一种目标城市交通事故严重程度分析方法技术

本发明专利技术公开了一种目标城市交通事故严重程度分析方法，其包括：获取不同城市的交通事故数据，根据每个城市的交通事故数据量确定目标城市和源城市；利用统一特征表示法将分布于异构特征空间的目标城市和源城市交通事故数据进行特征对齐，得到跨城市交通事故样本的同构样本特征表示；将跨城市交通事故样本的同构样本特征表示带入代价敏感的跨城市交通事故分析模型，得到导致目标城市交通事故不同严重程度的影响因素。本发明专利技术能够在仅使用少量目标城市交通事故数据的条件下，准确获得导致目标城市交通事故不同严重程度的影响因素。城市交通事故不同严重程度的影响因素。城市交通事故不同严重程度的影响因素。

【技术实现步骤摘要】
一种目标城市交通事故严重程度分析方法


[0001]本专利技术涉及一种目标城市交通事故严重程度分析方法，属于交通安全


技术介绍

[0002]道路交通事故已成为许多国家人员伤亡的主要原因之一，给社会带来了沉重的代价。近十年来，基于道路交通事故的历史数据，建模并分析导致交通事故发生的影响因素，已成为交通安全领域广泛采用的研究手段。交通事故因果分析的研究成果，可为交通管理部门制定预防交通事故发生方面的政策，提供建议和启示，因而具有较强的实际应用价值。
[0003]在现有的交通事故分析中，研究者往往假设目标城市存在大量完备的交通事故数据。明显地，收集完备的交通事故数据，需要在每一条城市道路上安装大量监控设备，并付出大量的人力和财力，进行设备监管和数据处理。事实上，一些低发展水平的城市，往往很难承受如此高昂的数据采集成本。在一些高发展水平的城市，即使交通管理部门已经收集到了完备的交通事故数据，但由于数据隐私方面的考虑，只有少量低敏的事故数据可以被获取。基于以上分析可知，在实际的交通事故分析中，目标城市少数据是必须要面临和解决的一个重要问题。
[0004]在交通事故严重程度分析中，还存在类别不平衡问题，即导致人员死亡、严重受伤的严重事故的样本数要远小于导致人员轻微受伤、无受伤的不严重事故的样本数。研究者常采用重采样的技术解决事故严重程度分析中的类别不平衡问题，但是，无论是对少数严重事故样本进行过采样，还是对多数不严重事故进行欠采样，重采样方法改变了原始事故数据的数据分布，很容易导致局部最优的预测结果，不利于交通事故的准确分析。

