CN116403403B - 一种基于大数据分析的交通预警方法、***、设备及介质 - Google Patents
一种基于大数据分析的交通预警方法、***、设备及介质 Download PDFInfo
- Publication number
- CN116403403B CN116403403B CN202310415348.6A CN202310415348A CN116403403B CN 116403403 B CN116403403 B CN 116403403B CN 202310415348 A CN202310415348 A CN 202310415348A CN 116403403 B CN116403403 B CN 116403403B
- Authority
- CN
- China
- Prior art keywords
- traffic
- index parameters
- index
- category information
- accident
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007405 data analysis Methods 0.000 title claims abstract description 31
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 134
- 238000004891 communication Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于数据处理技术领域，其目的在于提供一种基于大数据分析的交通预警方法、***、设备及介质。本发明通过引入了分类决策理论，通过对预警管理中存在的决策问题进行分析，同时引入影响交通事故类别信息的多种交通指标参数，并事实采集交通数据，再基于最终事故分类决策模型实现交通事故类别的预警，由此可提高预警信号的输出精度，进而可实现有效预警。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种基于大数据分析的交通预警方法、***、设备及介质。
背景技术
随着人们生活水平的日益提高及科技的不断进步，汽车逐步成为人们外出的一种代步工具，随之而来的车祸事故也在逐年增加。现有技术中，如公开号为CN109636125A的中国专利申请提出了一种高速公路交通事故风险评估***，该申请利用支持向量机算法，输入交通事故影响因素，包括环境因素、道路因素，预测道路交通事故起数。
但是，在使用现有技术过程中，发明人发现现有技术中至少存在如下问题：
现有技术通过预测道路交通事故起数，对交通安全风险进行了量化，然而，现有技术无法获取影响交通事故的主要因素，同时无法获知交通事故类别等情况，无法实现有效预警。
发明内容
本发明旨在至少在一定程度上解决上述技术问题，本发明提供了一种基于大数据分析的交通预警方法、***、设备及介质。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种基于大数据分析的交通预警方法，包括：
从预设的道路交通管理信息数据库中获取目标区域的交通事故数据；
根据所述交通事故数据，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数；
获取所述交通事故类别信息对应的所有交通指标参数的重要度，并选取重要度排名前N的交通指标参数，得到所述交通事故类别信息对应的重构指标集合；其中，N为正整数；
构建初始事故分类决策模型，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练，得到最终事故分类决策模型；
采集与重要度排名前N的交通指标参数匹配的实时交通指标参数，并将所述实时交通指标参数输入所述最终事故分类决策模型，以便得到实时交通指标参数对应的交通事故类别预警信息。
本发明在实施过程中，可提高预警信号的输出精度。具体地，本发明在实施过程中，首先，从预设的道路交通管理信息数据库中获取目标区域的交通事故数据；再根据所述交通事故数据，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数；然后，获取所述交通事故类别信息对应的所有交通指标参数的重要度，并选取重要度排名前N的交通指标参数，得到所述交通事故类别信息对应的重构指标集合；随后，构建初始事故分类决策模型，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练，得到最终事故分类决策模型；最后，采集与重要度排名前N的交通指标参数匹配的实时交通指标参数，并将所述实时交通指标参数输入所述最终事故分类决策模型，以便得到实时交通指标参数对应的交通事故类别预警信息。在此过程中，本发明通过引入了分类决策理论，通过对预警管理中存在的决策问题进行分析，同时引入影响交通事故类别信息的多种交通指标参数，并事实采集交通数据，再基于最终事故分类决策模型实现交通事故类别的预警，由此可提高预警信号的输出精度，进而可实现有效预警。
在一个可能的设计中，所述交通事故类别信息为不同等级交通事故的对应的类别信息；
所述交通事故类别信息对应的交通指标参数包括一级指标参数、所述一级指标参数对应的二级指标参数以及所述二级指标参数对应的三级指标参数；其中，所述一级指标参数包括气象指标参数、地面交通指标参数和驾驶员指标参数，所述气象指标参数对应的二级指标参数包括降雨强度、能见度、地面湿度和/或风速，所述地面交通指标参数对应的二级指标参数包括车流量、人流量、车密度、车速、路宽和/或时间，所述驾驶员指标参数对应的二级指标参数包括驾驶员年龄、驾驶员性别和/或驾驶员疲劳度，所述三级指标参数为对应二级指标参数的量化数据。
