一种交通事故风险评估方法及系统技术方案

本发明专利技术公开了一种交通事故风险评估方法及系统，该方法及系统通过获取高速公路隧道交通事故风险因素和高速公路隧道交通事故风险等级，采用谱聚类算法，计算确定风险因素与风险等级之间对应的关系链；并根据关系链和极限学习算法，构建风险评估模型；将任意风险因素数据输入到风险评估模型，就可以得到该风险因素所对应的最终风险等级。因此，采用本发明专利技术提供的方法或系统，有效提高高速公路隧道交通事故风险评估效率，使高速公路隧道交通事故风险评估过程更加高效、便捷，准确有效地实现了高速公路隧道运营期的安全评价。

【技术实现步骤摘要】
一种交通事故风险评估方法及系统
本专利技术涉及高速公路交通工程领域，特别是涉及一种高速公路隧道发生的交通事故风险评估方法及系统。
技术介绍
近年来，随着高速公路隧道的大规模建设和交通量的大幅增长，对高速公路隧道安全运营产生了巨大的压力和挑战。由于高速公路隧道自身特点，高速公路隧道不仅成为交通事故的多发路段，而且增加了事故救援的难度。随着我国对高速公路隧道交通安全问题日益重视，高速公路隧道交通安全形势有些好转，事故发生频率和伤亡人数有所下降，但交通事故依然能够造成很大的生命财产损失，严重影响高速公路的运行效率，而且容易引发二次事故。因此，高速公路隧道交通安全状况仍然不能忽视。目前，我国关于高速公路隧道的安全评价方法主要集中在隧道的建设时期，并没有涉及到后期高速公路隧道运营期的安全评价。因此，如何准确有效地实现后期高速公路隧道运营期的安全评价，是目前高速公路交通工程研究急需解决的问题。
技术实现思路
本专利技术的目的是提供一种交通事故风险评估方法及系统，以准确有效地实现高速公路隧道运营期的安全评价。为实现上述目的，本专利技术提供了一种交通事故风险评估方法，所述方法，包括：获取高速公路隧道交通事故的风险因素；获取高速公路隧道交通事故的风险等级；根据所述风险因素，确定每个所述风险因素所对应的风险等级；根据所述风险因素和所述风险因素所对应的风险等级，确定所述风险因素和所述风险等级之间的关系链；根据所述关系链，建立风险评估模型；根据所述风险评估模型，评估高速公路隧道的交通事故风险系数。可选的，所述确定所述风险因素和所述风险等级之间的关系链，具体包括：通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇；根据所述风险因素所对应的风险等级，确定每个所述聚类簇中的单个所述风险因素所对应的风险等级，进而确定每个所述聚类簇对应的最终风险等级；根据所述聚类簇以及所述聚类簇对应的最终风险等级，确定所述风险因素和所述风险等级之间的关系链。可选的，所述通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇，具体包括：根据所述风险因素，确定聚类样本集X；所述聚类样本集X表示为X＝{x1,…,xn}，ε＝1,2,…n；根据获取的所述高速公路隧道交通事故的风险等级，确定聚类数目k；根据所述聚类样本集X，构建所述聚类数目为k的最近邻亲和图W；计算Laplacian矩阵L并标准化；所述Laplacian矩阵L为所述最近邻亲和图的Laplacian矩阵，定义为L＝D-W；标准化的所述Laplacian矩阵L为矩阵Lsym，所述矩阵Lsym表示Lsym＝D-1/2LD-1/2；其中，D为对角矩阵；计算所述矩阵Lsym的前k个特征向量u1,…,uk，并将u1,…,uk作为列，构造矩阵U；所述矩阵U表示U∈Rn×k；标准化处理矩阵U的每一行，获取矩阵P；所述矩阵P表示P∈Rn×k；将所述矩阵P的每一行向量yε∈Rk作为一个数据点，采用k-means算法对yε进行聚类，得到多个聚类簇；其中，所述矩阵P的第ε行数据yε的类别与原始数据点xε的类别相同。