一种基于时空分布特征预测城市交通事故的方法技术

本发明专利技术涉及一种基于时空分布特征预测城市交通事故的方法，首先结合案件信息和空间信息建立案件空间数据库并进行数据预处理；接着从基于面域统计数据分析交通事故时空分布特征，采用全局与局部自相关法实现聚集状态分析；然后基于案发点数据来分析交通事故时空分布特征，通过层次聚类分析能够分层级地表达案件分布规律，通过核密度估算法表达交通事故案发分布的连续变化和精确的集聚中心；最后采用BP神经网络预测算法，利用已发案件的时空分布特征预测未来的交通事故时空分布区。本发明专利技术结合时间和空间分布，采用大数据挖掘BP神经网络预测算法，利用已发案件的时空分布特征预测未来的交通事故时空分布区，提高准确性、实时性、降低人为成本。

A method for predicting urban traffic accidents based on temporal and spatial distribution characteristics

The invention relates to a method for predicting the spatial distribution characteristics of traffic accidents in the city based on the combination of first case information and spatial information of the spatial database and build a case for data preprocessing; then analyses the spatial distribution of traffic accident statistics area based on the global and local autocorrelation method to achieve aggregation analysis; then the data points based on the analysis of the temporal and spatial distribution characteristics of traffic accidents, through hierarchical cluster analysis to hierarchically express the case distribution, the expression of continuous change and accurate center of traffic accident distribution by the kernel density estimation method; finally, the BP neural network prediction algorithm to predict the future of the temporal and spatial distribution of area traffic accidents using the temporal and spatial distribution characteristics have been issued the case. The invention combines the time and space distribution, using a large data mining prediction algorithm of BP neural network, predict the future spatial distribution of area traffic accidents using the temporal and spatial distribution characteristics of the case has been made, to improve the accuracy, real-time, reduce the human cost.

