一种国省干线道路交通事故风险预测方法

本发明涉及智能交通及交通安全，具体公开一种国省干线道路交通事故风险预测方法，属于计算、推算或计数的。

背景技术：

1、国省干线道路是我国综合立体交通网中的重要组成部分，占我国公路网的60％，是连接城市与城市、城市与乡镇的重要通道，与高速公路相比，国省干线道路的收费极低，覆盖范围更广，在货物运输中发挥重要作用。但是与其他属性的道路相比，较高的货车比例也导致国省干线道路交通事故的发生频率更高，给社会造成的经济和社会损失极大。随着科技的进步和算力的提升，动态监测路网交通安全风险和主动交通安全管理可以有效识别安全风险区并阻止事故发生。然而既有交通事故预测相关研究主要集中在高速公路、城市道路等交通监控设施完善的路段，作为承担运输任务最重的国省干道，因其交通检测设施不健全，导致研究缺乏。因此如何确定国省干线道路事故风险区域，从而可以及时采取有效的措施防止交通事故的发生，是提高国省干线道路交通安全状况的迫切任务，也是提高我国公路运输安全性的重要内容。

2、国省干线道路上发生交通事故的原因多样，包括人的因素、车的因素、道路因素、环境因素，人的因素包括驾驶员违规驾驶，车的因素包括车辆发生故障，道路因素包括道路施工、道路设计不合理，环境因素包括恶劣天气等。由于受到数据的限制，既有研究对交通事故的影响因素考虑不全面、不充分。通过对国省干道历史事故数据进行研究，如何从“人、车、路、环”四个层面探索事故与影响因素特征之间的耦合关系，从而全面剖析国省干道事故发生机理，是实现国省干道交通事故风险预测的有效途径。

3、现有交通事故预测技术主要针对铁路交通、高速公路和城市快速路等场景，主要针对事故的预警、事故成因分析和事故影响因素等，对于事故风险缺乏预测方法且对造成交通事故的影响因素考虑并不全面。因此，现有交通事故预测技术并不适用于国省干道交通事故的预测。

4、综上，本发明旨在提出一种国省干线道路交通事故风险预测方法以克服上述缺陷。

技术实现思路

1、本发明的目的是为克服现有技术的不足，提供一种国省干线道路交通事故风险预测方法，通过对国省干道历史事故数据进行研究，从人、车、路、环四个层面探索事故与影响因素特征之间的耦合关系，全面剖析国省干道事故发生机理，实现预测国省干道交通事故风险的发明目的，解决既有交通事故预测相关研究不适用于国省干道的技术问题。

2、本发明为实现上述发明目的采用如下技术方案：

3、一种国省干线道路交通事故风险预测方法，包括如下步骤：

4、步骤s1，对交通事故数据集进行预处理，对预处理后的交通事故数据集进行时间和空间划分；

5、步骤s2，对经步骤s1时间和空间划分后的交通事故数据集，从人员、车辆、道路、环境四个角度提取交通事故风险特征，并对所提取的交通事故风险特征进行离散化处理；

6、步骤s3，根据交通事故的经济损失划分事故严重程度，计算每个空间段和时间段内的总事故数、百万车公里事故率、加权事故率，计算每个空间段和时间段的交通事故综合风险值；

7、步骤s4，以每个空间段和时间段的交通事故综合风险值为演绎推理目标，将步骤s2提取的交通事故风险特征分别作为贝叶斯网络的一个节点，构建贝叶斯网络模型；

8、步骤s5，将实时交通事故数据输入步骤s4构建的贝叶斯网络模型，获取国省干线道路交通事故风险预测值。

9、作为一种国省干线道路交通事故风险预测方法的进一步优化方案，步骤s1对交通事故数据集进行预处理的具体方法为：

10、步骤s1a，将缺失数据的占比大于或等于阈值的交通事故数据戳判定为无效数据，删除无效数据；

11、步骤s1b，对缺失数据的占比小于阈值的交通事故数据戳进行补全操作。

12、作为一种国省干线道路交通事故风险预测方法的再进一步优化方案，步骤s1b对缺失数据的占比小于阈值的交通事故数据戳进行补全操作的具体方法为：

13、缺失数据为性别时，根据交通事故数据集性别的比例关系进行随机补全，sm表示性别缺失数据中被补全为男性的数量，sw表示性别缺失数据中被补全为女性的数量，s表示完整数据戳的数量，sm表示完整数据戳中性别为男性的数量，sw表示完整数据戳中性别为女性的数量；

14、缺失数据为年龄时，根据交通事故数据集年龄的比例关系进行随机补全；

15、缺失数据为驾龄时，将驾龄字段标记为未知；

16、缺失数据为车辆类型时，将车辆类型字段标记为未知。

17、作为一种国省干线道路交通事故风险预测方法的再进一步优化方案，步骤s1对预处理后的交通事故数据集进行时间和空间划分的具体方法为：

18、步骤s1c，采用至少一种标段对经步骤s1b补全操作后的交通事故数据集进行空间划分；

19、步骤s1d，采用至少一个时间窗对经步骤s1c空间划分后的交通事故数据集进行时间划分。

20、作为一种国省干线道路交通事故风险预测方法的再进一步优化方案，步骤s1c采用至少一种标段对经步骤s1b补全操作后的交通事故数据集进行空间划分的具体方法为：

21、根据国道或省道的标段将交通事故数据集划分为nk段空间单元时，遍历交通事故数据集，当前交通事故数据戳的经纬度坐标在标段nk的坐标范围内时，赋值当前交通事故数据戳的空间单元标签为k，nk＝[l]，l表示拟研究的国道或省道长度；

22、根据国道或省道的标段将交通事故数据集划分为mk段空间单元时，遍历交通事故数据集，当前交通事故数据戳的经纬度坐标在标段mk的坐标范围内时，赋值当前交通事故数据戳的空间单元标签为k，

23、作为一种国省干线道路交通事故风险预测方法的再进一步优化方案，步骤s1d采用至少一个时间窗对经步骤s1c空间划分后的交通事故数据集进行时间划分的具体方法为：采用包含但不限于1天、3天、7天、14天的时间窗进行时间划分，当交通事故数据集被划分为tj段时，当前交通事故数据戳发生时间t∈[tj,tj+1]，则赋值当前交通事故数据戳的时间单元标签为j。

24、作为一种国省干线道路交通事故风险预测方法的再进一步优化方案，为对步骤s1d时间划分后的交通事故数据匹配天气数据。

25、作为一种国省干线道路交通事故风险预测方法的再进一步优化方案，步骤s2从人员这个角度提取交通事故风险特征包含但不限于：遭遇事故人员类型、遭遇事故人员年龄、遭遇事故人员的驾驶资格、遭遇事故人员的驾龄以及遭遇事故人员的性别；从车辆这个角度提取交通事故风险特征包含但不限于：遭遇事故车辆类型、遭遇事故车辆所属地；从道路这个角度提取交通事故风险特征包括但不限于：发生事故的道路类型、事故发生地；从环境这个角度提取交通事故风险特征包含但不限于：事故发生的时刻、事故发生日期的性质、事故发生时的天气情况、事故发生时的气温情况、事故发生时的湿度情况、事故发生时风速、事故发生时能见度。

26、作为一种国省干线道路交通事故风险预测方法的再进一步优化方案，步骤s3具体包括如下步骤：

27、步骤s31，计算每个交通事故的经济损失loss，当loss≥10时，记为一级事故，当7≤loss<10时，记为二级事故，当5≤loss<7时，记为三级事故，当loss<5时，记为四级事故，其中，

28、loss＝ln(αl1+βl2+γl3)，l1＝l11+l12+l13，l2＝l21+l22+

29、l23+l24，l3＝l31+l32+l33，l1为直接财产损失，l2为人员伤亡损失、l3为其他经济损失，l11为车辆损失，l12为交通设施损失，l13为货物损失，l21为医药费，l22为误工费和丧葬费，l23为劳动价值损失，l24为精神损失费，l31为社会服务损失费，l32为交通拥堵损失费，l33为环境污染损失费，α和γ取0.1，当人员受伤时β取0.3，当人员死亡时β取0.5；

30、步骤s32，计算第j个时间段、第k个空间段的总事故数nj,k，nj,k＝ⅰj,k+ⅱj,k+ⅲj,k+ⅳj,k，ⅰj,k表示第k个空间段在第j个时间段内发生的一级事故数量，ⅱj,k表示第k个空间段在第j个时间段内发生的二级事故数量，ⅲj,k表示第k个空间段在第j个时间段内发生的三级事故数量，ⅳj,k表示第k个空间段在第j个时间段内发生的四级事故数量；

31、步骤s33，计算第j个时间段、第k个空间段的百万车公里事故率kj,k，v表示干线道路平均日交通量，m表示干线道路长度，t表示第j个时间段的长度；

32、步骤s34，计算第j个时间段、第k个空间段的加权事故率fj,k，

33、步骤s35，计算第j个时间段、第k个空间段的总事故数25％的数值，第j个时间段、第k个空间段的百万车公里事故率50％的数值，第j个时间段、第k个空间段的加权事故率75％的数值，作为三个风险指标；

34、对于每一风险指标：当风险指标介于0与25％分位数之间时，其风险得分值为1；当风险指标介于25％与50％分位数之间时，其风险得分值为2；当风险指标介于50％与75％分位数之间时，其风险得分值为3；当风险指标大于75％分位数；其风险得分值为4；

35、计算第j个时间段、第k个空间段的综合风险值pj,k，表示第j个时间段、第k个空间段总事故数的风险得分值，表示第j个时间段、第k个空间段百万车公里事故率的风险得分值，表示第j个时间段、第k个空间段加权事故率的风险得分值。

36、作为一种国省干线道路交通事故风险预测方法的再进一步优化方案，步骤s4具体为：

37、将步骤s2离散化后的交通事故风险特征和步骤s3得到的事故严重程度输入k2算法进行学习，获取贝叶斯网络模型的图结构；

38、根据每个空间段和时间段的事故综合风险值与交通事故风险特征的关联系优化贝叶斯网络模型图结构；

39、根据不同时间划分和空间划分后的交通事故数据集对贝叶斯网络图结构中各变量进行参数学习，并检验模型预测精度。

40、本发明采用上述技术方案，具有以下有益效果：

41、(1)交通事故影响因素方面：本发明全面考虑了“人、车、路、环”各方面因素对交通事故风险的影响，提出了一种“人、车、路、环”输入数据时空匹配方法，构建了基于经济损失的国省干道交通事故综合评价指标，综合考虑了交通事故直接财产损失、人员伤亡情况、交通拥堵损失等因素，实现了对事故严重程度的量化。

42、(2)交通事故风险预测方面：提出了一种基于贝叶斯网络的国省干线交通事故风险预测方法，将道路交通事故风险定义为所有预测空间单元和预测时间单元相匹配的道路事故综合风险指数集合，在贝叶斯网络预测模型图结构构建过程中结合关联性分析方法，优化模型结构，提高模型结构的合理性，实现在不同空间和时间颗粒度大小的条件下对国省干道交通事故风险的预测。