[发明专利]基于多维数据的交通事故黑点预测方法、装置及介质

权利要求书

1.一种基于多维数据的交通事故黑点预测方法，其特征在于，该方法包括：

历史数据获取步骤，获取包括历史道路数据、历史违章数据、历史事故数据、历史客流数据、历史车辆运行状态数据、历史天气数据、驾驶员历史数据、历史时间数据和黑点的基础档案数据的历史数据，并从历史数据中提取特征值构成历史特征数据；

黑点预测模型构建步骤，构建基于泊松分布、差分自回归积分滑动平均模型和迭代决策树GBDT的黑点预测模型，并使用所述历史特征数据对所述黑点预测模型进行训练得到训练后的黑点预测模型，黑点预测模型构建步骤包括：

统计分析步骤，对历史特征数据统计得出各黑点的驾驶行为特征，将事故原因进行分类：驾驶员因素、车辆因素、道路因素和环境因素，制定黑点的相似性规则以便使用实时数据进行预测，然后进行动态划分路段，利用泊松分布确定黑点移动步长，根据移动步长对路段进行划分，利用泊松分布计算各分段小于实际事故次数的累计概率：

对黑点进行统计分段，若两黑点间的距离小于或等于移动步长，则划分在同一路段内，否则划分在不同路段内得到黑点统计分布数据，其中，λ为被统计路段平均单位长度的黑点数，l为被统计路段的长度，k为该路段内黑点的数量；

时间序列预测步骤，使用差分自回归积分滑动平均模型基于黑点统计分布数据及历史特征数据中的时间序列预测潜在的黑点为黑点的概率PT，所述差分自回归积分滑动平均模型为：

ARIMA(p,d,q)(P,D,Q)_S模型：

θ(B)＝1-θ₁B-θ₂B²-...-θ_qB^q

θ_S(B)＝1-θ₁B^S-θ₂B^2S-...-θ_qB^qS

所述差分自回归积分滑动平均模型以季度进行调节，在每一个季度中以周为单位进行时间序列切分，其中，p为非季节自回归阶数，d为非季节差分阶数，q为非季节移动平均阶数，P为季节自回归阶数，D为季节差分阶数，Q为季节移动平均阶数，S为季节差分步长，y_t为时间序列第t时刻的观测值，B为延迟算子，ε_t表示随机误差，表示差分算子，θ(B)为q阶移动平均系数多项式，为p阶自回归系数多项式，θ_S(B)为Q阶移动平均系数多项式，为P阶自回归系数多项式；

迭代决策树GBDT预测步骤，设定迭代的次数为m，初始的学习器为

其中，L(y_i,c)是模型的损失函数，其中，y_i代表第i个样本的结果是否为黑点；

(a)计算残差r：用初始模型F₀(x)计算出损失函数的负梯度，将其作为残差的估计值；

(b)使用{(x1,r1)，(x2,r2)，...，(xn,rn)}拟合出一个回归树，得到叶节点组成的决策树h(x)，其中，(x_i，r_i)代表第i个样本的特征值和残差；

(c)确定合适的步长，令新生成的学习器的F₁(x)损失函数值α最小；

(d)利用梯度和步长，迭代得出回归树模型F₁(x)＝F₀(x)+αh(x)；

迭代上述四个步骤m-1次，最终得到GBDT模型；

从划分的路段中随机抽取80％的数据集作为训练集，训练所述迭代决策树GBDT模型，将GBDT模型应用到剩余20％的数据集中进行测试，得出预测精度，如果预测精度符合要求，则使用所述GBDT模型对所述潜在的黑点向量数据进行预测，所述潜在的黑点为黑点的概率为PG；

综合步骤，基于所述PT和PG得到所述潜在的黑点为黑点的综合概率PZ；

实时数据获取步骤，获取包括实时道路数据、实时客流数据、实时车辆数据、实时天气数据、驾驶员实时数据、实时时间数据的实时数据，对所述实时数据进行特征值提取后并进行归一化处理形成潜在的黑点向量数据，所述实时道路数据包括道路等级、道路拥挤程度和道路状况；

预测步骤，将所述潜在的黑点向量数据使用所述训练后的黑点预测模型进行预测，若所述潜在的黑点为黑点，则在电子地图上使用电子围栏标注该黑点的位置，并向驾驶员发出警报。