可选的，所述建立风险评估模型，具体包括：根据所述关系链，确定训练样本集；根据所述训练样本集，采用极限学习机算法，建立风险评估模型；所述风险评估模型为：式(1)中，g(x)表示激活函数；N为隐含层节点数；xε表示第ε个样本的输入；tε表示第ε个样本的输出；αλ表示第λ个输入权值向量；βλ表示第λ个输出权值向量；bλ表示第λ个偏置。可选的，所述根据所述训练样本集，采用极限学习机算法，建立风险评估模型，具体包括：采用极限学习机算法随机生成输入权值αλ和偏置bλ，λ＝1,2,...,N；根据所述训练样本集，所述输入权值αλ以及所述偏置bλ，获取隐含层输出矩阵H；所述隐含层输出矩阵H表其中，g(x)表示激活函数，N表示隐含层节点数；根据所述隐含层输出矩阵H，获取输出权值向量β；所述输出权值向量β表示为β＝H-1T；其中，t＝[t1,t2,…,tn]为每个所述训练样本集的期望风险等级，T表示根据所述训练样本集、所述输入权值αλ、所述偏置bλ以及所述输出权值向量β，建立风险评估模型。为实现上述目的，本专利技术还提供了一种交通事故风险评估系统，所述系统包括：风险因素获取模块，用于获取高速公路隧道交通事故的风险因素；风险等级获取模块，用于获取高速公路隧道交通事故的风险等级；风险因素对应风险等级确定模块，用于根据所述风险因素，确定每个所述风险因素所对应的风险等级；关系链确定模块，用于根据所述风险因素和所述风险因素所对应的风险等级，确定所述风险因素和所述风险等级之间的关系链；风险评估模型建立模块，用于根据所述关系链，建立风险评估模型；评估模块，用于根据所述风险评估模型，评估高速公路隧道的交通事故风险系数。可选的，所述关系链确定模块，具体包括：聚类簇得到单元，用于通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇；聚类簇对应最终风险等级确定单元，用于根据所述风险因素所对应的风险等级，确定每个所述聚类簇中的单个所述风险因素对应风险等级，进而确定每个所述聚类簇对应的最终风险等级；关系链确定单元，用于根据所述聚类簇以及所述聚类簇对应的最终风险等级，确定所述风险因素和所述风险等级之间的关系链。可选的，所述聚类簇得到单元，具体包括：聚类样本集子确定单元，用于根据所述风险因素，确定聚类样本集X；所述聚类样本集X表示为X＝{x1,…,xn}，ε＝1,2,…n；聚类数目子确定单元，用于根据获取的所述高速公路隧道交通事故的风险等级，确定聚类数目k；最近邻亲和图构建子单元，用于根据所述聚类样本集X，构建所述聚类数目为k的最近邻亲和图W；标准化子单元，用于计算Laplacian矩阵L并标准化；所述Laplacian矩阵L为所述最近邻亲和图的Laplacian矩阵，定义为L＝D-W；标准化的所述Laplacian矩阵L为矩阵Lsym，所述矩阵Lsym表示Lsym＝D-1/2LD-1/2；其中，D为对角矩阵；矩阵U构造子单元，用于计算所述矩阵Lsym的前k个特征向量u1,…,uk，并将u1,…,uk作为列，构造矩阵U；所述矩阵U表示U∈Rn×k；矩阵P获取子单元，用于标准化处理矩阵U的每一行，获取矩阵P；所述矩阵P表示P∈Rn×k；聚类簇得到子单元，将所述矩阵P的每一行向量yε∈Rk作为一个数据点，采用k-means算法对yε进行聚类，得到多个聚类簇；其中，所述矩阵P的第ε行数据yε的类别与原始数据点xε的类别相同。可选的，所述风险评估模型建立模块，具体包括：训练样本集确定单元，用于根据所述关系链，确定训练样本集；风险评估模型建立单元，用于根据所述训练样本集，采用极限学习机算法，建立风险评估模型；所述风险评估模型为：式(1)中，g(x)表示激活函数；N为隐含层节点数；xε表示第ε个样本的输入；tε表示第ε个样本的输出；αλ表示第λ个输入权值向量；βλ表示第λ个输出权值向量；bλ表示第λ个偏置。可选的，所述风险评估模型建立单元，具体包括：输入权值αλ和偏置bλ生成子单元，用于采用极限学习机算法随机生成输入权值αλ和偏置bλ，λ＝1,2,...,N；隐含层输出矩阵H获取子单元，用于根据所述训练样本集，所述输入权值αλ以及所述偏置bλ，获取隐含层输出矩阵H；所本文档来自技高网...

