高速公路交通事故黑点路段鉴别方法、计算机装置与流程

1.本发明涉及交通安全领域，特别是一种高速公路交通事故黑点路段鉴别方法、计算机装置。


背景技术：

2.交通事故是典型的时空事件，gis空间分析对交通事故研究具有重要启发，国内外学者进行了一定的有益探索，但也存在一些问题亟需解决。一是现有交通事故时空分析方法大多是将空间和时间割裂开来研究，较少顾及时间周期性特点；二是传统的核密度估计和空间自相关统计方法同样存在可塑性面积单元问题，需要研究不同时空尺度的交通事故黑点路段自适应密度分割方法。事故黑点路段具有时空尺度不确定性，用统一的划分单元来度量事故发生频率，存在一定局限性，导致不同的划分单元鉴别结果不尽相同。此外，交通事故存在明显的时间周期性特征，该特征对交通事故黑点路段时空分布规律的研究有着重要意义。
3.传统事故黑点鉴别方法仅在空间尺度上进行，并未考虑事故的时间特征，或考虑事故时间但并未考虑事故时间周期性特征，仅仅是简单的将时间和空间结合起来。传统的交通事故聚类方法没有考虑交通事故严重程度，事故严重程度对交通事故危险路段的判定有着不可忽视的作用。


技术实现要素：

4.本发明所要解决的技术问题是，针对现有技术不足，提供一种高速公路交通事故黑点路段鉴别方法、计算机装置，自适应鉴别不同时空尺度的交通事故黑点路段。
5.为解决上述技术问题，本发明所采用的技术方案是：一种高速公路交通事故黑点路段鉴别方法，包括以下步骤：
6.s1、计算两个事故点之间的空间邻近距离和时间邻近距离，设置执行黑点路段鉴别方法所需的三个参数：时间邻域半径eps
t
，空间邻域半径epss和邻域最少事故点数minpts；
7.s2、根据时间邻近距离、空间邻近距离与所设置的时间邻域半径、空间邻域半径；对于每个事故点，统计与该事故点时间邻近距离、空间邻近距离分别对应小于所设置的时间邻域半径eps
t
和空间邻域半径epss的所有事故点，将统计的事故点定义为该事故点的邻近事故点集；
8.s3、根据事故严重程度对各事故点的邻近事故点集进行加权统计，得到各事故点的邻近事故点数，将邻近事故点数大于所述邻域最少事故点数minpts的事故点标记为核心点，且初始标记为未处理；
9.s4、随机选取一个标记为未处理的核心点，将该核心点标记为已处理，并创建包含当前核心点的新簇，遍历当前核心点的邻近事故点集，并将邻近事故点集中各元素标记为已处理，同时将各元素添加到所创建的新簇中；
30
°
角度范围，基于此划分，按上式计算各事故点发生时间所对应的角度值θ。
20.根据下式设置交通事故点时间邻域半径eps
t
和空间邻域半径epss：
21.neighbor
st
(ei)＝{ej|dis
t
(ei，ej)≤eps
t
且diss(ei，ej)≤epss}；
22.其中，dis
t
(ei，ej)和diss(ei，ej)分别表示事故点ei和事故点ej间的时间邻近距离和空间邻近距离，neighbor
st
(ei)为事故点ei的时空邻域；所述时空邻域是指同时满足时间邻近距离小于时间邻域半径，且空间邻近距离小于空间邻域半径的区域。
23.交通事故是典型的时空事件，现有交通事故时空分析方法大多是将空间和时间割裂开来研究，而传统dbscan聚类方法需要根据预先设定的两个参数：邻域半径(eps)和最少点数(minpts)，识别空间数据集中的核心点(eps邻域点数大于minpts的点)、边界点(非核心点但属于某个核心点的eps邻域点)和噪声点(非核心点且不属于任何核心点的eps邻域点)，进而根据密度连接规则将具有足够高密度的区域划分为簇。本发明以交通事故点为研究对象，考虑时空邻近关系，设置时间邻域半径eps
t
和空间邻域半径epss，建立顾及时间周期性和事故严重程度的交通事故点时空eps邻域，从而依据dbscan密度连接规则识别交通事故点簇，建立面向交通事故黑点路段鉴别的dbscan时空密度聚类方法。
