交通高危人员重点监测对象识别方法和智能决策系统与流程

本发明涉及一种交通高危人员重点监测对象识别方法和智能决策系统。

背景技术：

交通安全始终是交通工程与管理的关键着力点之一，但目前道路交通安全的形势仍然严峻。从交通管理角度，加大对交通违法的检查与处置力度，对于约束驾驶人行为、规范交通秩序起到了显著的作用，从而预防或扼制交通事故的发生。统计表明，90％的交通事故是由人为因素引起的；在人为因素中，除了少量无意识的危险驾驶行为，82％的属于驾驶者侥幸心理造成的有意识的危险驾驶行为。显然，单纯依靠违法查处很难改变交通安全治理的被动局面。

从源头着手的交通安全预控，目前主要以重点车辆的企业检查，或关键路段、路口的临检、抽检等人力查处手段为主，存在难以避免的漏洞，亦耗费管理成本。根据目前的应用现状，交通管理者需要智能化的辅助工具，将区域级的宏观管理细化至个体层面的微观跟踪，提升交通安全预控的针对性，保证效率、降低管理成本投入。

尽管采用数据挖掘等技术能够从数据分析角度对出行者安全特性进行分析，但考虑到各级城市目前的汽车保有量水平以及驾驶人数量，通过安全风险的驾驶人分级或分类后，管理者仍面临大样本量的高危驾驶人目标对象，逐一排查跟踪可行性较低；而针对非机动车驾车人以及行人，管理难度更大。结合上述的需求分析可见，配合人员安全风险预测的实施，需要采取进一步的处理手段识别高危人员中的重点关注目标对象，提高交通安全管理和预防工作的针对性和精准性，进而提升主动安全治理实施成效。当前尚缺乏能够满足以上需求的方法或系统。

技术实现要素：

本发明的目的是提供一种交通高危人员重点监测对象识别方法和智能决策系统，解决现有技术中存在的如何需要采取进一步的处理手段识别交通高危人员中的重点关注目标对象，提高交通安全管理和预防工作的针对性和精准性，进而提升主动安全治理实施成效的问题。

本发明的技术解决方案是：

一种交通高危人员重点监测对象识别方法，包括以下步骤，

s1、获取交通参与者的交通行为数据，根据预测时间间隔τ，由交通参与者危险度预测模型得到人员的危险度预测结果；

s2、确定样本积累阶段起止时间[ts,te]，其中ts、te分别为样本积累起止时间，观测期时间窗口长度tm；

s3、在样本积累阶段，按指定间隔从所有危险度预测结果中抽取观测样本；对于第i个时间间隔，i初始值为1，对步骤s1获得的该间隔内的危险度预测结果进行全样本分类，类别能够表征人员危险程度；

s4、根据各时间间隔内的人员类别划分情况，生成观测样本，观测样本空间其中为第i个时间间隔内的第u类样本空间；为第i个时间间隔内的第j个观测样本空间，j的最大数值m自行拟定，不超过最大分类数；

s5、收集观测样本在其对应的观测期[t,t+tm]内的交通事故发生时间间隔其中t＝ts+i·τ，中的数据样本rt的值为观测期内首次事故的发生时间间隔，即观测期内该样本的首次事故发生日与观测期开始时间t之间的时长；其中rt单位为日；

s6、若i＜n，则i＝i+1，返回步骤s3循环；否则，进入步骤s7；其中，n为样本积累时段内的时间间隔数；

s7、根据各时间间隔内的样本事故发生时间，生成最终的分析样本其中j＝1,2,…,m；对此m个样本空间逐一进行生存分析，获得生存函数sj，并绘制累计生存曲线；

s8、分析不同样本的累计生存曲线变化趋势，设定累计生存率变化阈值f，从rtj对应的生存函数sj中识别累计生存率下降值超过阈值f的样本构成rtj’，；设定观察时效ot，该参数表征未来该时间段内存在事故易发人群；检测是否存在事故时间间隔样本满足条件：rt＝min(rtj')且rt＜ot，若存在，则对应的j类样本的选取方式作为该观察时效内对应的交通高危人员重点观察目标确定方式；否则，无法获得目标对象；结束本流程。

进一步地，步骤s1中，驾驶行为数据包括违法记录与事故记录数据。

进一步地，步骤s3中，样本抽取时间间隔与预测时间间隔一致，各类别内样本数量不超过设定的最大样本量阈值，具体数值预先拟定或根据分类方法自动确定；各时间间隔内采用一致的分类方式。

一种交通高危人员重点监测对象智能决策系统，包括交通高危人员重点监测对象识别模块和交互模块，

交互模块：由用户设置观察时效；

交通高危人员重点监测对象识别模块：依据交互模块中用户设置的观察时效，采用上述任一项所述的交通高危人员重点监测对象识别方法，调取历史数据构建交通高危人员重点监测对象识别模型，确定对应观察时效内的重点关注对象选取方式。

进一步地，交通高危人员重点监测对象识别模块中，在定期从数据库调取佳通参与者危险度预测值后，从所有结果中按模型输出的抽选标准确定重点关注对象，并通过交互模块向用户反馈相关人员信息。

本发明的有益效果是：该种交通高危人员重点监测对象识别方法和智能决策系统，采用生存分析方法，根据交通高危人员在时间维度的事故风险发展态势识别出事故发生可能性较高的高危群体，进一步提升交通参与者安全预控工作的针对性，提高工作效率，节约投入成本。本发明通过数据分析手段从高危人员群体中识别重点关注目标对象，为具有针对性的驾驶人行为跟踪、交通安全源头管理等交通安全预控措施的实施提供数据支撑和决策支持，填补该领域的研究和应用空白。