在一个可能的设计中，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数后，所述方法还包括：
判断所述交通指标参数是否在预设范围外，如是，则判定当前交通指标参数为错误数据，并删除当前交通指标参数，并进入下一步；
利用当前目标区域位于当前交通指标参数相邻时段的交通指标参数，对当前交通指标参数进行修复，然后继续判断后一交通指标参数，直到对所有交通指标参数进行判断，再获取所述交通事故类别信息对应的所有交通指标参数的重要度。
在一个可能的设计中，获取所述交通事故类别信息对应的所有交通指标参数的重要度，包括：
获取两两交通指标参数之间的相关系数，所有相关系数构成二元关系库；
根据所述二元关系库得到所有交通指标参数的重要度。
在一个可能的设计中，交通事故类别信息对应的所有交通指标参数中，第i个交通指标参数相对于当前交通事故类别信息y的重要度为：
式中，yi为第i个交通指标参数对应的交通事故类别信息；n为交通事故类别信息对应的所有交通指标参数的个数；aij为第i个交通指标参数相对第j个交通指标参数的相关系数。
在一个可能的设计中，所述初始事故分类决策模型为：
y＝a1x1+a2x2+……aNxN+b；
式中，y为交通事故类别信息；x1、x2、……、xN分别为重要度排名前N个交通指标参数；a1、a2、……、aN分别为各交通指标参数的权重系数；b为关联参数。
在一个可能的设计中，得到实时交通指标参数对应的预警交通事故类别信息后，所述方法还包括：
对所述实时交通指标参数和/或实时交通指标参数对应的交通事故类别预警信息进行可视化展示。
第二方面，本发明提供了一种基于大数据分析的交通预警***，用于实现如上述任一项所述的基于大数据分析的交通预警方法；所述基于大数据分析的交通预警***包括：
数据获取模块，用于从预设的道路交通管理信息数据库中获取目标区域的交通事故数据，并根据所述交通事故数据，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数；
指标重建模块，与所述数据获取模块通信连接，用于获取所述交通事故类别信息对应的所有交通指标参数的重要度，并选取重要度排名前N的交通指标参数，得到所述交通事故类别信息对应的重构指标集合；其中，N为正整数；
模型获取模块，与所述指标重建模块通信连接，用于构建初始事故分类决策模型，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练，得到最终事故分类决策模型；
交通预警模块，与所述模型获取模块通信连接，用于采集与重要度排名前N的交通指标参数匹配的实时交通指标参数，并将所述实时交通指标参数输入所述最终事故分类决策模型，以便得到实时交通指标参数对应的交通事故类别预警信息。
第三方面，本发明提供了一种电子设备，包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成如上述任一项所述的基于大数据分析的交通预警方法的操作。
第四方面，本发明提供了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如上述任一项所述的基于大数据分析的交通预警方法的操作。
附图说明
图1是实施例中一种基于大数据分析的交通预警方法的流程图；
图2是实施例中一种基于大数据分析的交通预警***的模块框图；
图3是实施例中一种电子设备的模块框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
实施例1：
本实施例公开了一种基于大数据分析的交通预警方法，可以但不限于由具有一定计算资源的计算机设备或虚拟机执行，例如由个人计算机、智能手机、个人数字助理或可穿戴设备等电子设备执行，或者由虚拟机执行。
如图1所示，一种基于大数据分析的交通预警方法，可以但不限于包括有如下步骤：
S1.从预设的道路交通管理信息数据库中获取目标区域的交通事故数据；大数据具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。本实施例中，基于大数据分析从预设的道路交通管理信息数据库中获取目标区域的交通事故数据，可便于实现后续对目标区域交通事故的有效预警。
S2.根据所述交通事故数据，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数；由此可实现对风险进行有效的识别，在此过程中，将指标所提供的信息特征与风险事故状态进行对比，既要防止指标过多导致维数灾难的发生，又要防止指标过少导致无法全面的对风险状态进行判断，造成漏警的问题。
具体地，本实施例中，所述交通事故类别信息为不同等级交通事故的对应的类别信息，不同等级交通事故分为无风险、低风险、中风险、高风险和极高风险；
所述交通事故类别信息对应的交通指标参数包括一级指标参数、所述一级指标参数对应的二级指标参数以及所述二级指标参数对应的三级指标参数；其中，所述一级指标参数包括气象指标参数、地面交通指标参数和驾驶员指标参数，所述气象指标参数对应的二级指标参数包括降雨强度、能见度、地面湿度和/或风速，所述地面交通指标参数对应的二级指标参数包括车流量、人流量、车密度、车速、路宽和/或时间，所述驾驶员指标参数对应的二级指标参数包括驾驶员年龄、驾驶员性别和/或驾驶员疲劳度，所述三级指标参数为对应二级指标参数的量化数据。
