[发明专利]事故黑点鉴别优化方法

摘要

本发明是事故黑点鉴别的优化方法。本发明在经验贝叶斯法的基础上进行了改进，利用构建事故模型来获得事前分布的均值和方差，从而克服了经验贝叶斯法需要大量参照道路单元的缺陷。就事故回归模型来说，因变量是某一道路单元某一时期内的事故数的期望值，自变量是反映道路单元的交通和道路特征的量。然后就可以利用事故数的期望值和方差得到事前分布的参数，从而确定事前分布。同时，把从事后分布得出的期望优化为由预测值和对预测值的修正项两部分组成，这样可以看出对预测值修正了多少。利用本方法计算得到的事故黑点鉴别结果比以前更加精准，从而也就降低了由于事故所造成的人员伤亡、车辆损坏及路产损失等。

主权项

1.事故黑点鉴别优化方法，其特征在于，包括以下步骤：1).第一阶段：构建事故模型本发明采用以下模型形式：y=a0Qa1e(a2k1+a3k2)---(2)]]>a₀——模型系数；y——道路单元内每年每公里的交通事故数；Q——双车道道路年均日交通量；k₁——道路单元内的交叉口密度，k₁＝L/n(公里/个)；L——道路单元长度，单位为公里；n——路段内交叉口的数量；k₂——路段内城镇化水平；城镇化水平等于道路单元内村庄长度除以道路单元长度；将上述模型线性化；即对模型两边取对数得：lny＝lna₀+a₁lnQ+a₂k₁+a₃k₂(3)令y′＝lny，a′₀＝lna0，Q′＝lnQ，则上式变为多元线性方程：y′＝a′₀+a₁Q′+a₂k₁+a₃k₂(4)然后，利用SPSS统计分析软件中的多重线性分析功能确定方程中的参数；采用逐步回归法将自变量逐个引入模型；得到模型如式(5)、(6)、(7)；●双机动车道双自行车道y=365Q0.901e0.532k1---(5)]]>●双车道有标线y=365Q0.932e0.650k2---(6)]]>●双车道无标线y=365Q1.053e0.382k1---(7)]]>2).第二阶段：得出事后分布的期望和方差并对期望修正现有事后分布公式即：fΛ|Y(λ|y)=fY|Λ(y|λ)×fΛ(λ)∫0∞fY|Λ(y|λ)×fΛ(λ)dλ=fY|Λ(y|λ)fΛ(λ)fY(y)---(8)]]>式中：y——道路单元内每年每公里的交通事故数；Λ——随机变量，表示y的期望值；λ——Λ的具体值通过式(8)可知事后分布也是伽马分布，其形状参数α＝k+y，尺度参数事后分布的期望值为：E(Λ|Y=y)=αβ=k+yk+uu=kk+uu+uk+uy---(9)]]>Λ——随机变量，表示y的期望值；事后分布的方差为：Var(Λ|Y=y)=αβ2=k+y(k+u)2u2---(10)]]>(9)式改写为：E(Λ|Y＝y)＝ω×u+(1-ω)×y(11)事后分布的期望反映了不仅具有相同交通和道路特征而且具有相同事故数的道路单元的安全水平；式中：ω=kk+u=11+uk=11+u2/ku=11+Var(Λ)E(Λ)---(12)]]>ω为公式(11)中的权重，由观测值的期望和方差得到；式(11)中的期望u＝E(Λ)表征为安全服务水平高低，即估计的期望事故数；方差u²/k＝Var(Λ)表征为期望事故数的离散程度，k为过离散参数；将式(11)进行调整为以下形式，即可体现出对事故观测值引起的偏差的修正：E(Λ|Y＝y)＝y+w(u-y)(13)将式(13)的右半部分调整为以下形式(14)，即对u的修正由y决定，这样就在进行安全估计时考虑了历史统计资料；E(Λ|Y＝y)＝u+(1-w)(y-u)(14)。