24.步骤s3中，根据事故严重程度对各事故点的邻近事故点集进行加权统计，得到各事故点的邻近事故点数的具体实现过程包括：
25.a)遍历交通事故点的死亡人数属性和受伤人数属性；
26.b)将步骤a)读取的交通事故点按死亡人数和受伤人数分成简单事故、轻微事故、一般事故、重大事故和特大事故，根据事故类型确定事故级别 k；
27.c)利用下式计算邻近事故点数|neighbor
st
(ei)|：)|：其中，nk和wk分别为事故点ei的邻域事故点集中k级事故发生数目及对应的权重。
28.本发明中，k级事故权重分别设为1/3，1，3，5，7。
29.由于dbscan聚类将所有样本点视为同等重要程度来统计邻近点数，而交通事故伤害有不同严重程度，因此需要区别对待，基于以上事故等级划分，重新定义时空dbscan聚类算法中的邻近事故数目，将事故严重程度也视为鉴别事故黑点的影响因素。
30.作为一个发明构思，本发明还提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现本发明所述方法的步骤。
31.作为一个发明构思，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现本发明所述方法的步骤。
32.作为一个发明构思，本发明还提供了一种计算机程序产品，包括计算机程序 /指令；该计算机程序/指令被处理器执行时实现本发明所述方法的步骤。
33.与现有技术相比，本发明所具有的有益效果为：本发明改进了传统的 dbscan空间聚类算法，引入一种顾及时间周期性和事故严重程度的事故时空邻近计算方法，通过密度连接规则自适应鉴别各种时空尺度的交通事故黑点路段；本发明克服了传统方法的可塑性面积单元问题，在考虑事故时间周期性特征及事故严重程度的基础上，更深入的实现了对高速公路交通事故黑点路段时空分布规律的研究。
附图说明
34.图1本发明实施例的流程示意图；
35.图2本发明实施例的空间位置计算；
36.图3本发明实施例的事故发生时间的角度划分；
37.图4本发明实施例的交通事故点时空邻域半径邻域；
38.图5本发明实施例的dbscan算法示意图；
39.图6本发明实施例的交通事故点时空密度聚类示意图；
40.图7本发明实施例的事故黑点路段鉴别结果图。
具体实施方式
41.如图1所示，本发明实施例包括以下步骤：
42.步骤1，计算两两事故点之间的时间邻近距离及空间邻近距离，考虑时间周期性，基于角度划分计算各事故点间的时间邻近距离，设置执行黑点路段鉴别方法所需的三个参数：时间邻域半径eps
t
，空间邻域半径epss和邻域最少事故点数minpts；
43.步骤2，利用步骤1设置的时间邻域半径eps
t
和空间邻域半径epss建立交通事故点的时空邻域，统计位于各事故点时空邻域范围内的事故数，并将位于各事故点时空邻域范围内的点定义为该事故点的邻近事故点集；
44.步骤3，根据不同事故的受伤人数与死亡人数即交通事故伤害的不同严重程度，对步骤2得到的邻近事故点集进行加权统计，得到各事故点加权统计后的邻近事故点数，将邻近点数大于步骤1所设的邻域最少事故点数minpts的事故点标记为核心点且初始标记为未处理；
45.步骤4，随机挑选一个步骤3得到的未处理的核心点，将其标记为已处理并以当前核心点为元素创建一个新簇，遍历当前核心点的邻近事故点集，将该核心点的邻近事故点集添加到所创建的新簇中；
46.步骤5，循环遍历步骤4所创建的新簇中的所有核心点，搜索与这些核心点密度可达的邻近事故点集，标记为已处理并逐一添加到当前新簇中，直至无密度可达的事故点被找到；
47.步骤6，返回步骤4，遍历下一个未处理的核心点，直到处理完所有的核心点，进入步骤7；
48.步骤7，统计步骤1-步骤6所创建的各个事故点簇的加权事故数并进行从大到小排序，将排名靠前的交通事故点簇所在的高速公路里程范围标记为事故黑点路段。
