[发明专利]一种城市交通警情等级预测方法

摘要

一种城市交通警情等级预测方法，包括如下步骤步骤1时间数据整理，时间数据包括5维特征属性，分别是第几单位时间、星期几、是否节假日、是否工作日和是否有重大活动；步骤2天气数据与交通警情关联性分析及处理天气数据包括温度、可见度、降雨量3个特征属性；步骤3建立预测交通警情等级的属性集根据数据库信息，将处理后的时间数据、天气数据、重大活动日、中小学放假特征属性整合成多维数据宽表，其中包括8个离散的特征属性维度；步骤4辖区内交通警情等级划分；步骤5构造朴素贝叶斯分类器；步骤6预测各区域的交通警情等级。本发明提供了一种有效实现预测、准确性较好的城市交通警情等级预测方法。

主权项

一种城市交通警情等级预测方法，其特征在于：所述预测方法包括如下步骤：步骤1：时间数据整理时间数据包括5维特征属性，分别是第几单位时间、星期几、是否节假日、是否工作日和是否有重大活动，所述第几单位时间属性处理方法为设定单位时间Δt＝24h/N，按单位时间Δt将全天24小时分为N段；获取国务院颁布的法定节假日信息构成节假日属性；依据节假日和周末信息构成工作日属性；根据当天是否有大型考试、当前辖区内学校是否放假、是否有大型场馆活动定义是否有重大活动属性；步骤2：天气数据与交通警情关联性分析及处理天气数据包括温度、可见度、降雨量3个特征属性；步骤3：建立预测交通警情等级的属性集根据数据库信息，将处理后的时间数据、天气数据、重大活动日、中小学放假特征属性整合成多维数据宽表，其中包括8个离散的特征属性维度；步骤4：辖区内交通警情等级划分统计各辖区近期6个月内的警情发生次数，采用动态划分的方法将交通警情发生次数划分为三个等级，将各个交警支队在单位时间Δt内的警情数量采用等区间装箱方法求和，构成(x1,x2,…,xn)关于交通警情数量的一个样本空间，由n个样本点组成，其中可计算出当前交警支队的警情数量均值记为μ，计算出警情数量的标准差记为σ，故警情数量属于[0,μ‑σ)的标记警情等级为C1，警情数量属于[μ‑σ,μ+σ)的标记警情等级为C2，警情数量属于[μ+σ,+∞)的标记警情等级为C3；步骤5：构造朴素贝叶斯分类器选取第几三小时X1、星期几X2、是否节假日X3、是否工作日X4、是否有重大活动X5、温度X6、可见度X7、降雨量X8构成预测交通警情等级的多维数据集T＝{X1,X2,X3,X4,X5,X6,X7,X8}，将标记好的警情等级与多维数据集共同构成朴素贝叶斯分类的训练集R＝{X1,X2,X3,X4,X5,X6,X7,X8,Ci}，其中Ci∈(C1,C2,C3)，从而使每个训练样本都具有相应的警情等级类别标签，已知未来几天各个特征属性Ti＝{X1,X2,X3,X4,X5,X6,X7,X8}＝d预测当前区域的交通警情等级，根据朴素贝叶斯分类器的原理可知需要比较在Ti＝d的条件下属于C1、C2、C3三类警情等级的概率大小，即需要计算p(C1|Ti＝d)、p(C2|Ti＝d)、p(C3|Ti＝d)三者的概率，由贝叶斯公式可知其中Ci∈(C1,C2,C3)，比较p(C1|Ti＝d)、p(C2|Ti＝d)、p(C3|Ti＝d)三者的概率大小只需要比较p(C1)p(Ti＝d|C1)、p(C2)p(Ti＝d|C2)、p(C3)p(Ti＝d|C3)三者的大小，分母p(Ti＝d)对所有类别为常数；通过统计训练集R中属于警情等级C1的样本个数可计算出p(C1)的概率，即同理可计算出p(Ti＝d|Ci)即在类别Ci中属性Ti的取值为d的概率，具体p(Ti＝d|Ci)＝p(X1＝d1|Ci)p(X2＝d2|Ci)…p(X8＝d8|Ci)，其中d＝(d1,d2,…,d8)，8个离散特征属性的先验概率p(X1＝d1|Ci)、…、p(X8＝d8|Ci)通过计算在每个类别Ci中每个属性Xi取值为di的概率p(Xi＝di|Ci)求得；步骤6：预测各区域的交通警情等级由步骤5形成各特征属性的概率表，将各自对应的所有特征属性的概率分别相乘计算出p(C1|Ti)、p(C2|Ti)、p(C3|Ti)三者的概率大小，将所有特征属性的概率相乘时如果有某个特征属性的概率值为零，会消除乘积中涉及的所有其他属性概率的影响，导致最终p(Ci|Ti)的结果为零，每个特征属性从1开始计数，p(C1|Ti)、p(C2|Ti)、p(C3|Ti)三者中最大的概率值即为朴素贝叶斯分类器预测出的当前特征属性条件Ti下的交通警情等级。