技术实现思路

[0005]为了解决交通事故严重程度分析中的少数据和类别不平衡影响分析准确性的问题，本专利技术提出了一种目标城市交通事故严重程度分析方法，引入跨城市交通事故数据和代价敏感分类模型，在仅使用少量目标城市交通事故数据的条件下，准确获得导致目标城市交通事故不同严重程度的影响因素。
[0006]为解决上述技术问题，本专利技术采用了如下技术手段：
[0007]本专利技术提出了一种目标城市交通事故严重程度分析方法，包括如下步骤：
[0008]获取不同城市的交通事故数据，根据每个城市的交通事故数据量确定目标城市和源城市；
[0009]利用统一特征表示法将分布于异构特征空间的目标城市和源城市交通事故数据进行特征对齐，得到跨城市交通事故样本的同构样本特征表示；
[0010]将跨城市交通事故样本的同构样本特征表示带入代价敏感的跨城市交通事故分析模型，得到导致目标城市交通事故不同严重程度的影响因素。
[0011]进一步的，目标城市的交通事故数据量小于源城市的交通事故数据量。
[0012]进一步的，目标城市的交通事故数据进一步的，目标城市的交通事故数据表
示目标城市中第i个交通事故样本，D
t
为目标城市交通事故数据中事故特征的总数，N
t
为目标城市的交通事故样本总数，i＝1,2,
…
,N
t
；源城市的交通事故数据其中，表示源城市中第j个交通事故样本，D
s
为源城市交通事故数据中事故特征的总数，N
s
为源城市的交通事故样本总数，j＝1,2,
…
,N
s
。
[0013]进一步的，跨城市交通事故样本的同构样本特征表示如下：
[0014][0015]其中，UFR(x)表示跨城市交通事故样本的同构样本特征表示，x为目标城市交通事故样本或源城市交通事故样本，表示目标城市和源城市中共有的D
c
维交通事故特征，表示目标城市中特有的D
t
‑
D
c
维交通事故特征，表示源城市中特有的D
s
‑
D
c
维交通事故特征。
[0016]进一步的，将交通事故数据中的严重事故作为正类，不严重数据作为负类，根据统一特征表示后的源城市交通事故样本，通过代价敏感Logistic回归训练并获得源城市的事故严重知识w
(s)
。
[0017]进一步的，基于源城市的事故严重知识w
(s)
，训练代价敏感的跨城市交通事故分析模型，代价敏感的跨城市交通事故分析模型的目标函数为：
[0018][0019]其中，w
(t)
表示Logistic回归的似然参数，C
+
表示正类样本的错分代价，N
t
为目标城市的交通事故样本总数，表示目标城市中第i个交通事故样本，表示样本的类别，表示样本为正类，表示样本经过统一特征表示后的同构样本特征表示，C
_
表示负类样本的错分代价，表示样本为负类，λ为跨城市知识迁移的强度系数，i＝1,2,
…
,N
t
，N
t
为目标城市的交通事故样本总数；
[0020][0021]其中，表示同构样本特征表示属于类的后验概率。
[0022]进一步的，得到导致目标城市交通事故不同严重程度的影响因素的方法为：
[0023]将目标城市的同构样本特征表示带入代价敏感的跨城市交通事故分析模型，通过求解代价敏感的跨城市交通事故分析模型的目标函数，得到用于分析目标城市事故严重程度的Logistic回归的似然参数w
(t)
；
[0024]基于Logistic回归的似然参数w
(t)
，针对任一目标城市交通事故样本通过计算其后验概率关于目标城市交通事故样本任意分量的偏导数，得到定量分析规则：如果则第k个事故特征对导致严重事故起正相关作用；如果则第k个事故特征对导致不严重事故起正相关作
用；其中，表示目标城市交通事故数据中第k维事故特征对应的似然参数，k＝1,
…
,D
t
，D
t
为目标城市交通事故数据中事故特征的总数。
[0025]采用以上技术手段后可以获得以下优势：
[0026]本专利技术提出了一种目标城市交通事故严重程度分析方法，利用数据量较多的源城市交通事故数据和代价敏感分类模型进目标城市交通事故严重程度分析，首先通过统一特征表示法对目标城市和源城市交通事故数据进行特征对齐，进而得到统一的、利于分析的同构样本特征表示，然后利用源城市交通事故数据训练跨城市交通事故分析模型，得到对多数类和少数类样本无偏的代价敏感的跨城市交通事故分析模型，最后通过代价敏感的跨城市交通事故分析模型准确获得导致目标城市交通事故不同严重程度的影响因素。本专利技术能够在仅使用少量目标城市交通事故数据的条件下进行准确可靠的交通事故分析，解决了现有技术中少数据和类别不平衡的问题，能够为交通管理部门制定预防交通事故发生方面的政策提供建议和启示，具有较高的实用价值。
附图说明
[0027]图1为本专利技术一种目标城市交通事故严重程度分析方法的步骤流程图。
具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标城市交通事故严重程度分析方法，其特征在于，包括如下步骤：获取不同城市的交通事故数据，根据每个城市的交通事故数据量确定目标城市和源城市；利用统一特征表示法将分布于异构特征空间的目标城市和源城市交通事故数据进行特征对齐，得到跨城市交通事故样本的同构样本特征表示；将跨城市交通事故样本的同构样本特征表示带入代价敏感的跨城市交通事故分析模型，得到导致目标城市交通事故不同严重程度的影响因素。2.根据权利要求1所述的一种目标城市交通事故严重程度分析方法，其特征在于，目标城市的交通事故数据量小于源城市的交通事故数据量。3.根据权利要求1所述的一种目标城市交通事故严重程度分析方法，其特征在于，目标城市的交通事故数据表示目标城市中第i个交通事故样本，D
t
为目标城市交通事故数据中事故特征的总数，N
t
为目标城市的交通事故样本总数，i＝1,2,
…
,N
t
；源城市的交通事故数据其中，表示源城市中第j个交通事故样本，D
s
为源城市交通事故数据中事故特征的总数，N
s
为源城市的交通事故样本总数，j＝1,2,
…
,N
s
。4.根据权利要求3所述的一种目标城市交通事故严重程度分析方法，其特征在于，跨城市交通事故样本的同构样本特征表示如下：其中，UFR(x)表示跨城市交通事故样本的同构样本特征表示，x为目标城市交通事故样本或源城市交通事故样本，表示目标城市和源城市中共有的D
c
维交通事故特征，表示目标城市中特有的D
t
‑
D
c
维交通事故特征，表示源城市中特有的D
s
‑
D
c
维交通事故特征。5.根据权利要求1所述的一种目标城市交通事故严重程度分析方法，其特征在于，将交通事故数据中的严重事故作为正类，不严重数据作为负类，根...

【专利技术属性】
技术研发人员：万建武，霍冠英，李庆武，王连涛，闵超波，
申请(专利权)人：河海大学，
类型：发明
国别省市：