城市公交事故风险因素分析方法

1.本发明属于城市公共交通安全监控技术领域，具体涉及一种城市公交事故风险因素分析方法。


背景技术：

2.哈尔滨工业大学研究生马亿鑫撰写的硕士论文《基于动态故障树的城市交通事故风险分析方法》依据动态故障树理论，对城市道路交通事故展开风险分析研究。该论文所公开的城市交通事故风险分析方法的基本内容如下：（1）原始事故数据经过有序的整理和统计，根据事故发生地点、类型以及形态等分布特征，确定研究对象、主要事故类型及主要事故形态。同时统计事故认定书中记录的直接原因，给出基础概率，并依据二项分布统计检验，从人、车、道路、环境四个方面剔除关联性弱的潜在因素,识别出具有显著影响的突出潜在影响因素，得到的主要影响因素和突出潜在影响因素作为城市道路交通事故风险因素，为后续模型的建立奠定基础。
3.（2）构筑有效的风险分析模型对交通事故进行风险分析。首先，在对比常规风险分析方法的优缺点及适用范围的基础上，针对性地选择动态故障树法。然后，依据事故发生机理，构建出城市道路交通事故动态故障树模型。
4.（3）对所述模型进行预处理简化，之后对简化后的模型模块化分解,识别出所有的模块子树。针对静态子树，采用递归法写出相应的ite结构表达式，将子树转化成二元决策图,进而确定最小割集及发生概率。对于动态子树，基于马尔科夫过程，将其转化成马尔科夫链，进而判断其故障模式，计算得到概率重要度。然后将各子树进行模块化合成，得出主要事故成因链。
5.（4）引入bow-tie模型，描述了从事故成因出发，到事故的发生，再到事故后果产生的全过程。首先通过分析事故后果的产生过程，构建事件树模型。运用专家打分法结合三角模糊数，确定各事件链的模糊概率。结合风险矩阵,得出高风险事件链。将故障树中的主要事故成因链与事件树中的高风险事件链对接，构建bow-tie模型，bow-tie模型左侧针对5条主要事故成因链，提出了相应的预防和解决方案；bow-tie模型右侧基于2条高风险事件链，提出了针对性的事故后果应对方案。
6.上述方法在城市交通事故风险的分析、评价方面具有积极的作用，但也存在一定的缺陷，主要表现在以下三个方面：（1）上述方法所针对的、涉及城市交通事故的数据主要是历史数据，缺乏对实时数据的采集与处理。
7.（2）数据处理过程中编码实现难度高，特别是难以实现复杂的协议配置及解析。
8.（3）具体到城市公交事故风险因素的分析这一特定事项而言，上述方法的针对性不足。


