道路事故热点成因分析和破坏度评估方法
【技术领域】
[0001] 本发明涉及智能交通控制领域，特别涉及一种道路事故热点成因分析和破坏度评 估方法。
【背景技术】
[0002] 随着社会经济的飞速发展，汽车保有量在近几十年来成倍的增长，然而这也造成 了交通拥挤、交通事故频发、交通安全状况不断恶化等一系列问题，可见，道路交通安全已 经成为影响交通事业发展的瓶颈。道路交通安全评价是道路交通安全研究中的重要内容， 具体是指以一个地区或一条道路为研究对象，通过调查等手段获得研究范围内在特点时间 的事故信息，应用评价方法对研究范围进行安全程度评价。
[0003]在调查道路事故信息时，通常需要应用聚类算法发现事故热点，目前常用的聚类 算法（k-means、，k-medoid、p-median等）大多基于欧几里得距离而非网络距离，这会造成 同一条道路上的事故识别失败，并且很难聚合道路网络产生的任意形状的数据区域，对相 应的参数也十分敏感。
[0004]热点的破坏度能够间接反映热点的交通安全情况。对于交通安全评价，目前国内 外已有的交通安全评价方法主要分为三类：
[0005]①概率数理统计法
[0006]概率数理统计方法包括事故绝对数、事故率法等。该方法的基本思路是确定正常 条件下事故发生的概率分布，以这种分布作为进行判断的依据。看事故发生数是否在正常 的概率范围内，超出这一范围则定义为危险，而低于这一范围则定义为安全。这种方法简单 易行，但对事故的分析过于简单，没有考虑到不同道路交通条件的差别，使得评价结果往往 缺乏科学性和说服力。
[0007] ②强度分析法
[0008]齐庆杰在《道路交通安全评价方法》中指出强度分析法是在一些事故指标的基础 上结合道路交通的其他因素，得出一个综合评判指标。以此作为评判的依据进行道路安全 性能的评价与研究。常用的指标是万车死亡数、10万人死亡数、亿车千米事故数等。但是这 些指标考虑因素过少，没有足够的可信度。
[0009] ③综合评价法
[0010] 综合评价法比较常用的如层次分析法、模糊综合评价法、灰色理论分析法等等。毕 朝晖在《道路交通安全评价研究》中运用模糊识别算法建立了道路交通评价体系，但是由于 该方法受主观因素影响过大，因此很难推广。
【发明内容】
[0011] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种道路事 故热点成因分析和破坏度评估方法。
[0012] 为了实现本发明的上述目的，本发明提供了一种道路事故热点成因分析和破坏度 评估方法，其包括以下步骤：
[0013]S1，输入道路事故信息，所述道路事故信息的特征向量为As= [A，H，V]，其中A为 事故属性，包括事故发生的时间，地点，涉及车辆数以及道路状况描述，H为人员伤亡属性， 包括事故伤亡人数和伤亡程度，V为事故涉及车辆属性，包括每一辆事故车的车辆型号和损 伤程度；
[0014]S2,构造最小邻居图，对所述最小邻居图中的所有事故点进行聚类得到事故热 占.
