段识别结果,解决了传统方法依赖人工经验、路段漏判、多判等问题,交通管理部门可根据识别结果对相关路段进行针对性治理。
作为本发明的第一个方面,提供一种基于自适应聚合算法的交通事故多发路段识别方法,包括:
步骤S1:获取预设交通事故数据提取条件、路段单元长度候选集合以及事故多发路段预期识别目标;
步骤S2:根据所述预设交通事故数据提取条件提取当前道路的交通事故数据;
步骤S3:在所述路段单元长度候选集合中选择某一路段单元长度d;
步骤S4:依据提取出的当前道路的交通事故数据,以每一个交通事故地点为起点,以其后d公里内最后一个事故地点为终点,将道路划分为若干路段单元,并统计每个路段单元内的交通事故起数;
步骤S5:依据统计出的每个路段单元内的交通事故起数,生成事故多发路段判定阈值候选集合,其中,所述事故多发路段判定阈值候选集合内的元素为去重后的路段单元交通事故起数;
步骤S6:在所述事故多发路段判定阈值候选集合中选择某一交通事故起数阈值t;
步骤S7:从划分后的所有路段单元中筛选出交通事故起数大于或等于阈值t的路段单元作为当前事故多发路段单元;
步骤S8:合并重叠的事故多发路段单元,生成当前交通事故多发路段识别结果;
步骤S9:计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差,并依据相对误差计算结果生成道路交通事故多发路段判定标准。
进一步地,所述计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差,并依据相对误差计算结果生成道路交通事故多发路段判定标准,还包括:
步骤S91:计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差e,计算方式为:
其中,y为事故多发路段预期识别目标,y'为当前交通事故多发路段识别结果;
步骤S92:若相对误差e小于或等于1%,则转入步骤S94;若相对误差e大于1%,且阈值t选择过程未结束,则转入步骤S6,否则转入步骤S93;
步骤S93:若路段单元长度d选择过程结束,则转入步骤S94,否则转入步骤S3;
步骤S94:选择相对误差e最小的结果作为最终结果,并生成所述道路交通事故多发路段判定标准。
进一步地,所述预设交通事故数据提取条件包括地域、道路名称、统计时段、事故类型以及道路类型,所述事故多发路段预期识别目标包括交通事故多发路段里程占比和交通事故多发路段事故起数占比。
进一步地,步骤S9中所述道路交通事故多发路段判定标准的生成方式为:选择相对误差e最小的结果对应的路段单元长度d和阈值t,判定标准即为“道路上任意d公里范围内发生t起及以上交通事故,即为道路交通事故多发路段”。
作为本发明的第二个方面,提供一种基于自适应聚合算法的交通事故多发路段识别***,包括:
参数获取模块,用于获取预设交通事故数据提取条件、路段单元长度候选集合以及事故多发路段预期识别目标;
数据提取模块,用于根据所述预设交通事故数据提取条件提取当前道路的交通事故数据;
交通事故多发路段识别模块,用于在所述路段单元长度候选集合中选择某一路段单元长度d;依据提取出的当前道路的交通事故数据,以每一个交通事故地点为起点,以其后d公里内最后一个事故地点为终点,将道路划分为若干路段单元,并统计每个路段单元内的交通事故起数;依据统计出的每个路段单元内的交通事故起数,生成事故多发路段判定阈值候选集合,其中,所述事故多发路段判定阈值候选集合内的元素为去重后的路段单元交通事故起数;在所述事故多发路段判定阈值候选集合中选择某一交通事故起数阈值t;从划分后的所有路段单元中筛选出交通事故起数大于或等于阈值t的路段单元作为当前事故多发路段单元;合并重叠的事故多发路段单元,生成当前交通事故多发路段识别结果;计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差;上述过程为一次迭代,当路段单元长度候选集合与阈值候选集合选择完毕后,依据最小相对误差对应的交通事故多发路段识别结果生成道路交通事故多发路段判定标准。
进一步地,所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差e的计算方式为:
其中,y为事故多发路段预期识别目标,y'为当前交通事故多发路段识别结果。
进一步地,所述预设交通事故数据提取条件包括地域、道路名称、统计时段、事故类型以及道路类型,所述事故多发路段预期识别目标包括交通事故多发路段里程占比和交通事故多发路段事故起数占比。
进一步地,所述道路交通事故多发路段判定标准的生成方式为:选择相对误差e最小的结果对应的路段单元长度d和阈值t,判定标准即为“道路上任意d公里范围内发生t起及以上交通事故,即为道路交通事故多发路段”。
进一步地,所述交通事故多发路段识别模块,还用于采用自适应聚合算法,基于所述事故多发路段预期识别目标和当前道路的交通事故数据分布情况,通过迭代计算的方式进行交通事故多发路段识别,每一轮迭代中,首先确定本轮迭代使用的路段单元长度d和交通事故起数阈值t,然后以每一个交通事故地点为起点向后延伸一定长度d划分路段单元,最后将交通事故起数大于或等于阈值t的路段单元进行聚合,生成当前交通事故多发路段识别结果,并计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差e;
