=l...p
[0044] Csoclety=[FJ? [CSJT，i= 1…p0
[0045] 在本发明的再一种优选实施方式中，在所述步骤S31中，特征权重[CRJ和[CSd 利用区域安全数据集STATsl9对Croad和Csc_ty进行参数拟合，具体过程为：
[0046] 将每一个聚合的事故热点中的事故分为涉及行人的事故和不涉及行人的事故，再 分别对两种事故进行主成分分析，将事故发生区域的社会属性归入事故属性中，比如犯罪 率、恶性犯罪率、受教育程度和事故涉及人员的年龄与其他事故信息一起进行主成分分析，
[0047] 对涉及行人的事故进行主成分分析后得到的Fi将替换CSC]_ty中的Xi，由于主成分 的方差贡献率用来反映信息量的大小，所以CSi为该主成分特征值与所有主成分特征值之 和的比值，即：
[0048]
[0049]
[0050] 对不涉及行人的事故进行主成分分析后得到的匕将替换Craad中的XyCI^为该主 成分的特征值与所有主成分特征值之和的比值。
[0051] 在热点成因分析方面，本发明运用主成分分析法，去除事故属性之间的关联性，并 运用数据集分析得到各成分的权值，可以找出最能反映事故形成原因的成分，最终分别得 到道路成因和社会成因。如果道路成因较严重，则可以对该区域进行道路改进或者增设交 通设施；如果社会成因较为严重，则可以结合车辆导航避开该路段，选择其他更为安全可靠 的路线。
[0052] 在本发明的再另一种优选实施方式中，所述步骤S4中区域破坏度的计算方法为：
[0053]S41，计算事故破坏度，计算每个事故的安全性能指数CSPI来间接反映每个事故i 的破坏度CSPI(]
其中c为常数c= 1+e2,e为欧拉常数， 和4为第i个事故的六个安全指标间的夫联夫系，六个指标包括碰撞次数、涉及车辆数、死 亡人数、严重受伤人数、无死亡和严重受伤人员的碰撞次数以及无死亡和严重受伤人员碰 撞涉及车辆数，根据每个事故的事故信息，可以确定每个事故六个指标的具体数值，最终计 算得到归一化的CSPI值；
[0054]S42,计算事故重要度，所述事故重要度由事故位置重要度和事故时间重要度组 成，
[0055]a?事故位置重要度
[0056] 由区域发现聚类结果可获得事故热点的中心位置，据此可以得到事故i与热点中 心之间的距离山，定义山越大，对事故热点的影响度越低，即事故位置重要度越低，假设事 故热点的最大覆盖半径为d_，得到归一化的事故位置重要度：
[0057] Wposltlon=d,/d^,
[0058] b?事故时间重要度
[0059] 由事故发生时间可获得时间重要度，事故发生时间区域车辆密度越大，事故重要 度越高，选取车流峰值时间点和车流量最低时间点，可得归一化时间重要度：
[0060]
[0061]得到事故i的事故重要度Wdelay=Wpcisltlcin+Wtinie;
[0062]S43,计算区域破坏度，
[0063] 综合每个事故的破坏度，可以得到区域平均破坏度：
[0064]
[0065] 通过区域平均破坏度的值来反映事故热点的区域破坏度大小，的值越大，则 说明该事故热点对区域的破坏度越大。
[0066] 最后通过区域平均破坏度的计算来反映事故热点的区域破坏度，有效地简化了计 算。同时结合热点成因，对高破坏度的区域进行道路改进或者车辆导航。
[0067] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0068] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变 得明显和容易理解，其中：
[0069]图1为本发明一种优选实施方式中道路事故热点成因分析和破坏度评估方法的 流程图。
【具体实施方式】
[0070] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0071] 在本发明的描述中，除非另有规定和限定，需要说明的是，术语"安装"、"相连"、 "连接"应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可 以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据 具体情况理解上述术语的具体含义。
[0072] 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：
[0073] 第一步：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。
[0074] 在本发明的一种优选实施方式中，可以采用STATsl9数据库，STATsl9数据库被认 为是目前最为详细的交通数据库，并被广泛应用于道路安全评价，STATsl9数据分为碰撞、 人员伤亡和车辆三大类，总共包含82个变量。本发明可以运用此数据库详细说明道路事故 热点成因分析和复合安全性能指数构造方法。
[0075] 第二步：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 热点。
[0076] 在本实施方式中，最小邻居图构造方法为：
[0077] 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，本发明中，计算以上三个数值的方法采用现有的方法。
[0078] S212,将目标区域每个事故点的min(nb(i)，supk)个，即nb(i)，supk中最少的自 然最近邻域连接起来，构成最小自然邻域图，即最小邻居图。
[0079] 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：
[0080]S221，现有方法中直接对最小邻居图中的所有点进行聚类得到事故热点，该算法 能够解释道路网络的关系，却不能很好的划分热点的边界，容易造成一个簇里面包含多个 事故热点的情况，这会造成事故热点成因分析和破坏度评估结果出现较大的误差。本发明 对现有方法进行改进，首先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,具体的流程为：
[0081]
[0082] 其中，FLAG-INVISITIED和FLAG-VISITED是标记，分别表示该点未被搜索和已被 搜索。
[0083]S222,对最小邻居图中未被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。在本实施方式中，搜 索过的点会被标记为已搜索，未搜索的点被标记为未搜索。
[0084] 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，具体算法为：
[0085]
[0086]S224,设定最短距离阈值THSD，计算集合TO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。具体算法为：
[0087]
[0088] 表1?程序中用到的函数解释。
[0089]
[0090]
[0091] 本发明对事故点进行分类，并运用阈值THLD和THSD