【技术保护点】
一种交通事故风险评估方法，其特征在于，所述方法包括：获取高速公路隧道交通事故的风险因素；获取高速公路隧道交通事故的风险等级；根据所述风险因素，确定每个所述风险因素所对应的风险等级；根据所述风险因素和所述风险因素所对应的风险等级，确定所述风险因素和所述风险等级之间的关系链；根据所述关系链，建立风险评估模型；根据所述风险评估模型，评估高速公路隧道的交通事故风险系数。

【技术特征摘要】
1.一种交通事故风险评估方法，其特征在于，所述方法包括：获取高速公路隧道交通事故的风险因素；获取高速公路隧道交通事故的风险等级；根据所述风险因素，确定每个所述风险因素所对应的风险等级；根据所述风险因素和所述风险因素所对应的风险等级，确定所述风险因素和所述风险等级之间的关系链；根据所述关系链，建立风险评估模型；根据所述风险评估模型，评估高速公路隧道的交通事故风险系数。2.根据权利要求1所述的方法，其特征在于，所述确定所述风险因素和所述风险等级之间的关系链，具体包括：通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇；根据所述风险因素所对应的风险等级，确定每个所述聚类簇中的单个所述风险因素所对应的风险等级，进而确定每个所述聚类簇对应的最终风险等级；根据所述聚类簇以及所述聚类簇对应的最终风险等级，确定所述风险因素和所述风险等级之间的关系链。3.根据权利要求2所述的方法，其特征在于，所述通过谱聚类算法，将多组所述风险因素聚类，得到多个聚类簇，具体包括：根据所述风险因素，确定聚类样本集X；所述聚类样本集X表示为X＝{x1,…,xn}，ε＝1,2,…n；根据获取的所述高速公路隧道交通事故的风险等级，确定聚类数目k；根据所述聚类样本集X，构建所述聚类数目为k的最近邻亲和图W；计算Laplacian矩阵L并标准化；所述Laplacian矩阵L为所述最近邻亲和图的Laplacian矩阵，定义为L＝D-W；标准化的所述Laplacian矩阵L为矩阵Lsym，所述矩阵Lsym表示Lsym＝D-1/2LD-1/2；其中，D为对角矩阵；计算所述矩阵Lsym的前k个特征向量u1,…,uk，并将u1,…,uk作为列，构造矩阵U；所述矩阵U表示U∈Rn×k；标准化处理矩阵U的每一行，获取矩阵P；所述矩阵P表示P∈Rn×k；将所述矩阵P的每一行向量yε∈Rk作为一个数据点，采用k-means算法对yε进行聚类，得到多个聚类簇；其中，所述矩阵P的第ε行数据yε的类别与原始数据点xε的类别相同。4.根据权利要求1所述的方法，其特征在于，所述建立风险评估模型，具体包括：根据所述关系链，确定训练样本集；根据所述训练样本集，采用极限学习机算法，建立风险评估模型；所述风险评估模型为：式(1)中，g(x)表示激活函数；N为隐含层节点数；xε表示第ε个样本的输入；tε表示第ε个样本的输出；αλ表示第λ个输入权值向量；βλ表示第λ个输出权值向量；bλ表示第λ个偏置。5.根据权利要求4所述的方法，其特征在于，所述根据所述训练样本集，采用极限学习机算法，建立风险评估模型，具体包括：采用极限学习机算法随机生成输入权值αλ和偏置bλ，λ＝1,2,...,N；根据所述训练样本集，所述输入权值αλ以及所述偏置bλ，获取隐含层输出矩阵H；所述隐含层输出矩阵H表其中，g(x)表示激活函数，N表示隐含层节点数；根据所述隐含层输出矩阵H，获取输出权值向量β；所述输出权值向量β表示为β＝H-1T；其中，t＝[t1,t2,…,tn]为每个所述训练样本集的期望风险等级，T表示根据所述训练样本集、所述输入权值αλ、所述偏置bλ以及所述输出权值向量β，建立风险评估模型。6.一种交通事故风险评估系统，其特征在于，所述系统包括：风险因素获取模块，用于获取高速公路隧道交通事故的风险因素；风险等级获取模块，用于获取高速公路隧道交通事故的风险等级；风险因素对应风险等级确定模块，用于根据所述风险因素...

【专利技术属性】
技术研发人员：于德新，林赐云，张伟，胡馨月，龚勃文，杨庆芳，周户星，郑黎黎，王树兴，马晓刚，商强，杨帆，
申请(专利权)人：吉林大学，山东高速股份有限公司，
类型：发明
国别省市：吉林,22