[发明专利]一种道路交通事故形态预测方法

权利要求书

1.一种道路交通事故形态预测方法，其特征是按如下步骤进行：

步骤1、采集和处理道路交通事故数据；

步骤1.1、从道路交通事故数据库中获取N起交通事故，构成交通事故数据D；定义交通事故数据集D中影响交通事故形态的自变量集合为X＝{x¹,x²,…,x^k,…,x^K}，其中，x^k表示第k个自变量，k＝1,2,...,K，令{x¹,x²,…,x^k}为分类自变量集合，{x^k+1,x^k+2,…,x^k+l,…,x^K}为连续自变量集合，l＝1,2,...,K-k；

步骤1.2、依据事故发生时的具体情形，将交通事故形态分为车辆间事故y₁、车辆与行人事故y₂、单车事故y₃，从而得到由三类事故构成的预测变量Y＝{y₁,y₂,y₃}；

步骤2、采用最小描述长度准则对连续自变量集合{x^k+1,x^k+2,…,x^k+l,…,x^K}进行离散化；

步骤2.1、初始化l＝1；

步骤2.2、由交通事故数据集D中各起交通事故的第l个连续自变量x^k+l构成连续自变量值集合并对连续自变量值集合进行降序排列；

步骤2.3、利用式(1)得到连续自变量x^k+l与预测变量Y的信息熵E(D)：

式(1)中，|Y|表示交通事故数据集D中预测变量Y的种类；表示第i类事故y_i在事故数据集D中所占的比例；i＝1,2,3；

步骤2.4、根据信息增益最大化原则遍历寻找第l个连续自变量x^k+l的最优离散点b_l，以最优离散点b_l为界将交通事故数据集D分为第一子集D₁和第二子集D₂，并利用式(2)计算离散所得的信息增益G(b_l,D)：

式(2)中，|D₁|、|D₂|、|D|分别表示第一子集D₁、第二子集D₂、交通事故数据集D中的交通事故案例数；E(D₁)和E(D₂)分别为第一子集D₁和第二子集D₂的信息熵；

步骤2.5、利用式(3)计算停止准则S：

式(3)中，|Y₁|、|Y₂|分别表示第一子集D₁、第二子集D₂中预测变量的种类；

步骤2.6、判断信息增益G(b_l,D)是否大于停止准则S，若大于，则表示最优离散点b_l有效，将最优离散点b_l添加到离散点集合B中；分别将第一子集D₁和第二子集D₂替换交通事故数据集D，按照步骤2.4-步骤2.6的过程，在第一子集D₁和第二子集D₂中寻找下一最优离散切点；否则，执行步骤2.7；

步骤2.7、将l+1赋值给l后，判断l是否大于K-k，若成立，则表示连续自变量集合中所有连续自变量均已离散化，输出各连续自变量的离散点集合B后，执行步骤2.8；否则，返回步骤2.2执行；

步骤2.8、基于离散点集合B对各连续自变量进行离散化，使得所有自变量均转化为分类自变量，从而得到离散后的自变量集合其中，表示第k+l个分类自变量；

步骤3、采用基于关联规则的属性选择方法挖掘自变量间的交互作用；

步骤3.1、定义关联规则为A→B，其中，A为规则前件，B为规则后件，→为关系符号；将离散后的自变量集合中各因素分别设定为规则前件A，预测变量Y的各类别事故设定为规则后件B；

步骤3.2、分别定义关联规则A→B的支持度Support(A→B)、置信度Confidence(A→B)、提升度Lift(A→B)，如式(4)、式(5)、式(6)所示：

式(4)、式(5)、式(6)中，N为交通事故的样本总数，P(A∩B)表示交通事故数据中因素A和因素B同时发生的频次；P(A)、P(B)分别表示因素A、因素B在交通事故数据中出现的频次；

步骤3.3、定义并初始化关联规则A→B的最小支持度min Sup、最小置信度min Conf和最小提升度min Lift；

步骤3.4、挖掘关联规则A→B的支持度Support(A→B)、置信度Confidence(A→B)、提升度Lift(A→B)；

步骤3.5、定义基于关联规则A→B的属性选择方法的三种受约束规则，分别是强关联规则SAR、分类关联规则CAR、原子型关联规则AAR；

步骤3.5.1、利用式(7)得到强关联规则SAR的表达式：

Support(A→B)min Sup∧Confidence(A→B)min Conf∧Lift(A→B)min Lift(7)

式(7)中，∧表示且；

步骤3.5.2、离散后的自变量集合中，令|x^k|为第k个自变量x_k的值域；1≤k≤K；

步骤3.5.3、定义影响因素值集FVIS为所有自变量可能取值的集合，即定义目标值集TVIS为所有预测变量可能取值的集合，即TVIS＝|Y|；

步骤3.5.4、利用式(8)得到分类关联规则CAR的表达式：

式(8)中，|B|为预测变量的种类；

步骤3.5.3、利用式(9)得到原子型关联规则AAR的表达式：

式(8)中，|A|为自变量种类的数量；

步骤3.6、令所有满足分类关联规则CAR的关联规则A→B构成CARset，满足原子型关联规则AAR的关联规则A→B构成原子型关联规则集合AARset；

步骤3.7、对原子型关联规则集合AARset中的关联规则A→B依照置信度进行降序排列；

步骤3.8、依次判定原子型关联规则AAR的规则后件是否出现在分类关联规则集合CARset的规则前件中，若存在，认定原子型关联规则集合AAR的规则后件为冗余变量，从分类关联规则集合CARset中将所有带有原子型关联规则AAR规则后件的关联规则A→B删除；

步骤3.9、按照步骤3.8进行处理，直至原子型关联规则集合AARset为空时为止；

步骤3.10、将分类关联规则集合CARset中剩余关联规则A→B映射到相应的自变量，从而获得包含变量间交互作用的自变量集合Set；

步骤4、基于混合Logit原理构建事故形态预测模型；

步骤4.1、利用式(10)建立混合Logit模型：

式(10)中，P_n(y_i)表示第n起交通事故的事故形态为y_i的概率，表示第n起交通事故的事故形态为y_i时自变量的参数向量，表示自变量所估计参数的向量形式；表示随机参数β的概率密度函数，β和分别表示概率密度函均值和方差参数的向量形式；

步骤4.2、将包含变量间交互作用的自变量集合Set中各影响因素纳入混合Logit模型，并采用极大似然估计法对混合Logit模型的参数进行估计；

步骤4.3、根据步骤4.2中获得的混合Logit模型参数估计值Par，在所设定的置信水平下，采用逐步回归法对混合Logit模型的参数进行筛选，筛选得到混合Logit模型的参数估计值

步骤5、基于构建的混合Logit模型，进行交通事故形态概率的预测；

步骤5.1、获取实时影响交通事故形态的自变量信息；

步骤5.2、将步骤5.1中获取的自变量信息输入式(11)，计算得到相应自变量信息条件下事故形态为y_i的效用函数

式(11)中，表示混合Logit模型参数估计值中事故形态为y_i时的参数向量；

步骤5.3、利用式(12)得到实时影响交通事故形态的自变量信息条件下事故形态为y_i的预测概率

式(12)中，表示总效用函数。