技术实现要素：

9.本发明的目的旨在提供一种高效便捷的、能够及时反映城市公交事故风险因素的动态变化的分析方法，从而克服上述现有技术的缺陷。该发明目的是通过下述技术方案实现的：一种城市公交事故风险因素分析方法，该方法所使用的公交事故信息处理系统包括集成安装在城市道路智慧灯杠上的中央处理器、数据转换模块、数据库、时钟模块、网关模块、信息显示模块、互联网模块、卫星定位模块、编码器和自动摄像仪；卫星定位模块、编码器通过数据转换模块与中央处理器通信连接；有线互联网模块、信息显示模块通过网关模块与中央处理器通信连接，数据库、时钟模块、自动摄像仪直接与中央处理器通信连接；中央处理器通过网关模块和互联网模块与城市公交管理部门的控制中心通信连接；该方法包括下述步骤：步骤1，采集公交车有关的道路交通事故数据信息，根据相关风险因素及事故类型制作样本数据集，进行数据预处理；步骤2，从人、车、路、环境四个方面选取风险因素，采用相关性统计分析手段，直观的分析各风险因素的影响程度，从而确定公交事故的特征；步骤3，将选取得到的样本数据集中的风险因素作为自变量，事故类型作为因变量，建立公交事故logistic模型，确定影响城市公交安全的显著性因素；步骤4，采用apriori算法对公交事故风险因素进行关联，挖掘人、车、路、环境四个方面的风险因素之间的关联对公交事故类型的影响；步骤5，结合logistic回归模型分析的单因素对公交事故类型的影响和apriori算法挖掘多因素的关联作用对事故类型的影响，分析出影响城市公交安全的风险因素。
10.本发明的基本构思是：利用城市道路（特别是事故多发地段或交叉路口）两侧或环岛上的智慧灯杠安装公交事故信息处理系统，实时收集并分析、处理公交事故信息，结合城市公交管理部门的控制中心所储存的公交事故历史信息，运用logistic模型和apriori算法，快速、准确地对城市公交事故风险因素进行分析、评估。
11.在上述技术方案的基础上，本发明可附加下述技术手段，以便更好地实现本发明的目的：执行步骤1时，通过数据筛选，获得人员特征、车辆特征、道路条件、事故发生时间、环境信息和事故类型方面的信息。
12.进一步地，执行步骤2时，从事故发生时间、位置，驾驶员，道路和环境四个方面分析公交事故现状，从整体上了解公交事故的发生情况和发展趋势，发现事故的时空分布特征。
13.进一步地，执行步骤3时，执行步骤3时，从公交事故数据中选取驾驶员属性、车辆、道路和环境四个方面的风险因素中的变量作为自变量，以事故类型为因变量，事故类型分为无伤亡、轻伤、重伤和死亡四类。
14.进一步地，步骤3包括步骤301和步骤302，步骤301采用有序多元logistic回归模型，建立事故类型与各变量之间的关系，从而识别出影响城市公交运营安全的风险因素；步骤302运用matlab软件对模型求解，解出各变量的回归系数。
15.本发明具有下述有益效果：
（1）利用现有的智慧灯杠（例如cn112378373a号发明专利申请说明书所记载的智慧灯杠）设置公交事故信息处理系统，不仅能够实时收集、分析、处理城市公交事故信息，而且实施成本低。
16.（2）通过建立公交事故logistic模型，并采用apriori算法，本发明大幅度降低了城市公交事故数据处理过程中编码实现的难度，有效解决了城市公交事故数据处理过程中的复杂协议的配置及解析，能够快速、准确地对城市公交事故风险因素进行分析、评估。
附图说明
17.图1为本发明一个实施例中的公交事故信息处理系统的结构框图。
具体实施方式
18.为了便于本领域技术人员理解本发明的技术方案，以下结合附图，介绍本发明的一个实施例。
19.如图1所示，本发明城市公交事故风险因素分析方法所使用的公交事故信息处理系统包括集成安装在城市道路智慧灯杠上的中央处理器、数据转换模块、数据库、时钟模块、网关模块、信息显示模块、互联网模块、卫星定位模块、编码器和自动摄像仪；卫星定位模块、编码器通过数据转换模块与中央处理器通信连接；有线互联网模块、信息显示模块通过网关模块与中央处理器通信连接，数据库、时钟模块、自动摄像仪直接与中央处理器通信连接；中央处理器通过网关模块和互联网模块与城市公交管理部门的控制中心（图中未示出）通信连接。
20.本发明城市公交事故风险因素分析方法包括下述步骤：步骤1，采集公交车有关的道路交通事故数据信息，筛选获得数据中的人员特征、车辆特征、道路条件、事故发生时间、环境信息和事故类型等信息，根据相关风险因素及事故类型制作样本数据集，进行数据预处理。
21.步骤2，从人、车、路、环境四个方面选取风险因素，采用相关性统计分析手段，直观的分析各风险因素的影响程度，从而确定公交事故的特征。
22.步骤3，从公交事故数据中选取驾驶员属性、车辆、道路和环境四个方面的风险因素中的变量作为自变量，以事故类型为因变量，建立公交事故logistic模型，确定影响城市公交安全的显著性因素；事故类型分为无伤亡、轻伤、重伤和死亡四类。步骤3包括步骤301和步骤302，步骤301采用有序多元logistic回归模型，建立事故类型与各变量之间的关系，从而识别出影响城市公交运营安全的风险因素；步骤302运用matlab软件对模型求解，解出各变量的回归系数β。