获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数后，所述方法还包括分别对所述交通事故类别信息以及所述交通事故类别信息对应的交通指标参数进行赋值量化，得到各交通事故类别信息对应的量化的交通指标参数，以便对交通事故类别信息及交通指标参数进行后续的计算处理；
本实施例中，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数后，所述方法还包括：
A1.判断所述交通指标参数是否在预设范围外，如是，则判定当前交通指标参数为错误数据，并删除当前交通指标参数，并进入下一步，如否，则继续判断后一交通指标参数，直到对所有交通指标参数进行判断，再获取所述交通事故类别信息对应的所有交通指标参数的重要度；
A2.利用当前目标区域位于当前交通指标参数相邻时段的交通指标参数，对当前交通指标参数进行修复，然后继续判断后一交通指标参数，直到对所有交通指标参数进行判断，再获取所述交通事故类别信息对应的所有交通指标参数的重要度。此步骤即将当前目标区域位于当前交通指标参数相邻时段的交通指标参数赋值于当前交通指标参数，以避免该当前交通指标参数缺失造成的预测不准确的问题。
S3.获取所述交通事故类别信息对应的所有交通指标参数的重要度，并选取重要度排名前N的交通指标参数，得到所述交通事故类别信息对应的重构指标集合；其中，N为正整数，本实施例中，N如为大于等于3的正整数，此处不予限制；
本实施例中，获取所述交通事故类别信息对应的所有交通指标参数的重要度，包括：
S301.获取两两交通指标参数之间的相关系数，所有相关系数构成二元关系库；本实施例中，第i个交通指标参数Ai相对第j个交通指标参数Aj之间的相关系数aij如下：
式中，为所有交通指标参数的均值；
S302.根据所述二元关系库得到所有交通指标参数的重要度。
具体地，本实施例中，交通事故类别信息对应的所有交通指标参数中，第i个交通指标参数相对于当前交通事故类别信息y的重要度为：
式中，yi为第i个交通指标参数Ai对应的交通事故类别信息；n为交通事故类别信息y对应的所有交通指标参数的个数；aij为第i个交通指标参数Ai相对第j个交通指标参数Aj的相关系数。
在此需要说明的是，任意两个交通指标参数之间的相关系数越大，说明这两个交通指标参数之间对应的交通事故关系越密切。
本实施例中，交通事故类别信息对应的所有交通指标参数的重要度还可通过随机森林算法计算得到。如采用公开号为CN109409430A的中国专利进行计算，其中随机森林算法具有很高的预测准确率，对异常值和噪声有很强的容忍度，能够处理高维数据，有效的分析非线性、具有共线性和交互作用的数据，并能够在分析数据的同时给出指标重要性评分，适用于筛选交通事故严重程度的重要性指标参数。通过随机森林算法计算得到交通指标参数的重要度的过程在此处不再予赘述。
本实施例中，采用相关系数的方式获取交通指标参数的重要度，具备计算过程较为简单，同时计算结果更为准确的优势。
S4.构建初始事故分类决策模型，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练，得到最终事故分类决策模型；
本实施例中，所述初始事故分类决策模型为：
y＝a1x1+a2x2+……aNxN+b；
式中，y为交通事故类别信息；x1、x2、……、xN分别为重要度排名前N个交通指标参数；a1、a2、……、aN分别为各交通指标参数的权重系数；b为关联参数。
需要说明的是，本实施例中，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练后，可得到各交通指标参数的权重系数a1、a2、……、an的取值以及关联参数b的取值，进而可便于通过监测得到的实时交通指标参数得到实时交通指标参数对应的交通事故类别预警信息。
S5.采集与重要度排名前N的交通指标参数匹配的实时交通指标参数，并将所述实时交通指标参数输入所述最终事故分类决策模型，以便得到实时交通指标参数对应的交通事故类别预警信息。
本实施例中，得到实时交通指标参数对应的预警交通事故类别信息后，所述方法还包括：
S6.对所述实时交通指标参数和/或实时交通指标参数对应的交通事故类别预警信息进行可视化展示。
需要说明的是，可在用户终端或管理终端中，将所述实时交通指标参数和/或实时交通指标参数对应的事故类别信息在交通地图中的对应区域中进行可视化展示，且交通地图的不同区域均显示对应的交通指标参数和/或事故类别信息，由此便于驾驶员或交管部门管理人员快速获知各交通区域的预测事故情况，并便于其及时针对相应的交通事故进行准备工作。
本实施例在实施过程中，可提高预警信号的输出精度。具体地，本实施例在实施过程中，首先，从预设的道路交通管理信息数据库中获取目标区域的交通事故数据；再根据所述交通事故数据，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数；然后，获取所述交通事故类别信息对应的所有交通指标参数的重要度，并选取重要度排名前N的交通指标参数，得到所述交通事故类别信息对应的重构指标集合；随后，构建初始事故分类决策模型，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练，得到最终事故分类决策模型；最后，采集与重要度排名前N的交通指标参数匹配的实时交通指标参数，并将所述实时交通指标参数输入所述最终事故分类决策模型，以便得到实时交通指标参数对应的交通事故类别预警信息。在此过程中，本实施例通过引入了分类决策理论，通过对预警管理中存在的决策问题进行分析，同时引入影响交通事故类别信息的多种交通指标参数，并事实采集交通数据，再基于最终事故分类决策模型实现交通事故类别的预警，由此可提高预警信号的输出精度，进而可实现有效预警。
实施例2：
