基于稀疏多输出回归的交通事故建模与控制方法

摘要

本发明公开一种基于稀疏多输出回归的交通事故建模与控制方法，可用来对选定的某个地区发生交通事故的情况建立模型。对某个地区建立多输出回归事故模型，可以自动检测与事故无关的特征参数并区分各个参数的影响，将与交通相关的特征参数带入模型，还可以预测该地区未来发生交通事故的情况。本发明利用交通事故的历史和现状数据，对交通事故的严重程度进行建模，能自动剔除与事故无关的特征参数，辨别影响道路交通安全的关键因素，有助于道路规划时采取更有针对性的措施。本方法在预测交通事故、分析事故原因、指导道路建设改进具有实际的工程应用价值。

权利要求

1.基于稀疏多输出回归的交通事故建模方法，其特征在于，具体步骤为：A)获取某地区的历史交通事故数据样本N组{X1,X2,...,XN}，每个XI包括下述人口、车辆、道路和环境信息：总人口数x1，文化程度x2，收入水平x3，汽车驾驶员数量x4，大型机动车数量x5，小型机动车数量x6，非机动车数量x7，主要路段总长度x8，主要路段交通灯数量x9，平均天气状况x10；其中，I＝1,2,3,...,N；

B)获取对应的交通事故结果样本{Y1,Y2,...,YN},每个YI包括事故发生次数y1，死亡人数y2，受伤人数y3及直接经济损失y4；

C)交通事故数据预处理；将上述N组交通事故数据样本{X1,X2,...,XN}归一化，并存放在矩阵X中；将上述N组对应的交通事故结果样本{Y1,Y2,...,YN}存放在矩阵Y中；

D)假定XI与YI满足关系YI＝XIW+ε，W为系数矩阵，ε为高斯噪声；设λ为平衡参数，取为

0.01≤λ≤100，则W通过求解如下的稀疏多输出回归模型得到

E)选取系数矩阵W，使得J(W)达到最小值，设D为单位矩阵；

F)将J(W)对W取导数，并令结果等于0，得到

XT(XW-Y)+λDW＝0；

G)求解上式得到W＝(XTX+λD)-1XTY；

设D'为对角矩阵，对角元素为W对应行的L2范数的倒数；

H)判断算法是否收敛，即||D-D'||是否小于给定的数ε，如果是，则输出W，否则将D'复制到D中，转到步骤F)；

I)根据W中全为零的行识别出对交通事故建模无关的因素，根据W中非零行的值的正负和大小区分不同因素对交通事故的影响；

J)根据以后采集的上述地区的交通事故特征参数X'＝(x1,x2,…,x10)，预测上述地区的事故发生次数、死亡人数、受伤人数及直接经济损失为WX'。

2.根据权利要求1所述的基于稀疏多输出回归的交通事故建模方法，其特征在于，所述步骤H)中，给定的数ε：0.001≤ε≤0.1。

3.根据权利要求1所述的基于稀疏多输出回归的交通事故建模方法，其特征在于，所述步骤I)中，根据W中非零行的值的正负和大小区分不同因素对交通事故的影响的方法为：若W中非零行的值为正，则该对应因素对事故预测有负面影响，应在道路规划时考虑减小该因素；若W中非零行的值为负，则该对应因素对事故预测有正面影响，应在道路规划时考虑增加该因素；如汽车驾驶员数量x4的系数为负，则应该在以后的道路交通规划中增加汽车驾驶员的数量以减少未来的交通事故。

说明书

基于稀疏多输出回归的交通事故建模与控制方法

技术领域

[0001] 本发明属于交通智能管理和控制技术领域,运用提出的稀疏多输出回归模型，建立一种道路交通事故方法，并且可自动检测影响道路交通安全的关键因素，在预测交通事故、分析事故原因、指导道路建设改进具有实际的工程应用价值。

背景技术

[0002] 随着我国道路交通事业的飞速发展，交通事故猛增已成为当今备受关注的严重社会问题之一。正因为交通事故造成的严重后果，我国对事故预防及对策倾注了大量人力、物力和财力，制定了较为完善的道路交通管理法律、法规和相关政策，但我国的道路交通事故所造成的损害后果却依然严重，而且一直处于上升的趋势，每年交通事故死亡人数居于世界首位。因此，为了保证经济发展和社会稳定，保障人们出行安全和货物运输安全，对中国的交通安全形势做出科学的预测，变得十分必要和迫在眉睫。

