本发明公开了一种基于时空立方体的道路超速事件黑点识别方法，包括：(1)获取待识别地区的地理信息和超速事件信息；(2)采用Global Moran’s I方法计算最佳空间步长，并根据所述最佳空间步长构建道路超速事件时空立方体；(3)根据构建的超速事件时空立方体，采用Mann‑Kendall统计方法判断各地点的道路超速事件变化趋势；(4)根据构建的超速事件时空立方体，采用Getis‑Ord General G统计方法获取道路超速事件的热点地点；(5)根据各地点的道路超速事件变化趋势和获取的道路超速事件的热点地点得到道路超速事件的黑点。本发明从超速事件时间分布和空间分布的角度分析，可以更准确的识别道路超速事件黑点。
1.一种基于时空立方体的道路超速事件黑点识别方法，其特征在于该方法包括：(1)获取待识别地区的地理信息和超速事件信息；
(2)采用Global Moran’s I方法计算最佳空间步长，并根据所述最佳空间步长构建道路超速事件时空立方体；
(3)根据构建的超速事件时空立方体，采用Mann-Kendall统计方法判断各地点的道路超速事件变化趋势；
(4)根据构建的超速事件时空立方体，采用Getis-Ord General G统计方法获取道路超速事件的热点地点；
(5)根据各地点的道路超速事件变化趋势和获取的道路超速事件的热点地点得到道路超速事件的黑点。
2.根据权利要求1所述的基于时空立方体的道路超速事件黑点识别方法，其特征在于：步骤(2)包括：
(2.1)以不同的邻域距离计算道路超速事件频率的Global Moran’s I；其中，Global Moran’s I的计算公式如下：式中，n为待识别地区的地点总数， yi为地点i的道路超速事件频率，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
(2.2)根据不同邻域距离下计算得到的Global Moran’s I，以邻域距离为横轴、Global Moran’s I的z得分为纵轴绘制曲线，并选择曲线峰值对应的邻域距离作为最佳空间步长；
(2.3)按照时间步长为1天，空间步长为所述最佳空间步长，构建道路超速事件的时空立方体。
3.根据权利要求1所述的基于时空立方体的道路超速事件黑点识别方法，其特征在于：步骤(3)包括：
(3.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Mann-Kendall检验统计量，其中，所述Mann-Kendall检验统计量的计算公式如下：式中，Si表示地点i的Mann-Kendall检验统计量，i＝1,…,n，n为地点总数，m为设定段时间内的时间步长数， 形如 为地点i的第*个时间步长中的道路超速事件频率；
(3.2)根据每个地点的Mann-Kendall检验统计量计算标准化转化值Z，其中，所述标准化转化值Z的计算公式如下：式中， tu为第u组的数据点的数量；
(3.3)根据Mann-Kendall检验统计量的标准化转化值Z采用下表中规则判断道路超速事件的变化趋势：Z 置信度 变化趋势
＜-2.58 99％ 下降，置信度为99％-2.58～-1.96 95％ 下降，置信度为95％-1.96～-1.65 90％ 下降，置信度为90％-1.65～1.65 — 非显著性趋势
1.96～2.58 95％ 上升，置信度为95％＞2.58 99％ 上升，置信度为99％
4.根据权利要求1所述的基于时空立方体的道路超速事件黑点识别方法，其特征在于：步骤(4)包括：
(4.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Getis-Ord的局部统计值，其中，所述Getis-Ord的局部统计值计算公式如下：式中， 为地点i的Getis-Ord的局部统计值，n为地点总数，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
(4.2)根据每个地点的Getis-Ord检验统计量按照下表中规则判断是否为道路超速事件的热点或冷点：。
5.根据权利要求1所述的基于时空立方体的道路超速事件黑点识别方法，其特征在于：步骤(5)具体包括：
对道路超速事件变化趋势和道路超速事件热点统计结果进行交叉分析，若Mann-Kendall检验判定该地点道路超速事件显著增加，且Getis-Ord检验判定该地点为显著的道路超速事件的热点，则判定该地点为道路超速事件黑点。
一种基于时空立方体的道路超速事件黑点识别方法
技术领域
[0001] 本发明涉及交通领域，尤其涉及一种基于时空立方体的道路超速事件黑点识别方法。
背景技术
[0002] 驾驶违法行为是造成交通事故的主要原因。其中，超速行驶作为交通违法行为之一，是造成道路交通风险的重要因素。交通事件黑点表示的是交通事件多发地段。
[0003] 时空立方体模型由Hagerstrand于十六世纪末期提出，是可视化分析和时空分布分析的重要方法之一，通过三维模型同时展现现实中的二维平面世界(x维度与y维度) 和时间变化(z维度)，它能够综合考虑时间、空间和属性信息，通过合理设置时空立方体的时间步长、空间步长，更清晰地展示立方体内关键属性的时空分布情况，为关键属性的时空分析提供良好的时空颗粒度。
[0004] 现有交通事件黑点的判别研究主要以交通事故为对象，大多采用事件频率法和事件率法从空间角度开展，分析一个区域一段时间内各个地点超速事件发生的绝对频率，将绝对频率和平均事件频率进行对比，若大于平均时间频率则判定为超速事件黑点；还有部分方法计算道路超速事件的相对频率，即综合考虑一个地点的超速事件频率和交通流量，得出该地区的相对事件频率再跟某阈值进行对比从而判别道路超速事件黑点。
