一种高速公路交通事故风险评估系统的制作方法

本发明涉及道路交通安全领域，具体涉及一种高速公路交通事故风险评估系统。

背景技术：

高速公路在带给人们高效、快捷、方便的同时，也出现了较为严重的交通安全问题，特别是重大、特大交通事故的发生，严重威胁人民生命财产安全，并对交通环境产生了巨大影响。为了加快建设综合交通、绿色交通、智慧交通、平安交通，实现交通运输创新、协调、绿色、开放、共享发展，更好地发挥交通运输基础性、先导性和服务性作用，研究适合我国高速公路交通特性的交通事故风险评估系统，弥补我国高速公路交通安全研究领域理论与方法的不足，促进我国高速公路交通安全的研究，是亟待解决的问题。

本发明提供一种高速公路交通事故风险评估系统，建立状态空间模块辨识交通事故风险并估计交通事故影响因素特征值。在此基础上，构建基于径向基函数的支持向量机模块刻画交通事故影响因素特征值和交通事故起数预测值之间的动态映射关系，输出交通事故起数预测值，评价交通事故风险。本发明可提高交通事故起数预测精度和可靠性。本发明的应用可为甄别高速公路安全隐患、道路设计缺陷等提供理论支撑，为改善高速公路交通安全运行环境提供技术支持。

技术实现要素：

针对现有技术中存在的缺陷，本发明的目的在于提供一种高速公路交通事故风险评估系统，可为甄别高速公路安全隐患、道路设计缺陷等提供理论支撑，为改善高速公路交通安全运行环境提供技术支持。

为达到以上目的，本发明采取的技术方案是：

一种高速公路交通事故风险评估系统，包括：通讯模块、人机交互接口和处理器；

所述通讯模块用于从交通事故数据库服务器中读取交通事故影响因素初始值、交通流量和交通事故起数观测值，并将交通事故影响因素初始值、交通流量和交通事故起数观测值发送给处理器；

所述处理器包括：状态空间模块和支持向量机模块；所述状态空间模块包括：状态方程和量测方程，所述状态方程用于估计高速公路道路系统动态变化，所述量测方程用于描述交通事故影响因素和交通事故起数观测值之间的关联关系；

所述处理器用于完成对数据的处理与分析，将交通事故起数观测值作为量测向量，利用量测方程和交通事故影响因素初始值求出交通事故影响因素估计值，将得到的交通事故影响因素估计值作为状态向量，将交通流量作为状态方程的输入向量，利用状态方程估计交通事故影响因素特征值，支持向量机模块用于集成状态空间模块的输出结果，构建交通事故影响因素特征值和交通事故起数预测值之间的动态映射关系，预测交通事故起数，并将预测结果通过人机交互接口进行输出。

在上述方案的基础上，所述状态方程和量测方程，分别如下所示：

xt+1＝atxt+btqt+wt(1)

yt＝ctxt+vt(2)

其中，xt+1为高速公路系统在t+1时刻的状态向量，xt为高速公路系统在t时刻的状态向量，x0为高速公路系统在t＝0时刻的状态向量，是交通事故影响因素初始值，qt为t时刻的输入向量，是交通流量，yt为t时刻的量测向量，是交通事故起数观测值，wt为t时刻的系统噪声向量，定义为均值为零、具有k维方差矩阵的白色噪声，vt为量测噪声向量，定义为均值为零的白色噪声，at为状态转移矩阵，bt为输入控制矩阵，ct为描述状态向量和量测向量映射关系的转移矩阵。

在上述方案的基础上，所述交通流量向量采用年平均日交通量；所述交通事故影响因素包括道路和环境因素，所述道路因素包括：车道数、中间隔离带宽度及类型，路肩宽度及类型、车道宽度、路段长度；所述环境因素包括：路段所在区域用地性质以及地貌特征等。

在上述方案的基础上，所述支持向量机模块的输入为交通事故影响因素特征值，输出为交通事故起数预测值，所述支持向量机模块采用径向基核函数，如下所示：

k(u,ui)＝exp(-||u-ui||²/2σ²)(3)

其中，u为输入向量，ui为核函数中心，σ为核函数的宽度参数。

在上述方案的基础上，为了提高交通事故起数预测的准确率，避免过学习和欠学习的发生，采用交叉验证的方法优化支持向量机模块的惩罚参数c和核函数的宽度参数σ；包括以下步骤：