附图说明

图1是本发明实施例交通高危人员重点监测对象识别方法的流程示意图。

图2是实施例中绘制样本的累计生存曲线的示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

一种交通高危人员重点监测对象识别方法，如图1，具体步骤如下：

s1、获取交通参与者的交通行为数据，根据预测时间间隔τ，由交通参与者危险度预测模型得到人员的危险度预测结果。

s2.确定样本积累阶段起止时间[ts,te]，其中ts、te分别为样本积累起止时间，观测期时间窗口长度tm。

实施例根据某地的交通违法数据与交通事故数据，构建基于随机森林的危险度预测模型，以2015年1月为起始时间，同年6月为结束时间，获得该时段内每个月的驾驶人危险度预测结果；观测期时间窗口tm＝12个月。

s3.样本抽取时间间隔与预测时间间隔一致，在样本积累阶段，按指定间隔从所有危险度预测结果中抽取观测样本；对于第i个时间间隔，i初始值为1，对s1获得的该间隔内的危险度预测结果进行全样本分类，类别能够表征交通参与者的安全危险程度；各类别内样本数量不可超过设定的最大样本量阈值，具体数值可预先拟定，或根据分类方法自动确定；各时间间隔内采用一致的分类方式。

实施例中，采用危险度降序排列并取上位数的方式确定类别，将危险度最大的前10位划定为g1，11位～20位划定为g2，21～30位划定为g3；在另一个实施例中，通过设定危险度阈值确定各类别的划分标准；分类方式不限于此，但需要保证每一类别内的样本数量不超过设定的最大样本量阈值。

s4.根据各时间间隔内的人员类别划分情况，生成观测样本，观测样本空间其中为第i个时间间隔内的第u类样本空间，类别编号u数值越小表征该类别内的危险度越高；为第i个时间间隔内的第j个观测样本空间，j的最大数值m自行拟定，不超过最大分类数。

s5.收集观测样本在其对应的观测期[t,t+tm]内的交通事故发生时间间隔其中t＝ts+i·τ，中的数据样本rt的值为观测期内首次事故的发生时间间隔，即观测期内该样本的首次事故发生日与观测期开始时间t之间的时长；其中rt单位为日。

s6.若i＜n,则i＝i+1，返回s3循环；否则，进入s7；其中，n为样本积累时段内的时间间隔数。

s7.根据各时间间隔内的样本事故发生时间，生成最终的分析样本其中j＝1,2,…,m；对此m个样本空间逐一进行生存分析，获得生存函数sj，并绘制累计生存曲线。

实施例中，采集每个月危险度前10位(top10)、11～20位、21～30位的驾驶人的事故发生时间，将top10的驾驶人事故发生时间构成样本rt1，将前十位与11～20位的驾驶人(即top20)事故发生时间构成样本rt2，将这三类驾驶人(即top30)的事故发生时间构成样本rt3。经过生存分析，绘制对应样本的生存曲线，如图2所示。

s8.分析不同样本的累计生存曲线变化趋势，设定累计生存率变化阈值f，从rtj对应的生存函数sj中识别累计生存率下降值超过阈值f的样本构成rtj’，；设定观察时效ot，该参数表征未来该时间段内存在事故易发人群；检测是否存在事故时间间隔样本满足条件：rt＝min(rtj')且rt＜ot，若存在，则对应的j类样本的选取方式作为该观察时效内对应的交通高危人员重点观察目标确定方式；否则，无法获得目标对象；结束本流程。

实施例中f取值为10％，ot设置了3个不同数值，分别为30天，60天和120天；由图1可见，top10的累计生存率下降超过10％的rt最小值为50，top20为80，top30为104；当ot取30时，三类样本没有显著差异，可根据应用需求选择关注目标；若ot＝60，则将每月危险度最大的前十位驾驶人作为持续关注对象，即此类交通高危人员在60天内发生交通事故的风险较大；若ot＝120，则将每月危险度top30的驾驶人作为持续关注对象，即此类交通高危人员在120天内发生交通事故的风险较大。

实施例还提出一种交通高危人员重点监测对象智能决策系统，包括交通高危人员重点监测对象识别模块和交互模块。

交互模块：由用户设置观察时效。

交通高危人员重点监测对象识别模块：依据交互模块中用户设置的观察时效，采用上述任一项所述的交通高危人员重点监测对象识别方法，调取历史数据构建交通高危人员重点监测对象识别模型，确定对应观察时效内的重点关注对象选取方式。

进一步地，交通高危人员重点监测对象识别模块中，在定期从数据库调取人员危险度预测值后，从所有结果中按重点监测对象识别模型输出的抽选标准确定重点关注对象，并通过交互模块向用户反馈相关人员信息。

该种交通高危人员重点监测对象识别方法和智能决策系统，采用生存分析方法，根据交通高危人员在时间维度的事故风险发展态势识别出事故发生可能性较高的高危群体，进一步提升安全预控工作的针对性，提高工作效率，节约投入成本。实施例通过数据分析手段从交通高危人员群众识别重点关注目标对象，为具有针对性的驾驶人行为跟踪、交通安全源头管理等交通安全预控措施的实施提供数据支撑和决策支持，填补该领域的研究和应用空白。