[0005] 这些传统的道路超速事件黑点判别方法仅仅考虑了事件在空间分布的不均衡性，而未考虑事件在时间分布的不均衡性，损失了大量道路超速事件的相关信息，很难保证对于道路超速事件黑点判别的准确性。
发明内容
[0006] 发明目的：本发明针对现有技术存在的问题，提供一种基于时空立方体的道路超速事件黑点识别方法，能够更加充分挖掘道路超速事件中的信息，同时结合超速事件时间分布和空间分布的特征，判别道路超速事件黑点。
[0007] 技术方案：本发明所述的基于时空立方体的道路超速事件黑点识别方法包括：
[0008] (1)获取待识别地区的地理信息和超速事件信息；
[0009] (2)采用Global Moran’s I方法计算最佳空间步长，并根据所述最佳空间步长构建道路超速事件时空立方体；
[0010] (3)根据构建的超速事件时空立方体，采用Mann-Kendall统计方法判断各地点的道路超速事件变化趋势；
[0011] (4)根据构建的超速事件时空立方体，采用Getis-Ord General G统计方法获取道路超速事件的热点地点；
[0012] (5)根据各地点的道路超速事件变化趋势和获取的道路超速事件的热点地点得到道路超速事件的黑点。
[0013] 进一步的，步骤(2)包括：
[0014] (2.1)以不同的邻域距离计算道路超速事件频率的Global Moran’s I；其中，Global Moran’s I的计算公式如下：
[0015]
[0016] 式中，n为待识别地区的地点总数， yi为地点i的道路超速事件频率，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
[0017] (2.2)根据不同邻域距离下计算得到的Global Moran’s I，以邻域距离为横轴、Global Moran’s I的z得分为纵轴绘制曲线，并选择曲线峰值对应的邻域距离作为最佳空间步长；
[0018] (2.3)按照时间步长为1天，空间步长为所述最佳空间步长，构建道路超速事件的时空立方体。
[0019] 进一步的，步骤(3)包括：
[0020] (3.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Mann-Kendall检验统计量，其中，所述Mann-Kendall检验统计量的计算公式如下：
[0021]
[0022] 式中，Si表示地点i的Mann-Kendall检验统计量，i＝1,…,n，n为地点总数，m为设定段时间内的时间步长数， 形如Xi,*为地点i的第*个时间步长中的道路超速事件频率；
[0023] (3.2)根据每个地点的Mann-Kendall检验统计量计算标准化转化值Z，其中，所述标准化转化值Z的计算公式如下：
[0024]
[0025] 式中， tu为第u组的数据点的数量；
[0026] (3.3)根据Mann-Kendall检验统计量的标准化转化值Z采用下表中规则判断道路超速事件的变化趋势：
[0027] Z 置信度 变化趋势＜-2.58 99％ 下降，置信度为99％
-2.58～-1.96 95％ 下降，置信度为95％
-1.96～-1.65 90％ 下降，置信度为90％
-1.65～1.65 — 非显著性趋势
1.65～1.96 90％ 上升，置信度为90％
1.96～2.58 95％ 上升，置信度为95％
＞2.58 99％ 上升，置信度为99％
[0028] 进一步的，步骤(4)包括：
[0029] (4.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Getis-Ord 的局部统计值，其中，所述Getis-Ord的局部统计值计算公式如下：
[0030]
[0031] 式中， 为地点i的Getis-Ord的局部统计值，n为地点总数，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
[0032] (4.2)根据每个地点的Getis-Ord检验统计量按照下表中规则判断是否为道路超速事件的热点或冷点：
[0033] 。
[0034] 进一步的，步骤(5)具体包括：
[0035] 对道路超速事件变化趋势和道路超速事件热点统计结果进行交叉分析，若 Mann-Kendall检验判定该地点道路超速事件显著增加，且Getis-Ord检验判定该地点为显著的道路超速事件的热点，则判定该地点为道路超速事件黑点。
[0036] 有益效果：本发明与现有技术相比，其显著优点是：本发明在判定超速事件“黑点”时，综合考虑了超速事件的空间分布情况和超速事件数在各地点的变化趋势。相比于现有技术，该发明可以更加充分挖掘道路超速事件中的信息，实现对超速行为高发时段与高发点位的预测甄别。
附图说明
[0037] 图1为本发明的流程示意图；
[0038] 图2为江苏省吴江区卡口点位示意图；
[0039] 图3为采用本发明方法对图2数据计算得到的邻域距离-Global Moran’s I曲线；
[0040] 图4为采用本发明方法对图2数据计算得到的路超速事件的时空立方体；
[0041] 图5为采用本发明方法对图2数据计算得到的超速行驶监测点计数值趋势显著性水平分级图；
