[发明专利]一种基于LLE和K均值法挖掘违法事故对应关系的方法

说明书

本发明提供了一种基于LLE和K均值法挖掘违法事故对应关系的方法。包括：收集交通违法与交通事故关联性分析所需数据；考虑不同的指标对交通事故进行分类；选择发生次数最高的违法类型和事故类型分别作为人员的违法标签和事故标签；对违法类型‑事故类型进行计数，构建违法类型‑事故类型矩阵；确定三种阈值对交通违法类型进行筛选；构建人员‑类型对应矩阵；使用零均值标准化方法对数据进行标准化处理；使用LLE非线性降维法将数据由高维降至低维；针对两种不同的事故类型分类方式，分别使用改进的K‑均值算法进行聚类分析。本发明克服传统K‑均值算法中存在的随机性大的问题，进一步挖掘交通违法类型和交通事故类型之间存在的对应关系。

技术领域

本发明涉及一种基于LLE和K均值法挖掘违法事故对应关系的方法，属于智能交通技术领域。

背景技术

道路交通事故受到交通系统各种因素的影响，驾驶员的驾驶行为是造成交通事故的主要因素，据以往数据显示超过90％的交通事故是由人为因素引起的。另外在人为因素中，82％的因素是驾驶员有意识和危险的驾驶行为。驾驶员的危险驾驶行为通常记录在个人历史交通违法记录中。因此，通过广泛探索历史交通违法和交通事故记录，可以揭示驾驶员危险驾驶行为与交通事故之间的内在联系。

交通违法行为与交通事故之间的关系已经被研究多年，但主要集中在一种或两种类型的危险驾驶行为和交通事故发生的关联。其中，文章《Risk-taking Attitudes andRisky Driving Behavior》中，作者Hilde Iversen得出鲁莽驾驶，不系安全带和醉酒驾驶等非法驾驶行为与交通事故的发生呈显正相关。作者宋传平等人通过灰色度分析交通事故规律，发现疲劳驾驶，超速驾驶和超车等驾驶行为是导致道路交通事故的主要因素。在以前的文献中，还发现了一些特定的交通违法行为与事故风险相关，例如超速和闯红灯。另一方面，目前关于交通违法和交通事故关联性分析的研究主要集中在驾驶行为因素与交通事故指标(事故数量、死亡人数、受伤人数、直接经济损失)之间的关系上。

目前已有的交通违法与交通事故关联性分析方法包括：多项Logistic回归模型计算不同的交通违法类型造成轻微交通事故、严重交通事故和致命交通事故的概率；通过建立和分析车辆驾驶员人为因素与事故危险之间的灰色关联模型，评估车辆驾驶员对不同类型道路交通引起的事故危害程度的影响因素；采用相关分析法分析由道路交通事故导致的总死亡人数与驾龄1-5年司机引发的交通事故导致的死亡人数之间的关系以及交通事故的分布情况。另外，在以往事故违法对应关系研究中，多采用线性降维方法，忽略了两者之间可能潜在的非线性关系。在本发明中我们采用LLE非线性降维方法，提取两者之间潜在的非线性关系，深入探究违法事故对应关系，挖掘出和事故关联度较高的重点交通违法类型。

发明内容

为了解决上述存在的问题，本发明公开了一种基于LLE和K均值法挖掘违法事故对应关系的方法，根据收集到的交通事故和违法记录，设定3种阈值对交通违法类型进行筛选，选出更具研究价值的违法类型；采用LLE非线形降维方法，将人员信息由高维空间映射到低维空间，挖掘交通违法类型和交通事故类型之间的非线性关系；针对不同的交通事故分类方式，分别采用改进的K-均值算法对交通违法类型和交通事故类型进行聚类，克服传统K-均值算法中存在的随机性大的问题，进一步地挖掘交通违法类型和交通事故类型之间存在的对应关系。

上述的目的通过以下技术方案实现：

一种基于LLE和K均值法挖掘违法事故对应关系的方法，该方法包括如下步骤：

S1.收集交通违法与交通事故关联性分析所需数据，包括人事信息，交通违法信息，交通事故信息；

S2.根据步骤S1收集到的交通违法与交通事故关联性分析所需数据，考虑不同的指标对交通事故进行分类，所考虑的指标包括事故严重程度、事故发生形态；

S3.针对不同的交通事故类型分类方式，选择发生次数最高的违法类型和事故类型分别作为人员的违法标签和事故标签；