23.步骤4，采用apriori算法对公交事故风险因素进行关联，挖掘人、车、路、环境四个方面的风险因素之间的关联对公交事故类型的影响；步骤5，结合logistic回归模型分析的单因素对公交事故类型的影响和apriori算法挖掘多因素的关联作用对事故类型的影响，分析出影响城市公交安全的风险因素。
24.上述道路交通事故数据信息包括城市公交管理部门的控制中心储存的公交事故历史信息和公交事故信息处理系统实时收集的信息。城市局部路段的公交事故风险因素分析，由公交事故信息处理系统中的中央处理器完成，城市整体的公交事故风险因素分析，由
城市公交管理部门的控制中心完成，在此过程中，城市公交管理部门的控制中心与公交事故信息处理系统中的中央处理器互通信息。
25.以上介绍了本发明的一个实施例所使用的公交事故信息处理系统和基本工作步骤，以下进一步介绍本实施例所采用的数据处理方法；执行步骤301时，一般选取第一个或最后一个类别为基准类别，如果以用第k类别表示基准类别，则多元logistic回归模型可表示为k-1个二元logistic回归模型的形式：1个二元logistic回归模型的形式：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ…ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，为第i个观察案例的解释变量，包含j个解释变量，第k个类别的logistics回归模型的参数为，只有j + 1个参数，其中第一个参数为截距项。由此可看出多项logistic回归模型的系数 的幂指数，是衡量解释变量对因变量影响程度的重要指标，是事件发生和不发生概率的比值，可据此判断相对危险度。解释为在控制其他解释变量的条件下，解释变量的单位变化比对类别与基准类别发生比的影响。发生比率表示影响因素没增加或减少一个单位，各类型分布概率的变化情况，即《 1发生比减少；=1发生比不变； 》 1发生比增加。
26.执行步骤302（运用matlab软件进行模型求解）时，对式（1）进行指数变换，可以把各个类别的概率用基准类别的概率表示，即：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2) 由于所有类别的概率之和为1，由式（2）可求得基准类别的概率为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）把式（3）中基准类别的概率代入式（2），可得得到各类别概率：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4） 对多项logistic回归模型采用极大似然方法进行求解，其似然函数表示为：则可求得参数估计值为： 执行步骤4时，本发明采用了apriori算法。apriori算法是关联规则数据挖掘的经典方法，该算法使用逐层搜索迭代，利用k项集来探索（k+1）项集。首先，确定频繁1项集的几何，记作l1，利用l1确定频繁2项集的集合l2，利用l2确定l3，
…
，如此下去，逐层迭代，直到不能找到频繁k项集，每次迭代确定lk都需要一次数据库扫描。频繁项集的所有非空子集都必须也是频繁的性质，可以用于压缩搜索空间，从而提高频繁项集逐层产生的效率。其次，apriori算法产生关联规则需要进行连接、剪枝和产生关联规则三个具体步骤。因此，在本实施例中，步骤4具体包括以下三个步骤：步骤401，连接，为找出lk（所有的频繁k项集的集合），通过将l
k-1
（所有的频繁k-1项集的集合）与自身连接产生候选k项集的集合，候选集合记作ck。设l1和l2是是l
k-1
中的成员。记l
i [j] 表示li中的第j项。假设apriori算法对事务或项集中的项按字典次序排序，即对于（k-1）项集li，l
i [1] 《 l
i [2] 《 l
i [k-1]，将l
k-1
与自身连接，如果（l
1 [1] = l
2 [1]）&&（l
1 [2] = l
2 [2]）&&
…
&&（l
1 [k-2] = l
2 [k-2]）&&（l
1 [k-1] = l
2 [k-1]），则认为l1和l2是可连接的。连接l1和l2的结果是{ l
1 [1], l
1 [1],
ꢀ…
, l
1 [1], l
1 [1]}步骤402，剪枝，ck是lk的超集，即ck的成员可能是也可能不是频繁的。通过扫描所有的事务，确定ck中每个候选的计数，判断是否小于最小支持度计数，如果大于最小支持度计数，则认为该候选成员是频繁的。
[0027] 步骤403，对于每个频繁项集l，产生l的所有非空子集。对于l的每个非空子集s，如果 ，则输出规则。其中，是最小置信度阈值。使用apriori算法进行数据挖掘，需要先设定一个最小置信度和最小支持度，规则的置信度和支持度均在0%和100%之间，需要重点调试这两个参数，以达到缩小规则数量的目的。
[0028]
以上介绍了本发明一个实施例的技术方案，以下通过两个表格，进一步介绍本发明在佛山市禅城区进行测试时所获得的结果：表1为 logistic模型的结果
ꢀ
表2 为公交事故关联影响因子组合结果