[发明专利]一种危险驾驶场景数据分析方法及系统

说明书

本发明涉及一种危险驾驶场景数据分析方法及系统，首先构建危险驾驶场景评估体系，根据危险驾驶场景评估体系，建立危险驾驶场景数据集，然后利用层次分析法计算危险驾驶场景数据集中决策层的每个要素的每个属性相对于目标层的组合权重，对每个属性的重要程度进行量化，进而建立加权危险驾驶场景数据集，最后采用改进的多维加权频繁模式算法在加权危险驾驶场景数据集中按照危险驾驶场景因素的重要性挖掘更多的关联规则。并且改进的多维加权频繁模式算法通过共享前缀项的方法将加权危险驾驶场景数据集压缩存储在多维加权频繁模式树中，降低了算法的空间复杂度，提高了算法的运行效率。

技术领域

本发明涉及数据挖掘技术领域，特别是涉及一种危险驾驶场景数据分析方法及系统。

背景技术

近些年来，大量的交通事故造成了重大的人员伤亡和巨大的经济损失，如何避免交通事故的发生、如何减少事故中伤亡人员的数量，是道路交通安全研究的重要内容。通过对危险驾驶场景甚至是交通事故的深层分析，不仅可以有针对性的最大限度的预防伤亡道路交通事故的发生，而且对降低道路交通事故总数、保障人民的生命财产安全具有重大意义。如何有效地从海量的危险驾驶场景数据中挖掘出危险驾驶场景要素的频繁模式和各要素之间、以及各要素与事故结果之间的关联规则，进而揭示交通事故影响因素的作用规律，成为了目前研究的重点。

目前，许多学者主要分析驾驶员因素，例如驾驶员的性别、驾驶员的年龄、酒后驾驶和疲劳驾驶等，在挖掘交通事故影响因素的频繁模式方面，现有的方法大多采用Apriori算法和FP-Growth算法，并且假设所有影响因素的重要程度相同。然而，对于相同的目标问题，不同因素的受关注程度是不同的；如果没有对影响因素进行加权处理，那么数据挖掘算法很难发现数据集中相对比较重要的因素的频繁模式。此外，Apriori算法在挖掘数据集的频繁模式时需要多次扫描数据集，时间复杂度很高，算法的执行效率很低；现有的FP-Growth算法通常以项的加权支持度对事物中的项进行排序，该方法打破了共享前缀项的规则，导致算法建立了更多的节点，增加了算法的空间复杂度，增大了算法的遍历空间，降低了算法的执行效率。于此同时，随着自动驾驶汽车的发展，分析静态及动态的危险驾驶场景因素对自动驾驶汽车行驶安全的影响变得越来越重要。

发明内容

本发明的目的是提供一种危险驾驶场景数据分析方法及系统，以实现根据危险驾驶场景影响因素的重要性挖掘更多的影响因素的频繁模式。

为实现上述目的，本发明提供了如下方案：

一种危险驾驶场景数据分析方法，所述数据分析方法包括：

构建危险驾驶场景评估体系；所述危险驾驶场景评估体系包括目标层、中间层和决策层；

根据所述危险驾驶场景评估体系，建立危险驾驶场景数据集；

根据所述危险驾驶场景评估体系和所述危险驾驶场景数据集，采用层次分析法，获得所述危险驾驶场景数据集中决策层的每个要素的每个属性相对于目标层的组合权重；

确定每一条危险驾驶场景数据中决策层的每个要素的属性，将每一条危险驾驶场景数据中决策层的所有要素的属性相对于目标层的组合权重之和作为每一条危险驾驶场景数据的权重，构建加权危险驾驶场景数据集；

基于所述加权危险驾驶场景数据集，采用改进的多维加权频繁模式算法，确定所述危险驾驶场景数据集的频繁模式。

可选的，所述目标层包括交通事故；

所述中间层包括道路特征、道路设施、自然环境、主车和主车以外交通参与者；