迭代过程结束后,根据历次迭代的相对误差e最小值确定所述道路交通事故多发路段判定标准。
进一步地,还包括综合展示模块,所述综合展示模块用于对所述道路交通事故多发路段判定标准和所述当前交通事故多发路段识别结果进行展示和查询。
本发明提供的基于自适应聚合算法的交通事故多发路段识别方法及***具有以下优点:一是可以结合预期识别目标和数据分布情况,自适应确定交通事故多发路段判定标准,解决了传统方法依赖人工经验、主观性较强的问题;二是以每一个事故地点为起点自适应划分路段单元,并将满足判定标准的路段单元聚合处理后生成交通事故多发路段识别结果,解决了路段单元划分不合理导致的事故多发路段漏判、多判等问题。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明提供的基于自适应聚合算法的交通事故多发路段识别方法的整体流程图。
图2为本发明提供的基于自适应聚合算法的交通事故多发路段识别方法的一种具体实施方式流程图。
图3为本发明提供的基于自适应聚合算法的交通事故多发路段识别方法的另一种具体实施方式流程图。
图4为本发明提供的基于自适应聚合算法的交通事故多发路段识别***的结构示意图。
图5为本发明提供的自适应聚合算法迭代过程示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于自适应聚合算法的交通事故多发路段识别方法及***其具体实施方式、结构、特征及其功效,详细说明如后。显然,所描述的实施例为本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
在本实施例中提供了一种基于自适应聚合算法的交通事故多发路段识别方法,如图1所示,基于自适应聚合算法的交通事故多发路段识别方法包括:
步骤S1:获取预设交通事故数据提取条件、路段单元长度候选集合D={d1,d2,...,dn}(单位:公里)以及事故多发路段预期识别目标y;
具体地,所述预设交通事故数据提取条件包括地域、道路名称、统计时段、事故类型、道路类型等。
具体地,所述事故多发路段预期识别目标包括交通事故多发路段里程占比、交通事故多发路段事故起数占比等,可任选1个设置目标值。
步骤S2:根据所述预设交通事故数据提取条件提取当前道路的交通事故数据X={x1,x2,...,xm},x1,x2,...,xm分别指第1、2....m起交通事故的地点,当前道路一共有m起事故;
步骤S3:在所述路段单元长度候选集合D中选择某一路段单元长度d(公里);其中,选择方法包括网格搜索法、随机搜索法、二分搜索法等;
步骤S4:依据提取出的当前道路的交通事故数据X,以每一个交通事故地点为起点,以其后d公里内最后一个事故地点为终点,将道路划分为若干路段单元,得到路段单元集合S={s1,s2,...,sm},s1,s2,...,sm分别指第1、2....m个路段单元,一共有m个路段单元,并统计每个路段单元内的交通事故起数;
步骤S5:依据统计出的每个路段单元内的交通事故起数,生成事故多发路段判定阈值候选集合T={t1,t2,...,tc},其中,所述事故多发路段判定阈值候选集合T={t1,t2,...,tc}内的元素为去重后的路段单元交通事故起数;
步骤S6:在所述事故多发路段判定阈值候选集合T={t1,t2,...,tc}中选择某一交通事故起数阈值t;其中,选择方法包括网格搜索法、随机搜索法、二分搜索法等;
步骤S7:从划分后的所有路段单元中筛选出交通事故起数大于或等于阈值t的路段单元作为当前事故多发路段单元;
具体地,步骤S7还包括:
初始化当前事故多发路段单元集合初始化当前交通事故多发路段识别结果集合/>对于j∈(1,2,...,m),若第j个路段单元sj的交通事故起数tj≥阈值t,则将第j个路段单元sj加入到集合S'中;即第j个路段单元sj作为当前事故多发路段单元。
步骤S8:合并重叠的事故多发路段单元,生成当前交通事故多发路段识别结果;
具体地,步骤S8还包括:
步骤S81:按当前事故多发路段单元起点排序得到S'={s'1,s'2,...,s'z},令l、r分别为s'1的起点和终点,令j=2;
步骤S82:令l'、r'分别为s'j的起点和终点,若l'≤r,令r=max(r,r'),否则将路段(l,r)加入到集合R中,且令l=l',r=r';
步骤S83:令j=j+1,若j≤z,则转入步骤S82,否则转入步骤S9。
步骤S9:计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差,并依据相对误差计算结果生成道路交通事故多发路段判定标准。
优选地,如图2所示,所述计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差,并依据相对误差计算结果生成道路交通事故多发路段判定标准,还包括:
步骤S91:根据当前交通事故多发路段识别结果集合R计算当前交通事故多发路段识别结果y',并计算所述当前交通事故多发路段识别结果y'与所述事故多发路段预期识别目标y的相对误差e,将(R,d,t,e)添加到集合F中,相对误差e计算方式为:
其中,y为事故多发路段预期识别目标,y'为当前交通事故多发路段识别结果;
步骤S92:若相对误差e小于或等于1%,则转入步骤S94;若相对误差e大于1%,且阈值t选择过程未结束,则转入步骤S6,否则转入步骤S93;
步骤S93:若路段单元长度d选择过程结束(若滑动窗口长度搜索完毕),则转入步骤S94,否则转入步骤S3;
步骤S94:选择相对误差e最小的结果作为最终结果,并生成所述道路交通事故多发路段判定标准。具体地,在集合F中寻找最小相对误差e所在的元素(R,d,t,e),则R即为最终当前交通事故多发路段识别结果集合,道路交通事故多发路段判定标准即为“道路上任意d公里范围内发生t起及以上事故,即为交通事故多发路段”。
具体地,步骤S9中所述道路交通事故多发路段判定标准的生成方式为:选择相对误差e最小的结果对应的路段单元长度d和阈值t,判定标准即为“道路上任意d公里范围内发生t起及以上交通事故,即为道路交通事故多发路段”。
本发明提供的基于自适应聚合算法的交通事故多发路段识别方法,可以根据预期识别目标和数据分布情况,采用迭代搜索的方式自适应确定路段单元长度及事故多发路段判定阈值,生成交通事故多发路段判定标准;在迭代过程中,每次迭代均选取不同的路段单元长度和事故多发路段判定阈值,然后以每一个事故地点为起点向后延伸一定长度划分路段单元,最后将交通事故起数大于或等于阈值的路段单元进行聚合,生成交通事故多发路段识别结果;迭代过程结束后,根据历次迭代结果与预设目标的相对误差确定交通事故多发路段判定标准。
下面结合图3对发明提供的基于自适应聚合算法的交通事故多发路段识别方法的具体实施过程进行详细说明。
作为本发明的另一个实施例,提供一种基于自适应聚合算法的道路交通事故多发路段识别方法,本实施例采用网格搜索法搜索路段单元长度,采用二分搜索法搜索阈值,如图3所示,包括以下步骤:
步骤1,获取预设交通事故数据提取条件、路段单元长度候选集合D={d1,d2,...,dn}(单位:公里)以及事故多发路段预期识别目标y,并令路段单元长度序号i=1;
步骤2,根据预设交通事故数据提取条件提取交通事故数据X={x1,x2,...,xm};
步骤3,取路段单元长度d=di,以其后d公里内最后一个事故地点为终点,将道路划分为若干路段单元,得到路段单元集合S={s1,s2,...,sm},并统计每个路段单元内的交通事故起数;
步骤5,对于k∈{l,m,r},执行步骤6至步骤10;
步骤7,按路段起点排序得到S'={s'1,s'2,...,s'z},令l、r分别为s'1的起点和终点,令j=2;
步骤8,令l'、r'分别为s'j的起点和终点,若l'≤r,令r=max(r,r'),否则将路段(l,pos_max)加入到集合R中,且令l=l',r=r',其中pos_max为路段(l,r)内最大的事故地点桩号;
步骤9,令j=j+1,若j≤z,则转入步骤8,否则转入步骤10;
步骤12:令i=i+1,若i≤n,则转入步骤3,否则转入步骤13;
步骤13,在集合F中寻找最小相对误差e所在的元素(R,d,t,e),则R即为最终识别结果,道路交通事故多发路段划分方式与判定标准即为“道路上任意d公里范围内发生t起及以上事故,即为交通事故多发路段”。
假如用户需求是基于某时段的交通事故数据,识别辽宁省内京哈高速公路的交通事故多发路段,预期识别目标为事故多发路段里程占总里程的5%,并预设路段单元长度候选集合为D={1,2,3,4,5}(单位:公里),则自适应聚合算法迭代过程如下表1和图5所示:
表1
结果显示,算法输出的交通事故多发路段判定标准为“道路上任意4公里范围内发生60起及以上交通事故,即为事故多发路段”,最终识别交通事故多发路段共4个、占总里程的4.9%,与预设目标5%比较接近。
作为本发明的另一实施例,如图4所示,提供一种基于自适应聚合算法的交通事故多发路段识别***,其中,所述基于自适应聚合算法的交通事故多发路段识别***包括:
参数获取模块10,用于获取预设交通事故数据提取条件、路段单元长度候选集合以及事故多发路段预期识别目标;
数据提取模块20,用于根据所述预设交通事故数据提取条件提取当前道路的交通事故数据;
交通事故多发路段识别模块30,用于调用自适应聚合算法确定当前交通事故多发路段识别结果;
具体地,所述交通事故多发路段识别模块30具体用于在所述路段单元长度候选集合中选择某一路段单元长度d;依据提取出的当前道路的交通事故数据,以每一个交通事故地点为起点,以其后d公里内最后一个事故地点为终点,将道路划分为若干路段单元,并统计每个路段单元内的交通事故起数;依据统计出的每个路段单元内的交通事故起数,生成事故多发路段判定阈值候选集合,其中,所述事故多发路段判定阈值候选集合内的元素为去重后的路段单元交通事故起数;在所述事故多发路段判定阈值候选集合中选择某一交通事故起数阈值t;从划分后的所有路段单元中筛选出交通事故起数大于或等于阈值t的路段单元作为当前事故多发路段单元;合并重叠的事故多发路段单元,生成当前交通事故多发路段识别结果;计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差;上述过程为一次迭代,当路段单元长度候选集合与阈值候选集合选择完毕后,依据最小相对误差对应的交通事故多发路段识别结果生成道路交通事故多发路段判定标准。