本实施例公开了一种基于大数据分析的交通预警***，用于实现实施例1中基于大数据分析的交通预警方法；如图2所示，所述基于大数据分析的交通预警***包括：
数据获取模块，用于从预设的道路交通管理信息数据库中获取目标区域的交通事故数据，并根据所述交通事故数据，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数；
指标重建模块，与所述数据获取模块通信连接，用于获取所述交通事故类别信息对应的所有交通指标参数的重要度，并选取重要度排名前N的交通指标参数，得到所述交通事故类别信息对应的重构指标集合；其中，N为正整数；
模型获取模块，与所述指标重建模块通信连接，用于构建初始事故分类决策模型，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练，得到最终事故分类决策模型；
交通预警模块，与所述模型获取模块通信连接，用于采集与重要度排名前N的交通指标参数匹配的实时交通指标参数，并将所述实时交通指标参数输入所述最终事故分类决策模型，以便得到实时交通指标参数对应的交通事故类别预警信息。
实施例3：
在实施例1或2的基础上，本实施例公开了一种电子设备，该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等，如图3所示，电子设备包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成如实施例1中任一所述的基于大数据分析的交通预警方法的操作。
具体地，处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable LogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中实施例1提供的基于大数据分析的交通预警方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个***设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与通信接口303相连。具体地，***设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。
电源306用于为电子设备中的各个组件进行供电。
实施例4：
在实施例1至3任一项实施例的基础上，本实施例公开了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如实施例1所述的基于大数据分析的交通预警方法的操作。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于大数据分析的交通预警方法，其特征在于：包括：
从预设的道路交通管理信息数据库中获取目标区域的交通事故数据；
根据所述交通事故数据，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数；
获取所述交通事故类别信息对应的所有交通指标参数的重要度，并选取重要度排名前N的交通指标参数，得到所述交通事故类别信息对应的重构指标集合；其中，N为正整数；
构建初始事故分类决策模型，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练，得到最终事故分类决策模型；
采集与重要度排名前N的交通指标参数匹配的实时交通指标参数，并将所述实时交通指标参数输入所述最终事故分类决策模型，以便得到实时交通指标参数对应的交通事故类别预警信息；
获取所述交通事故类别信息对应的所有交通指标参数的重要度，包括：
获取两两交通指标参数之间的相关系数，所有相关系数构成二元关系库；
根据所述二元关系库得到所有交通指标参数的重要度；
交通事故类别信息对应的所有交通指标参数中，第i个交通指标参数相对于当前交通事故类别信息y的重要度为：
式中，yi为第i个交通指标参数对应的交通事故类别信息；n为交通事故类别信息对应的所有交通指标参数的个数；aij为第i个交通指标参数相对第j个交通指标参数的相关系数；
所述初始事故分类决策模型为：
y＝a1x1+a2x2+……aNxN+b；
式中，y为交通事故类别信息；x1、x2、……、xN分别为重要度排名前N个交通指标参数；a1、a2、……、aN分别为各交通指标参数的权重系数；b为关联参数。
2.根据权利要求1所述的一种基于大数据分析的交通预警方法，其特征在于：所述交通事故类别信息为不同等级交通事故的对应的类别信息；
所述交通事故类别信息对应的交通指标参数包括一级指标参数、所述一级指标参数对应的二级指标参数以及所述二级指标参数对应的三级指标参数；其中，所述一级指标参数包括气象指标参数、地面交通指标参数和驾驶员指标参数，所述气象指标参数对应的二级指标参数包括降雨强度、能见度、地面湿度和/或风速，所述地面交通指标参数对应的二级指标参数包括车流量、人流量、车密度、车速、路宽和/或时间，所述驾驶员指标参数对应的二级指标参数包括驾驶员年龄、驾驶员性别和/或驾驶员疲劳度，所述三级指标参数为对应二级指标参数的量化数据。
3.根据权利要求1所述的一种基于大数据分析的交通预警方法，其特征在于：获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数后，所述方法还包括：
判断所述交通指标参数是否在预设范围外，如是，则判定当前交通指标参数为错误数据，并删除当前交通指标参数，并进入下一步；
利用当前目标区域位于当前交通指标参数相邻时段的交通指标参数，对当前交通指标参数进行修复，然后继续判断后一交通指标参数，直到对所有交通指标参数进行判断，再获取所述交通事故类别信息对应的所有交通指标参数的重要度。