【技术实现步骤摘要】
一种基于时空分布特征预测城市交通事故的方法
本专利技术涉及交通事故分析领域，特别是一种基于时空分布特征预测城市交通事故的方法。
技术介绍
目前，国外学者们对交通事故案件地理学的研究较为深入，在交通事故的时空分布形成机制和时空分布特征研究等方面成果颇丰。对交通事故案件的时空分布当下主要技术是采用相关性分析法来研究。该方法需事先限制具体的几个因素，通过不断的收集某个具体路段事故数据，人为拟合各因素间的相关性，进而进行对所得数据进行分析来预测各个路段不同时空的分布情况。传统的方法具有如下不足之处：首先，采集数据后进行处理，在相关拟合中的因素受到限制，可能导致结果具有局限性；其次，传统的拟合的数据相关性结果不能自主随变化因素而改变，实时性偏低；最后，传统技术的预测是偏向人为而得，主观性较严重，误差偏大。总结该方法存在误差大、时效性差、准确性低，仪器成本高、反馈信息不丰富等不足。为解决传统技术方法问题，利用当下大数据技术，可以改进时空分布的特征分析法，同时采用数据挖掘法增加预测的实时性与可靠性。当下时空分布形成机制和实际交通事故案件分布情况的有机互动，逐渐形成两大经典理论时空分布特征的研究主要涉及了时间分布研究、空间分布研究与时空分布研究，尽管这些研究所采用的理论和分析方法有所不同，但是这三者之间还是存在相互关联的。随着遥感高清影像普及和信息技术的发展，大数据的预测分析法，尤其是BP神经网络法也得到充分发展。在综合考虑交通事故案件分布的空间和时间两方面信息的研究中，目前国外研究人员提出一些新的研究方法。如Townsley等人提出了热点图法，该方法能够更直观地帮助研究人员分析交通事故发生的时空分布模式。该方法包含了三个部分：第一，该方法以核密度估算结果来表示的交通事故案发分布在空间上的聚集状况；第二，以平行坐标法来充当图例的功能，表示案件数量的变化趋势；第三，该方法以柱状图的形式统计每天案件数量变化情况。虽然热点图法采用柱状图、平行坐标法可以体现案件数量随时间的变化情况，从某种程度上突出变化的趋势，但是，此方法更多的还是空间聚集情况和随时间变化这两方面的拼凑。本质上仍然是空间分析结果加上时间变化趋势，仍无法解决研究交通事故案件分布时空分布特征的存在的核心问题。随着经济发展，车子已经是人们必不可少的交通工具，交通方式多种多样，交通环境也日益复杂，交通事故形势令人堪忧。在交警人员有限的情况，根据已有的时空分布特征，更好的预防交通事故，降低事故率、死亡率、受伤率，具有重要的意义。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于时空分布特征预测城市交通事故的方法，从分析不同区域的数据到案发点数据，从分析现阶段案件时空规律到预测未来案件数量的整体思路，实现对案件时空分布特征清晰、准确的识别和表达，为交警人员提供参考，为现实中提前预防、降低交通事故具有重要意义。本专利技术采用以下方案实现：(1)基于面域统计数据进行交通事故的时空分布与可视化法。采用空间自相关和自组织映射等方法，研究各区域交通事故案件的时空分布特征。先利用全局空间自相关方法分析案件是否为聚集状态，若为聚集，再利用局部空间自相关方法分析各区域交通事故具体的聚集情况。然后不同的区域的交通事故案发的数据，采用自组织映射和U型矩阵方法进行时空多维可视化分析。(2)基于案发点数据进行层次聚类分析、核密度估算。利用最邻近指数法和Ripley'K函数讨论案件的邻近模式，最邻近指数法利用距离最相近的案发点数据来表达分布模式，研究交通事故的局部聚集情况；Ripley'K函数是一种基于多阶的分析方法，它把案发点数据的次邻近情况也计算在内，研究交通事故的整体研究聚集情况。(3)基于案发点数据的交通事故热点识别。首先进行交通事故点模式描述，其目的是先从总体上研究交通事故的分布趋势，主要通过中心点法与标准差椭圆法描述案发点数据的集中情况和离散趋势，中心点法以中心点的位置表达案件分布模式，标准差椭圆法以椭圆的覆盖面及长短轴方向表达案件分布模式；然后进行交通事故热点分析，利用层次聚类法和核密度估计法，通过层次聚类分析能够分层级地表达案件分布规律，通过核密度估算表达交通事故分布的连续变化和精确的集聚中心，并对两种分析结果进行比较。(4)交通事故预测分析。采用BP神经网络，利用已发案件的数量分布预测未来的交通事故数量。采用数据挖掘算法中的决策树与神经网络等方法，利用以往的交通事故时空分布特征结论为数据源，采用模糊量化法对影响交通事故的因素进行评级评分，构建预测模型，科学地对交通事故进行预测。本专利技术具体包括以下步骤：步骤S1：结合案件信息和空间信息建立案件空间数据库并进行数据预处理；步骤S2：基于面域数据进行空间自相关分析，先利用全局空间自相关方法分析案件是否为聚集状态，若为聚集状态，再利用局部空间自相关方法分析区域范围交通事故具体的聚集情况；步骤S3：基于公安局交警大队中记录的城市不同区域交通事故案件数据，采用自组织映射和U型矩阵方法进行时空多维可视化分析；步骤S4：基于案发点数据进行层次聚类分析、核密度估算；步骤S5：采用BP神经网络预测算法，利用已发案件的时空分布特征预测未来的交通事故时空分布区。进一步地，步骤S2中，所述全局空间自相关方法的检验指标采用Moran'sI指数，采用下式表示：其中，n是区域总量，表示第i个区域中对应变量的观测值，Wij的数值表示地区间的邻近关系；所述局部空间自相关方法的检验指标采用Moran指数，采用下式表示：其中，z′i和z′j为经过标准化处理得到的观察值，Z值说明空间相关性的类型，若Z值小于0，说明区域间存在空间负相关的分布模式，表明数据属性较相似的区域趋于分散分布；如果Z值大于0，说明区域间存在空间正相关的分布模式，表明数据属性较相似的区域趋于聚集分布；如果Z值等于0，说明在空间中是随机分布的。进一步地，所述步骤S4具体包括以下步骤：步骤S41：进行交通事故案件聚类情况分析，采用最近邻指数法进行局部聚类情况分析，采用Ripley’K方法进行整体聚类情况分析；步骤S42：判断是否存在聚类，若存在，进而进行交通事故案件热点识别。进一步地，步骤S5具体包括以下步骤：训练部分：步骤S51：对每个区域交通事故各个影响因素进行5分制模糊评分，并且设置网络初始的权值和阈值：步骤S52：在输入层进行训练数据集的输入，在中间层经过规则学习计算处理后，将结果传递到输出层，计算中间层与输入层各单元的输入、输出以及校正误差；步骤S53：判断所述校正误差是否小于设置的阈值，并返回中间层到输出层以及输入层到中间层调整后所得的连接权值，同时返回中间层与输出层每个单元所定义的输出阈值；步骤S54：通过调整网络学习速率或学习次数，当校正误差小于学习次数时构建完成训练模型；预测部分：输入待预测区域交通事故时空分布特征的各个影响因素的模糊量化评分，设置训练中的校正误差与学习次数，根据完全训练好的网络进行交通事故时空分布的预测，并将预测结果输出至浏览器。进一步地，所述影响因素包括交通事故人员的数目、交通事故人员的文化程度、交通事故的地点、交通事故的次数、交通事故区域的居住人口、上下班时间、交通事故区域居民文化程度、交通事故车流量、交通事故的时间、交通事故区域的居民职业。与现有技术相比，本本文档来自技高网...

