【技术实现步骤摘要】
高速公路隧道下行线出入口区域事故严重程度预测方法
本专利技术属于交通安全领域，具体涉及一种基于决策树学习模型的高速公路隧道下行线出入口区域事故严重程度预测方法。
技术介绍
隧道工程建设是公路交通事故高发段,损失规模和严重程度远高于高速公路其他路段。相关数据显示，不同隧道交通事故率约为高速公路全线交通事故率的2～6倍不等，相关每公里事故处理的资金投入也远高于全线。其中，隧道下行线出入口为事故高发区域，缺乏事故严重程度预测研究及技术支持。原则上，有一些方法可以减少道路交通事故中遇难或受伤的人数，降低事故严重程度就是其中之一。事故严重程度是指人员或财产方面的受损情况，主要受人、车、路和环境等因素的影响。高速公路隧道下行线出入口区域系统复杂,影响因素多，因此需要对高速公路隧道下行线出入口区域的事故严重程度进行专门研究。如今，许多交通安全管理者、研究人员以及车辆厂家对高速公路隧道下行线出入口区域事故严重程度预测模型非常感兴趣。事故严重程度模型可以预测事故发生的严重程度，这有助于医院尽快提供适当的医疗护理，同时可以诊断隧道下行线出入口存...
【技术保护点】
1.一种高速公路隧道下行线出入口区域事故严重程度预测方法，其特征在于，包括以下步骤：/n(1)预先获取高速公路隧道下行线出入口区域事故数据，并对数据进行预处理，建立事故样本数据集，并将数据集划分为训练集和测试集；/n(2)选取影响高速公路隧道下行线出入口区域事故严重程度的环境变量作为自变量并对自变量进行编码；/n(3)统计各自变量包含的特征以及这些特征在事故样本数据库中出现的频率；/n(4)划分事故严重程度等级：将高速公路隧道下行线出入口区域的事故数据按照事故严重程度划分为若干个等级并进行编码，/n(5)计算影响高速公路隧道下行线出入口区域事故严重程度的各自变量特征的信息增...
【技术特征摘要】
1.一种高速公路隧道下行线出入口区域事故严重程度预测方法，其特征在于，包括以下步骤：
(1)预先获取高速公路隧道下行线出入口区域事故数据，并对数据进行预处理，建立事故样本数据集，并将数据集划分为训练集和测试集；
(2)选取影响高速公路隧道下行线出入口区域事故严重程度的环境变量作为自变量并对自变量进行编码；
(3)统计各自变量包含的特征以及这些特征在事故样本数据库中出现的频率；
(4)划分事故严重程度等级：将高速公路隧道下行线出入口区域的事故数据按照事故严重程度划分为若干个等级并进行编码，
(5)计算影响高速公路隧道下行线出入口区域事故严重程度的各自变量特征的信息增益；
(6)建立基于决策树的高速公路隧道下行线出入口区域事故严重程度预测模型，并用训练集对决策树模型进行训练；
(7)采用XGBboost算法查看训练所得决策树模型的特征重要性排序，判断训练所得决策树模型的合理性；
(8)设置二次预测模块，对重大事故的预测能力对严重等级达为三级以上的事故进行基于Bayes的二次预测，取综合等级评价结果为最终输出等级；
(9)当错误率达到预先设定的阈值,结束模型训练，输入实际数据，输出高速公路隧道下行线出入口事故严重程度预测结果。
2.根据权利要求1所述的高速公路隧道下行线出入口区域事故严重程度预测方法，其特征在于，步骤(1)所述的训练集和测试集的比例为8:2。
3.根据权利要求1所述的高速公路隧道下行线出入口区域事故严重程度预测方法，其特征在于，步骤(2)所述的环境自变量主要包括隧道类型、主线车道数、隧道下行线出入口车道数、隧道出入口与主线分流合流点的最小净距、下行线出入口段长度、洞外连接线与隧道线形的协调度、路面类型、路表情况、肩型、肩宽、出入口照明过渡设施、天气情况、土地使用类型、车速离散度、主线平均日交通量、隧道下行线出入口平均日交通量、有无涉及酒驾、有无涉及毒驾以及事故类型。
4.根据权利要求1所述的高速公路隧道下行线出入口区域事故严重程度预测方法，其特征在于，所述步骤(5)包括以下步骤：
(51)计算条件概率：任意事故样本属于类Ci的概率计算公式如下：
Pi＝si/s
其中，si表示事故严重程度的类Ci的样本数；s表示数据库中高速公路隧道下行线出入口区域事故样本量；
(52)计算信息增益：
若以自变量特征A为测试属性，则其子集对应于由包含事故数据集S的结点生长出来的分支，设Si，j是子集Sj中类Ci的样本数，由特征A所划分子集的熵计算如下：
给定的子集Sj的期望信息计算如下：
其中，
信息增益计算公式如下：
Gain(A)＝I(s1，s2...
【专利技术属性】
技术研发人员：俞竞伟，李志彬，史荣珍，黄开林，
申请(专利权)人：南京信息职业技术学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。