4.根据权利要求1所述的一种基于大数据分析的交通预警方法，其特征在于：得到实时交通指标参数对应的预警交通事故类别信息后，所述方法还包括：
对所述实时交通指标参数和/或实时交通指标参数对应的交通事故类别预警信息进行可视化展示。
5.一种基于大数据分析的交通预警***，其特征在于：用于实现如权利要求1至4中任一项所述的基于大数据分析的交通预警方法；所述基于大数据分析的交通预警***包括：
数据获取模块，用于从预设的道路交通管理信息数据库中获取目标区域的交通事故数据，并根据所述交通事故数据，获取目标区域的交通事故类别信息以及所述交通事故类别信息对应的交通指标参数；
指标重建模块，与所述数据获取模块通信连接，用于获取所述交通事故类别信息对应的所有交通指标参数的重要度，并选取重要度排名前N的交通指标参数，得到所述交通事故类别信息对应的重构指标集合；其中，N为正整数；
模型获取模块，与所述指标重建模块通信连接，用于构建初始事故分类决策模型，根据交通事故类别信息对应的重构指标集合对所述初始事故分类决策模型进行训练，得到最终事故分类决策模型；
交通预警模块，与所述模型获取模块通信连接，用于采集与重要度排名前N的交通指标参数匹配的实时交通指标参数，并将所述实时交通指标参数输入所述最终事故分类决策模型，以便得到实时交通指标参数对应的交通事故类别预警信息。
6.一种电子设备，其特征在于：包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成如权利要求1至4中任一项所述的基于大数据分析的交通预警方法的操作。
7.一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，其特征在于：所述计算机程序指令被配置为运行时执行如权利要求1至4中任一项所述的基于大数据分析的交通预警方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310415348.6A CN116403403B (zh) | 2023-04-12 | 2023-04-12 | 一种基于大数据分析的交通预警方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310415348.6A CN116403403B (zh) | 2023-04-12 | 2023-04-12 | 一种基于大数据分析的交通预警方法、***、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116403403A CN116403403A (zh) | 2023-07-07 |
| CN116403403B true CN116403403B (zh) | 2024-02-02 |
Family
ID=87010293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310415348.6A Active CN116403403B (zh) | 2023-04-12 | 2023-04-12 | 一种基于大数据分析的交通预警方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116403403B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
| CN110796859A (zh) * | 2019-10-28 | 2020-02-14 | 长安大学 | 基于交通流的实时交通状态辨识及事故风险预警方法 |
| CN111815986A (zh) * | 2020-09-02 | 2020-10-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事故预警方法、装置、终端设备及存储介质 |
| CN113160564A (zh) * | 2021-04-01 | 2021-07-23 | 公安部道路交通安全研究中心 | 一种交通安全预警分析方法、装置及计算机设备 |
| CN113380033A (zh) * | 2021-06-09 | 2021-09-10 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及*** |
| CN114186747A (zh) * | 2021-12-16 | 2022-03-15 | 安徽达尔智能控制***股份有限公司 | 一种基于大数据事故分析决策方法、*** |
| CN114239927A (zh) * | 2021-11-25 | 2022-03-25 | 武汉卓尔信息科技有限公司 | 一种基于深度学习的区域交通事故预警方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180299284A1 (en) * | 2014-12-02 | 2018-10-18 | Kevin Sunlin Wang | Method and System For Avoidance of Accidents |
-
2023
- 2023-04-12 CN CN202310415348.6A patent/CN116403403B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
| CN110796859A (zh) * | 2019-10-28 | 2020-02-14 | 长安大学 | 基于交通流的实时交通状态辨识及事故风险预警方法 |