【技术保护点】
一种基于时空分布特征预测城市交通事故的方法，其特征在于：包括以下步骤：步骤S1：结合案件信息和空间信息建立案件空间数据库并进行数据预处理；步骤S2：基于面域数据进行空间自相关分析，先利用全局空间自相关方法分析案件是否为聚集状态，若为聚集状态，再利用局部空间自相关方法分析区域范围交通事故具体的聚集情况；步骤S3：基于公安局交警大队记录的城市不同区域交通事故案件数据，采用自组织映射和U型矩阵方法进行时空多维可视化分析；步骤S4：基于案发点数据进行层次聚类分析、核密度估算；步骤S5：采用BP神经网络预测算法，利用已发案件的时空分布特征预测未来的交通事故时空分布区。

【技术特征摘要】
1.一种基于时空分布特征预测城市交通事故的方法，其特征在于：包括以下步骤：步骤S1：结合案件信息和空间信息建立案件空间数据库并进行数据预处理；步骤S2：基于面域数据进行空间自相关分析，先利用全局空间自相关方法分析案件是否为聚集状态，若为聚集状态，再利用局部空间自相关方法分析区域范围交通事故具体的聚集情况；步骤S3：基于公安局交警大队记录的城市不同区域交通事故案件数据，采用自组织映射和U型矩阵方法进行时空多维可视化分析；步骤S4：基于案发点数据进行层次聚类分析、核密度估算；步骤S5：采用BP神经网络预测算法，利用已发案件的时空分布特征预测未来的交通事故时空分布区。2.根据权利要求1所述的一种基于时空分布特征预测城市交通事故的方法，其特征在于：步骤S2中，所述全局空间自相关方法的检验指标采用Moran'sI指数，采用下式表示：其中，n是区域总量，表示第i个区域中对应变量的观测值，Wij的数值表示地区间的邻近关系；所述局部空间自相关方法的检验指标采用Moran指数，采用下式表示：其中，z′i和z′j为经过标准化处理得到的观察值，Z值说明空间相关性的类型，若Z值小于0，说明区域间存在空间负相关的分布模式，表明数据属性较相似的区...

【专利技术属性】
技术研发人员：陈冬英，黄淑燕，林灵燕，张浩，张丽丽，关翔锋，
申请(专利权)人：福建江夏学院，
类型：发明
国别省市：福建,35