49.而且，步骤1为空间邻近距离和时间邻近距离的计算，具体实现步骤包括：
50.步骤1.1，统计道路数据中的所有道路名称，遍历每一个道路名称，按包含的道路名称匹配事故点与道路路网；
51.步骤1.2，根据每两个事故点间的空间坐标逐一计算每条道路上事故点间的空间欧式距离作为其空间邻近距离；
52.步骤1.3，根据事故点的原始数据提取事故发生时间的月度、日度、小时等时间变量，对变量进行周期性角度划分，即根据月度的时间周期性，将360
°
按 12个月进行12等分，再分别对每一份按照一个月对应的天数等分，最后依次按照小时、分钟和秒对每一份等分，
使得每个时间都有与其一一对应的角度值；
53.步骤1.4，基于上一步骤的划分，计算各事故点发生时间所对应的角度值θ，具体方法是：
[0054][0055]
式中tm、td、th、tm、ts分别为事故发生时间的月份、日期、小时、分钟和秒数，εd、εh、εh分别为一天、一小时、一分钟所对应秒数，day为当前月份包含的总天数；
[0056]
步骤1.5，根据事故发生的时间邻近关系，计算事故间的时间邻近距离，具体方法是：
[0057][0058]
θi、θj分别为事故ei、事故ej发生时间在对应圆周上的角度。
[0059]
步骤1.6，根据步骤1.1—1.4计算得到的各事故点间的时间邻近距离和空间邻近距离，设置时间邻域半径eps
t
＝0.025，空间邻域半径epss＝700m和邻域最少事故点数minpts＝10；
[0060]
步骤2根据步骤1设计的时间邻域半径和空间邻域半径统计各事故点的邻近事故点，具体实现步骤包括，
[0061]
步骤2.1，将各事故点时间邻近距离小于步骤1设置的时间邻域半径且空间邻近距离小于设置的空间邻域半径的范围定义为该事故点的时空邻域，具体方法是：
[0062]
neighbor
st
(ei)＝{ej|dis
t
(ei,ej)≤eps
t
且diss(ei,ej)≤epss}；
[0063]
其中，dis
t
(ei,ej)和diss(ei,ej)分别表示事故ei和ej间的时间邻近距离和空间邻近距离，eps
t
、epss分别是设定的时间邻近半径和空间邻近半径， neighborst(ei)为事故点ei的时空邻域；
[0064]
步骤2.2，统计各事故点时空邻域范围内的所有事故点，并将其定义为该事故点的邻近事故点集；
[0065]
步骤3为统计顾及事故严重程度的邻近事故数，具体实现步骤包括，
[0066]
步骤3.1，本发明按事故严重程度将交通事故划分为简易事故、轻微事故、一般事故、重大事故和特大事故五个事故等级；
[0067]
步骤3.2，对事故严重程度进行定量处理，具体划分标准如下：
[0068]
简易事故k＝1：无人员伤亡；
[0069]
轻微事故k＝2：轻伤1至2人；
[0070]
一般事故k＝3：重伤1至2人，或轻伤3人以上；
[0071]
重大事故k＝4：死亡1至2人，或者重伤3人以上10人以下；
[0072]
特大事故k＝5：死亡3人以上，或者重伤11人以上，或者死亡1人同时重伤8人以上，或者死亡2人同时重伤5人以上；
[0073]
步骤3.3，基于上一步骤的事故等级划分，对步骤2得到的各事故点的邻近事故点集进行加权统计，得到该事故点加权后的邻近事故点数，具体方法如下：
[0074]
[0075]
其中，nk和wk分别为事故ei的邻域事故点集中k级事故发生数目及其权重， k＝1
…
5级事故权重分别设为1/3,1,3,5,7；
[0076]
步骤3.4，根据步骤3.5得到的加权邻近事故点数，将邻近事故数大于步骤1 所设邻域最少点数minpts的事故点标记为核心点且初始标记为未处理。
[0077]
步骤4是对核心点进行处理，得到一个事故点新簇，具体实现步骤包括，
[0078]
步骤4.1，随机挑选一个未处理的核心点，将其标记为已处理，并以当前核心点为元素创建一个新簇；
