[发明专利]一种交通事故数据实时分析与预测的方法

权利要求书

1.一种交通事故数据实时分析与预测的方法，其特征在于，所述方法包括步骤：

使用贝叶斯模型，综合考虑交通事故(TA)，性别(S)，驾龄(DA)，时间(T)，天气(W)，车型(C)，地点路况(L)，PM2.5(PM)，使用公式P(TA,S,DA,T,W,C,L,PM)＝P(TA|S,DA,T,W,C,L,PM)P(S)P(DA)P(T)P(W)P(C)P(L)P(PM)计算交通事故是否发生的概率；

使用灰色模型中的GM(1，1)模型，首先使用输入数据，建立原始数据序列：X₍₀₎＝(X₍₀₎(1),X₍₀₎(2).....X₍₀₎(t))；

然后对原始数据序列进行灰色处理，来弱化原始时间序列的随机性，X₍₁₎＝(X₍₁₎(1),X₍₁₎(2).....X₍₁₎(t))，

接着构造均值序列，Z₍₁₎＝(Z₍₁₎(1),Z₍₁₎(2).....Z₍₁₎(t))，

并建立微分方程，(a为发展灰数；b为内生控制灰数)；

由最小二乘法得，[a,b]^T＝(B^TB)^-1B^TY；

获得到时间响应序列：

对时间响应序列累减还原得原始数据的拟合值：

接着使用马尔科夫模型划分当前所处状态M＝(M₁,M₂...,M_n)，对状态定性描述T＝(T₁,T₂...,T_n)，状态转移概率矩阵其中P(t)＝P(t-1)·P(*)；

最终计算预测事故数：

2.根据权利要求1所述的方法，其特征在于，交通事故(TA)取值为1(发生交通事故)或者0(不发生交通事故)；性别(S)取值为1(男)或者0(女)；驾龄(DA)为整型数据；时间(T)取值为1(白天)或者0(晚上)，并定义发生事故的时间在晚上八点到第二天早上六点之间为晚上，其余时间则为白天；天气(W)取值可为晴，多云，阴，小雨，中雨，阵雨，雷阵雨；车型(C)分为国产，进口。

3.根据权利要求1所述的方法，其特征在于，可以使用贝叶斯模型预测事故类型。

4.根据权利要求1所述的方法，其特征在于，以最大概率所处的位置作为未来的发展状态，这种方法对于短期的预测有惟一最大概率值时是可取的；但在长期预测或最大值不惟一时，状态的分布显著性不足，会产生较大的误差，所以考虑用期望值EP(t)作为未来时刻t发生事故数的预测值。

5.根据权利要求1所述的方法，其特征在于，事故发生次数按全市，各个行政区，环路这3个不同的粒度预测。

6.根据权利要求1所述的方法，其特征在于，所用贝叶斯模型与灰色马尔可夫模型的具体实施于Spark平台，提高处理效率。