一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法技术

本发明专利技术公开了一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，具体涉及道路交通领域，该交通安全分析方法包括如下步骤：S01、选择用于评价交通安全的特征评价因素；S02、量化每个所述特征评价因素，并计算每个所述特征评价因素的影响系数。其中，历史违法、事故因素对交通安全影响采用信息衰减模型进行计算影响系数。S03、通过多个特征的特征评价因素影响系数综合评价城市道路的交通安全等级。本发明专利技术具有可实时、动态对道路交通安全进行评价、综合评价方法简单的优点。

A traffic safety analysis method driven by license plate data mining based on information attenuation model

The invention discloses a traffic safety analysis method based on the information attenuation model and driven by the license plate data mining, which involves the road traffic field. The traffic safety analysis method includes the following steps: S01, selecting the characteristic evaluation factors for evaluating traffic safety; S02, quantifying each of the characteristic evaluation factors, and The influence coefficient of each characteristic evaluation factor is calculated. Among them, the impact of historical offense and accident factors on traffic safety is calculated by information attenuation model. S03, the traffic safety grade of urban roads is comprehensively evaluated through the evaluation of factor influence coefficient of multiple characteristics. The invention has the advantages of real-time and dynamic evaluation of road traffic safety and simple comprehensive evaluation method.

【技术实现步骤摘要】
一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法
本专利技术涉及道路交通领域，特别涉及一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法。
技术介绍
城市道路交通安全评价是以保障城市道路的使用者安全为目的，从预防交通事故、降低事故产生入手，对城市道路进行全方位的评价，揭示城市道路发生事故的潜在危险因素及采取相应的措施，保证城市道路交通的安全。然而，评价不同地区的道路交通安全水平极其复杂，以不同的指标为依据，可能会得到不同的评价结果。道路交通安全系统评价一般分为宏观评价和微观评价，宏观评价包括绝对数法、事故率法、模型法、事故强度法和四项指标相对数等，微观评价包括交通事故率法、绝对数-事故率法、危险度判定和洛巴诺夫模型等。常见的综合评价方法包括灰色聚类评价方法、主成分分析法和层次分析法等。然而上述方法往往难以实时动态的进行评价城市道路交通安全，且综合评价方法复杂，难以工程化应用。因此，研发一种实时、简单及普适性广的交通安全分析方法是亟待解决的问题。
技术实现思路
本专利技术提供了基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，该交通安全分析方法具有可实时、动态对道路交通安全进行评价、综合评价方法简单的优点。为实现上述目的，本专利技术提供如下技术方案:一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，该交通安全分析方法包括如下步骤：S01、选择用于评价交通安全的特征评价因素；S02、量化每个所述特征评价因素，并计算每个所述特征评价因素的影响系数。其中，历史违法、事故因素对交通安全影响采用信息衰减模型进行计算影响系数。S03、通过多个特征的特征评价因素的影响系数综合评价城市道路的交通安全等级。本方法基于实时获取的车牌识别数据、事故数据等进行实时地对预先选取的特征评价因素的影响系数进行计算，并通过信息衰减模型综合所得到的各类影响系数，从而计算出得出城市道路的交通安全等级。