通过大数据预估行车伤亡事故率的系统及方法技术方案

本发明专利技术提供了一种通过大数据预估行车伤亡事故率的方法及系统，本发明专利技术方法包括：A：通过大数据库获取各种不同车辆类型的车辆在各种交通事故中的交通事故发生率，并通过交通事故基于车辆类型权重的数据挖掘计算方法得出各种车辆类型在交通事故中的比值数据；B：采用与步骤A的类似的方法，得出各种用户类型在交通事故中的比值数据；C：得出不同车辆类型和不同用户类型在交通事故中发生交通事故的概率，获得交通事故易发生人群信息和/或交通事故易发生车辆信息；D：对交通事故易发人群和/或交通事故易发生车辆的拥有者加大监控及管理。本发明专利技术能够利用大数据预估交通事故发生概率从而从预防角度有效减少事故发生率。

【技术实现步骤摘要】

本专利技术涉及一种通过大数据预估行车伤亡事故率的系统及方法。
技术介绍
随着社会发展，居民的交通出行方式也呈现多样性。使用汽车等机动车出行的人群越来越普遍，车祸也已成为当今社会公害，为城市人口死亡的四大原因之一。为减少事故发生率，人们不断探索，提出了各种各样的方案，如中国专利公开了一种疲劳驾驶的方法、智能设备及系统[申请号：CN201510851114.1]，该方案通过智能设备收集驾驶员的个人数据信息进行分析和处理从而判断驾驶员是否处于疲劳驾驶状态，能够提前提醒驾驶员及时休息，避免因为疲劳驾驶导致车祸的发生。又如一种道路车辆智能预警方法、装置和移动终端[申请号：CN201510715639.2]，其通过采集车辆以及驾驶员的基础动态信息，根据预设算法计算实时危险系数，使驾驶员在驾驶过程中了解根据实时路况结合预存静态数据的驾驶风险，获得风险预警和驾驶指导，从而避免事故的发生。上述两个方案都是从单个驾驶员入手，监测驾驶员的身体状况，录入动态路况信息等对驾驶员进行预警以避免车祸的发生，但是通过研究发现，酒后驾车、超速驾驶、疲劳驾驶、未保持安全车距、驾驶人陋习、车辆性能等都是诱发交通事故的常见原因，而上述方案均只针对其中一个诱因而，且均需要驾驶员自己有安全意识而购买相关设备终端来达到目的，存在普及性不强等缺点。而大数据(bigdata)是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。数据挖掘(Datamining)，又译为资料探勘、数据采矿。它是数据库知识发现中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。可以根据诱发交通事故发生的诱因，经过大数据的提取和分析，从而得到具备某些特征的车辆使用群体比其他群体有较大事故风险的信息。
技术实现思路
本专利技术的目的是针对上述问题，提供一种覆盖范围广且针对性强的通过大数据预估行车伤亡事故率的方法。本专利技术的另一目的是提供一种采用通过大数据预估行车伤亡事故率的方法的系统。为达到上述目的，本专利技术采用了下列技术方案：本专利技术通过大数据预估行车伤亡事故率的方法，包括以下步骤：A：通过大数据库获取各种不同车辆类型的车辆在各种交通事故中的交通事故发生率，并通过交通事故基于车辆类型权重的数据挖掘计算方法得出各种车辆类型在交通事故中的比值数据；B：通过大数据库获取各种不同用户类型的用户在各种交通事故中的交通事故发生率，并通过交通事故基于用户类型权重的数据挖掘计算方法得出各种用户类型在交通事故中的比值数据；C：结合步骤A和B中得到的比值数据并通过事故发生概率算法计算得出不同车辆类型和不同用户类型在交通事故中发生交通事故的概率。在上述的通过大数据预估行车伤亡事故率的方法中，所述的步骤A和步骤B可以同步进行；或者，先进行步骤B，再进行步骤A。在上述的通过大数据预估行车伤亡事故率的方法中，在步骤A中，所述车辆类型包括车型特征、品牌特征和颜色特征中的任意一种或多种组合。