[发明专利]提升交通危险人员事故风险预测精度的方法

摘要

本发明提供一种提升交通危险人员事故风险预测精度的方法，以优化的抽样方法获取交通违法数据与事故数据样本，采用集成学习算法训练交通参与者交通事故风险预测模型，并通过遗传算法进行模型优化。本发明以集成学习算法在交通违法数据中挖掘交通出行者的安全特性，在模型构建的抽样环节采用优化抽样方法提高基于初始模型性能，并运用遗传算法进行模型参数优化，有效提升高危人员事故风险预测精度。

主权项

1.一种提升交通危险人员事故风险预测精度的方法，其特征在于：以优化的抽样方法获取交通违法数据与事故数据样本，采用集成学习算法训练交通参与者交通事故风险预测模型，进一步通过遗传算法进行模型优化以提升预测结果精确度，具体包括以下步骤：S1、基于原始的交通违法数据与事故数据，构建违法数据集、严重事故数据集、轻微事故数据集；S2、将违法数据集二分类，即高危人员、一般人员，根据分类规则确定数据标记值label，据此将违法数据集分为高危人员数据子集D、一般人员数据子集N以及待识别子集U；S3、采用优化抽样方法与集成学习算法构建初始危险人员事故风险预测模型P0，确定模型抽样数、SMOTE抽样比例；S4、采用遗传算法对模型P0进行性能优化，其优化目标函数为测试集预测精确度最大化，其中测试集精确度分析方法为k折交叉验证；设置遗传算法参数，使目标函数收敛速度快、避免震荡不收敛的情况；其中遗传算法参数包括交叉选择概率、变异概率、变异区间、种群繁殖代数、初始种群数量；S5、根据遗传算法输出的目标最优模型参数，构建危险人员事故风险预测的最优拟合模型P，确定模型覆盖率recall以及模型判别阈值；S6、将步骤S2的待识别子集数据输入模型P，输出目标对象危险度。