一种基于事故数据和特征因素的事故多发点推荐方法技术

本发明专利技术提供了一种基于事故数据和特征因素的事故多发点推荐方法，它解决了现有交通管理系统对于不同交通场景适应性较差问题，其包括如下步骤：获取事故参数；对事故对应矩阵降维；对降维后的矩阵做聚类分析；计算离群因子LOF并剔除离群点；对多发点打分排名。本发明专利技术具有事故分析效果好、对于不同交通系统适应性好等优点。等优点。等优点。

【技术实现步骤摘要】
一种基于事故数据和特征因素的事故多发点推荐方法


[0001]本专利技术属于智能交通管理
，具体涉及一种基于事故数据和特征因素的事故多发点推荐方法

技术介绍

[0002]智能交通系统作为一种大范围、全方位覆盖的运输和管理系统，依托于近年来物联网的迅猛发展，将先进的控制、传感、通讯、信息技术与计算机技术高效结合，综合应用于整个交通管理体系。由于其极大地缓解了交通拥堵，有效减少了交通事故的发生，提高了交通系统的安全性，减少了环境污染。智能交通系统中风险隐患治理以预防和减少道路交通事故为目标，采用新技术、新方法开展道路交通事故易发风险评估，提早发现新建及改扩建路段存在的交通安全隐患。通过大数据分析交通事故情况，分析事故多发的原因、事故特征及分布特点等，确定与道路相关的重点调查内容。但目前交通系统只是对于交通事故数据进行简单统计分类，没有进行相关分析，无法判断交通系统中各要素对交通事故的影响。除此之外，现有的交通管理系统对于不同交通场景适应性较差。
[0003]为了解决现有技术存在的不足，人们进行了长期的探索，提出了各式各样的解决方案。例如，中国专利文献公开了一种基于多重对应和K
‑
means聚类的交通事故成因分析方法 [201811150213.7]，其包括如下步骤：根据获取的交通事故数据集，选取影响交通事故发生的变量并分类；通过数据库统计各变量的类别数和相应事故数量，筛选合并异常值的变量类别，得到事故数据表；将得到的事故数据表处理得到二进制指标矩阵；将事故类型作为表征事故特征的变量进行多重对应分析，得到各变量类别的多重对应分析坐标；使用局部线性嵌入算法对事故数据多重对应分析所得变量类别坐标进行降维，得到LLE降维坐标；使用K
‑
means聚类算法对变量类别进行聚类，并根据聚类结果进行分析。
[0004]上述方案在一定程度上解决了交通系统各要素与交通事故影响因素分析的问题，但是该方案依然存在着诸多不足，例如对于不同交通系统适应性较差等问题。

