[发明专利]一种道路交通事故形态预测方法

说明书

本发明公开了一种道路交通事故形态预测方法，其步骤如下：1、采集和处理道路交通事故数据；2、采用最小描述长度准则对交通事故数据中的连续自变量进行离散化；3、采用数据挖掘领域中基于关联规则的属性选择方法，挖掘自变量间的交互作用；4、建立混合Logit模型，并采用极大似然估计法进行参数估计；5、基于构建的混合Logit模型，进行交通事故形态概率的预测。本发明在连续自变量离散过程中充分利用预测变量的信息并挖掘变量间交互作用对事故形态的影响，以降低被离散变量的信息损失，克服忽略变量间交互作用导致错误推论的问题，从而提高交通事故形态预测模型的预测精度，为道路交通安全环境的改善提供技术支持。

技术领域

本发明涉及一种道路交通事故形态预测方法，属于道路交通安全分析技术领域。

背景技术

《道路安全全球现状报告2018》数据显示，全球每年交通事故死亡人数攀升至135万人，其中，80％的死亡交通事故发生在中等收入国家。对于不同形态的交通事故，其影响因素具有显著差异。构建交通事故形态与驾驶员、道路、环境等影响因素间的关系，从而进行交通事故形态的预测，是重要的交通安全改善措施之一。

在事故形态预测方法方面，Probit、多项Logit等固定参数离散选择模型得到了广泛的应用。然而，此类方法忽略了交通事故数据中普遍存在的未观测到的异质性，常导致有偏差的参数估计。相较于固定参数离散选择模型，混合Logit模型通过假定变量系数为随机参数反映交通事故数据的异质性。然而，该方法在事故形态预测方面存在以下问题：(1)对于交通事故数据中的连续自变量，多采用无监督离散化算法进行离散化，离散过程中无法考虑自变量与预测变量间的关系，造成被离散自变量信息损失严重；(2)交通事故的发生通常取决于多个自变量的共同作用，上述方法忽略了变量间交互作用对事故形态的影响，易导致错误的预测和推论。

发明内容

本发明为克服现有技术的不足之处，提出了一种道路交通事故形态预测方法，以期在连续自变量离散过程中充分利用预测变量的信息并挖掘变量间交互作用对事故形态的影响，以降低被离散变量的信息损失，克服忽略变量间交互作用导致错误推论的问题，从而提高交通事故形态预测模型的预测精度。

为达到上述目的，本发明采用如下技术方案：

本发明一种道路交通事故形态预测方法的特点是按如下步骤进行：

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；