[发明专利]一种交通事故数据实时分析与预测的方法

说明书

技术领域

本发明属于交通事故分析与预测领域，具体涉及一种对车辆在特定条件下是否发生交通事故，以及按照不用粒度(城市，行政区，环路)来预测交通事故数量。

背景技术

随着我国机动车保有量以及持证驾驶人员数量的快速上升，城市交通压力越来越大，城市道路交通事故的实时预测与分析对于城市交通的正常运行显得尤为重要。

目前交通事故预测的方法与日益增长的机动车数量等不匹配，无法满足快速高效的事故分析与预测问题。

发明内容

本发明要解决的技术问题是：提供一种交通事故数据实时分析与预测的方法，对车辆在特定是否发生交通事故，按照不用粒度(城市，行政区，环路)来预测交通事故数量。

为解决上述技术问题，第一方面，本发明实施例提供了一种交通事故数据实时分析与预测的方法，所述方法包括以下两大步骤：

1)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；

2)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；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：

根据第一方面，在第一种可能的实现方式中，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；

根据第一方面，在第二种可能的实现方式中，可以使用贝叶斯模型预测事故类型。

根据第一方面，在第三种可能的实现方式中，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。

根据第一方面，在第四种可能的实现方式中，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。

根据第一方面，在第五种可能的实现方式中，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。

附图说明

图1是本发明一种交通事故数据实时分析与预测方法的流程图；

图2是本发明按照环路预测交通事故数量的输入输出示意图；

具体实施方式

下面根据附图和实施例，对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例一