优选地,所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差e的计算方式为:
其中,y为事故多发路段预期识别目标,y'为当前交通事故多发路段识别结果。
优选地,所述预设交通事故数据提取条件包括地域、道路名称、统计时段、事故类型以及道路类型;所述事故多发路段预期识别目标包括交通事故多发路段里程占比和交通事故多发路段事故起数占比,可任选1个设置目标值。
优选地,所述道路交通事故多发路段判定标准的生成方式为:选择相对误差e最小的结果对应的路段单元长度d和阈值t,判定标准即为“道路上任意d公里范围内发生t起及以上交通事故,即为道路交通事故多发路段”。
优选地,所述交通事故多发路段识别模块30,还用于采用自适应聚合算法,基于所述事故多发路段预期识别目标和当前道路的交通事故数据分布情况,通过迭代计算的方式进行交通事故多发路段识别,每一轮迭代中,首先确定本轮迭代使用的路段单元长度d和交通事故起数阈值t,然后以每一个交通事故地点为起点向后延伸一定长度d划分路段单元,最后将交通事故起数大于或等于阈值t的路段单元进行聚合,生成当前交通事故多发路段识别结果,并计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差e;
迭代过程结束后,根据历次迭代的相对误差e最小值确定所述道路交通事故多发路段判定标准。
优选地,还包括综合展示模块40,所述综合展示模块40用于对所述道路交通事故多发路段判定标准和所述当前交通事故多发路段识别结果进行展示和查询。
具体地,所述综合展示模块40具体用于展示道路交通事故多发路段判定标准、地域分布、里程数占比、事故起数占比、死亡事故起数占比等,支持按地域、按道路、按道路类型查询交通事故多发路段识别结果详情。
本发明提供的基于自适应聚合算法的交通事故多发路段识别方法及***具有以下优点:一是可以结合预期识别目标和数据分布情况,自适应确定交通事故多发路段判定标准,解决了传统方法依赖人工经验、主观性较强的问题;二是以每一个事故地点为起点自适应划分路段单元,并将满足判定标准的路段单元聚合处理后生成交通事故多发路段识别结果,解决了路段单元划分不合理导致的事故多发路段漏判、多判等问题。
需要说明的是,以上所述均使用交通事故起数计算路段风险程度,熟悉本专业的技术人员也可使用当量事故起数等其他业务指标。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于自适应聚合算法的交通事故多发路段识别方法,其特征在于,包括:
步骤S1:获取预设交通事故数据提取条件、路段单元长度候选集合以及事故多发路段预期识别目标;
步骤S2:根据所述预设交通事故数据提取条件提取当前道路的交通事故数据;
步骤S3:在所述路段单元长度候选集合中选择某一路段单元长度d;
步骤S4:依据提取出的当前道路的交通事故数据,以每一个交通事故地点为起点,以其后d公里内最后一个事故地点为终点,将道路划分为若干路段单元,并统计每个路段单元内的交通事故起数;
步骤S5:依据统计出的每个路段单元内的交通事故起数,生成事故多发路段判定阈值候选集合,其中,所述事故多发路段判定阈值候选集合内的元素为去重后的路段单元交通事故起数;
步骤S6:在所述事故多发路段判定阈值候选集合中选择某一交通事故起数阈值t;
步骤S7:从划分后的所有路段单元中筛选出交通事故起数大于或等于阈值t的路段单元作为当前事故多发路段单元;
步骤S8:合并重叠的事故多发路段单元,生成当前交通事故多发路段识别结果;
步骤S9:计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差,并依据相对误差计算结果生成道路交通事故多发路段判定标准。
2.根据权利要求1所述的基于自适应聚合算法的交通事故多发路段识别方法,其特征在于,所述计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差,并依据相对误差计算结果生成道路交通事故多发路段判定标准,还包括:
步骤S91:计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差e,计算方式为:
其中,y为事故多发路段预期识别目标,y'为当前交通事故多发路段识别结果;
步骤S92:若相对误差e小于或等于1%,则转入步骤S94;若相对误差e大于1%,且阈值t选择过程未结束,则转入步骤S6,否则转入步骤S93;
步骤S93:若路段单元长度d选择过程结束,则转入步骤S94,否则转入步骤S3;
步骤S94:选择相对误差e最小的结果作为最终结果,并生成所述道路交通事故多发路段判定标准。
