一种山区高速公路次月事故预测方法与流程

1.本发明涉及交通安全数据处理技术，尤其是涉及一种山区高速公路次月事故预测方法。


背景技术：

2.高速公路具有交通设施完善、交通流量大、运行舒适等优点，在我国发展十分迅速。由于交通运行状况日益复杂，高速公路安全问题日益突出。面对不断建设与完善的高速公路网络，加强对高速公路的管理，提高其安全水平显得尤为重要。其中，山区高速公路因其复杂的地理条件和特殊的自然环境，导致其交通事故多发且严重程度处于较高的水平，交通安全形势尤为严峻。
3.在此背景下，基于事故相关资料，对山区高速公路事故进行预测显得尤为重要。常用的预测方法主要包括回归分析模型、时间序列模型、神经网络算法等。广义线性模型被广泛应用于山区高速公路路段交通特征与事故发生频数的研究，例如泊松模型和负二项模型。泊松模型是最基础的计数模型，考虑了事故随机性、离散型和非负性等特点。由于事故数据的过度离散性违背了泊松模型的均值等于方差的基本假设，负二项模型经常用于处理过度离散的事故数据。
4.国内目前针对山区高速公路传统事故频数的统计分析，缺少对于事故发生规律和态势的研究。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种针对性强、准确姓高的山区高速公路次月事故预测方法。
6.本发明的目的可以通过以下技术方案来实现：
7.根据本发明的第一方面，一种山区高速公路次月事故预测方法，该方法包括以下步骤：
8.步骤s1：获取山区高速公路的交通运行数据，包括交通事故数据、节假日数据和天气数据；
9.步骤s2：划分山区高速公路建模路段；
10.步骤s3：构建事故预测的样本数据集；
11.步骤s4：基于节假日数据和天气数据计算模型预测值的修正系数；
12.步骤s5：进行事故月度分布检验；
13.步骤s6：基于事故月度分布与基础时间序列计数模型，建立时间序列负二项模型进行次月事故预测；
14.步骤s7：将预测事故数与验证集的实际事故数进行比较，检验模型预测精度，分析事故发生规律，预测月度事故发生态势。
15.优选地，所述步骤s1中的交通事故数据和运行数据通过交通管理部门获取，所述
节假日数据通过日历获取，所述天气数据通过天气记录网站获取。
16.优选地，所述步骤s2具体为：结合高速公路交警责任范围分布和资源分布，将事故多发路段与其他路段进行区分，将山区高速公路划分为相应的建模路段。
17.优选地，所述步骤s3中事故预测的样本数据集包括各建模路段交通运行变量及事故数。
18.优选地，所述步骤s4具体为：计算节假日单日事故发生与非节假日单日事故发生的比例，作为节假日修正系数；计算不同类型天气下事故发生数量与晴天事故发生数量的比例，作为天气修正系数，以对模型预测值进行修正，以提高预测精度。
19.优选地，所述步骤s5具体为：绘制事故月度分布图，检验事故数是否满足均值与方差相等的分布假设，并根据结果选取相的计数模型。
20.优选地，所述步骤s6包括以下步骤：
21.步骤s61：建立基础时间序列计数模型；
22.记{y
t
:t∈n}为一个计数时间序列，{x
t
:t∈n}为一个时变的r维协变量，其中x
t
＝{x
t1
,
…
,x
t,r
}
t
；时间序列模型为p(y
t
|f
t-1
)，其中y
t
表示事故数，f
t
表示直到t时刻的历史时间序列过程；
23.步骤s62：基于事故数据的离散型，建立负二项模型；
24.路段i的期望事故次数λi的表达式为：
25.λi＝exp(β0 β1x
i1