| CN111815986A (zh) * | 2020-09-02 | 2020-10-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事故预警方法、装置、终端设备及存储介质 |
| CN113160564A (zh) * | 2021-04-01 | 2021-07-23 | 公安部道路交通安全研究中心 | 一种交通安全预警分析方法、装置及计算机设备 |
| CN113380033A (zh) * | 2021-06-09 | 2021-09-10 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及*** |
| CN114239927A (zh) * | 2021-11-25 | 2022-03-25 | 武汉卓尔信息科技有限公司 | 一种基于深度学习的区域交通事故预警方法及*** |
| CN114186747A (zh) * | 2021-12-16 | 2022-03-15 | 安徽达尔智能控制***股份有限公司 | 一种基于大数据事故分析决策方法、*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116403403A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和*** | |
| CN109447461B (zh) | 用户信用评估方法及装置、电子设备、存储介质 | |
| CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
| EP3726441A1 (en) | Company bankruptcy prediction system and operating method therefor | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
| CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
| CN107679680A (zh) | 一种金融走势预测方法、装置、设备及存储介质 | |
| CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
| CN114638695A (zh) | 信用评估方法、装置、设备及介质 | |
| Biswas et al. | Dynamic modeling for product family evolution combined with artificial neural network based forecasting model: a study of iPhone evolution | |
| CN114418748A (zh) | 车贷信用评估方法、装置、设备及存储介质 | |
| CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
| CN116403403B (zh) | 一种基于大数据分析的交通预警方法、***、设备及介质 | |
| CN110796381B (zh) | 风控模型的建模方法、装置、终端设备及介质 | |
| CN116523622A (zh) | 对象风险预测方法和装置、电子设备及存储介质 | |
| CN113393710B (zh) | 一种预警方法、预警装置及电子设备 | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
| CN117273961B (zh) | 一种车险数据的评估方法、装置、设备及介质 | |
| CN112862345B (zh) | 隐患质检方法、装置、电子设备及存储介质 | |
| CN114925957A (zh) | 针对产业的政策支持程度的衡量方法、***、设备和计算机可读存储介质 | |
| CN115472004A (zh) | 路侧点位与车辆驾驶行为关联方法、装置及存储介质 | |
| CN117474164A (zh) | 基于迁移学习的社区地震灾害安全性预测方法及终端 | |
| CN117593113A (zh) | 一种***账户风险评估方法、装置、设备及存储介质 | |
| CN117078002A (zh) | 政策风险预警方法及*** |
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 | ||
| CP03 | Change of name, title or address |
Address after: 850000 Boda Road, Lhasa Economic and Technological Development Zone, Tibet Autonomous Region Patentee after: Xizang Beidou Senrong Technology (Group) Co.,Ltd. Country or region after: China Address before: 850000 Boda Road, Lhasa Economic and Technological Development Zone, Tibet Autonomous Region Patentee before: TIBET JINCAI TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |