[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

说明书

本发明属于交通安全技术领域，尤其涉及一种基于混合地理加权回归的交通事故预测方法，包括步骤1、划分交通事故的空间研究区域，采集影响因素数据；步骤2、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、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；步骤7、构建并确定最优混合地理加权泊松回归模型。本发明提供一种空间异质性考虑充分和预测模型精度高的基于混合地理加权回归的交通事故预测方法。

技术领域

本发明属于交通安全技术领域，尤其涉及一种基于混合地理加权回归的交通事故预测方法。

背景技术

长期以来，交通事故给人们的生命财产安全带来极大的危害。世界卫生组织数据显示，2016年全球有135万人死于交通事故。围绕交通事故的预测研究一直是各国交通安全研究学者关注的重点和难点。传统的交通事故预测方法大多是运用事故历史数据及影响因素数据，基于多元线性回归、神经网络等理论模型预测，但该方法忽视了交通事故影响因素的空间异质性特征，即在城市不同空间区域内某个变量的属性值存在差异性。现有技术交通事故预测方法如下：

1、公开号为CN201310041718.0的中国发明专利申请公开了“一种基于地理加权回归的县级交通事故预测方法”，该方法基于地理加权泊松回归(Geographically WeightedPoisson Regression，GWPR)模型，重点研究了交通事故影响因素的空间异质性特征，默认所有变量在不同空间位置具有不同的回归系数。但在实际应用中，并不是模型中所有变量的回归系数都随着地理位置的改变而发生变化,有一些参数在空间上是不变的,或者其变化非常小可以忽略不考虑。

2、公开号为CN201810352052.3的中国发明专利申请公开了“基于无偏非齐次灰色模型和马氏模型的交通事故预测方法”、公开号为CN201810320886.6的中国发明专利申请公开了“一种基于PCA和BP神经网络的交通事故预测方法”，这些方法主要提出了不考虑交通事故影响因素空间效应的交通事故预测方法，并未涉及到交通事故影响因素的空间异质性问题。但有研究表明，融入影响因素的空间效应有助于提高交通事故预测模型精度。

由此可见，提供一种空间异质性考虑充分和预测模型精度高的交通事故预测方法是本领域急需解决的问题。

发明内容

本发明的主要目的在于解决现有技术中存在的问题，提供一种空间异质性考虑充分和预测模型精度高的基于混合地理加权回归的交通事故预测方法。

本发明所解决的技术问题采用以下技术方案来实现：一种基于混合地理加权回归的交通事故预测方法，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；