[0042] 图6为采用本发明方法对图2数据计算得到的超速行驶时空热点分析可视化表达图。
具体实施方式
[0043] 本实施例提供了一种基于时空立方体的道路超速事件黑点识别方法，如图1所示，包括：
[0044] 步骤101：获取待识别地区的地理信息和超速事件信息。
[0045] 以江苏省苏州市吴江区为例，其卡口点位如图2所示，确定卡口点位超速事件频率计算结果表1。图2中，各卡口点位即为统计超速事件的参考地点。表1中，序号是根据各地点事件频率统计结果排序后设置的顺序编号，Location是地点的原始编号，事件频率统计了2016年1月1日0点0分0秒至2016年12月30日23点59分59秒的超速行驶记录数据，单位为(件/年)。
[0046] 表1卡口点位超速事件频率计算结果
[0047]
[0048]
[0049] 步骤102：采用Global Moran’s I方法计算最佳空间步长，并根据所述最佳空间步长构建道路超速事件时空立方体。该步骤具体包括：
[0050] (2.1)以不同的邻域距离计算道路超速事件频率的Global Moran’s I；其中，Global Moran’s I的计算公式如下：
[0051]
[0052] 式中，n为待识别地区的地点总数， yi为地点i的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则， wij＝0；
[0053] (2.2)根据不同邻域距离下计算得到的Global Moran’s I，以邻域距离为横轴、Global Moran’s I的z得分为纵轴绘制曲线，并选择曲线峰值对应的邻域距离作为最佳空间步长；
[0054] (2.3)按照时间步长为1天，空间步长为所述最佳空间步长，构建道路超速事件的时空立方体。
[0055] 例如，接上例，通过计算Global Moran’s I后绘制的曲线如图3所示。根据最优空间步长并以1天作为时间步长，构建道路超速事件的时空立方体如图4所示。图3中可以观测到在500米左右的地方Global Moran’s I最高，所以选择500米作为最优空间步长。图4中可以明显看到红点和黄色区域，这些都是超速事件频发的时空区域。
[0056] 步骤103：根据构建的超速事件时空立方体，采用Mann-Kendall统计方法判断各地点的道路超速事件变化趋势。该步骤具体包括：
[0057] (3.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的 Mann-Kendall检验统计量，其中，所述Mann-Kendall检验统计量的计算公式如下：
[0058]
[0059] 式中，Si表示地点i的Mann-Kendall检验统计量，i＝1,…,n，n为地点总数，m为设定段时间内的时间步长数， 形如Xi,*为地点i的第*个时间步长中的道路超速事件频率；
[0060] (3.2)根据每个地点的Mann-Kendall检验统计量计算标准化转化值Z，其中，所述标准化转化值Z的计算公式如下：
[0061]
[0062] 式中， tu为第u组的数据点的数量；
[0063] (3.3)根据Mann-Kendall检验统计量的标准化转化值Z采用下表中规则判断道路超速事件的变化趋势：
[0064] 表2道路超速事件趋势Mann-Kendall检验表
[0065]
[0066]
[0067] 当Z为正，表明该地区道路超速事件频率呈上升趋势，Z为负，表明道路超速事件频率呈下降趋势，且变化速度与Z的大小成正比。例如，接上例，可以得到事件变化趋势结果如图5所示。
[0068] 步骤104：根据构建的超速事件时空立方体，采用Getis-Ord General G统计方法获取道路超速事件的热点地点。该步骤具体包括：
[0069] (4.1)根据构建的超速事件时空立方体，计算设定段时间内每个地点的Getis-Ord 的局部统计值，其中，所述Getis-Ord的局部统计值计算公式如下：
[0070]
[0071] 式中， 为地点i的Getis-Ord的局部统计值，n为地点总数，yj为地点j的道路超速事件频率，wij为地点i与地点j之间的空间权重，当地点j落在地点i的邻域距离范围时wij＝1，否则，wij＝0；
[0072] (4.2)根据每个地点的Getis-Ord检验统计量按照下表中规则判断是否为道路超速事件的热点或冷点：
[0073] 表3道路超速事件热点冷点Getis-Ord General G检验
[0074]
[0075] 对于具有显著统计学意义(置信度p＝99％，95％，90％)的正 越高，高值(热点)的聚类就越紧密；对于统计学上的显著性(置信度p＝99％，95％，90％)负 越低，低值(冷点)的聚类就越紧密。例如，接上例，计算的道路超速事件热点结果如图6所示。各种类型的热点冷点均在图中以图例形式展示。
[0076] 步骤105：根据各地点的道路超速事件变化趋势和获取的道路超速事件的热点地点得到道路超速事件的黑点。
[0077] 其中，对道路超速事件变化趋势和道路超速事件热点统计结果进行交叉分析，若 Mann-Kendall检验判定该地点道路超速事件显著增加，且Getis-Ord检验判定该地点为显著的道路超速事件的热点，则判定该地点为道路超速事件黑点。
[0078] 例如，接上例，判断-结果如表4所示：
[0079] 表4时空分布趋势与热点交叉统计表
[0080]
[0081] 以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
