一种基于混合线性模型的事故严重程度分析方法及系统技术方案

本发明专利技术属于交通事故技术领域，提供了一种基于混合线性模型的事故严重程度分析方法及系统。该方法包括，获取人员数据、车辆数据、道路数据和环境数据，提取得到人员特征、车辆特征、道路特征和环境特征；采用一般线性模型，分析人员特征、车辆特征、道路特征和环境特征是否对交通事故严重程度具有显著影响关系，得到显著性小于设定阈值的层次聚集因素；将人员特征作为固定效应，将层次聚集因素作为随机效应，采用混合线性模型，分析车内人员特征对于交通事故严重程度的影响，以此降低层次聚集因素的聚集性。本发明专利技术通过综合考虑各影响因素与事故风险之间的关联，降低了车、路、环境等因素对交通事故严重性的影响程度。对交通事故严重性的影响程度。对交通事故严重性的影响程度。

【技术实现步骤摘要】
一种基于混合线性模型的事故严重程度分析方法及系统


[0001]本专利技术属于交通事故
，尤其涉及一种基于混合线性模型的事故严重程度分析方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]国内外相关研究已证实交通事故受到人员特征多因素影响：如驾驶员的年龄、性别、疲劳程度、乘客人数以及乘客的年龄、性别和座椅位置等。Keli A.Braitman等基于准诱导暴露方法和logistic回归分析，建立驾驶员年龄和性别以及乘客年龄和性别的函数，预测致命车祸的概率；Aimee E Cox等将1997年至2018年中70岁及以上驾驶员与35
‑
54岁驾驶员的事故风险趋势进行比较，发现中年驾驶员的致命车祸率大幅上升，而老年驾驶员下降或保持稳定；Xu等使用随机参数模型来估计司机的有意或无意行为与碰撞伤害严重程度之间的复杂关联；李瑞瑞等使用双层Logit模型综合分析车队特征与驾驶员多种个人特征对公共汽车事故风险的影响，并基于随机森林的平均准确度下降方法对显著变量进行了重要性排序；Haoqiang Fu等对司机特征和乘客特征进行了逐步分析，研究了乘客年龄和性别对年轻司机致命事故风险的影响；Leon Villavicencio等对2016
‑
2019年美国警方报告的车祸进行了横断面分析，研究乘客数量和年龄对青少年司机死亡风险的影响；占隽均以碰撞形态、道路类型、碰撞对象为影响变量，根据受伤分级标准和多因素方差分析法分析了乘用车发生道路交通事故时乘员在各个座椅位置上的伤害程度；Nathaniel C Briggs等比较了驾驶员和乘客座椅位置的安全带使用情况，发现美国16岁以上的高中生作为乘客系安全带的可能性显着低于作为司机系安全带的可能性；杨晔从事故基本信息、事故人员数据、现场环境数据等方面选取自变量，运用二项Logit模型分别建立驾驶员和乘客受伤严重程度模型，来分析比较两者的受伤情况；Chris Lee等使用双变量概率模型的分析表明乘客和碰撞特征之间存在很强的相关性。张乾懿等采用卡方检验和二元逻辑回归方程，分别从载客倾向性、事故责任认定、事故类型以及事故严重程度4个方面，全面研究了摩托车搭载乘客对驾驶行为及交通安全的影响；Peter Kiteywo Sisimwo等对341名摩托车碰撞损伤患者进行横断面分析，发现使用头盔可以有效避免受害者头部受伤。
[0004]但现有研究大多只讨论车内人员特征与事故风险之间的关系，大多数研究采用logistic回归分析，通常忽略了车辆、道路、环境等其他因素对交通事故的影响，因此研究结果可能存在偏误。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于混合线性模型的事故严重程度分析方法及系统，其综合考虑各种影响因素与事故风险的关系，减少车辆、道路、环境等因素对交通事故严重程度的影响，明确人员因素的影响规律，才能为驾驶员和乘
客安全教育提供理论支持，及时限制驾驶员和乘客的不安全行为，改善整体安全状况。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供一种基于混合线性模型的事故严重程度分析方法。
[0008]一种基于混合线性模型的事故严重程度分析方法，包括：
[0009]获取人员数据、车辆数据、道路数据和环境数据，提取得到人员特征、车辆特征、道路特征和环境特征；
[0010]采用一般线性模型，分析人员特征、车辆特征、道路特征和环境特征是否对交通事故严重程度具有显著影响关系，得到显著性小于设定阈值的层次聚集因素；
[0011]将人员特征作为固定效应，将层次聚集因素作为随机效应，采用混合线性模型，分析车内人员特征对于交通事故严重程度的影响，以此降低层次聚集因素的聚集性。
[0012]本专利技术的第二个方面提供一种基于混合线性模型的事故严重程度分析系统。
[0013]一种基于混合线性模型的事故严重程度分析系统，包括：
