[发明专利]一种交通事故数据实时分析与预测的方法

摘要

本发明实施例公开了一种交通事故数据实时分析与预测的方法。所述方法包括步骤使用贝叶斯模型，综合考虑交通事故(TA)，性别(S)，驾龄(DA)，时间(T)，天气(W)，车型(C)，地点路况(L)，PM2.5(PM)，计算交通事故是否发生的概率；使用灰色模型中的GM(1，1)模型，首先使用输入数据，建立原始数据序列；然后对原始数据序列进行灰色处理，来弱化原始时间序列的随机性；接着构造均值序列,并建立微分方程；由最小二乘法得,得到时间响应序列，对时间响应序列累减还原得原始数据的拟合值,接着使用马尔科夫模型划分当前所处状态，对状态定性描述，使用状态转移概率矩阵，最终计算预测事故数。

主权项

一种交通事故数据实时分析与预测的方法，其特征在于，所述方法包括步骤：使用贝叶斯模型，综合考虑交通事故(TA)，性别(S)，驾龄(DA)，时间(T)，天气(W)，车型(C)，地点路况(L)，PM2.5(PM)，使用公式P(TA,S,DA,T,W,C,L,PM)＝P(TA|S,DA,T,W,C,L,PM)P(S)P(DA)P(T)P(W)P(C)P(L)P(PM)计算交通事故是否发生的概率；使用灰色模型中的GM(1，1)模型，首先使用输入数据，建立原始数据序列：X(0)＝(X(0)(1),X(0)(2).....X(0)(t))；然后对原始数据序列进行灰色处理，来弱化原始时间序列的随机性，X(1)＝(X(1)(1),X(1)(2).....X(1)(t))，接着构造均值序列，Z(1)＝(Z(1)(1),Z(1)(2).....Z(1)(t))，并建立微分方程，(a为发展灰数；b为内生控制灰数)；由最小二乘法得，[a,b]T＝(BTB)‑1BTY；获得到时间响应序列：对时间响应序列累减还原得原始数据的拟合值：接着使用马尔科夫模型划分当前所处状态M＝(M1,M2...,Mn)，对状态定性描述T＝(T1,T2...,Tn)，状态转移概率矩阵其中P(t)＝P(t‑1)·P(*)；最终计算预测事故数：