技术实现思路

[0005]本专利技术的目的是针对上述问题，提供一种设计合理，对于不同交通系统适应性好的基于事故数据和特征因素的事故多发点推荐方法。
[0006]为达到上述目的，本专利技术采用了下列技术方案：一种基于事故数据和特征因素的事故多发点推荐方法，包括如下步骤：
[0007]S1：获取事故参数；
[0008]S2：对事故对应矩阵降维；
[0009]S3：对降维后的矩阵做聚类分析；
[0010]S4：计算离群因子LOF并剔除离群点；
[0011]S5：对多发点打分排名。在考虑事故点数据维度和交通多发点的特点，在现有的K
‑
means算法和LOF算法的原理基础上，剔除了相对稀疏的单发事故点，优化设计了CLOF算法，
对交通场景具有很好的适用性。
[0012]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，步骤S1包括如下步骤:
[0013]S11：获取某地区以往某时间段内的交通事故数据；
[0014]S12：构建事故点及事故特征矩阵。
[0015]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，步骤S11中的交通事故数据包括事故严重程度、事故点致死率、事故点夜间事故次数、事故点的历史事故频度和人为原因占比；步骤S12以事故点作为行，各事故参数作为列构建矩阵。根据死亡人数、死亡交通事故次数、伤亡交通事故、事故原因等条件设置不同过滤规则，将交通事故多发点段不同级别的不同类型。
[0016]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，步骤S2包括如下步骤:
[0017]S21：确定样本点的近邻点；
[0018]S22：计算局部重构权重系数；
[0019]S23：计算最优重构向量Y
i
；
[0020]S24：计算降维后坐标D。
[0021]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，
[0022]步骤S21确定每个样本点X
i
(i＝1,2,3,...,N)的K(K<N)个近邻点；
[0023]步骤S22根据样本点X
i
的k个近邻点，通过最小化重构误差ε(W)，计算样本点X
i
的局部重构权重系数W
ij
，重构表达式为：
[0024]步骤S23根据局部重构权重系数W
ij
，通过最小化重构误差函数φ(Y)，确定低维空间下的最优重构向量Y
i
：
[0025]步骤S24重构权重系数W
ij
构成权重系数矩阵W，设矩阵 M＝(I
‑
W)
T
(I
‑
W)，计算矩阵M的前(d+1)个非零特征值对应的特征向量组成的矩阵记为LLE降维坐标D＝{u1,u1,...,u
d+1
}。
[0026]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，步骤S3包括如下步骤:
[0027]S31：选取初始聚类中心；
[0028]S32：计算样本与当前中心的距离D(x)；
[0029]S33：计算下一聚类中心C2的概率；
[0030]S34：得到聚类结果。
[0031]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，
[0032]步骤S31从数据集中随机选取一个样本作为初始聚类中心 C1；
[0033]步骤S32计算每个样本与当前已有的聚类中心之间的最短距离，即D(x)，D2(x)表达式为：
[0034]步骤S33计算每个样本被选为下一个聚类中心的概率：然后照轮盘法选择下一个聚类中心；
[0035]步骤S34重复步骤S33直到选择出k个多发点圆的聚类中心。
[0036]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，步骤S4包括如下步骤:
[0037]S41：计算所有单发事故点到中心距离的平均值；
[0038]S42：筛选离群点；
[0039]S43：计算离群因子LOF。
[0040]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，
[0041]步骤S41根据K
‑
means聚类完成后得到k个多发点圆的中心，求出每个圆中所有单发事故点到中心距离的平均值，记为半径R；
[0042]步骤S42针对圆中所有的单发点，若该点到中心的距离大于R，则将其放入可能会被剔除的点集中；
[0043]步骤S43通过LOF算法，给步骤S42得到的数据集中的每个点计算一个离群因子LOF，通过判断LOF是否接近于1来判定是否是离群点，计算公式为：
[0044][0045]在上述的一种基于事故数据和特征因素的事故多发点推荐方法中，步骤S5包括如下步骤:
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于事故数据和特征因素的事故多发点推荐方法，其特征在于，包括如下步骤：S1：获取事故参数；S2：对事故对应矩阵降维；S3：对降维后的矩阵做聚类分析；S4：计算离群因子LOF并剔除离群点；S5：对多发点打分排名。2.根据权利要求1所述的一种基于事故数据和特征因素的事故多发点推荐方法，其特征在于，所述的步骤S1包括如下步骤:S11:获取某地区以往某时间段内的交通事故数据；S12：构建事故点及事故特征矩阵。3.根据权利要求2所述的一种基于事故数据和特征因素的事故多发点推荐方法，其特征在于，所述的步骤S11中的交通事故数据包括事故严重程度、事故点致死率、事故点夜间事故次数、事故点的历史事故频度和人为原因占比；所述的步骤S12以事故点作为行，各事故参数作为列构建矩阵。4.根据权利要求1所述的一种基于事故数据和特征因素的事故多发点推荐方法，其特征在于，所述的步骤S2包括如下步骤:S21：确定样本点的近邻点；S22：计算局部重构权重系数；S23：计算最优重构向量Y
i
；S24：计算降维后坐标D。5.根据权利要求4所述的一种基于事故数据和特征因素的事故多发点推荐方法，其特征在于，所述的步骤S21确定每个样本点X
i
(i＝1,2,3,...,N)的K(K<N)个近邻点；所述的步骤S22根据样本点X
i
的k个近邻点，通过最小化重构误差ε(W)，计算样本点X
i
的局部重构权重系数W
ij
，重构表达式为：所述的步骤S23根据局部重构权重系数W
ij
，通过最小化重构误差函数φ(Y)，确定低维空间下的最优重构向量Y
i
：所述的步骤S24重构权重系数W
ij
构成权重系数矩阵W，设矩阵M＝(I
‑
W)
T
(I
‑
W)，计算矩阵M的前(d+1)个非零特征...

【专利技术属性】
技术研发人员：刘二港，顾俊杰，顾晓峰，汤叶灵，王立立，许怡浩，季诺亚，谭寓元，麻继潮，王卓飞，李婧怡，
申请(专利权)人：浙江嘉兴数字城市实验室有限公司，
类型：发明
国别省市：