[0015]S3,对步骤S2中得到的所述事故热点的形成原因进行分析，判断每个事故热点的 道路物理成因区域社会成因Csc]_ty;
[0016]S4,计算所述事故热点的区域破坏度并传输给控制中心进行交通管理和/或者发 送给驾驶者进行驾驶指导，寻找最安全可靠的路线。
[0017] 本发明的道路事故热点成因分析和破坏度评估方法根据已有的道路事故信息，进 行聚类得到事故热点，并对事故热点的成因进行分析，进而得到每个事故热点的区域破坏 度进行驾驶指导和交通控制，这种方法根据客观的事故数据进行分析，客观可信，既考虑了 社会成因，也考虑了物理成因，分析结果可信度高。
[0018] 在本发明的一种优选实施方式中，所述步骤S2中最小邻居图构造方法为：
[0019]S211，得到目标区域每个事故点对应的自然最近领域NNr(i)以及每个事故点 的自然最近邻居数nb(i)，从而得到整个目标区域所有事故点自然最近邻居数的平均值 supk；
[0020] S212,将目标区域每个事故点的min(nb(i)，supk)个自然最近邻域连接起来，构 成最小自然邻域图，即最小邻居图。
[0021] 在本发明的一种优选实施方式中，所述步骤S2对最小邻居图中的所有事故点进 行聚类得到事故热点包括如下步骤：
[0022] S221，将最小邻居图中的事故点分为两类，拥有自然最邻近的事故点以及离群事 故点，并依次将两种事故点归入集合TN和集合T0;
[0023]S222,对最小邻居图中未搜索的顶点进行搜索，确定在没有被搜索的事故点中找 出一个最近邻居数最多的事故点作为簇的起始搜索点，即簇中心点；
[0024]S223,定义THLD为聚类中心的最长距离阈值，对集合TN中的每一个事故点进行 聚类，如果集合TN中的一个事故点与某个簇中心的距离小于THLD，则将该点归入该簇中心 所在的簇中，并将该顶点标记为已搜索，获得初始聚类结果；
[0025]S224,设定最短距离阈值THSD，计算集合T0中的点与所有簇中心的距离，在不大 于最短距离阈值THSD的距离中，选取最小的距离并则将其归入得到最小距离的簇中，以此 对T0中的每个点进行聚类，得到最终聚类结果，实现事故热点的发现。
[0026] 本发明的聚类算法能够有效地减少人为主观因素的影响，簇的数量取决于自然的 邻居关系，具有一定的连贯性，同时该方法不仅能够聚合任意不规则形状的数据区域，还能 与道路路段相结合，通过设置聚类中心的最长距离阈值THLD和最短距离阈值THSD，将交叉 路段和非交叉路段分离，完全的说明道路网络特性，有利于热点的评估。
[0027] 在本发明的另一种优选实施方式中，所述步骤S3中包括如下步骤：
[0028]S31，道路和街道的事故热点形成原因包括道路物理成因Croad和区域社会成因 (；。。1_，(；。^和(：；3。。 1_由事故热点的特征向量[乂1]与特征权重[0?1]和[051]的内积组成 ：
[0029] Croad=[X;] ? [CRjT，i= 1…p，
[0030] Cs〇clety=[XJ? [CSJT，i= 1…p，
[0031] 其中，p为正整数；
[0032] S32,设匕表示原变量的第一个线性组合所形成的主成分指标，即F1 = &1七+&2义+~+aplXp，在所有的线性组合中选取的F#含的信息量最大，故称Fi为第一主成 分，如果第一主成分不足以代表原来P个指标的信息，再考虑选取第二个主成分指标F2，为 有效地反映原信息，匕与Fi要保持独立、不相关，依此类推构造出的F^F2……Fm为原变量 指标Xi、X2……Xp第一、第二、……、第m个主成分，Fi、F2……Fjm彡p)为构造的新变量综 合指标，即原变量指标的第一、第二、……、第m个主成分：
[0033]
[0034] F#F』互不相关，即Cov(F〇FJ= 0,并有Var(FJ= &1' 2ai，5：为X的协方差阵 s = (Sjpxp，其中
[0035]
[0036] 求出2的特征值入及相应的正交化单位特征向量a
[0037] S的前m个较大的特征值入i多入2多…多入n> 〇,就是前m个主成分对应的方 差，Ai对应的单位特征向量ai就是主成分Fi的关于原变量的系数，则原变量的第i个主成 分Fi为：
[0038] Fx=aX,
[0039] 选择主成分，最终要选择几个主成分，即匕、F2……Fm中m的确定是通过方差累计 贡献率G(m)来确定：
[0040]
[0041] 当累计贡献率大于门限值时，就认为能足够反映原来变量的信息了，对应的m就 是抽取的前m个主成分；
[0042] S33,分别得到该事故热点的道路成因和社会成因：
[0043] Croad=[F;] ? [CRJ1，i