…
βkx
ik
εi)，
26.其中，x
ik
表示路段i的第k个自变量，βk为第k个自变量对应的回归系数；exp(εi)为均值是1，方差是d的γ分布误差项；
27.步骤s63：基于月度事故分布与基础时间序列计数模型，建立时间序列负二项模型；
28.对于路段i上发生ni次交通事故的概率函数p(ni)为：
[0029][0030]
其中α为代标定参数，λi为路段i的月度事故；
[0031]
结合步骤s61与s62，则基于时间序列的负二项模型为：
[0032][0033]
其中，为离散系数，λ
t
为时间t发生交通事故的期望值，假设即负二项分布的参数由λ
t
和决定；条件方差：
[0034]
步骤s64：预测交通事故数，基于步骤s63中的时间序列负二项模型，输入事故预测的样本数据集，进行月度事故预测。
[0035]
优选地，所述步骤s62中的事故数据满足均值小于方差。
[0036]
根据本发明的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现上述的方法。
[0037]
根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法。
[0038]
与现有技术相比，本发明具有以下优点：
[0039]
1)通过采集山区高速公路的交通运行数据和交通事故数据，结合高速公路交警责任范围分布和资源分布划分建模路段，并统计各路段的事故数，以构建事故预测模型的样本数据集；建立基于时间序列负二项模型进行月度事故预测；并利用天气和节假日修正系数对预测事故数进行修正，以此发现事故发生的规律，明确事故分布特征，把握事故发生态势；
[0040]
2)建立基于时间序列负二项模型的次月事故预测模型，以预测次月的事故数，明确月度事故分布特征，实时采取适当的控制手段，以降低、消除事故风险；
[0041]
3)针对山区高速公路建立事故预测模型，考虑了山区高速的交通运行特征，相较于针对传统高速公路的研究，结果更具有针对性，更能发现山区高速公路的事故发生规律。
附图说明
[0042]
图1为本发明的流程图；
[0043]
图2为建模路段划分示意图；
[0044]
图3为事故月度分布图；
[0045]
图4为次月事故预测值与真实值对比图。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0047]
通过采集山区高速公路的交通运行数据和交通事故数据，结合高速公路交警责任范围分布和资源分布划分建模路段，并统计各路段的事故数，以构建事故预测模型的样本数据集。建立基于时间序列负二项模型进行月度事故预测。并利用天气和节假日修正系数对预测事故数进行修正，以此发现事故发生的规律，明确事故分布特征，把握事故发生态势。
[0048]
下面结合附图和具体实施例对本发明进行详细说明。
[0049]
如图1所示，本发明的事故预测方法步骤如下：
[0050]
步骤s1：获取山区高速公路交通运行数据，交通事故数据、节假日数据和天气数据。其中通过交通管理部门获取交通事故数据和运行数据，通过日历获取节假日数据，通过天气记录网站获取天气数据。
[0051]
步骤s2：划分山区高速公路建模路段。结合高速公路交警责任范围分布和资源分布，考虑将事故多发路段与其他路段进行区分，将山区高速公路划分为相应的建模路段。
[0052]
步骤s3：构建样本数据集。提取各建模路段交通运行变量及事故数，构建事故预测的样本数据集。
[0053]
步骤s4：计算修正系数。计算节假日单日事故发生与非节假日单日事故发生的比例，作为节假日修正系数。计算不同类型天气下事故发生数量与晴天事故发生数量的比例，作为天气修正系数，以对模型预测值进行修正，提高预测精度。
[0054]
步骤s5：进行事故月度分布检验。绘制事故月度分布图，检验事故数是否满足均值与方差相等的分布假设，从而选取合适的计数模型。
[0055]
步骤s6：建立时间序列负二项模型进行次月事故预测。
[0056]
步骤s61：建立基础的时间序列计数模型。假设{y
t
:t∈n}为一个计数时间序列，{x
t
:t∈n}为一个时变的r维的协变量，其中x
t
＝{x
t1
,
…
,x
t,r
}
t
。时间序列模型为p(y
t
|f
t-1
)，其中f
t
表示直到t时刻的历史时间序列过程。
[0057]
步骤s62：考虑事故数据的离散型(均值小于方差)，建立负二项模型。路段i月度期望事故数λi＝exp(β0 β1x
i1

…
βkx
ik
εi)，β为各自变量对应的回归系数，xi表示自变量，exp(εi)为均值是1，方差是d的γ分布误差项。
[0058]
步骤s63：考虑月度事故分布，与基础的时间序列计数模型结合，建立时间序列负二项模型。对于路段i上发生ni次交通事故的概率函数为：
[0059][0060]
其中α为代标定参数。
[0061]
结合步骤s61与s62，则基于时间序列的负二项模型为
[0062][0063]
其中y
t
表示事故数，f
t
是历史时间序列过程，为离散系数，为离散系数，
[0064]
步骤s64：预测交通事故数。基于步骤6.3中的时间序列负二项模型，输入样本数据集，进行月度事故预测。
[0065]
步骤s7：模型预测精度检验。将预测事故数与验证集的实际事故数进行比较，检验模型预测精度，分析事故发生规律，预测月度事故发生态势。
[0066]
本实施例利用中国某市高速公路的真实的交通运行数据、交通事故数据及天气数据，进行山区高速公路事故预测。
[0067]
采集某市高速交通运行数据及交通事故数据，结合高速公路交警责任范围分布和资源分布，并考虑将事故多发路段与其他路段区分开来，将贵都高速公路建模路段划分为5个路段，如图2所示。提取各路段的交通运行特征变量，并与各段事故数进行对应，构建事故预测的样本数据集。
[0068]
步骤s4的详细实施过程为：
[0069]
根据过往三年(2017-2019)的历史数据，以晴天发生的事故数为基准(值为1)，计算不同类型天气发生事故数相对于晴天事故数的比例，设置天气修正系数，结果如表1。
[0070]
表1
[0071]
天气修正系数晴1雾1.9雪2.5阴1雨1.3
[0072]
同时，通过对过往三年(2017-2019)的节假日单日事故发生与非节假日单日事故发生的比例得到节假日事故修正系数，结果如表2所示。
[0073]
表2
[0074][0075]
依照本发明的步骤s1到步骤s7，建立次月事故预测模型：
[0076]
次月事故预测模型：
[0077]
输入2017-2019年的事故总数、天气数据、日历信息数据，对已划分的五个路段分侧向构建计数模型并对月度事故分布进行检验，月度事故数据存在过度离散现象，如图3所示。构建时间序列负二项模型yt|ft-1～negbin(λt，1.76),λ
t
＝β0 β1y
t-1
β2λ
t-12
，λ
t-12
表示每月为一周期。并使用2020年的数据作为验证集，进行次月事故预测精度验证，某市高速上行平均次月误差为3.67起事故，如图4所示。
[0078]
因此，本发明建立的次月事故预测模型更加有针对性，有利于更好地指导山区高速公路安全管理工作。
[0079]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0080]
本发明电子设备包括中央处理单元(cpu)，其可以根据存储在只读存储器(rom)中的计算机程序指令或者从存储单元加载到随机访问存储器(ram)中的计算机程序指令，来执行各种适当的动作和处理。在ram中，还可以存储设备操作所需的各种程序和数据。cpu、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
[0081]
设备中的多个部件连接至i/o接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0082]
处理单元执行上文所描述的各个方法和处理，例如方法s1～s7。例如，在一些实施例中，方法s1～s7可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由rom和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到ram并由cpu执行时，可以执行上文描述的方法s1～s7的一个或多个步骤。备选地，在其他实施例中，cpu可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法s1～s7。
[0083]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。
[0084]
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来
编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0085]
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0086]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。