一种交通事故的安全预警方法与流程

本发明涉及数据分析，具体涉及一种交通事故的安全预警方法。

背景技术：

1、交通事故黑点是指在较长的一个时间段内，发生的道路交通事故数量或特征与其他正常位置相比明显突出的某些位置；位置可以是一个点、一个路段或一个区域，识别道路交通事故黑点并对其采取针对性措施是减少交通事故，提高交通道路通行率的关键；现有技术中基于事故数法的识别方法结合事故数量和事故发生概率对交通事故黑点进行识别，但是识别精度不高，容易漏判错判，对此，将动态聚类分析法和贝叶斯法结合构建交通事故黑点识别模型，可以有效避免这些缺陷；但是，对历史数据的要求较高，并且只能用在与研究路段相似的道路上，应用范围较窄；当交通事故统计个数和数据量较少时，采集的历史数据完备性不足，会降低交通事故黑点识别的准确性；在交通该事故黑点的判定时，缺少同时考虑到交通事故的主观因素和客观因素的评价过程，交通事故的历史数据仅包括交通事故发生后的数据，会影响到交通事故黑点的识别过程，为了提高交通事故黑点的识别精度，实现对交通事故的安全预警，本发明提出了一种交通事故的安全预警方法。

技术实现思路

1、针对上述情况，为了克服现有技术之缺陷，本发明之目的提供了一种交通事故的安全预警方法，通过对路网拓扑结构中路网数据动态变化规律的分析将路网进行初步划分，使得的路网数据对交通事故的贡献度保持一直的情况下，再对同路网区域内的目标路段进行识别，保持路网数据变化一致的同时，扩大交通事故黑点识别的样本点，从而得到最优带宽，再利用自适应核密度识别算法对交通事故黑点进行识别，大大提高了目标路段最优带宽选择的准确性，从而提高交通事故黑点的识别效率，再通过识别得到的交通事故黑点对交通状态进行调整和指挥。

2、本发明提出了一种交通事故的安全预警方法，具体地，构建交通事故黑点识别模型，以识别路网中的交通事故黑点，再结合交通事故黑点对驾驶车辆的状态进行安全预警，具体分析步骤如下：

3、步骤一、构建路网模型，将路网记为由节点和路段组成的拓扑结构，通过拓扑结构中的路网矢量得到路网数据，路网数据处于动态更新的状态；

4、步骤二、通过交通管理部门获取交通事故数据，并提取交通事故数据的交通事故要素，得到交通事故时空分布图，利用空间聚类分割法对交通事故数据进行聚类分割得到不同的同质组，聚类的长度为对应的道路单元的长度，将交通事故时空分布图与路网数据进行匹配，提取交通事故坐标信息，再将交通事故坐标信息投影到路网上得到目标路段，目标路段由道路单元组成；

5、步骤三、将交通事故数据采集的时间段记为，为交通事故数据采集的起始时间点，为交通事故数据采集的终止时间点，根据时间段内路网数据的变化建立路网拓扑结构的动态分析模型得到路网数据的动态变化规律，路网数据的动态变化规律为交通事故发生的客观因素之一；

6、步骤四、再根据路网数据的动态变化规律对路网进行划分得到不同的路网区域，对路网区域内的交通事故坐标信息进行分类得到不同的目标路段，通过对目标路段的评估得到目标路段对应的最优带宽；

7、步骤五、确定目标路段核密度识别的数据变量、核函数和最优带宽，利用自适应核密度识别方法对道路单元对应的目标路段进行核密度分析得到对应的自适应核密度估计值，通过自适应核密度估计值确定交通事故黑点；

8、步骤六、结合交通事故黑点的长度与驾驶车辆的状态数据构建安全状态预警模型，得到对应的预警参数，根据预警参数对驾驶员进行危险提醒。

9、进一步地，在所述步骤三中，到的时间段内，调取对应时间段和区域的路网数据，构建动态分析模型，对路网拓扑结构的时空变化特性进行动态分析，将路网拓扑结构的节点集合记为，为节点下标，节点间的路段集合记为，为路段下标，在时间点的节点和时间点的节点的方向矢量上，运算服从，基于一个数据特征的节点信息改变量生成的，到达节点的特征可以表示为