由于上述评价方法是基于实时获取的车牌识别数据，因此不仅信息来源准确，也便于应用在实际的评价交通安全的工作中，可工程化应用。作为优选，本专利技术可选择的特征评价因素包括气象条件、交通流状态、交通事件、交通违法行为及历史交通事故。作为优选，上述交通流状态包括流量突变、路段速度差、路段车型比例及车头时距；上述交通事件包括交通事故事件以及道路施工事件。根据数据流的时效性可知，数据流中蕴含的信息重要性随着时间不断进行衰减，因此，特征评价因素区分当前事件和历史事件，当前事件需实时动态计算，历史事件需通过历史模型计算。其中交通流状态所包含的流量突变、路段速度差、路段车型比例及车头时距等特征评价因素的影响系数需要实时动态计算。作为优选，实时动态计算流量突变的影响系数包括如下步骤：a1、计算流量突变的上升幅度；以单位周期进行实时计算，根据车牌识别数据进行计算道路断面流量，当前周期与上一单位周期的道路断面流量之差大于阈值Φ1或者当前周期与上一周期的交通流量之比大于阈值Φ2，则发生流量突变或者流量偏离历史正常规律，同时计算流量突变的上升幅度；b1、根据计算得出的上升幅度对应不同的流量突变的影响系数；上升幅度＞0％且≤15％，对应的影响系数为0.001；上升幅度＞15％且≤30％，对应的影响系数为0.125；上升幅度＞30％且≤45％，对应的影响系数为0.375；上升幅度＞45％且≤60％，对应的影响系数为0.625；上升幅度＞60％，对应的流量突变的影响系数为0.875。更加具体地，实时动态计算路段速度差的影响系数包括如下步骤：a2、计算路段速度差的值；以单位周期进行实时计算，根据已知长度的路段上下游电警卡口分别采集得到的车牌号、过车时间以及车辆的位置信息，且通过上下游车牌匹配，确定为同一辆车，通过采集到该辆车分别在电警卡口上下游的过车时刻时间，得出车辆行驶所需的时间。通过车辆的位置信息确定车辆行驶的路程，则可得到路段的平均速度为路程/时间。计算得到路段平均速度；路段速度差的值为同一路段当前周期与上一周期的路段平均速度之差；b2、根据计算得出的路段速度差对应不同的影响系数；路段速度差的值＞0km/h且≤15km/h，对应的影响系数为0.001；路段速度差的值＞15km/h且≤20km/h，对应的影响系数为0.125；路段速度差的值＞20km/h且≤25km/h，对应的影响系数为0.375；路段速度差的值＞25km/h且≤30km/h，对应的影响系数为0.625；路段速度差的值＞30km/h，对应的影响系数为0.875。作为优选，实时动态计算路段车型比例的影响系数包括如下步骤：a3、白天大型车占白天车辆总流量的比值的计算；以单位周期进行实时计算，根据电警卡口数据采集的车辆种类信息，得出白天大型车的数量以及白天总流量，从而计算出白天大型车占白天车辆总流量的比值；b3、根据计算得出白天大型车占白天车辆总流量的比值对应不同的影响系数；白天大型车占白天车辆总流量的比值＞0％且≤20％，对应的影响系数为0.001；白天大型车占白天车辆总流量的比值＞20％且≤35％，对应的影响系数为0.125；白天大型车占白天车辆总流量的比值＞35％且≤50％，对应的影响系数为0.375；白天大型车占白天车辆总流量的比值＞50％且≤65％，对应的影响系数为0.625；白天大型车占白天车辆总流量的比值＞65％，对应的影响系数为0.875。在测定交通事件的影响系数中：发生交通事件路段的剩余通行能力值＞预先设计通行能力值的80％，对应的交通事件的影响系数为0.125；发生交通事件路段的剩余通行能力值＞预先设计通行能力值的50％且≤预先设计通行能力值的80％，对应的交通事件的影响系数为0.375；发生交通事件路段的剩余通行能力值≤预先设计通行能力值的50％，对应的交通事件的影响系数为0.625；发生交通事件路段的剩余通行能力值为0时，对应的交通事件的影响系数为0.875。在测定交通违法行为的影响系数中：利用信息衰减模型中该因素包含的模式支持度随着时间t变化且以衰减函数POWER(λ，ti/TLi)进行衰减，其中，λ＞0，则：ai＝bi*POWER(0.5，ti/TLi)其中，ai表示在ti内违章总次数对交通安全的影响系数；TLi为半衰时间；ti表示最近事件发生时间距离当前时间的时间间隔；bi表示初始系数；在ti内，发生的平均每月违法行为次数≤4起且＞0起时，对应的bi为0.125；在ti内，发生的平均每月违法行为次数≤8起且＞4起时，对应的bi为0.375；在ti内，发生的平均每月违法行为次数≤12起且＞8起时，对应的bi为0.625；在ti内，发生的平均每月违法行为次数＞12起时，对应的bi为0.875。在测定历史交通事故的影响因数中：利用信息衰减模型中该因素包含的模式支持度随着时间t变化且以衰减函数POWER(λ，ti/TLi)进行衰减，其中，λ＞0，则：Ai＝Bi*POWER(λ，Ti/TLi)其中，Ai表示在Ti内发生的交通事故对交通安全的影响系数；TLi为半衰时间，Ti表示最近事件发生时间距离当前时间的时间间隔；Bi表示初始系数，在Ti内，发生的平均每月交通事故次数＞1起且≤2起时，对应的Bi为0.25；在Ti内，发生的平均每月交通事故次数＞2起且≤4起时，对应的本文档来自技高网...

