[发明专利]基于Adaboost算法的交通高危人员识别方法

说明书

本发明提供一种基于Adaboost算法的交通高危人员识别方法，基于原始的交通违法数据与事故数据，采用Adaboost算法进行高危人员识别模型训练与校正，将人员违法属性信息输入模型，则能够实现高危人员的识别与预测，对于提升交通安全治理工作效率、辅助交警日常安全管理工作更具针对性和主动性等方面具有现实意义。

技术领域

本发明涉及一种基于Adaboost算法的交通高危人员识别方法。

背景技术

在道路交通安全领域的研究大多集中于环境、道路基础设施、交通流运行状态等外部因素与交通事故的关联规律分析，例如中国专利CN201710400521.X、CN201580075213.3、CN201611051192.4等或从事故时空分布特征，或从环境、交通管制措施等特征角度出发分析交通事故规律特征。交通参与者(机动车、非机动车驾驶人、行人)本身的行为习惯等内部因素，由于其信息维度广、信息感知手段有限等问题，目前尚缺乏深入的研究和探析，但人为因素对交通事故的影响是交通安全研究不可避免的内容，对交通安全治理具有极大的现实性指导意义。

有研究表明，交通违法与交通事故间存在相关关系；考虑到当前交通管控行业内积累有海量的违法数据，能够为交通事故的特征挖掘提供可靠的数据支撑。

AdaBoost(自适应增强)算法利用同一种弱分类器，基于分类器的错误率分配不同的权重参数，将累加加权的预测结果作为输出。Adaboost提供一种框架，在框架内可以使用各种方法构建子分类器，不用对特征进行筛选，也不存在过拟合的现象。在应用于数据分类时具有很好的性能优势，将其应用于交通违法数据的处理，能够挖掘出有价值的交通安全信息，但当前还缺乏此类应用。

本发明以交通参与者行为特征挖掘为核心，提取事故相关人员的违法驾驶行为属性，识别高危人员，实现数据驱动的主动交通安全预防。

发明内容

本发明的目的是基于Adaboost实现数据挖掘，从而在存在交通违法记录的交通参与者中识别可能发生交通事故的危险人员，达到人员的交通安全风险预测评价的效果，在交通安全治理应用中的源头管理、现场检查等工作中提供辅助决策的科学指标依据。

本发明基于原始的交通违法数据与事故数据，采用Adaboost算法进行高危人员分类模型训练与校正，将违法属性信息输入模型，则能够实现高危人员的识别与预测，对于提升交通安全治理工作效率、辅助交警日常安全管理工作更具针对性和主动性等方面具有现实意义。

本发明的技术解决方案是：

一种基于Adaboost算法的交通高危人员识别方法，包括以下步骤，

S1、基于原始的交通违法数据与事故数据，构建违法数据集、严重事故数据集、轻微事故数据集；

S2、将违法数据集二分类，即高危人员、一般人员，根据分类规则确定数据标记值label，据此将违法数据集分为高危人员数据子集D、一般人员数据子集N以及待识别子集U；

S3、对违法数据集中的一般人员数据子集N进行抽样，与高危人员数据子集D组合并拆分获得训练集与测试集；

S4、基于Adaboost算法，以训练集数据训练高危人员识别模型，确定模型参数；其中，模型参数包括学习率、弱分类器个数、最大树深、节点最小分裂值、叶节点最小样本数、最大特征数；

S5、以测试集数据进行高危人员识别模型评估，并确定分类概率临界阈值，校正模型，获得最终的交通高危人员识别模型；

S6、将步骤S2中待识别子集数据输入步骤S5得到的交通高危人员识别模型，获得高危人员识别结果。

进一步地，步骤S3中所述的抽样方法具体为，

S31、对一般人员数据子集进行随机抽样，获得压缩后的一般人员样本N’；