[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

说明书

本发明提供了一种基于多维数据的交通事故黑点预测方法、装置及介质，该方法包括历史数据获取步骤、黑点预测模型构建步骤、实时数据获取步骤和预测步骤，本发明提取了多维的历史数据，建立黑点预测模型构建步骤，该模型构建基于泊松分布、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，首先使用泊松分布对路段进行划分，在划分的基础上使用差分自回归积分滑动平均模型和迭代决策树GBDT的黑点预测模型分别进行黑点预测，综合差分自回归积分滑动平均模型和迭代决策树GBDT的黑点预测模型的预测结果确定是否为黑点，提高了黑点的预测准确度，并且将黑点位置实时标注的电子地图上，以提醒驾驶员通过该路段时注意，提高交通安全性。

技术领域

本发明涉及智能交通技术领域，特别是一种基于多维数据的交通事故黑点预测方法方法、装置及存储介质。

背景技术

随着计算机技术、人工智能技术的飞速发展，21世纪将是公路交通智能化的世纪，人们将要采用的智能交通系统，是一种先进的一体化交通综合管理系统。在该系统中，车辆靠自己的智能在道路上自由行驶，公路靠自身的智能将交通流量调整至最佳状态，借助于这个系统，管理人员对道路、车辆的行踪将掌握得一清二楚。智能交通是一个基于现代电子信息技术面向交通运输的服务系统。它的突出特点是以信息的收集、处理、发布、交换、分析、利用为主线，为交通参与者提供多样性的服务。

当前，车队运营安全管理中，一个很重要的安全问题是如何有效的管控线路事故黑点路段(事故多发路段、路口)。黑点即交通事故多发点，包括事故高发点、危险路口、站点、违章拍摄点、超速重点监控段、高危人行段等。

现有技术中，一般的交通事故黑点识别或预测方法只基于历史事故信息进行，但由于交通事故发生的事件很少，无法基于这些数据来做预测准确性很差，且现有技术中无法黑点位置及时的反馈驾驶员。

发明内容

本发明针对上述现有技术中的缺陷，提出了如下技术方案。

一种基于多维数据的交通事故黑点预测方法，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；

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。

更进一步地，所述实时天气数据是从互联网平台中获取的实时天气数据，所述实时道路数据是从实时流量地图中获取的实时道路数据。

更进一步地，所述道路等级包括高速公路、一级公路、二级公路、三级公路和四级公路，所述道路拥挤程度包括畅通、较畅通、拥挤和堵塞，所述道路状况包括车道数量、道路平整度和路面湿滑情况。

更进一步地，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：