一种异质性交通事故致因分析方法及设备技术

本发明专利技术涉及一种异质性交通事故致因分析方法及设备，方法包括以下步骤：步骤S1：获取事故相关数据，提取交通事故潜在影响因素；步骤S2：基于交通事故潜在影响因素，通过随机森林方法筛选交通事故关键影响因素；步骤S3：基于交通事故关键影响因素，通过潜类别分析方法获得影响因素均质的多个子集；步骤S4：基于影响因素均质的多个子集，通过路径分析方法获得异质性交通事故致因。与现有技术相比，可以较好地处理事故致因异质和同质的矛盾关系，帮助理解事故致因的多样化。

A cause analysis method and equipment for heterogeneous traffic accidents

The invention relates to a heterogeneous traffic accident cause analysis method and equipment. The method comprises the following steps: step S1: obtain accident related data and extract potential influencing factors of traffic accidents; step S2: select key influencing factors of traffic accidents by random forest method based on potential influencing factors of traffic accidents; step S3: Select key influencing factors of traffic accidents by potential forest method based on key influencing factors of traffic accidents Step S4: Based on the multiple subsets of homogeneous influencing factors, the causes of heterogeneous traffic accidents are obtained by path analysis. Compared with the prior art, it can better deal with the contradiction between heterogeneous and homogeneous accident causes, and help to understand the diversification of accident causes.

【技术实现步骤摘要】
一种异质性交通事故致因分析方法及设备
本专利技术涉及交通安全分析和主动交通管理领域，尤其是涉及一种异质性交通事故致因分析方法及设备。
技术介绍
道路交通安全形势依然严峻。《2018年全球道路安全状况报告》中的数据显示，每年全世界约有135万人死于道路交通，另有2000万至5000万人因道路交通事故引发的碰撞而受伤或致残。《道路交通运输安全发展报告2017》中数据显示，2016年我国共接报道路交通事故864.3万起，同比增加65.9万起，上升16.5％。因此，提高道路交通安全水平，需求迫切、刻不容缓。可获取的交通数据日趋多元。随着全息交通的发展，各种数据探测技术的日渐成熟，这为交通系统中人、车、路、环境等数据的来源提供了保证，使得综合利用各种交通相关的数据进行交通安全研究成为可能。事故致因的研究至关重要。传统的事故影响因素与事故的关联关系研究，无法满足道路交通安全针对性改善和管理的需求。越来越多的学者开始深入事故发生机理，从不同的角度、运用多样的方法，开展事故致因分析方法的研究。事故的异质性问题亟待解决。道路交通事故具有影响因素异质性问题；在交通安全分析与预测的研究中，如果不能处理事故的异质性，将无法对事故进行准确的影响因素分析和致因推断，也就不能指导制定有针对性的高效的道路交通安全改善策略。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种异质性交通事故致因分析方法及设备。本专利技术的目的可以通过以下技术方案来实现：一种异质性交通事故致因分析方法，该方法包括以下步骤：步骤S1：获取事故相关数据，提取交通事故潜在影响因素；步骤S2：基于交通事故潜在影响因素，通过随机森林方法筛选交通事故关键影响因素；步骤S3：基于交通事故关键影响因素，通过潜类别分析方法获得影响因素均质的多个子集；步骤S4：基于影响因素均质的多个子集，通过路径分析方法获得异质性交通事故致因。所述的事故相关数据包括事故数据、交通流数据和道路几何数据。所述的事故潜在影响因素包括事故相关数据的统计量。所述的随机森林方法袋外错误率OOBerrorrate为：其中，X为袋外数据中分类结果错误的数目，N为袋外数据数目。所述的随机森林方法平均精度下降VIi为：其中，ntree为森林里树的数目，OEAti为变化变量i的值后模型的袋外错误率，OEBti为变化变量i的值后模型的袋外错误率。所述的步骤S3包括：步骤S31：获得影响因素均质的潜类别数目；步骤S32：基于分类数目和事故关键影响因素，得到各潜类别显著影响因素；步骤S33：基于各潜类别显著影响因素，构建影响因素均质的多个子集。所述的步骤S4包括：步骤S41：基于影响因素均质的多个子集，获得路径分析方法预测结构；步骤S42：基于路径分析方法预测结构，得到异质性交通事故致因。所述的步骤S42通过计算路径分析方法预测结构的拟合度指标近似误差均方根和显著程度得到异质性交通事故致因。与现有技术相比，本专利技术具有以下优点：(1)综合考虑人、车、路、环境等多种事故影响因素，考虑全面。(2)深入分析事故影响因素与事故的直接或间接作用关系。这对研究事故致因大有帮助，可以帮助交通管控决策者进一步理解事故发生机理，进而制定有针对性的交通安全改善策略。(3)考虑了事故发生的异质性。事故致因是绝对异质、相对同质的。通过将事故数据分为相对同质的几类，可以较好地处理事故致因异质和同质的矛盾关系，帮助理解事故致因的多样化。(4)采用随机森林方法，不仅可以评估变量的重要性，同时准确度高。(5)采用路径分析方法，不仅能说明变量间的直接效应，而且能说明变量间的间接效应。附图说明图1为本专利技术的流程图；图2为本专利技术实施例中事故影响因素命名示意图；图3为本专利技术实施例中事故影响因素命名示意图；图4为本专利技术实施例中异质性交通事故致因结果示意图；图5为本专利技术实施例中一个基本的路径分析结构。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例本实施例提出了一种基于路径分析模型的异质性交通事故致因分析方法，基于微观交通流数据，研究异质性事故致因，解析事故影响因素与事故的直接、间接作用关系，为实施针对性的交通安全改善措施、主动交通管理等提供了理论支持。一种异质性交通事故致因分析方法，该方法包括以下步骤：步骤S1：获取事故相关数据，提取交通事故潜在影响因素；步骤S2：基于交通事故潜在影响因素，通过随机森林方法筛选交通事故关键影响因素；步骤S3：基于交通事故关键影响因素，通过潜类别分析方法获得影响因素均质的多个子集；步骤S4：基于影响因素均质的多个子集，通过路径分析方法获得异质性交通事故致因。进一步地，步骤S1中事故相关数据包括事故数据、交通流数据和道路几何数据，事故潜在影响因素包括事故相关数据的统计量。进一步地，步骤S2中通过随机森林方法筛选交通事故的关键影响因素，具体为：(2.1)随机森林模型调参：在建立随机森林模型过程中，为了保证模型的预测准确性，需要调节参数ntree和mtry的取值，这两个参数的调节可以依据袋外错误率OOBerrorrate：其中，X为袋外数据中模型分类结果错误的数目，N为袋外数据数目。(2.2)关键影响因素筛选：随机森林模型被广泛用于变量的重要性排序，平均精度下降VIi可以作为变量重要性的测量，定义如下：其中，ntree表示森林里树的数目,OEAti表示变化变量i的值后模型的袋外错误率，OEBti表示变化变量i的值前模型的袋外错误率。如果变量值变化前后模型的袋外错误率变化越大，说明该变量对模型越重要。据此，对事故影响因素进行重要度排序，筛选得到关键的事故影响因素。进一步地，步骤S3中通过潜类别分析方法获取影响因素均质的多个子集，具体为：(3.1)最优子集数确定：在进行潜类别分析方法过程中，根据性能评价指标AIC和AUC，调节潜类别分析方法参数nclass的取值，nclass即潜类别数，也就是将数据分为事故致因同质子集的数目；(3.2)各个潜类别显著影响因素确定：根据分析结果中同一变量在不同潜类别中的显著性(P值<0.05)，确定不同潜类别间差异化的显著影响因素组合，得到影响因素均质的多个子集。进一步地，步骤S4中基于影响因素均质的多个子集分别建立路径分析方法预测结构并分析异质性的事故致因，具体为：(4.1)路径分析方法可能结构确定：根据先验知识，确定可能的中介自变量，再遍历测试所有路径分析方法预测结构，一个基本的路径分析结本文档来自技高网...