步骤1：将训练数据均分为k组；

步骤2：将每个子集做一次验证集，让其余k-1组子集作为训练集；

步骤3：将得到的k个模型应用于交通事故起数预测，选择准确率最高的模型参数作为模型参数的优化值。

本发明产生的有益效果是：本发明提供了一种高速公路交通事故风险评估系统，针对高速公路交通事故频发且影响影响因素众多的特点，构建了状态空间模块估计影响因素特征值，并结合输出的影响因素特征值，采用交叉验证的方法，构建基于核函数的支持向量机模块，预测交通事故起数。本发明为高速公路交通事故风险评估提供了一套全面、综合、具有层次性的分析方法及系统，可以满足高速公路安全隐患辨识、事故黑点排查、道路改进设计等领域对于交通事故风险评估的需求，同时也可为改善高速公路交通安全运行环境提供技术支持。

附图说明

本发明有如下附图：

图1为本发明的系统框图；

图2为本发明的模块处理流程图；

图3为基于状态空间模块的交通事故影响因素特征值提取；

图4为基于径向基核函数的支持向量机模块参数寻优过程；

图5为交通事故风险评估效果对比图，图5(a)为预测效果对比图1，图5(b)为预测效果对比图2。

具体实施方式

以下结合附图1-5对本发明作进一步详细说明。

如图1所示，一种高速公路交通安全风险评估系统，包括一台处理器、通讯模块、人机交互接口；人机交互接口提供数据输入和输出的接口；

通讯模块用于从交通事故数据库服务器中读取交通事故影响因素初始值、交通流量和交通事故起数观测值，并将交通事故影响因素初始值、交通流量和交通事故起数观测值发送给处理器；

所述处理器包括：状态空间模块和支持向量机模块；所述状态空间模块包括：状态方程和量测方程，所述状态方程用于估计高速公路道路系统动态变化，所述量测方程用于描述交通事故影响因素和交通事故起数观测值之间的关联关系；

所述处理器用于完成对数据的处理与分析，将交通事故起数观测值作为量测向量，利用量测方程和交通事故影响因素初始值求出交通事故影响因素估计值，将得到的交通事故影响因素估计值当作状态向量，将交通流量作为状态方程的输入向量，利用状态方程估计交通事故影响因素特征值；支持向量机模块用于集成状态空间模块的输出结果，刻画交通事故影响因素特征值和交通事故起数预测值之间的动态映射关系，预测交通事故起数；并将预测结果通过人机交互接口进行输出。

状态空间模块用于估计交通事故影响因素特征值，如图3所示。状态空间模块包括状态方程和量测方程，如下所示：

xt+1＝atxt+btqt+wt(1)

yt＝ctxt+vt(2)

其中，xt+1为高速公路系统在t+1时刻的状态向量，xt为高速公路系统在t时刻的状态向量，x0为高速公路系统在t＝0时刻的状态向量，是交通事故影响因素初始值，qt为t时刻的输入向量，是交通流量，yt为t时刻的量测向量，是交通事故起数观测值，wt为t时刻的系统噪声向量，定义为均值为零、具有k维方差矩阵的白色噪声，vt为量测噪声向量，定义为均值为零的白色噪声，at为状态转移矩阵，bt为输入控制矩阵，ct为描述状态向量和量测向量映射关系的转移矩阵。

支持向量机模块采用径向基核函数，如下所示：

k(u,ui)＝exp(-||u-ui||²/2σ²)(3)

其中，u为输入向量，ui为核函数中心，σ为核函数的宽度参数。

为了提高交通事故起数预测的准确率，避免过学习和欠学习的发生，采用交叉验证的方法优化支持向量机模块的惩罚参数c和核函数的宽度参数σ，包括以下步骤：

步骤1：将训练数据均分为k组，

步骤2：将每个子集做一次验证集，让其余k-1组子集作为训练集，

步骤3：将得到的k个模型应用于交通事故起数预测，选择准确率最高的模型参数作为模型参数的优化值。

支持向量机模块参数选择结果如图4所示。

图5为交通事故起数预测值与实际值对比图。由图5可知，本发明对交通事故起数预测精准，能够科学合理地甄别交通事故发生点并评价交通事故发生风险的大小。

本发明将本系统的预测结果和采用泊松回归方法以及负二项回归方法得到的结果进行了比较，结果显示，本系统的拟合优度最好，预测误差率最低。

如上所述，对本发明的实施例进行了详细地说明，显然，只要实质上没有脱离本发明的发明点及效果、对本领域的技术人员来说是显而易见的变形，也均包含在本发明的保护范围之内。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。