在上述的通过大数据预估行车伤亡事故率的方法中，在步骤A中，所述交通事故基于车辆类型权重的数据挖掘计算方法为公式①，即：An’＝1＝X*(X1*T1+X2*T2+X3*T3+…Xn*Tn)+Y(Y1*B1+Y2*B2+…Yn*Bn)+Z*(Z1*C1+Z2*C2+…Zn*Cn)①其中，An’为交通事故对于车辆类型时的变量且其变量为1；T1、T2、T3…Tn分别为车辆类型中的不同车型特征的权重；X1、X2、X3…Xn分别为不同车型特征在交通事故中的交通事故发生率的比值；B1、B2…Bn分别为车辆类型中的不同品牌特征的权重；Y1、Y2、Y3…Yn分别为不同品牌特征在交通事故中的交通事故发生率的比值；C1、C2…Cn分别为车辆类型中的不同颜色特征的权重；Z1、Z2、Z3…Zn分别为不同颜色特征在交通事故中的交通事故发生率的比值；X、Y、Z分别为车型特征、品牌特征和颜色特征在交通事故中所占的比值。在上述的通过大数据预估行车伤亡事故率的方法中，在步骤B中，所述用户类型包括年龄特征、性别特征和婚姻特征中的任意一种或多种组合。在上述的通过大数据预估行车伤亡事故率的方法中，在步骤B中，所述交通事故基于用户类型权重的数据挖掘计算方法为公式②，即：An”＝1＝U*(U1*N1+U2*N2…Un*Nn)+V*(V1*A+V2*B)+W*(W1*M1+W2*M2)②其中，An”为交通事故对于用户类型时的变量且其变量为1；N1、N2…Nn分别为用户类型中的不同年龄特征的权重；U1、U2…Un分别为不同年龄特征在交通事故中的交通事故发生率的比值；A、B分别为用户类型中的不同性别特征的权重；V1、V2分别为不同性别特征在交通事故中的交通事故发生率的比值；M1、M2分别为用户类型中的不同婚姻特征的权重；W1、W2分别为不同婚姻特征在交通事故中的交通事故发生率的比值；U、V、W分别为年龄特征、性别特征和婚姻特征在交通事故中所占的比值。在上述的通过大数据预估行车伤亡事故率的方法中，在步骤C中，所述事故发生概率算法为公式③，即：An＝T*(T1*An’+T2*An”)③其中，An为不同交通事故对于车辆类型和用户类型发生交通事故的概率；T为An交通事故在总交通事故中的事故比率；T1、T2分别为车辆类型和用户类型在An交通事故所占比重。在上述的通过大数据预估行车伤亡事故率的方法中，本方法还包括：D：手动监控管理模块通过步骤C得出的不同车辆类型和不同用户类型在交通事故中发生交通事故的概率获得交通事故易发生人群信息和/或交通事故易发生车辆信息，并对交通事故易发人群和/或交通事故易发生车辆的拥有者进行监控及管理。本专利技术公开了一种采用通过大数据预估行车伤亡事故率的方法的通过大数据降低行车伤亡事故率的系统，本系统包括大数据库模块，所述的大数据库模块分别连接第一算法模块和第二算法模块，且所述的第一算法模块和第二算法模块均和事故发生概率算法模块相连，其中：大数据库模块：用于保存各类交通事故信息以及各类交通事故中包括发生各类交通事故的车辆类型和用户类型的数据；第一算法模块：用于通过交通事故基于车辆类型权重的数据挖掘计算方法，得出各种车辆类型在交通事故中的比值数据；第二算法模块：用于通过交通事故基于用户类型权重的数据挖掘计算方法，得出各种用户类型在交通事故中的比值数据；事故发生概率算法模块：用于结合第一算法模块和第二算法模块得出的比值数据并通过事故发生概率算法，计算得出不同车辆类型和不同用户类型在交通事故中发生交通事故的概率。在上述的通过大数据降低行车伤亡事故率的系统中，所述的事故发生概率算法模块连接有手动监控管理模块，其中：手动监控管理模块：用于根据事故发生概率算法模块得出的不同车辆类型和不同用户类型在交通事故中发生交通事故的概率获得交通事故易发生人群信息和/或交通事故易发生车辆信息，并对交通事故易发人群和/或交通事故易发生车辆的拥有者进行监控及管理。本专利技术利用大数据建模和分析，数据更加本文档来自技高网...