【技术保护点】
1.一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，其特征在于，包括如下步骤：S01、选择用于评价交通安全的特征评价因素；S02、量化每个所述特征评价因素，并计算每个所述特征评价因素的影响系数；S03、通过多个特征评价因素的影响系数综合评价城市道路的交通安全等级。

【技术特征摘要】
1.一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，其特征在于，包括如下步骤：S01、选择用于评价交通安全的特征评价因素；S02、量化每个所述特征评价因素，并计算每个所述特征评价因素的影响系数；S03、通过多个特征评价因素的影响系数综合评价城市道路的交通安全等级。2.根据权利要求1所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，其特征在于，所述特征评价因素包括气象条件、交通流状态、交通事件、交通违法行为及历史交通事故。3.根据权利要求2所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，其特征在于，所述交通流状态包括流量突变、路段速度差、路段车型比例及车头时距；所述交通事件包括交通事故事件以及道路施工事件。4.根据权利要求3所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，其特征在于，实时动态计算流量突变的影响系数包括如下步骤：a1、计算流量突变的上升幅度；以单位周期进行实时计算，根据车牌识别数据进行计算道路断面流量，当前周期与上一单位周期的道路断面流量之差大于阈值Φ1或者当前周期与上一周期的交通流量之比大于阈值Φ2，则发生流量突变，同时计算流量突变的上升幅度；b1、根据计算得出的上升幅度对应不同的流量突变的影响系数；上升幅度＞0％且≤15％，对应的影响系数为0.001；上升幅度＞15％且≤30％，对应的影响系数为0.125；上升幅度＞30％且≤45％，对应的影响系数为0.375；上升幅度＞45％且≤60％，对应的影响系数为0.625；上升幅度＞60％，对应的流量突变的影响系数为0.875。5.根据权利要求3所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，其特征在于，实时动态计算路段速度差的影响系数包括如下步骤：a2、计算路段速度差的值；以单位周期进行实时计算，根据已知长度的路段上下游电警卡口分别采集得到的车牌号、过车时间以及车辆的位置信息，且通过上下游车牌匹配，计算得到路段平均速度；路段速度差的值为同一路段当前周期与上一周期的路段平均速度之差；b2、根据计算得出的路段速度差对应不同的影响系数；路段速度差的值＞0km/h且≤15km/h，对应的影响系数为0.001；路段速度差的值＞15km/h且≤20km/h，对应的影响系数为0.125；路段速度差的值＞20km/h且≤25km/h，对应的影响系数为0.375；路段速度差的值＞25km/h且≤30km/h，对应的影响系数为0.625；路段速度差的值＞30km/h，对应的影响系数为0.875。6.根据权利要求3所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法，其特征在于，实时动态计算路段车型比例的影响系数包括如下步骤：a3、白天大型车占白天车辆总流量的比值的计算；以单位周期进行实时计算，根据电警卡口数据采集的车辆种类信息，得出白天大型车的数量以及白天总流量，从而计算出白天大型车占白天车辆总流量的比值；b3、根据计算得出白天大型车占白天车辆总流量的比值对应不同的影响系数；白天大型车占白天车辆总流量的比值＞0％且≤20％，对应的影响系数为0.001；白天大型车占白天车辆总流量的比值＞20％且≤35％，对应的影响系数为0.125；白天大型车占白天车辆总流量的比值＞35％且≤50％，对应的影响系数为0.375；白天大型车占白天车辆总流量的比值＞50...

【专利技术属性】
技术研发人员：夏莹杰，蒋萌青，侯培培，
申请(专利权)人：夏莹杰，
类型：发明
国别省市：浙江,33