道路交通事故严重程度与持续时间预测方法技术

本发明专利技术公开了一种道路交通事故严重程度与持续时间预测方法，具体为：1、获取道路交通事故严重程度影响因素和道路交通事故持续时间的影响因素；2、建立MobileNetV2

【技术实现步骤摘要】
道路交通事故严重程度与持续时间预测方法


[0001]本申请属于道路交通


技术介绍

[0002]现代化进程在不断推进，机动化交通需求在迅速增长，随之而来的是交通事故频发，交通事故不仅威胁人们的生命安全、造成交通拥堵、降低人们出行效率，从而引起经济损失，因此，对事故严重程度进行预测，有利于对事故进行科学预防；对事故持续时间进行预测有利于对事故进行高效疏导、保障人们出行质量，这两方面的研究能够从多方面减少事故发生频数、降低事故的影响，已成为交通安全研究的重点所在。以往对事故严重程度及事故持续时间的预测多以传统模型为主，需要依托假设建立特征与事故之间的关联，这一过程存在主观性与片面性，导致无法对道路交通事故全过程进行预测。因此，亟需提出一种能够对道路交通事故全过程进行预测的道路交通事故严重程度与持续时间预测方法。

技术实现思路

[0003]专利技术目的：为了解决上述现有技术存在的问题，本专利技术提供了一种道路交通事故严重程度与持续时间预测方法。
[0004]技术方案：本专利技术提供了一种道路交通事故严重程度与持续时间预测方法，具体包括如下步骤：
[0005]步骤1：获取道路交通事故严重程度影响因素和道路交通事故持续时间的影响因素；所述道路交通事故持续时间的影响因素包括道路交通事故严重程度；
[0006]步骤2：建立MobileNetV2
‑
SENet模型；
[0007]步骤3：将获取的道路交通事故严重程度影响因素数据转换为图像数据输入至MobileNetV2
‑
SENet模型中，从而得到道路交通事故严重程度；
[0008]步骤4：构建异质集成学习模型，作为道路交通事故持续时间预测模型；
[0009]步骤5：将MobileNetV2
‑
SENet模型输出的道路交通事故严重程度和其他道路交通事故持续时间的影响因素输入至异质集成学习模型，预测得到道路交通事故持续时间。
[0010]进一步的，所述步骤道路交通事故严重程度影响因素包括：人为因素，车辆因素，道路因素，环境因素；所述人为因素包括：驾驶员性别，年龄，是否使用安全措施，身体状况，行车间距是否足够以及注意力是否集中；车辆因素包括：车辆使用年限，车辆类型，车辆是否故障以及故障类型；所述道路因素包括：道路表面状态，道路是否平整以及是否处于交叉口处；所述环境因素包括：天气状况，光照情况，是否存在交通控制设备以及事故发生时间。
[0011]进一步的，所述道路交通事故持续时间的影响因素还包括：时间属性，事故属性，空间属性以及天气属性；所述时间属性包括：事故发生的季节，月份以及是否是白天；所述事故属性为发生交通事故的对象；所述空间属性包括：事故发生位置，是否有停车标志，是否存在交通控制设备以及道路是否发生拥堵。
[0012]进一步的，所述MobileNetV2
‑
SENet为在MobileNetV2网络中的每个残差块中引入
SENet注意力机制，在SENet注意力机制中利用H
‑
sig激活函数替代sigmoid激活函数。
[0013]进一步的，所述步骤3中采用t
‑
SNE和凸包算法将获取的道路交通事故严重程度影响因素数据转换为图像数据，具体为：
[0014]步骤3.1：设置大小为C
×
V的表格，其中C表示行数，V表示列数，行代表着事故数量，列表示道路交通事故严重程度影响因素；然后对行列进行转置；
[0015]步骤3.2:采用降维t
‑
SNE算法，将表格中的行投影到二维平面上，使得每行中的数据都有一个与之相对应的笛卡尔坐标，将笛卡尔坐标作为事故变量；
[0016]步骤3.3:利用凸包算法寻找覆盖所有事故变量的最小矩形；
[0017]步骤3.4：将最小矩形进行旋转直到最小矩形和事故变量能够映射到水平为止，然后通过笛卡尔点归一化处理并与预先定义的图像高度H相乘，从而将事故变量的坐标转换为像素；然后将变量的值填充全1矩阵中的相应变量的像素位置。
[0018]步骤3.5:对于每一起事故，创建一个大小为H
×
H的全1矩阵，然后将变量的值填充全1矩阵中的相应变量的像素；从而为每一起事故生成了一个唯一的矩阵，然后对所有事故重复此过程，最终生成图像。
[0019]进一步的，所述步骤3.2中采用降维t
‑