[0079]
步骤4.2，遍历当前核心点的邻近事故点集，将该核心点的邻近事故点集添加到所创建的新簇中。
[0080]
步骤5是对步骤4所创建的新簇中的核心点进行处理，将所有与新簇内的核心点密度可达的邻近事故点集都添加到新簇中，具体实现步骤包括，
[0081]
步骤5.1，循环遍历步骤4所创建的新簇中的所有核心点，搜索与这些核心点密度可达的邻近事故点集；
[0082]
步骤5.2，将步骤5.1搜索得到的邻近事故点集标记为已处理并逐一添加到当前新簇中，重复此步骤，直至无密度可达的事故点被找到。
[0083]
步骤6是处理未处理的核心点，具体实现步骤包括，
[0084]
步骤6.1，返回步骤4，搜索下一个未处理的核心点；
[0085]
步骤6.2，重复步骤4～6，直至处理完所有的核心点，进入步骤7。
[0086]
步骤7是对各事故点簇按加权事故数进行排序，将排名靠前的事故点簇所在的高速公路里程范围标记为事故黑点路段，具体实现步骤包括：
[0087]
步骤7.1，对得到的所有事故点簇按加权事故数从大到小进行排序；
[0088]
步骤7.2，将点簇中加权事故数排名靠前的事故点簇挑选出来并进行标记；
[0089]
步骤7.3，提取被标记的事故点簇中各事故点的里程桩号信息，将被标记的事故点簇所在的高速公路里程范围标记为事故黑点路段；
[0090]
步骤7.4，对事故黑点路段进行路网匹配，获得交通事故黑点路段分布图。
[0091]
交通事故间具有某种关联因素，为提高高速公路安全水平，需探索高速公路交通事故黑点路段的时空分布规律。本发明引入一种顾及时间周期性和事故严重程度的事故时空邻近计算方法，对传统dbscan空间聚类算法改进为一种顾及时间周期性和事故严重程度的时空聚类算法，可以通过密度连接规则自适应鉴别各种时空尺度的交通事故黑点路段，可有效克服传统方法因为划分单元不同造成鉴别结果不同的可塑面积单元问题，自适应的鉴别不同长度的黑点路段。
[0092]
以下结合附图详细说明本发明技术方案。
[0093]
图1为本发明实施例的鉴别高速公路交通事故黑点流程，本发明实施例首先基于道路名称，建立交通事故数据与高速公路数据的匹配关系；然后基于高速公路的里程信息，采用分段线性插值计算各事故的空间位置坐标；在此基础上，结合密度分析与时空统计，进行顾及时间周期性的事故时空距离计算，在此基础上设置改进的dbscan聚类算法鉴别事故黑点路段所需的三个参数：时间邻域半径eps
t
，空间邻域半径epss和邻域最少事故点数minpts；并进行基于事故严重程度的邻近事故数统计，最后进行对交通事故黑点路段的识别，进一步分析高速公路交通事故时空分布特征。
[0094]
本发明可以通过计算机软件编程实现事故黑点路段鉴别流程，本发明的具体鉴别过程如下：
[0095]
步骤1：提取各事故点的空间位置坐标以及事故发生时间，分别计算各事故点间的空间邻近距离和基于角度划分的时间邻近距离，并设置执行黑点路段鉴别方法所需的三个参数：时间邻域半径eps
t
，空间邻域半径epss和邻域最少事故点数minpts；
[0096]
步骤2：根据步骤1设置的时间邻域半径eps
t
和空间邻域半径epss建立各交通事故点的时空邻域，统计位于事故点时空邻域范围内的点，并将统计的点定义为该事故点的邻近事故点集；
[0097]
步骤3：根据事故严重程度对步骤2得到的各事故点的邻近点集进行加权统计，得到该事故点加权后的邻近事故点数，并将邻近事故点数大于步骤1所设邻域最小点数minpts的事故点标记为核心点且初始标记为未处理；
[0098]
步骤4：随机挑选一个步骤3得到的未处理的核心点，将其标记为已处理并以当前核心点为元素创建一个新簇，遍历当前核心点的邻近事故点集，并将该邻近事故点集中各元素标记为已处理且添加到所创建的新簇中；
[0099]
