[发明专利]事故黑点鉴别优化方法

说明书

技术领域

本发明涉及事故黑点鉴别的优化方法，设计和实现了基于多元回归经验贝叶斯安全评价方法。属于交通安全领域。

背景技术

事故黑点鉴别优化方法是公路交通安全的一个重要的关键技术。目前我国在这方面的研究水平参差不齐。现在国内采用的事故黑点的鉴别方法很多，而人们普遍采用的方法为经验贝叶斯方法，因为贝叶斯方法全面考虑了事故影响因素，由此得到的期望事故数更准确，有利于事故多发点的鉴别。

1992年Hauer提出利用经验贝叶斯法可以克服观测到的交通事故的回归效应。经验贝叶斯法通过贝叶斯理论与反映道路安全水平的信息相结合来评价道路安全水平，反映道路安全水平的信息包括：与研究道路有相同特征的参照道路；研究道路以往的安全状况。经验贝叶斯法将未知的概率分布参数(例如事故数的期望值Λ)看成是其本身具有概率分布的随机变量，确定了参数的概率分布，就可以通过分布的均值来预测参数的数值。确定未知参数的概率分布需要两步，第一步，在未知参数的相关数据的情况下，确定参数的事前分布；第二步，依据参数的相关数据，利用经验贝叶斯法将事前分布转化为事后分布(其中，事前分布是得到样本信息之前的概率分布；把样本信息与事前分布相结合的概率分布称为事后分布)。

在利用经验贝叶斯法进行安全评价时会遇到的问题是需要找到足够的参照道路，才能获得可信的事前分布的参数估计。我们必须严格的挑选参照道路单元，以确保参照道路单元与我们要研究其安全性的道路单元具有相同特征，相似性要求越高，找到足够相似道路单元的难度就越大，实际上，这种高度相似的道路单元很难达到足够大的数量。鉴于以上问题，如何克服经验贝叶斯法需要大量道路单元数据的缺陷，是进行事故黑点鉴别亟需解决的问题。

发明内容

基于以上分析，本发明设计了多元回归经验贝叶斯法来解决这一问题。多元回归经验贝叶斯法是在经验贝叶斯法的基础上进行了改进，利用构建事故模型来获得事前分布的均值和方差，从而克服了经验贝叶斯法需要大量参照道路单元的缺陷。可以利用同类的而不必具有完全相同特征的道路单元，借助多元回归方法建立事故回归模型，目的是探寻因变量与自变量在自变量取值范围内的系统的关系。就事故回归模型来说，因变量是某一道路单元某一时期内的事故数的期望值，自变量是反映道路单元的交通和道路特征的量。然后就可以利用事故数的期望值和方差得到事前分布的参数，从而确定事前分布。这样对于任何我们要研究的道路单元都能找到其相应参照道路单元，然后再利用其自身特征加以修正。

本发明的技术思路特征为：

1.利用事故模型来获得事前分布的均值和方差，从而克服了经验贝叶斯法需要大量参照道路单元的缺陷。

2.把经验贝叶斯法的E(Λ|Y＝y)＝ω×u+(1-ω)×y转化为E(Λ|Y＝y)＝u+(1-ω)(y-u)，其中u表征预测的事故数，y表征为道路单元内每年每公里的交通事故数，ω为权重系数(0＜ω＜1)，这样得到的E(Λ|Y＝y)(表征为安全服务水平高低，即估计的期望事故数)可以由预测的事故数u和修正项(1-ω)(y-u)决定，而修正项(1-ω)(y-u)由y决定，这样我们由多元回归经验贝叶斯法得到的安全水平大小就可以明显的看出是由预测值和对预测值的修正项两部分得出，可以看出对预测值修正了多少，其结果更加精准。

以下为本发明的技术思路特征及具体方案的详细说明(图1)。

1.第一阶段：事前分布(构建事故模型)

本阶段不同于以往的经验贝叶斯安全评价方法的地方在于以往的经验贝叶斯安全评价方法的事前分布是通过调查大量道路的数据后得出期望和方差，代入公式(1)中的期望u＝E(Λ)表征为安全服务水平高低，即估计的期望事故数；方差u²/k＝Var(Λ)表征为期望事故数的离散程度。k为过离散参数。得出的事前分布：