SNE算法将表格中的行投影到二维平面时，若相似的数据重叠，通过对重叠数据的值求平均值，并使用平均值填充像素位置。
[0020]进一步的，所述异质集成学习模型包括RF模型、AdaBoost模型、GBDT模型和Logistic回归模型，所述RF模型、AdaBoost模型以及GBDT模型的输出均与回归模型的输入连接。
[0021]有益效果：
[0022]1、本申请构建了两种对事故严重程度与事故持续时间的联合预测方式，即分步联合预测、多输出联合预测。由于在事故发生后很难立刻得到事故严重等级，基于分步联合预测能较好的实现对于两者的联合预测。
[0023]2、本申请在MobileNetV2网络中，加入SENet注意力机制。通过对事故图像特征加权网络来进一步提高模型的性能，也避免了数据过拟合的情况，提升模型的预测准确率、召回率等。与此同时，在SENet中利用H
‑
sig激活函数替代sigmoid激活函数，相比于sigmoid的指数运算节省了大量的计算时间。
[0024]3、本申请采用降维技术t
‑
SNE和凸包算法将数字转换到图像。能够实现每起事故的准确分类、涵盖各类特征，更加客观、全面、准确的描述每起交通事故，提升事故严重程度预测准确性和稳定性。
附图说明
[0025]图1为一个实施例中道路交通事故严重程度与持续时间预测方法的应用环境图。
[0026]图2为一个实施例中道路交通事故严重程度与持续时间预测方法的流程示意图。
[0027]图3为采用将数字转换到图像的流程图。
[0028]图4为异质集成学习模型的结构图。
具体实施方式
[0029]构成本专利技术的一部分的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。
[0030]本申请提供的道路交通事故严重程度与持续时间预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与设置于服务器104上的数据处理平台进行通信，其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0031]如图2所示，本申请提供了一种道路交通事故严重程度与持续时间预测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
[0032]S1：获取道路交通事故严重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.道路交通事故严重程度与持续时间预测方法，其特征在于，具体包括如下步骤：步骤1：获取道路交通事故严重程度影响因素和道路交通事故持续时间的影响因素；所述道路交通事故持续时间的影响因素包括道路交通事故严重程度；步骤2：建立MobileNetV2
‑
SENet模型；步骤3：将获取的道路交通事故严重程度影响因素数据转换为图像数据输入至MobileNetV2
‑
SENet模型中，从而得到道路交通事故严重程度；步骤4：构建异质集成学习模型，作为道路交通事故持续时间预测模型；步骤5：将MobileNetV2
‑
SENet模型输出的道路交通事故严重程度和其他道路交通事故持续时间的影响因素输入至异质集成学习模型，预测得到道路交通事故持续时间。2.根据权利要求1所述的道路交通事故严重程度与持续时间预测方法，其特征在于，所述步骤道路交通事故严重程度影响因素包括：人为因素，车辆因素，道路因素，环境因素；所述人为因素包括：驾驶员性别，年龄，是否使用安全措施，身体状况，行车间距是否足够以及注意力是否集中；车辆因素包括：车辆使用年限，车辆类型，车辆是否故障以及故障类型；所述道路因素包括：道路表面状态，道路是否平整以及是否处于交叉口处；所述环境因素包括：天气状况，光照情况，是否存在交通控制设备以及事故发生时间。3.根据权利要求1所述的道路交通事故严重程度与持续时间预测方法，其特征在于，所述道路交通事故持续时间的影响因素还包括：时间属性，事故属性，空间属性以及天气属性；所述时间属性包括：事故发生的季节，月份以及是否是白天；所述事故属性为发生交通事故的对象；所述空间属性包括：事故发生位置，是否有停车标志，是否存在交通控制设备以及道路是否发生拥堵。4.根据权利要求1所述的道路交通事故严重程度与持续时间预测方法，其特征在于，所述MobileNetV2
‑
SENet为在MobileNetV2网...

【专利技术属性】
技术研发人员：李志斌，唐莎，王湉湉，刘攀，徐铖铖，
申请(专利权)人：东南大学，
类型：发明
国别省市：