【技术保护点】
一种通过大数据预估行车伤亡事故率的方法，其特征在于，本方法包括：A：通过大数据库获取各种不同车辆类型的车辆在各种交通事故中的交通事故发生率，并通过交通事故基于车辆类型权重的数据挖掘计算方法得出各种车辆类型在交通事故中的比值数据；B：通过大数据库获取各种不同用户类型的用户在各种交通事故中的交通事故发生率，并通过交通事故基于用户类型权重的数据挖掘计算方法得出各种用户类型在交通事故中的比值数据；C：结合步骤A和B中得到的比值数据并通过事故发生概率算法计算得出不同车辆类型和不同用户类型在交通事故中发生交通事故的概率。

【技术特征摘要】
1.一种通过大数据预估行车伤亡事故率的方法，其特征在于，本方法包括：A：通过大数据库获取各种不同车辆类型的车辆在各种交通事故中的交通事故发生率，并通过交通事故基于车辆类型权重的数据挖掘计算方法得出各种车辆类型在交通事故中的比值数据；B：通过大数据库获取各种不同用户类型的用户在各种交通事故中的交通事故发生率，并通过交通事故基于用户类型权重的数据挖掘计算方法得出各种用户类型在交通事故中的比值数据；C：结合步骤A和B中得到的比值数据并通过事故发生概率算法计算得出不同车辆类型和不同用户类型在交通事故中发生交通事故的概率。2.根据权利要求1所述的通过大数据预估行车伤亡事故率的方法，其特征在于，所述的步骤A和步骤B同步进行；或者，先进行步骤B，再进行步骤A。3.根据权利要求1或2所述的通过大数据预估行车伤亡事故率的方法，其特征在于，在步骤A中，所述车辆类型包括车型特征、品牌特征和颜色特征中的任意一种或多种组合。4.根据权利要求3所述的通过大数据预估行车伤亡事故率的方法，其特征在于，在步骤A中，所述交通事故基于车辆类型权重的数据挖掘的计算方法为公式①，即：An’＝1＝X*(X1*T1+X2*T2+X3*T3+…Xn*Tn)+Y(Y1*B1+Y2*B2+…Yn*Bn)+Z*(Z1*C1+Z2*C2+…Zn*Cn)①其中，An’为交通事故对于车辆类型时的变量且其变量为1；T1、T2、T3…Tn分别为车辆类型中的不同车型特征的权重；X1、X2、X3…Xn分别为不同车型特征在交通事故中的交通事故发生率的比值；B1、B2…Bn分别为车辆类型中的不同品牌特征的权重；Y1、Y2、Y3…Yn分别为不同品牌特征在交通事故中的交通事故发生率的比值；C1、C2…Cn分别为车辆类型中的不同颜色特征的权重；Z1、Z2、Z3…Zn分别为不同颜色特征在交通事故中的交通事故发生率的比值；X、Y、Z分别为车型特征、品牌特征和颜色特征在交通事故中所占的比值。5.根据权利要求4所述的通过大数据预估行车伤亡事故率的方法，其特征在于，在步骤B中，所述用户类型包括年龄特征、性别特征和婚姻特征中的任意一种或多种组合。6.根据权利要求5所述的通过大数据预估行车伤亡事故率的方法，其特征在于，在步骤B中，所述交通事故基于用户类型权重的数据挖掘计算方法为公式②，即：An”＝1＝U*(U1*N1+U2*N2…Un*Nn)+V*...

【专利技术属性】
技术研发人员：顾静雯，
申请(专利权)人：上海斐讯数据通信技术有限公司，
类型：发明
国别省市：上海;31