【技术保护点】
1.一种异质性交通事故致因分析方法，其特征在于，该方法包括以下步骤：/n步骤S1：获取事故相关数据，提取交通事故潜在影响因素；/n步骤S2：基于交通事故潜在影响因素，通过随机森林方法筛选交通事故关键影响因素；/n步骤S3：基于交通事故关键影响因素，通过潜类别分析方法获得影响因素均质的多个子集；/n步骤S4：基于影响因素均质的多个子集，通过路径分析方法获得异质性交通事故致因。/n

【技术特征摘要】
1.一种异质性交通事故致因分析方法，其特征在于，该方法包括以下步骤：
步骤S1：获取事故相关数据，提取交通事故潜在影响因素；
步骤S2：基于交通事故潜在影响因素，通过随机森林方法筛选交通事故关键影响因素；
步骤S3：基于交通事故关键影响因素，通过潜类别分析方法获得影响因素均质的多个子集；
步骤S4：基于影响因素均质的多个子集，通过路径分析方法获得异质性交通事故致因。


2.根据权利要求1所述的一种异质性交通事故致因分析方法，其特征在于，所述的事故相关数据包括事故数据、交通流数据和道路几何数据。


3.根据权利要求1所述的一种异质性交通事故致因分析方法，其特征在于，所述的事故潜在影响因素包括事故相关数据的统计量。


4.根据权利要求1所述的一种异质性交通事故致因分析方法，其特征在于，所述的随机森林方法袋外错误率OOBerrorrate为：



其中，X为袋外数据中分类结果错误的数目，N为袋外数据数目。


5.根据权利要求1所述的一种异质性交通事故致因分析方法，其特征在于，所述的随机森林方法平均精度下降VIi为：



其中，ntree为森林里树的数目，OEAti为变化变量i的值后模型的袋外错误率，OEBti...

【专利技术属性】
技术研发人员：余荣杰，郑银，高珍，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31