一种道路交通事故严重度预测方法

本申请涉及道路交通事故分析，尤其涉及一种道路交通事故严重度预测方法。

背景技术：

1、随着我国机动化和城镇化高速发展，山区公路交通需求猛增，山区公路交通安全面临新混合交通环境复杂、在途车辆种类多、不良驾驶行为等新问题，交通事故反弹压力大。提高双车道道路安全系统的可靠性，明晰交通事故严重程度关键影响因素，准确预测交通事故严重程度，已成为双车道公路交通事故风险主动防控急需解决的问题。

2、为实现交通事故影响因素识别和严重程度预测，国内外学者从驾驶人、车辆、道路条件、环境等因素构建评价指标体系，并将其用于事故严重程度建模中，这些建模的方法涵盖了统计学方法和机器学习算法。然而大部分机器学习模型无法对输入的特征变量进行筛选，将所有的特征变量用于事故严重程度建模则会增加无关信息对模型的干扰，导致过拟合或欠拟合等问题，直接影响到模型的分类能力。

3、如何克服现有技术的不足，构建一个综合考虑数据结构、算法参数设置和特征变量选择三方面内容的较佳性能的事故严重程度模型，是目前道路交通事故分析技术领域亟需解决的问题。

技术实现思路

1、为解决或部分解决相关技术中存在的问题，本申请提供一种道路交通事故严重度预测方法，该方法能够有效实现对道路交通事故严重程度的高精度预测，提高道路交通运行的安全性。

2、本申请第一方面提供一种道路交通事故严重度预测方法，包括：

3、首先，基于道路交通事故特征变量的数据属性，对特征变量进行量化处理或离散分段处理得到基础变量编码表，通过主成分分析pca法筛选基础特征集得到pca数据集，基础特征集通过皮尔逊系数选取特征变量得到；

4、其中，特征变量包括无序多分类变量和连续变量，无序多分类变量进行量化处理，连续变量进行离散分段处理；

5、其中，无序多分类变量包括肇事者性别和年龄、肇事和涉事交通方式、季节、时间、肇事路段情况、路表状态、天气状况和事故形态；

6、其中，连续变量包括坡长、坡度、弯道半径、日交通量系数和货车日交通量系数；

7、其中，日交通量系数cdt为日交通量vdt与年平均日交通aadt之比，货车日交通量系数ctdt为当日货车交通量vtdt与日交通量之比，如式(1)所示：

8、

9、

10、其中，连续变量进行离散分段处理为：以误差平方和作为k值选取的评判依据，采用km聚类方法对连续变量进行聚类离散化，如式(2)所示：

11、

12、式中，sse为误差平方和；lr为第r个簇；p为簇lr的样本点；mr为lr的质心；

13、其中，通过主成分分析pca法筛选基础特征集得到pca数据集为：在基础特征集原有n维特征的基础上构造新的k维特征，并综合的k维特征形成pca数据集，步骤如下：

14、s1:输入m条样本，特征数为n的数据集，即样本数据x＝|x1,x2,…,xn|，降维到的目标维数为k,记样本集为矩阵x:

15、

16、其中,每一行代表一个样本，每一列代表一个特征，列号表示特征的维度，共n维；

17、s2:对矩阵x去中心化得到新矩阵x′，新矩阵x′为：

18、

19、s3:计算x′的协方差矩对协方差矩阵c进行特征分解，求出协方差矩阵的特征值λk及对应的特征向量vk；

20、s4:将特征向量按对应特征值从左到右按列降序排列成矩阵，取前k列组成矩阵w，通过计算y＝x′w降维到k维后的样本特征，即m×k阶矩阵，输出降维后的样本集y＝|y1，y2，……yn|。

21、其次，采用轻量级梯度提升机lightgbm算法基于基础变量编码表和pca数据集识别事故特征，建立交通事故严重度预测模型；

22、其中，建立交通事故严重度预测模型，对lightgbm模型参数寻优时，将通用参数设置为默认值，按照经验将参数“学习率”、“最大深度”和“n_estimators”按梯度设置，具体步骤为：

23、s1：初步设定学习率、最大深度、n_estimators取值范围；

24、s2：利用网格搜索方法调整超参数的取值范围，并结合十折交叉验证确定超参数；

25、s3：结合模型训练曲线，逐渐缩小模型参数的范围并进行迭代，得到多次迭代后的lightgbm参数。

26、最后，评价交通事故严重度预测模型并进行模型优化。

27、其中，结合roc曲线和auc值实现对交通事故严重度预测模型的性能评价，roc曲线用于反映敏感度与特异度之间的关系，auc值与模型性能成正比，微平均、宏平均auc值用于反映模型在样本个体层面和样本类别层面的预测情况；

28、其中，auc值大于0.9时，模型性能表现优秀；auc值介于0.7-0.9时，模型性能表现一般；auc值小于0.7时，模型性能较差。

29、本申请提供的技术方案可以包括以下有益效果：

30、本申请提供了一种道路交通事故严重度预测方法，通过融合多个道路交通特征构建的基于机器学习的事故严重度预测模型对交通事故严重度进行预测，能够有效实现对道路交通事故严重程度的高精度预测，提高道路交通运行的安全性，事故严重度预测模型具有数据驱动、特征识别、自学习等技术特点，具有较好的分类预测性能，有效提升事故严重度分级的准确率和鲁棒性。

技术特征：

1.一种道路交通事故严重度预测方法，其特征在于，包括：

2.根据权利要求1所述的道路交通事故严重度预测方法，其特征在于，

3.根据权利要求2所述的道路交通事故严重度预测方法，其特征在于，

4.根据权利要求2所述的道路交通事故严重度预测方法，其特征在于，

5.根据权利要求4所述的道路交通事故严重度预测方法，其特征在于，

6.根据权利要求2所述的道路交通事故严重度预测方法，其特征在于，

7.根据权利要求1所述的道路交通事故严重度预测方法，其特征在于，

8.根据权利要求1所述的道路交通事故严重度预测方法，其特征在于，

9.根据权利要求1所述的道路交通事故严重度预测方法，其特征在于，

10.根据权利要求9所述的道路交通事故严重度预测方法，其特征在于，

技术总结
本申请是关于一种道路交通事故严重度预测方法，包括：基于道路交通事故特征变量的数据属性，对特征变量进行量化处理或离散分段处理得到基础变量编码表，通过主成分分析PCA法筛选基础特征集得到PCA数据集，基础特征集通过皮尔逊系数选取特征变量得到；采用轻量级梯度提升机LightGBM算法基于基础变量编码表和PCA数据集识别事故特征，建立交通事故严重度预测模型；评价交通事故严重度预测模型并进行模型优化。通过事故严重度预测模型对交通事故严重度进行预测，实现对道路交通事故严重程度的高精度预测，提高道路交通运行的安全性。

技术研发人员：李京阳,郭凤香,周怡雯,杨磊,唐于洁,熊昱然
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/5/10