3.根据权利要求1所述的基于自适应聚合算法的交通事故多发路段识别方法,其特征在于,所述预设交通事故数据提取条件包括地域、道路名称、统计时段、事故类型以及道路类型,所述事故多发路段预期识别目标包括交通事故多发路段里程占比和交通事故多发路段事故起数占比。
4.根据权利要求1所述的基于自适应聚合算法的交通事故多发路段识别方法,其特征在于,步骤S9中所述道路交通事故多发路段判定标准的生成方式为:选择相对误差e最小的结果对应的路段单元长度d和阈值t,判定标准即为“道路上任意d公里范围内发生t起及以上交通事故,即为道路交通事故多发路段”。
5.一种基于自适应聚合算法的交通事故多发路段识别***,其特征在于,包括:
参数获取模块,用于获取预设交通事故数据提取条件、路段单元长度候选集合以及事故多发路段预期识别目标;
数据提取模块,用于根据所述预设交通事故数据提取条件提取当前道路的交通事故数据;
交通事故多发路段识别模块,用于在所述路段单元长度候选集合中选择某一路段单元长度d;依据提取出的当前道路的交通事故数据,以每一个交通事故地点为起点,以其后d公里内最后一个事故地点为终点,将道路划分为若干路段单元,并统计每个路段单元内的交通事故起数;依据统计出的每个路段单元内的交通事故起数,生成事故多发路段判定阈值候选集合,其中,所述事故多发路段判定阈值候选集合内的元素为去重后的路段单元交通事故起数;在所述事故多发路段判定阈值候选集合中选择某一交通事故起数阈值t;从划分后的所有路段单元中筛选出交通事故起数大于或等于阈值t的路段单元作为当前事故多发路段单元;合并重叠的事故多发路段单元,生成当前交通事故多发路段识别结果;计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差;上述过程为一次迭代,当路段单元长度候选集合与阈值候选集合选择完毕后,依据最小相对误差对应的交通事故多发路段识别结果生成道路交通事故多发路段判定标准。
7.根据权利要求5所述的基于自适应聚合算法的交通事故多发路段识别***,其特征在于,所述预设交通事故数据提取条件包括地域、道路名称、统计时段、事故类型以及道路类型,所述事故多发路段预期识别目标包括交通事故多发路段里程占比和交通事故多发路段事故起数占比。
8.根据权利要求5所述的基于自适应聚合算法的交通事故多发路段识别***,其特征在于,所述道路交通事故多发路段判定标准的生成方式为:选择相对误差e最小的结果对应的路段单元长度d和阈值t,判定标准即为“道路上任意d公里范围内发生t起及以上交通事故,即为道路交通事故多发路段”。
9.根据权利要求5所述的基于自适应聚合算法的交通事故多发路段识别***,其特征在于,所述交通事故多发路段识别模块,还用于采用自适应聚合算法,基于所述事故多发路段预期识别目标和当前道路的交通事故数据分布情况,通过迭代计算的方式进行交通事故多发路段识别,每一轮迭代中,首先确定本轮迭代使用的路段单元长度d和交通事故起数阈值t,然后以每一个交通事故地点为起点向后延伸一定长度d划分路段单元,最后将交通事故起数大于或等于阈值t的路段单元进行聚合,生成当前交通事故多发路段识别结果,并计算所述当前交通事故多发路段识别结果与所述事故多发路段预期识别目标的相对误差e;
迭代过程结束后,根据历次迭代的相对误差e最小值确定所述道路交通事故多发路段判定标准。
10.根据权利要求5所述的基于自适应聚合算法的交通事故多发路段识别***,其特征在于,还包括综合展示模块,所述综合展示模块用于对所述道路交通事故多发路段判定标准和所述当前交通事故多发路段识别结果进行展示和查询。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534771.XA CN115880906B (zh) | 2022-12-02 | 2022-12-02 | 基于自适应聚合算法的交通事故多发路段识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534771.XA CN115880906B (zh) | 2022-12-02 | 2022-12-02 | 基于自适应聚合算法的交通事故多发路段识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880906A true CN115880906A (zh) | 2023-03-31 |
CN115880906B CN115880906B (zh) | 2024-05-24 |
Family
ID=85765415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534771.XA Active CN115880906B (zh) | 2022-12-02 | 2022-12-02 | 基于自适应聚合算法的交通事故多发路段识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880906B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493600A (zh) * | 2018-11-21 | 2019-03-19 | 合肥工业大学 | 基于事故危险度的交通事故多发路段识别方法 |