步骤5：循环遍历步骤4所创建的新簇中的所有核心点，搜索与这些核心点密度可达的邻近事故点集，标记为已处理并逐一添加到当前新簇中，直至无密度可达的事故点被找到；
[0100]
步骤6：返回步骤4，遍历下一个未处理的核心点，直到处理完所有的核心点，进入步骤7；
[0101]
步骤7：统计步骤1-6所创建的各个事故点簇的加权事故数并进行从大到小排序，将排名靠前的交通事故点簇所在的高速公路里程范围标记为事故黑点路段。
[0102]
以下分步骤详细说明实现过程。
[0103]
实施例的步骤1具体实现包括以下步骤，
[0104]
dbscan聚类算法是一种经典的密度聚类算法，可有效发现空间数据库中任意形状和大小的聚类，同时可以区分噪声点，通过用户设定的邻域半径值(eps) 和邻域内最少点数(minpts)参数，将具有足够高密度的区域划分为簇。
[0105]
dbscan通过定义直接密度可达、密度可达、密度相连、核心点等概念，进行密度聚类，如图2所示。
[0106]
①
直接密度可达：当满足条件：p∈n
eps
(q)，q∈q，q是核心点时，点p被称为直接密度可达点q；
[0107]
②
密度可达：当存在一系列点p1，
…
，pn(p1＝q，pn＝p)满足p
i+1
直接密度可达pi，则点p称为密度可达点q；
[0108]
③
密度相连：当存在点o使p和q都密度可达点o，则p与q密度相连；
[0109]
④
核心点：一个对象的eps邻域至少包含最小数目的对象；
[0110]
⑤
边界点：不是核心点，但落在某个核心点的eps内的对象；
[0111]
⑥
噪声点：eps邻域中无点，即不属于任何簇的对象。
[0112]
步骤1.1，统计道路数据的所有道路名称，遍历每一个道路名，将事故点发生所在的道路名称，分别与高速公路路网道路一一对应，即进行事故点与高速公路道路路网匹配，并采用线性插值计算出各事故点的空间坐标，如图3所示。
[0113]
步骤1.2，根据各事故点的空间坐标坐标，根据式(1)计算事故点间的空间邻近距离。
[0114][0115]
其中，xi、yi和xj、yj分别为事故点ei和ej的坐标值；
[0116]
步骤1.3，提取事故发生时间的月(tm)，日(td)，小时(th)，对交通事故时间属性进行划分，将360
°
按12个月进行12等分，再分别对每一份按照一个月对应的天数等分，最后依次按照小时、分钟和秒对每一份等分，使得每个时间都有与其一一对应的角度值；
[0117]
步骤1.4，按式(2)计算各事故点发生时间的角度值，如图4所示，“2014/12/1315:20:00”与“2012/01/10 12:10:00”时刻发生的两起交通事故事故ei和ej，其对应的角度值θi、θj分别如度盘上的灰点所示。
[0118][0119]
步骤1.5，根据事故点发生的时间邻近关系，按式(3)计算事故点间的时间邻近距离；
[0120][0121]
θi、θj分别为事故点ei、事故点ej发生时间在对应圆周上的角度。
[0122]
步骤1.6，根据步骤1.1-1.5计算得到的各事故点间的时间邻近距离和空间邻近距离，设置时间邻域半径eps
t
＝0.025，空间邻域半径epss＝700m和邻域最少事故点数minpts＝10；
[0123]
执行步骤1后，本发明实施例的步骤2具体实现包括以下步骤，
[0124]
步骤2.1，按式(4)将各事故点时间邻近距离小于步骤1设置的时间邻域半径eps
t
且空间邻近距离小于设置的空间邻域半径epss的范围定义为该事故点的时空邻域，如图5所示；
[0125]
neighbor
st
(ei)＝{ej|dis
t
(ei，ej)≤eps
t
且diss(ei，ej)≤epss}；
ꢀꢀꢀ
(4)
[0126]
其中，dis
t
(ei，ej)和diss(ei，ej)分别表示事故ei和ej间的时间邻近距离和空间邻近距离，eps
t