10、

11、其中，为到时间点发生变化的数据指标集，利用三维神经卷积算法对路网数据进行数据分析和训练，在路网数据的时空网格中，堆叠个三维卷积层去同时捕捉路网数据的相关性，

12、

13、其中为第个三维卷积层的输出，是第个三维卷积层的输入，为观测的节点数，表示激活函数，和是可学习参数，不同节点不同数据指标对交通事故的贡献度都不同，根据数据指标的变化特征分配不同的权重，在对应的权重加权下，进而对不同节点和路段的变化规律及信息给分析。

14、进一步地，在所述步骤四中，通过权重和数据指标的变化特征对节点和对应路段的变化速度进行分析，并通过对时间段t内路网数据中节点观测的数值之间的关系对路网数据的空间结构进行划分，得到不同的路网区域，不同路网区域内交通事故黑点识别的目标路段不同，不同路网区域内平均变化速度记为，为路网区域标号，为不同节点和路段数据指标的变化速度，节点和路段的客观因素对应数据指标的变化速度越大。

15、进一步地，在同一个路网区域内包括不同长度的目标路段，根据交通事故个数对路网区域内的目标路段进行分类，大于判定阈值的目标路段，根据聚类的程度来决定目标路段的长度，再通过评估分析得到最优带宽，小于判定阈值时，将目标路段对应的交通事故坐标信息按照比例进行平移，形成一个新的目标路段，对应的交通事故数据进行融合，再进行评估得到对应的最优带宽。

16、进一步地，在所述步骤五中，构建交通事故黑点识别模型数学公式如下：

17、

18、其中，为目标路段的核密度估计，为最优带宽，为交通事故总数，为核函数，自适应核密度估计值越小，目标路段交通事故危险越低，为交通事故危险指数，交通事故危险指数通过对交通事故数据的计算评估得到。

19、特别地，通过数据融合得到的目标路段被识别后，识别结果为交通事故黑点时，对融合的交通事故数据进一步进行分析，将交通事故数据按照交通事故坐标信息进行还原，分别对不同交通事故坐标信息的交通事故个数进行统计，找到交通事故黑点对应的具体坐标位置。

20、进一步地，不同交通事故发生的场景不同，场景中的隐藏因素包括主观因素和客观因素，客观因素与驾驶人的主观因素之间相互耦合，随着路网数据的动态变化，路网客观因素与主观因素之间的耦合程度发生改变，当路网信息中的客观因素固定时，路网信息变化对所有交通事故产生的影响一致，根据路网数据的变化和交通事故数量的统计确定路网区域内的判定阈值，通过判定阈值的判定对目标路段进行分类。

21、进一步地，通过交通事故黑点的识别确定交通事故黑点的长度，计算交通事故黑点在路网中的分布，再对驾驶车辆的安全状态进行预警分析，通过不同的监测指标构建安全状态预警模型，通过模型分析得到对应的预警参数，并进行判断，当交通运行存在安全隐患时，向交通管理部门和驾驶人发送预警信息。

22、由于以上技术方案的采用，本发明与现有技术相比具有以下优点：

23、在交通事故黑点的识别过程中，识别的精度取决于交通事故数据的采集样本和识别算法的选择，在本发明中，通过构建路网数据的动态分析模型，对采集时间段内的路网数据的动态变化规律进行分析，通过对路网拓扑结构中节点的变化速度对路网数据进行划分，保证了路网数据的变化对交通事故影响的客观因素一致的情况下，再对不同目标路段的交通事故黑点进行分析，将路网数据的更新作为了一个划分指标，大大提高了交通事故黑点识别的精度。

24、在一个路网区域内，路网数据变化程度相同，交通事故数据与路网数据通过匹配，确定交通事故对应的路段，在相同的客观因素影响程度下，将发生交通事故次数少的样本数据进行移动合并，并将其记为一个目标路段，在分析最优带宽的过程中，提高了样本数据量，使得到的最优带宽更准确，在保证最优带宽的前提下，利用自适应核密度识别方法对交通事故黑点进行识别，提高了识别的准确性。