US20200090502A1 (en) * | 2018-09-18 | 2020-03-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for predicting traffic accident locations |
-
2022
- 2022-12-02 CN CN202211534771.XA patent/CN115880906B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200090502A1 (en) * | 2018-09-18 | 2020-03-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for predicting traffic accident locations |
CN109493600A (zh) * | 2018-11-21 | 2019-03-19 | 合肥工业大学 | 基于事故危险度的交通事故多发路段识别方法 |
Non-Patent Citations (2)
Title |
---|
鲍业辉;王伟;詹白;李锐;: "基于事故黑点识别模型的江西省普通国省道公路事故黑点路段选择", 现代交通技术, no. 06, 26 December 2017 (2017-12-26) * |
黄明月: "基于自适应核密度估计的交通事故黑点识别及预警模型研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊), 15 May 2022 (2022-05-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN115880906B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110588658B (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
CN107292417B (zh) | 基于重污染序列案例库的区域重污染判别预报方法及装置 | |
CN110728421B (zh) | 一种基于充电需求大数据的路网充电优化方法 | |
CN114435138A (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN116628455B (zh) | 一种城市交通碳排放监测与决策支持方法及*** | |
CN111062648A (zh) | 一种沥青路面综合性能的评价方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN110562261A (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN108229567A (zh) | 驾驶员身份识别方法及装置 | |
CN112288334A (zh) | 一种基于lightgbm的车联网风险因子的提取方法 | |
CN108682153B (zh) | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 | |
CN115713858A (zh) | 一种基于交通大数据的智慧交通运行管控*** | |
CN110254435B (zh) | 一种驾驶风格识别方法 | |
CN104102730B (zh) | 一种基于已知标签的大数据常态模式提取方法及*** | |
CN109147320B (zh) | 一种基于卡口数据的路段交通状态判别方法 | |
CN110119891B (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
CN115880906A (zh) | 基于自适应聚合算法的交通事故多发路段识别方法及*** | |
CN110705628B (zh) | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 | |
CN106446194B (zh) | 一种地理区域的采集参数确定方法及装置 | |
CN107195181B (zh) | 一种根据***识别规则库识别***的方法 | |
CN114580874B (zh) | 一种适用于高速公路风险评估的多维分布式数据分析*** | |
CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
CN113011713B (zh) | 一种基于信息熵的驾驶员驾驶稳定性评估方法 | |
CN112309129B (zh) | 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 | |
CN115100173A (zh) | 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |