交通事故中事故类型和违章类型对应分析方法与流程

本发明涉及一种驾驶者交通事故类型和违章类型多维对应分析研究的方法及系统。

背景技术：

统计表明，90％的交通事故是由人为因素引起的。除了少量无意识的不安全驾驶行为，如判断失误、注意力分散等，82％的人为交通事故是驾驶者主动驾驶行为过失造成的，这种行为主要是受到驾驶者侥幸的心理态度影响，而这种心态更多的体现在其日常的交通违章中。目前，许多国家已采取在驾照上扣分的政策以规范人们的驾驶行为。作为记录驾驶者不安全交通行为的重要资料，交通违章与事故中驾驶行为过失间的联系为交通事故分析、预防及控制提供新的视角。ZHANG Guangnan、Kelvin K W YAU等分析了事故发生地交通违章和交通事故间的数量关系。罗援，李晓以道路交通事故的统计资料为基础，得出交通违章是道路交通事故中主要的人为因素，且比例不断升高。Mercedes AYUSO、Montserrat等将各类违章对交通事故的影响程度换算成经济损失，使用多项式逻辑回归模型评估其影响大小，得出不同类型的交通违章对交通事故的影响程度。因而，从交通事故成因上分析，交通违章是导致交通事故的直接因素。

由于交通事故发生原因具有随机性，仅驾驶者因素对交通事故影响就多达几十项，现有方法缺乏从驾驶者交通违章角度研究驾驶者侥幸心理因素造成的不同交通事故类型。

技术实现要素：

发明目的：为了克服现有技术中存在的不足，本发明提供一种驾驶者交通事故类型和违章类型多维对应分析研究的方法及系统，从交通违章与交通事故在类型上的相关性出发，建立各类事故及其对应的违章类型列联表，运用对应分析的方法将表中多个分类变量的各个状态直观的呈现在散点图中，从而揭示出驾驶者历史违章对各类交通事故的影响程度。

技术方案：为实现上述目的，本发明采用的技术方案为：

交通事故中事故类型和违章类型对应分析方法，包括以下步骤：

S1、统计交通事故各类型发生的频次、每种交通事故类型中各类驾驶行为过失的驾驶者人数集合以及驾驶者历史违章类型集合，得到发生不同交通事故类型的驾驶者、其历史交通违章类型分布情况，形成交通事故类型-历史违章类型矩阵X；

S2、计算交通事故类型和交通违章类型对应分析坐标值：对步骤S1中交通事故类型-历史违章类型矩阵X按行和列分别求和，得到矩阵X的总和T、行和xi、列和x_j；对交通事故类型—历史交通违章分布矩阵X进行对应变换；计算累积惯量和样本坐标，得到R型因子载荷阵F和Q型因子载荷阵G，分别是交通事故类型和交通违章的坐标值即载荷阵；

S3、根据交通事故类型和交通违章的坐标值绘制对应分析图并进行变量和样本相关度计算，获得交通事故类型和历史违章类型的相关度。

进一步的，在本发明中，所述步骤S1中构建交通事故类型-历史违章类型矩阵X的具体方法包括以下步骤：

S11、定义交通事故类型的数据结构：设交通事故所有类型集合A＝(a₁,a₂,…a_i,…a_m),a_i是事故类型为i的交通事故，交通事故中各类驾驶行为过失的驾驶者人数集合K＝(k₁,k₂,…k_i,…k_m)，k_i为事故类型为i的交通事故对应的人数，i＝1,…m，m为交通事故类型总数；

S12、定义驾驶者历史违章类型数据结构：驾驶者历史违章类型集合B＝(b₁,b₂,…b_j,…b_n),b_j是违章类型为j的交通违章，j＝1,…n，n为违章类型总数；

S13、根据步骤S11和步骤S12，获得交通事故驾驶者的历史违章类型统计矩阵：

其中：

w_ij为发生交通事故a_i的驾驶者曾经发生违章b_j的次数，b_j的总数量

S14、驾驶者发生的交通事故类型及其对应的历史违章类型归一化矩阵

S15：定义步骤S14中的则：

S16：由于交通违章种类有两百余种，且一些交通违章类型的发生的频次较低。因此在对应分析前，需筛选出合适的交通违章类型，增加对应分析收敛性、提升结果可读性。建立(1)式的筛选模型：

其中：

是发生违章b_j的驾驶者发生各类型交通事故分布的归一化矩阵；

δ是交通事故各类型分布的归一化矩阵；

μ为交通违章数量阈值；

θ是元素d_ji的阈值；

对符合上述筛选模型的违章类型b_j予以保留，否则舍弃；

S17：根据筛选结果，得到交通事故类型-历史违章类型矩阵X：

其中：

进一步的，在本发明中，：所述步骤S2包括：

S21、按照(2)式计算交通事故类型-历史违章类型矩阵X的总和T、行和x_i、列和x_j：

S22、对交通事故类型-历史违章类型矩阵X进行对应变换获得对应变换矩阵Z：

Z＝[Z_ij]_m×n (3)

S23、计算累积惯量和样本坐标

给出历史违章类型协方差阵H＝ZZ^T，以及历史违章类型协方差阵H的特征根λ₁≥λ₂≥…≥λ_p，其中p∈(m×n)，即矩阵特征根的总个数不超过矩阵的行数和列数中的任意一个，取前s个累积贡献率的特征根，计算累积惯量并计算相应的特征向量u₁,u₂,…,u_s，得到R型因子载荷阵F＝[F₁,F₂…F_s]，其中再对上述s个特征根λ₁≥λ₂≥…≥λ_s计算其对应于交通事故类型协方差阵M＝Z^TZ的单位特征向量Z^Tu₁＝v₁，Z^Tu₂＝v₂，…Z^Tu_s＝v_s，得Q型因子载荷阵G＝[G₁,G₂…G_s],其中上述R型因子载荷阵和Q型因子载荷阵分别是交通事故类型和历史违章类型的坐标值。

进一步的，在本发明中，所述步骤S3具体为：

S31、卡方检验交通事故和交通违章之间是否存在关联性；

S32、由累积惯量选择所需对应分析的维度数量；

S33、通过行点、列点总览表，标记出每一类交通违章和交通事故在各个维度上的主要反映项以及各个维度对交通事故和交通违章类型的主要反映项；

S34、结合对应分析散点图及行点、列点总览表；设交通事故类型a_i和历史违章类型b_j在主要解释维度η上距离为τ，τ由样本坐标可得；由R型因子载荷阵F和Q型因子载荷阵G，得到交通事故类型a_i和历史违章类型b_j的主要维度惯量值g_iη和g_jη；计算σ_ij＝(1-τ)(g_iη+g_jη)/2，即为交通事故类型a_i和历史违章类型b_j的相关度。

有益效果：

本发明的从交通事故和历史违章在类型上的相关性出发，利用归一化和阈值法，并在皮尔逊卡方检验两者关联性的基础上，建立发生各类型交通事故的驾驶者及其对应的违章类型列联表，运用对应分析的方法将表中多个分类变量的各个状态直观的呈现在散点图中，从而揭示出交通违章对事故中各类交通事故的影响程度。通过对应分析的方法研究驾驶者交通违章类型和交通事故类型之间的对应关系，从而为管理人员、驾驶者提供管理决策、驾驶安全方面的建议，并进一步提高道路交通安全水平。

附图说明

图1是本发明的流程示意图；

图2是实施例中交通事故类型及其对应的交通违法类型分布的示意图；

图3是实施例中多维对应分析示意图；其中(a)是维度1和维度2对应分析示意图；(b)是维度1和维度3对应分析示意图；(c)是维度1和维度4对应分析示意图；(d)是维度1和维度5对应分析示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

交通违章是导致交通事故的重要因素，本发明利用归一化和阈值法，选取合适的交通违章类型和事故中驾驶过失行为类型，通过皮尔逊卡方检验两者关联性。再采用对应分析的方法，研究与事故中驾驶者过失行为相关的主、次要历史违章类型，并建立影响程度模型。同时，基于两者的交互影响，对部分事故中驾驶过失行为和违章类型分类、合并。结果表明，违章类型和交通事故中驾驶行为过失存在显著的相关性和对应关系，基于这种关系可做到交通事故防范，事故类型预判。

实施例方法包括以下步骤：计算交通事故类型和历史违章类型对应分析坐标值；对应分析图的绘制及变量和样本相关度计算。

实施例

如图1所示，一种交通事故中事故类型和违章类型对应分析方法，包括以下步骤：

S1、定义参数并构建交通事故类型-历史违章类型矩阵X；具体包括以下步骤：

S11、定义交通事故类型的数据结构：设交通事故所有类型集合A＝(a₁,a₂,…a_i,…a_m),a_i是事故类型为i的交通事故，交通事故中各类驾驶行为过失的驾驶者人数集合K＝(k₁,k₂,…k_i,…k_m)，k_i为事故类型为i的交通事故对应的人数，i＝1,…m，m为交通事故类型总数；

S12、定义驾驶者历史违章类型数据结构：驾驶者历史违章类型集合B＝(b₁,b₂,…b_j,…b_n),b_j是违章类型为j的交通违章，j＝1,…n，n为违章类型总数；

S13、根据步骤S11和步骤S12，获得交通事故驾驶者的历史违章类型统计矩阵：

其中：

w_ij为发生交通事故a_i的驾驶者曾经发生违章b_j的次数，b_j的总数量

S14、驾驶者发生的交通事故类型及其对应的历史违章类型归一化矩阵

S15：定义步骤S14中的则有进一步定义如下参数：

S16：建立(1)式的收敛性筛选模型：

其中：

是发生违章b_j的驾驶者发生各类型交通事故分布的归一化矩阵；

δ是交通事故各类型分布的归一化矩阵；

μ为交通违章数量阈值；

θ是元素d_ji的阈值；

对符合上述筛选模型的违章类型b_j予以保留，否则舍弃；

S17：根据筛选结果，得到相应的交通事故类型-历史违章类型矩阵X：

其中：这里w_ij和W_j均按照所保留的违章类型进行相应计算；

S2、计算交通事故类型和交通违章类型对应分析坐标值：具体包括以下3步骤：

S21、计算交通事故类型-历史违章类型矩阵X的总和T、行和x_i以及列和x_j：

S22、按照(3)式和(4)式对交通事故类型-历史违章类型矩阵X进行对应变换获得对应变换矩阵Z：

Z＝[Z_ij]_m×n (3)

S23、计算累积惯量和样本坐标：

根据对应变换矩阵Z得到历史违章类型协方差阵H＝ZZ^T，以及历史违章类型协方差阵H的特征根λ₁≥λ₂≥…≥λ_p，p∈(m×n)，取前s个累积贡献率的特征根，计算累积惯量并计算相应的特征向量u₁,u₂,…,u_s，得到R型因子载荷阵F＝[F₁,F₂…F_s]，其中再对上述s个特征根λ₁≥λ₂≥…≥λ_s计算其对应于交通事故类型协方差阵M＝Z^TZ的单位特征向量Z^Tu₁＝v₁，Z^Tu₂＝v₂，…Z^Tu_s＝v_s，得Q型因子载荷阵G＝[G₁,G₂…G_s],其中上述R型因子载荷阵和Q型因子载荷阵分别是历史违章类型和交通事故类型的坐标值。

S3、对应分析图的绘制及历史违章类型和交通事故类型相关度计算：步骤S2中，提供了历史违章类型和交通事故类型在不同维度上的同一坐标值，故可用相同的坐标轴同时表示历史违章类型和交通事故类型；坐标中相邻的历史违章类型关系密切,相邻的交通事故类型具有相似的性质,同一维度上相邻的历史违章类型和交通事故类型反应了在这一维度上各自信息量(惯量)基础上的相关度，计算驾驶者交通事故类型和历史违章类型的相关度；具体包括以下步骤：

S31、卡方检验交通事故和交通违章之间是否存在关联性；

S32、由惯量比例累积值选择所需对应分析的维度数量；

S33、通过行点、列点总览表，标记出每一类交通违章和交通事故在各个维度上的主要反映项以及各个维度对交通事故和交通违章类型的主要反映项；

S34、结合对应分析散点图及行点、列点总览表；设交通事故类型a_i和历史违章类型b_j在主要解释维度η上距离为τ，τ由样本坐标可得；由R型因子载荷阵F和Q型因子载荷阵G得到历史违章类型a_i和交通事故类型b_j的主要维度惯量值g_iη和g_jη；计算σ_ij＝(1_-τ)(g_iη+g_jη)/2，即为历史违章类型a_i和交通事故类型b_j的相关度。

实施例方法及系统中所做的数据分析处理，主要使用EXCEL和IBM SPSS Statistics22.0统计分析软件；涉及到EXCEL的筛选、比对、数据透视表等基础处理手段以及SPSS中的对应分析方法。

研究数据使用中国贵州省贵阳市2015年全年56651起交通事故数据以及2014年和2015年的61473起交通违章数据，涉及113302人。2015年发生过交通事故且在2014—2015年内发生过交通违章的驾驶者有64228人。事故数据包括人员身份信息、事故发生类型(追尾、会车、停车、坡道、直行、转弯及其他事故)。违章数据包括驾驶证号、违章类型。

按照步骤S1所述方法，对研究数据定义分类，构建驾驶者发生交通事故类型及其历史交通违章类型归一化矩阵图2为矩阵的图形化探索性分析。如图2所示，7类交通事故，每一类相对应的有20种高发交通违章类型。归一化交通事故类型和历史违章类型得到：违章类型的数量分布比较集中，类型8、9、14、15在所有肇事者中都是高发违章类型。但不同类型的交通事故对应着不同的违章高发类型。以发生“直行事故”的驾驶者为例，其发生第14类违章类型的比例远高于其他违章类型。

本发明使用对应分析的方法揭示图2现象背后原因。为了增加对应分析收敛性、提升结果可读性，选取在数量分布比例上具有统计意义的违章类型。按照前述方法，通过筛选模型筛选符合要求的违章类型，根据此次实施例研究具体的数据量，式(1)中μ＝50，θ＝0.3。得到交通事故类型-历史违章类型分布矩阵X。筛选后的交通事故类型和违章类型的各类别见表1。

表1

按照步骤S2所述方法，计算样本和变量累积惯量和坐标值。卡方独立性检验交通事故和违章类型的关联性。如表2所示：卡方值116.775；显著性水平0.001，小于0.05。因此，两者存在显著关联性。各维度的累积惯量反映了对应分析中各个维度对总体数据的解释度，算例中5个维度累积惯量对总体数据的解释度为95.1％，满足信息量全面的要求。

表2

表3行点总览表给出了13类违章类型在5个维度上坐标值及相应的信息贡献量。维数对点的惯量给出了各违章类别信息量在5个维度的分布比例，违章类型a(不按规定使用灯光的)信息量有30.50％分布在第2维，15.20％分布在第4维上，5个维度总计解释违章类型a的63.2％信息量。其余违章类型主要解释维度见表中*数字。

表3

表4为列点总览表，它是列变量(交通事故类型)在5个维度上的坐标值及相应的信息贡献量的信息。同表3结构相同，维数对点的惯量中，事故类型1(追尾事故)的信息量有76.70％分布在第3维度上，为其信息主要解释维度，5个维度总计解释了追尾事故信息的98.5％的信息量，其余交通事故类型在主要维度上的解释度见表中*数字。

表4

由交通事故类型和历史违章类型的协方差阵及因子载荷阵绘制多维对应分析图，如图3所示。结合图3、表3、表4可以得到：交通事故类型2(会车事故)g₂₁＝70.70％，在第一维度上与历史违章类型e(机动车违反规定使用专用车道)的距离τ＝0.2，且g_e1＝97.30％，由式5得到σ_2e＝0.672。因而，存在“机动车违反规定使用专用车道”历史违章行为的驾驶者，更容易发生会车事故。交通事故类型5(直行事故)g₅₁＝66.66％，在第一维度上与违章类型e(机动车违反规定使用专用车道)的距离τ＝0.251，且σ_5e＝0.614。因而，存在“机动车违反规定使用专用车道”这一类交通违章行为的驾驶者，较容易发生会车、直行的交通事故。此外，g₃₂＝30.30％、g₃₄＝20.80％；g_a2＝30.50％、g_a4＝15.20％；g_f2＝40.50％、g_f4＝26.60％。同时交通事故类型3(停车事故)在第2、第4维度与违章类型f(驾驶安全设施不全的机动车)的距离分别为0.086和0.111；与违章类型a(不按规定使用灯光的)的距离分别为0.033和0.011。因而，“不按规定使用灯光”，“驾驶安全设施不全的机动车”对停车类事故的影响因子为σ_3af＝0.73，三者具有较强的关联性。其次，根据距离远近及主要信息解释度，违章类型a(不按规定使用灯光)和f(驾驶安全设施不全的机动车)关联性较高；交通事故2(会车事故)和5(直行事故)具有一定程度的关联。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。