[0003] 目前，国内外有多种方法应用于事故建模。已有的研究建立了事故发生与交通流特性，道路环境条件，人口数量，机动车保有量等数据之间的关系，但大多数都是从宏观的角度进行分析，得出的分析结果是一个区域的交通事故次数的预测，这对于预防和减少交通事故起不到太大作用。虽然也有部分研究从微观的角度分析道路的因素对交通事故的影响，但是，忽略了影响交通事故的因素很多，而其中的一些因素是作为噪声因素存在的，如果不剔除这些特征参数而进行交通事故建模，这可能会隐藏交通事故的真正特征与内在规律。

[0004] 交通事故是由众多因素共同作用产生的复杂的系统，而且这些因素之间的关系很难用解析的方法进行描述，而基于稀疏多输出回归模型通过对历史数据的学习，能够以较高精度建立交通事故的模型。

[0005] 为了建模的准确性，不遗漏重要信息，我们会考虑尽量多的因素，同时也必须剔除与事故无关的特征参数，因此，本发明引入了稀疏分析法，对原始数据进行稀疏分析，从而辨别影响道路交通安全的关键因素，从而有效地利用大量统计数据进行定量分析，揭示变量之间的内在关系，而且可为道路建设的改进提供有针对性的指导。

发明内容

[0006] 本发明要解决的问题是克服现有技术的上述不足，提供一种操作简单，准确性高，适用于道路安全检查中交通事故建模的方法。

[0007] 本发明的技术方案为：

[0008] A）获取某地区的历史交通事故数据样本N组{X1,X2,...,XN}，每个X（I I=1,2,3,...,N）包括下述人口、车辆、道路和环境信息：总人口数x1，文化程度x2，收入水平x3，汽车驾驶员数量x4，大型机动车数量x5，小型机动车数量x6，非机动车数量x7，主要路段总长度x8，主要路段交通灯数量x9，平均天气状况x10。

[0009] B）获取对应的交通事故结果样本{Y1,Y2,...,YN},每个Y（I I=1,2,3,...,N）包括事故发生次数y1，死亡人数y2，受伤人数y3及直接经济损失y4。

[0010] C)交通事故数据预处理。将上述N组交通事故数据样本{X1,X2,...,XN}归一化，并存放在矩阵X中。将上述N组对应的交通事故结果样本{Y1,Y2,...,YN}存放在矩阵Y中。

[0011] D)假定XI与Y（I I=1,2,3,...,N）满足关系YI=XIW+ε，W为系数，ε为高斯噪声。设λ为平衡参数，可取为0.01≤λ≤100，则W可通过求解如下的稀疏多输出回归模型得到[0012]

[0013] E)选取系数矩阵W，使得J(W)达到最小值，设D为单位矩阵。

[0014] F)将J(W)对W取导数，并令结果等于0，得到

[0015] XT(XW-Y)+λDW=0

[0016] G)求解上式得到W=(XTX+λD)-1XTY。

[0017] 设D'为对角矩阵，对角元素为W对应行的L2范数的倒数。

[0018] H)判断算法是否收敛，即||D-D'||是否小于给定的数ε（如ε=0.001），如果是，则输出W，否则将D'复制到D中，转到步骤F)。

[0019] I）根据W中全为零的行识别出对交通事故建模无关的因素，根据W中非零行的值的正负和大小区分不同因素对交通事故的影响。如汽车驾驶员数量x4的系数为负，则应该在以后的道路交通规划中增加汽车驾驶员的数量以减少未来的交通事故。

[0020] J)根据以后采集的上述地区的交通事故特征参数X'=(x1,x2,...,x10)，预测上述地区的事故发生次数、死亡人数、受伤人数及直接经济损失为WX'。

[0021] 本发明的技术效果如下：

[0022] 基于稀疏多输出回归模型。已有的一些研究方法直接利用原始数据作为输入变量进行训练，但这些原始数据存在两方面的问题，一是数据量大，维数多，一是数据之间存在相关性，信息有冗余，这就会造成结果的精度不高以及训练速度的降低。对原始数据进行稀疏分析，自动剔除与事故无关的特征参数，从而有效地利用大量统计数据进行定量分析，揭示变量之间的内在关系。

[0023] 从微观的角度选取影响因素进行建模。传统的交通事故预测方法都是利用一些宏观的影响因素作为输入变量进行分析，得到的是一个整体的交通事故的数据。本发明是将道路的微观因素作为输入数据，分析这些因素与交通事故的关系，从而得到这些因素对交通事故的各自的影响，这个结论可以应用到道路交通安全评价中，为道路及周边环境的设计和整修提供依据。

附图说明

[0024] 图1是本发明的基于稀疏多输出回归的交通事故模型流程框图。

具体实施方式

[0025] 在当今社会，道路交通安全受到人们的广泛关注，道路安全评价的研究对于交通事故的减少有很大的作用。本发明从微观的角度，应用基于稀疏多输出回归的建模方法对某一地区等多种变量和交通事故的关系进行了分析研究。