[0014]数据获取模块，其被配置为：获取人员数据、车辆数据、道路数据和环境数据，提取得到人员特征、车辆特征、道路特征和环境特征；
[0015]一般线性模型处理模块，其被配置为：采用一般线性模型，分析人员特征、车辆特征、道路特征和环境特征是否对交通事故严重程度具有显著影响关系，得到显著性小于设定阈值的层次聚集因素；
[0016]混合线性模型处理模块，其被配置为：将人员特征作为固定效应，将层次聚集因素作为随机效应，采用混合线性模型，分析车内人员特征对于交通事故严重程度的影响，以此降低层次聚集因素的聚集性。
[0017]本专利技术的第三个方面提供一种计算机可读存储介质。
[0018]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于混合线性模型的事故严重程度分析方法中的步骤。
[0019]本专利技术的第四个方面提供一种计算机设备。
[0020]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于混合线性模型的事故严重程度分析方法中的步骤。
[0021]与现有技术相比，本专利技术的有益效果是：
[0022]本专利技术综合考虑各种影响因素与事故风险的关系，减少车辆、道路、环境等因素对交通事故严重程度的影响，明确人员因素的影响规律，才能为驾驶员和乘客安全教育提供理论支持，及时限制驾驶员和乘客的不安全行为，改善整体安全状况。
[0023]本专利技术发现事故车辆数、事故类型、车辆类型和照明情况对事故严重程度的结果具有显著影响，且具有层次聚集性，会使研究结果产生偏差。
[0024]本专利技术通过使用混合线性模型降低结果的聚集性，分析得到在车内人员的特征中，驾驶员年龄、驾驶员性别、驾驶员身体状态、人员受伤程度、人员位置和安全措施情况对事故的影响显著。
附图说明
[0025]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示
意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0026]图1是本专利技术实施例示出的基于混合线性模型的事故严重程度分析方法的流程图；
[0027]图2是本专利技术实施例示出的多变量相关性分析示意图；
[0028]图3是本专利技术实施例示出的模型前后拟合统计量对比图。
具体实施方式
[0029]下面结合附图与实施例对本专利技术作进一步说明。
[0030]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0031]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合线性模型的事故严重程度分析方法，其特征在于，包括：获取人员数据、车辆数据、道路数据和环境数据，提取得到人员特征、车辆特征、道路特征和环境特征；采用一般线性模型，分析人员特征、车辆特征、道路特征和环境特征是否对交通事故严重程度具有显著影响关系，得到显著性小于设定阈值的层次聚集因素；将人员特征作为固定效应，将层次聚集因素作为随机效应，采用混合线性模型，分析车内人员特征对于交通事故严重程度的影响，以此降低层次聚集因素的聚集性。2.根据权利要求1所述的基于混合线性模型的事故严重程度分析方法，其特征在于，所述层次聚集因素包括：事故类型、车辆类型、事故车辆数和照明情况。3.根据权利要求1所述的基于混合线性模型的事故严重程度分析方法，其特征在于，所述人员特征包括驾驶员年龄、驾驶员性别、驾驶员身体状况、驾驶员受伤程度、乘客年龄、乘客性别、乘客受伤程度、人员位置和安全设备类型；车辆特征包括事故类型、车辆类型和事故车辆数；道路特征包括路面情况；环境特征包括天气和照明情况。4.根据权利要求1所述的基于混合线性模型的事故严重程度分析方法，其特征在于，所述一般线性模型为：Y＝αX+ε其中，X表示固定效应，α为固定效应的影响系数，ε表示随机误差。5.根据权利要求1所述的基于混合线性模型的事故严重程度分析方法，其特征在于，所述混合线性模型为：Y＝αX+βZ+ε式中，Y表示因变量测量值的矩阵向量，X为固定效应自变量的设计矩阵向量，α为固定效应自变量的影响系数设计矩阵向量，Z为随机效应自变量的设计矩阵向量，β为随机效应自变量的影响系数设计矩阵向量，服从均值向量为0且方差/协方差矩阵向量为G的正态性分布，表示为β～N(0,G)，ε为随机误差设计矩阵向量，服从均值向量为0且方差/协方差矩阵向量为R的正态性分布，表示为ε～N(0,R)。6.根据权利要求1所述的基于混合线性模型的事故严重程度分析方法，其特征在于，所述人员特征、车辆特征、道路特征和环境特征符合随机截距模型的应用条件，随机截距模型在应用过程中包括：建立零模型检测数据是否确实存在层次...

【专利技术属性】
技术研发人员：王旭，于迪，马菲，刘泽华，戴荣健，
申请(专利权)人：山东大学，
类型：发明
国别省市：