基于线性回归模型的道路救援需求预测方法技术

本发明专利技术提供了一种基于线性回归模型的道路救援需求预测方法。该方法包括：确定道路救援需求的影响因素，将影响因素视为道路救援需求的特征变量，设置每个特征变量对应的赋值规则，利用道路救援的样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵，并计算出所述矩阵中的各个特征变量的回归系数；基于需要进行预测的道路救援需求对应的各个特征变量的取值，利用所述各个特征变量的回归系数计算出所述的道路救援需求的预测值。本发明专利技术的方法能够准确有效预测各种情况下的道路救援需求量，能够为救援部门提前部署救援设备和救援人员提供科学依据，从而有效提高救援的效率和质量，减少生命财产损失。

Road Rescue Demand Forecasting Method Based on Linear Regression Model

The invention provides a road rescue demand prediction method based on linear regression model. The method includes: determining the influencing factors of road rescue demand, regarding the influencing factors as the characteristic variables of road rescue demand, setting the assignment rules corresponding to each characteristic variable, using the values of each characteristic variable in the sample data of road rescue, constructing the matrix of linear regression model as the prediction of road rescue demand, and calculating each characteristic variable in the matrix. Regression coefficient; Based on the value of each characteristic variable corresponding to the road rescue demand that needs to be predicted, the predicted value of the road rescue demand is calculated by using the regression coefficient of each characteristic variable. The method of the invention can accurately and effectively predict the road rescue demand under various circumstances, and can provide scientific basis for rescue departments to deploy rescue equipment and rescue personnel in advance, thereby effectively improving the efficiency and quality of rescue and reducing the loss of life and property.