、epss分别是设定的时间邻近半径和空间邻近半径，neighborst(ei) 为事故点ei的时空邻域；
[0127]
步骤2.2，统计各事故点时空邻域范围内的所有事故点，并将其定义为该事故点的邻近事故点集；
[0128]
本发明实施例的步骤3的具体实现包括以下步骤：
[0129]
步骤3.1，遍历交通事故点的死亡人数属性和受伤人数属性；
[0130]
步骤3.2，将无人员伤亡的交通事故点分为简易事故，并赋权值k＝1；轻伤1 至2人的交通事故分为轻微事故，赋权值k＝2；将重伤1至2人或轻伤3人的交通事故分为一般事故，赋权值k＝3；死亡1至2人或者重伤3人以上10人以下的事故分为重大事故，赋权值k＝4；死亡3人以上，或者重伤11人以上，或者死亡1人同时重伤8人以上，或者死亡2人同时重伤5人以上的交通事故分为特大事故，赋权值k＝5。
[0131]
步骤3.3，基于上一步骤的事故等级划分，按式(5)对步骤2得到的各事故点的邻近事故点集进行加权统计，得到该事故点加权后的邻近事故点数；
[0132][0133]
其中，nk和wk分别为事故ei的邻域事故点集中k级事故发生数目及其权重， k＝1
…
5级事故权重分别设为1/3,1,3,5,7；
[0134]
步骤3.4，根据步骤3.3得到的加权邻近事故点数，将邻近事故数大于步骤1 所设邻域最少点数minpts的事故点标记为核心点且初始标记为未处理。
[0135]
本发明实施例的步骤4的具体实现包含以下步骤：
[0136]
步骤4.1，随机挑选一个未处理的核心点，将其标记为已处理，并以当前核心点为元素创建一个新簇；
[0137]
步骤4.2，遍历当前核心点的邻近事故点集，将该核心点的邻近事故点集添加到所创建的新簇中。
[0138]
本发明实施例的步骤5的具体实现包含以下步骤：
[0139]
步骤5.1，循环遍历步骤4所创建的新簇中的所有核心点，搜索与这些核心点密度可达的邻近事故点集；
[0140]
步骤5.2，将步骤5.1搜索得到的邻近事故点集标记为已处理并逐一添加到当前新簇中，重复此步骤，直至无密度可达的事故点被找到。
[0141]
本发明实施例的步骤6的具体实现包含以下步骤：
[0142]
步骤6.1，返回步骤4，搜索下一个未处理的核心点；
[0143]
步骤6.2，重复步骤4——步骤6，直至处理完所有的核心点，进入步骤7。
[0144]
本发明实施例的步骤7的具体实现包含以下步骤：
[0145]
步骤7.1，对得到的所有事故点簇按加权事故数从大到小进行排序；
[0146]
步骤7.2，将点簇中加权事故数排名靠前的事故点簇挑选出来并进行标记；
[0147]
步骤7.3，提取被标记的事故点簇中各事故点的里程桩号信息，如图6所示，将被标记的事故点簇所在的高速公路里程范围标记为事故黑点路段，图中，空间范围sc为所有事故点的里程范围，ts为所有事故点发生的时间尺度。
[0148]
步骤7.4，对事故黑点路段进行路网匹配，获得湖南省高速公路交通事故黑点路段分布图，如图7所示。
[0149]
图7中，黑色圆形符号表示鉴别的黑点路段中心位置，符号大小表示该黑点路段上发生的加权事故量。矩形框内文字标明对应黑点路段所属高速公路编号与起止里程，矩形框填充颜色则表示该黑点路段上交通事故的时间聚集范围。从空间维度看，黑点路段主要分布在于京港澳高速，沪昆高速和长张高速(g5513) 等路段，占比高达78.13％，具有明显的空间集聚性；从时间维度看，不同黑点路段可能聚集于不同月份发生交通事故，具有一定的时空异质性，其产生原因可能与各黑点路段所处的地理环境、路面情况、出行特点有关。本发明通过引入顾及时间周期性和事故严重程度的事故时空邻近距离指标，自适应鉴别不同时空尺度的交通事故黑点路段。从时间和空间两个维度对交通事故数据进行综合分析和黑点路段鉴别，结果表明本发明实施例方法可有效克服统计单元划分不一致导致的可塑面积单元问题，同时可进一步挖掘交通事故的时间聚集特征。