[发明专利]一种基于混合地理加权回归的交通事故预测方法

权利要求书

1.一种基于混合地理加权回归的交通事故预测方法，其特征在于：包括如下步骤：

步骤1、划分交通事故的空间研究区域，采集所述空间研究区域内的影响因素数据，获得建模所需解释变量和被解释变量；

步骤2、预处理空间研究区域内的影响因素数据，通过双对数模型分析处理解释变量和被解释变量，同时通过多重共线性验证解释变量，删除不合理的解释变量；

步骤3、构建空间权重函数为高斯函数和双重平方函数；

步骤4、确定带宽选择类型为固定带宽和自适应带宽，确定带宽优化准则为修正的赤池信息准则；

步骤5、基于空间权重函数和带宽选择类型的不同组合，以模型-2倍的对数似然函数值-2log-likelihood、带宽优化AICc值和调整拟合优度值Adjusted R²作为评价指标，构建并确定最优地理加权泊松回归模型；

步骤6、分别纳入解释变量作为全局变量构建混合地理加权泊松回归模型进行对比测试，若模型拟合结果AICc的差值为正值，则表示该解释变量应作为全局变量纳入混合地理加权泊松回归模型，否则，该解释变量应作为局部变量纳入混合地理加权泊松回归模型；

步骤7、以模型-2倍的对数似然函数值-2log-likelihood、带宽优化AICc值和调整拟合优度值Adjusted R²作为评价指标，构建并确定最优混合地理加权泊松回归模型。

2.根据权利要求1所述的一种基于混合地理加权回归的交通事故预测方法，其特征在于：所述步骤1中空间研究区域根据区、县区、街道、交通小区、邮编区域和人口普查区的任何一种进行划分。

3.根据权利要求1所述的一种基于混合地理加权回归的交通事故预测方法，其特征在于：所述步骤1中影响因素数据包括交通事故地点、人口统计特征、社会经济属性、兴趣点数据、交通基础设施和运行管理数据中的一种或几种。

4.根据权利要求1所述的一种基于混合地理加权回归的交通事故预测方法，其特征在于：所述步骤1中的被解释变量为交通事故发生频次，解释变量为人口密度、零售店密度，宾馆酒店密度、休闲娱乐密度、餐饮服务密度、公司企业密度、住宅小区密度、交叉口密度和路网密度中的一种或几种。

5.根据权利要求1所述的一种基于混合地理加权回归的交通事故预测方法，其特征在于：所述步骤2中通过多重共线性验证解释变量，删除不合理的解释变量，进一步包括：

通过多重共线性验证解释变量，将方差膨胀因子小于10的解释变量予以保留，将方差膨胀因子大于10的解释变量予以删除。

6.根据权利要求1所述的一种基于混合地理加权回归的交通事故预测方法，其特征在于：所述步骤3中空间权重函数为：

高斯函数

和双重平方函数

其中，W_ij是空间研究区域i与空间研究区域j之间的空间权重，d_ij是事故地点i到事故地点j间的欧式距离，h是带宽，表示距离与权重之间函数关系的非负衰减参数。

7.根据权利要求1所述的一种基于混合地理加权回归的交通事故预测方法，其特征在于：所述步骤5中地理加权泊松回归模型为：

其中，(u_i,v_i)为第i个空间研究区域质心的坐标，P为解释变量总数，β₀(u_i,v_i)是回归常数，β_k(u_i,v_i)是第i个空间研究区域的第k个回归系数，ε_i是第i个空间研究区域的随机误差，服从于数学期望为0、方差为σ²的正态分布。

8.根据权利要求1所述的一种基于混合地理加权回归的交通事故预测方法，其特征在于：所述步骤7中混合地理加权泊松回归模型为：

其中，(u_i,v_i)为第i个空间研究区域质心的坐标，P为解释变量总数，P_a为全局变量个数，P_b为局部变量个数，β₀(u_i,v_i)是回归常数，β_k(u_i,v_i)是第i个空间研究区域的第k个回归系数，β_ik(u_i,v_i)是第i个空间研究区域的第ik个回归系数，ε_i是第i个空间研究区域的随机误差，服从于数学期望为0、方差为σ²的正态分布。