[0026] 下面详细介绍本发明的工作流程：

[0027] 一、数据的选取

[0028] 道路交通是由人、车、路、环境等要素构成的动态系统。交通事故是道路交通系统中，由于人、车、路、环境诸要素的配合失调而偶然突发的事件。因此，在选取交通事故的影响因子时，要从以上方面进行分析。

[0029] 1.人的因素:根据2002年的交通事故统计结果，由于人的原因造成的死亡人数占当年交通事故死亡总数的88.98％，其中机动车驾驶员为主要原因的占78.56％，非机动车驾驶人占4.20％，行人和乘车人占6.22％。可见，从总体上看，交通事故的关键在于机动车驾驶员。因此选取了某一地区周边的总人口数及其的平均文化程度和收入，汽车驾驶员数量四个指标。

[0030] 2.车的因素：造成交通事故的第二大要素是车辆。在道路上行驶的车辆，既有机动车，也有非机动车，其中机动车（尤其是大型机动车）是一种快速的交通工具，能量最大，防护性也最好。但这种防护性只保护驾驶员和车内人员，因此，相对于自行车和其他非机动车，机动车是交通强者。但非机动车数量的增多也会对交通事故的多少产生影响，因此选取了大型机动车数量，小型机动车数量，非机动车数量三个指标。

[0031] 3.路和环境因素：影响道路交通安全的环境因素可分为自然环境和人工环境，自然环境主要包括地理位置，气象条件，时间等，人工环境包括土地使用状况、路侧干扰、道路障碍物等。本发明选取了上述地区的主要路段总长度、主要路段交通灯数量及平均天气状况这三个指标作为影响因子。

[0032] 二、建立道路事故风险模型：

[0033] A)获取某地区的历史交通事故数据样本N组{X1,X2,...,XN}，每个X（I I=1,2,3,...,N）包括人口、车辆、道路和环境信息：总人口数x1，文化程度x2，收入水平x3，汽车驾驶员数量x4，大型机动车数量x5，小型机动车数量x6，非机动车数量x7，主要路段总长度x8，主要路段交通灯数量x9，平均天气状况x10。

[0034] B)获取对应的交通事故结果样本{Y1,Y2,...,YN},每个Y（I I=1,2,3,...,N）包括事故发生次数y1，死亡人数y2，受伤人数y3及直接经济损失y4。

[0035] C)交通事故数据预处理。将上述N组交通事故数据样本{X1,X2,...,XN}归一化，并存放在矩阵X中。将上述N组对应的交通事故结果样本{Y1,Y2,...,YN}存放在矩阵Y中。

[0036] D)假定XI与Y（I I=1,2,3,...,N）满足关系YI=XIW+ε，W为系数，ε为高斯噪声。设λ为平衡参数，可取为0.01≤λ≤100，则W可通过求解如下的稀疏多输出回归模型得到[0037]

[0038] E)选取系数矩阵W，使得J(W)达到最小值，设D为单位矩阵。

[0039] F)将J(W)对W取导数，并令结果等于0，得到

[0040] XT(XW-Y)+λDW=0

[0041] G)求解上式得到W=(XTX+λD)-1XTY。

[0042] 设D'为对角矩阵，对角元素为W对应行的L2范数的倒数。

[0043] H)判断算法是否收敛，即||D-D'||是否小于给定的数ε（如ε=0.001），如果是，则输出W，否则将D'复制到D中，转到步骤F)。

[0044] I）根据W中全为零的行识别出对交通事故建模无关的因素，根据W中非零行的值的正负和大小区分不同因素对交通事故的影响。如汽车驾驶员数量x4的系数为负，则应该在以后的道路交通规划中增加汽车驾驶员的数量以减少未来的交通事故。

[0045] J)根据以后采集的上述地区的交通事故特征参数X'=(x1,x2,...,x10)，预测上述地区的事故发生次数、死亡人数、受伤人数及直接经济损失为WX'。

[0046] 实际运用过程分为模型学习和模型使用两个过程。

[0047] 模型学习：如图1，收集某一地区一定时间内的交通事故数据及对应的交通事故结果数据。根据前述建模步骤建立稀疏多输出回归的交通事故函数，即计算YI=XIW+ε的稀疏矩阵W。

[0048] 模型使用：根据W中全为零的行识别出对交通事故建模无关的因素，根据W中非零行的值的正负和大小区分不同因素对交通事故的影响。如汽车驾驶员数量x4的系数为负，则应该在以后的道路交通规划中增加汽车驾驶员的数量以减少未来的交通事故。并且，根据同一地区某个时间内采集的交通事故特征X'=(x1,x2,...,x10)，利用W对该地区的事故发生次数，死亡人数，受伤人数及直接经济损失进行预测X'W。