【技术实现步骤摘要】
基于线性回归模型的道路救援需求预测方法
本专利技术涉及道路救援管理
，尤其涉及一种基于线性回归模型的道路救援需求预测方法。
技术介绍
道路救援是针对车辆故障，包括电的问题、发动机引擎故障、底盘、燃油、钥匙、轮胎等问题，为车主提供清障拖车、现场修理、燃油派送、更换轮胎、电瓶搭电、派送备用钥匙等服务。道路救援服务为减少交通事故人员伤亡和财产损失发挥了重要作用。充足的救援力量，合理的救援力量布局，是快速及时为故障车辆提供救援服务的前提条件，有效提高救援的效率和质量。在装备建设方法，目前仍然存在救援力量分散、救援装备数量不足的问题，一旦发生重大紧急突发事件，救援力量不足，一些地区只能从其他地方调集救援设备，救援设备不能及时到达救援目的地，延误宝贵的救援时间。预测道路救援需求，提前部署救援设备和救援人员，能有效缓解救援力量的不足。目前，现有技术中的道路救援方法主要是针对实际的道路救援下单、派单、救援等问题，例如，专利号为201711084866的专利技术专利提出一种智救通可视化道路救援平台，包括案件下单模块、案件派单模块以及施救模块。当遇到台风、暴雨洪涝灾害恶劣天气条件的自然灾害时，当地救援案件陡然激增，当地的施救力量已经无法满足需求，保险公司则在当地启动大救灾模型，该方案通过平台向当地及周边区域的施救单位征集救援车辆，临时接收各施救单位的参与大灾救援车辆的调度指挥权，统一管理、指挥、调度，实时关注救援动态。专利号为201621346982.0的专利技术提出一种汽车道路救援系统，包括：用于系统中各个部分之间的相互通信的网络平台，用于发送救援信号的呼叫中心，用于接收救援信号并根据救援信号派出救援的救援中心，用于车辆发送的信息定位车辆的位置的定位系统，车载智能处理模块、通信模块、数据采集模块和定位模块。处理器控制通信模块将数据采集模块采集车辆的状况信息和定位模块采集了车辆的位置信息经过网络平台发送至呼叫中心，呼叫中心根据车辆状况信息和车辆位置信息发送救援信号。保证能够在第一时间对人员和车辆进行救助，缩短救助时间。专利号为201410659837的专利技术提出一种道路救援方法，该方法利用服务器记录救援车辆反馈的位置信息，派遣距离车主位置最近的救援车辆，这种方式便于收到车主救援请求后，快速查找到最匹配的救援车辆。上述现有技术中的道路救援方法的缺点为：目前的道路救援多是根据实际情况进行调度救援，还没有专门针对道路救援需求的预测方法，当遇到重大自然灾害时只能根据实际受灾情况紧急调度周边救援力量，没有提前预测各种事件情况下可能产生的道路救援需求，导致救援力量不足，救援不及时。
技术实现思路
本专利技术的实施例提供了一种基于线性回归模型的道路救援需求预测方法，以解决现有技术的问题。为了实现上述目的，本专利技术采取了如下技术方案。一种基于线性回归模型的道路救援需求预测方法，确定道路救援需求的影响因素，将影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，所述方法包括：利用道路救援的样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵，并计算出所述矩阵中的各个特征变量的回归系数；基于需要进行预测的道路救援需求对应的各个特征变量的取值，利用所述各个特征变量的回归系数计算出所述的道路救援需求的预测值。进一步地，所述的确定道路救援需求的影响因素，将影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，包括：根据历史道路救援数据确定道路救援需求的影响因素，该影响因素包括年份、月份、小时、节假日、降雪、降雨、最低温度、最高温度、星期特征、降水和交通流量，所述节假日包括三天节假日、国庆假期和春节假期，所述三天节假日包括清明、五一、端午、中秋和元旦，将所述影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，根据特征变量对应的赋值规则对特征变量进行赋值，将特征变量转换为数值变量。进一步地，所述的设置每个特征变量对应的赋值规则，根据特征变量对应的赋值规则对特征变量进行赋值，将特征变量转换为数值变量，包括：设置年份特征变量是间隔为1的连续变量；设置月份特征变量是间隔为1的连续变量；设置小时特征变量是间隔为1的连续变量；设置三天节假日特征变量是数值变量{1，2，3，4}，分别对应节前一天工作日、假期第一天、假期第二天、假期第三天；当国庆假期为八天假期，设置国庆假期特征变量是数值变量{1，2，3，4，5，6，7，8，9}，分别对应节前一天工作日和国庆八天假期；当国庆假期为七天假期，设置国庆假期特征变量是数值变量{1，2，3，4，5，6，7，8}，分别对应节前一天工作日和国庆七天假期；设置春节假期特征变量是数值变量{1，2，3，4，5，6，7，8，9，10，11，12，13，14}，分别对应小年七天和春节假期七天；设置降雪特征变量是数值变量{8，9，10，11}，分别对应：雨夹雪、小雪、中雪、大雪；设置降雨特征变量是{2，3，4，5，6，7}，分别对应：小雨、阵雨、雷阵雨、中雨、大雨和暴雨；设置最低温度特征变量中温度小于等于零度的最低温度用温度值表示，温度大于零度的最低温度用1表示；设置最高温度特征变量中温度大于等于32度的最高温度用温度值表示，温度小于32度的最高温度用0表示；设置降水特征变量是间隔为1的连续变量；设置交通流量特征变量是间隔为1的连续变量。进一步地，所述的利用道路救援的样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵，并计算出所述矩阵中的各个特征变量的回归系数，包括：获取道路救援的样本数据，每条样本数据中都包括所有的所述道路救援的特征变量，根据每个特征变量的赋值规则，得到每条样本数据中的每个特征变量的取值；利用所有的样本数据和样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵；用xi表示第i条样本数据的特征向量，用N表示总的样本数，i＝1，2，...，N，用xij表示第i条样本数据第j个特征变量的取值，用M表示特征变量的个数，j＝1，2，...，M，xi＝[xi1…xiM]，利用所有样本数据的特征向量构建的作为道路救援需求预测的线性回归模型的矩阵X如下：用yi表示xi对应的救援需求量，所有的yi组成矩阵用wj表示第j个特征变量的回归系数，所有特征变量的回归系数构成回归系数向量w＝[w0w1…wM]，其中w0表示回归系数向量的常数项；线性回归模型如下：Y＝XwT利用最小二乘法计算出特征变量的回归系数，用S(w)表示回归系数向量为w情况下的计算数据与实际数据之间误差的平方和，S(w)的计算公式如下：当时，S(w)取最小值，即进一步地，所述的基于需要进行道路救援需求预测的各个特征变量的取值，利用所述各个特征变量的回归系数计算出所述的道路救援需求的预测值，包括：获取需要进行预测的道路救援需求对应的特征变量数据，根据所述各个特征变量的定义和赋值规则，获取每条道路救援需求数据对应的各个特征变量的取值；第i个道路救援需求数据的预测值的计算公式如下：xi1为第i个道路救援需求数据对应的第一个特征变量的取值，xiM为第i个需求数据对应的第M个特征变量的取值；所有道路救援需求的预测值组成矩阵其中，NP是需要预测的样本个数，XP是需要预测的道路救援需求数据对应的所本文档来自技高网...

