[发明专利]一种融合多源特征的城市交通事故黑点辨识机器学习方法

说明书

本发明公开了一种融合多源特征的城市交通事故黑点辨识机器学习方法，涉及检测要统计或要控制的交通运动的道路车辆的交通控制系统技术领域。包括以下步骤：S1.基于支持向量机进行城市交通事故黑点辨识；S2.基于深度神经网络进行城市交通事故黑点辨识；本发明利用支持向量机方法，提高了黑点辨识的精度。随着交通事故多源数据的快速增长，支持向量机黑点辨识的查准率和召回率精度逐渐降低，采用基于深度神经网络的黑点辨识算法，建立相关数据类别信息的深度神经网络进行黑点辨识，提高了黑点辨识的准确率，同时提高了黑点辨识的效率。

技术领域

本发明涉及检测要统计或要控制的交通运动的道路车辆的交通控制系统技术领域，具体涉及一种融合多源特征的城市交通事故黑点辨识机器学习方法。

背景技术

随着我国经济的飞速发展，城市化进程日益加快，人们的出行量大幅度增加，对交通的需求也越来越大。为了满足出行需求，人们的机动车保有量呈现出快速增加的趋势，导致城市交通事故数据也随之急剧增加。随着计算机网络技术、地理信息加工技术、信息挖掘技术、空间分析与表达技术以及信息系统开发技术的不断发展，众多企业、高校、科研院所也正对交通事故信息数据进行分析研究。交通事故的随机因素有很多，但是如果道路某处经常发生交通事故且事故类型相近时就应该考虑此处的道路特征及内在规律了，此处通常称为事故多发点、多发段，也称之为黑点、黑段。

交通事故数据不仅包含时间、地点，还包括人员、道路、车辆及周围环境等数据。目前黑点辨识的研究工作大部分都是基于交通事故发生的空间位置离散程度，忽略了交通事故发生时的其他因素。如何融合交通事故的多源特征准确辨识出交通事故黑点的位置和对应的关键影响因素，为交通管理部门决策提供科学支持，已成为事故黑点辨识的研究重点。

机器学习是对大量的对象和非对象样本组成的训练集进行学习，再将学习而成的模板或者分类器用于对象检测。机器学习能够利用计算机程序让带有处理器及计算功能的机器，可以随着经验的增加提高处理问题的性能。基于数据的机器学习是现代智能技术中的重要方面，研究从观测数据出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。

公开号为CN104392076B的中国发明“城市路网行人交通事故黑点识别方法”提供了一种城市路网行人交通事故黑点识别方法，通过对指定时间段指定区域内的行人交通事故数据建立标准化的行人交通事故数据库，计算各单位路段的事故频数，并利用其估计行人交通事故分布模型的参数值，得到各事故频数的概率和事故频数累积概率，确定给定置信水平下的行人交通事故黑点上限阈值，识别行人交通事故黑点，通过反向解码实现行人交通事故黑点的空间定位和显示。克服了现有事故黑点识别方法精度低、主观性大、可视性差等不足，在降低行人交通事故发生率和提高城市行人交通系统的安全性方面等有重要的工程应用价值。

公开号为CN108447265A的中国发明“基于TOPSIS法的公路交通事故黑点路段鉴别方法”提供了一种基于TOPSIS法的公路交通事故黑点路段鉴别方法，包含如下步骤：1、将所要研究的公路按长度等分为n个路段单元；2、采集若干年的公路交通事故数据，统计每个路段单元的事故总量、事故总死亡人数、事故总重伤人数、事故总轻伤人数、由交通事故引发的总封道时间等数据；3、计算各路段单元的交通事故当量伤亡总人数；4、将各路段单元的交通事故总量、交通事故当量伤亡总人数、由交通事故引发的总封道时间等指标作为公路交通安全性评价指标体系，运用TOPSIS法计算各路段交通安全性排序指标；5、将交通安全性排序指标小于安全阈值的路段单元鉴别为事故黑点路段。该方法综合考虑多种交通事故指标，且操作简单，可移植性强，易于推广应用。

支持向量机由Vapnik等人提出，是一类基于最大化分类间隔的方法，它首先提取位于类边界上的支持向量，然后利用这些支持向量来构造最优的分类超平面，该分类超平面能够保证数据点被错分的概率最小。支持向量机的已知条件和目标分别如下：

已知条件：给定一个样本点的训练集