【技术保护点】
1.一种基于线性回归模型的道路救援需求预测方法，其特征在于，确定道路救援需求的影响因素，将影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，所述方法包括：利用道路救援的样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵，并计算出所述矩阵中的各个特征变量的回归系数；基于需要进行预测的道路救援需求对应的各个特征变量的取值，利用所述各个特征变量的回归系数计算出所述的道路救援需求的预测值。

【技术特征摘要】
1.一种基于线性回归模型的道路救援需求预测方法，其特征在于，确定道路救援需求的影响因素，将影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，所述方法包括：利用道路救援的样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵，并计算出所述矩阵中的各个特征变量的回归系数；基于需要进行预测的道路救援需求对应的各个特征变量的取值，利用所述各个特征变量的回归系数计算出所述的道路救援需求的预测值。2.根据权利要求1所述的方法，其特征在于，所述的确定道路救援需求的影响因素，将影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，包括：根据历史道路救援数据确定道路救援需求的影响因素，该影响因素包括年份、月份、小时、节假日、降雪、降雨、最低温度、最高温度、星期特征、降水和交通流量，所述节假日包括三天节假日、国庆假期和春节假期，所述三天节假日包括清明、五一、端午、中秋和元旦，将所述影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，根据特征变量对应的赋值规则对特征变量进行赋值，将特征变量转换为数值变量。3.根据权利要求1所述的方法，其特征在于，所述的设置每个特征变量对应的赋值规则，根据特征变量对应的赋值规则对特征变量进行赋值，将特征变量转换为数值变量，包括：设置年份特征变量是间隔为1的连续变量；设置月份特征变量是间隔为1的连续变量；设置小时特征变量是间隔为1的连续变量；设置三天节假日特征变量是数值变量{1，2，3，4}，分别对应节前一天工作日、假期第一天、假期第二天、假期第三天；当国庆假期为八天假期，设置国庆假期特征变量是数值变量{1，2，3，4，5，6，7，8，9}，分别对应节前一天工作日和国庆八天假期；当国庆假期为七天假期，设置国庆假期特征变量是数值变量{1，2，3，4，5，6，7，8}，分别对应节前一天工作日和国庆七天假期；设置春节假期特征变量是数值变量{1，2，3，4，5，6，7，8，9，10，11，12，13，14}，分别对应小年七天和春节假期七天；设置降雪特征变量是数值变量{8，9，10，11}，分别对应：雨夹雪、小雪、中雪、大雪；设置降雨特征变量是{2，3，4，5，6，7}，分别对应：小雨、阵雨、雷阵雨、中雨、大雨和暴雨；设置最低温度特征变量中温度小于等于零度的最低温度用温度值表示，温度大于零度的最低温度用1表示；设置最高温度特征变量中温度大于等于32度的最高温度用温度值表示，温度小于32度的最高温度用0表示；设置降水特征变量是间隔为1的连续变量；设置交通流量特征变量是间隔为1的连续变量。4.根据权利要求3所述的方法，其特征在于，所述的利用道路救援的样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵，并计算出所述矩阵中的各个特征变量的回归系数，包括：获取道路救援的样本数据，每条样本数据中都包括所有的所述道路救援的特征变量，根据每个特征变量的赋值规则，得到每条样本数据中的每个特征变量的取值；利用所有的样本数据和样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵；用xi表示第i条样本数据的特征向量，用N表示总的样本数，i＝1，2，...，N，用xij表示第i条样本数据第j个特征变量的取值，用M表示特征变量的个数，j＝1，2，...，M，xi＝[xi1…xiM，利用所有样本数据的特征向量构建的作为道路救援需求预测的线性回归模型的矩阵X如下：用yi表示xi对应的救援需求量，所有的yi组成矩阵用wj表示第j个特征变量的回归系数，所有特征变量的回归系数构成回归系数向量w＝[w0w1…wM]，其中w0表示回归系数向量的常数项；线性回归模型如下：Y＝XwT利用最小二乘法计算出特征变量的回归系数，用S(w)表示回归系数向量为w情况下的计算数据与实际数据之间误差的平方和，...

【专利技术属性】
技术研发人员：杨珍珍，高自友，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11