[发明专利]一种基于多元时间序列模型的交通事故数预测方法及系统

权利要求书

1.一种基于多元时间序列模型的交通事故数预测方法，其特征在于，所述的事故预测方法包括：

步骤1：获取道路交通事故数据、交通违法数据、交通执法数据、节假日数据和天气数据；

步骤2：构建样本数据集；

步骤3：建立基于向量自回归模型的事故预测模型；

步骤4：将需要预测交通事故数的若干天的节假日情况和天气条件输入事故预测模型，预测这若干天中每天的交通事故数。

2.根据权利要求1所述的一种基于多元时间序列模型的交通事故数预测方法，其特征在于，所述步骤1中数据的获取方法为：

道路交通事故数据、交通违法数据和交通执法数据通过交通管理部门获得，交通违法数据分为现场交通违法数据和非现场交通违法数据，前者由交通警察查获，后者由电子警察查获；通过日历获取节假日数据，通过天气记录网站获取天气数据。

3.根据权利要求1所述的一种基于多元时间序列模型的交通事故数预测方法，其特征在于，所述的步骤2具体为：

将步骤1获取的数据集聚到天层面，得到每一天的交通事故数、现场交通违法数、非现场交通违法数、交通警察执法时长、节假日和天气；

将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长设置为内生变量；将节假日情况和天气条件设置为外生变量，构建样本数据集。

4.根据权利要求1所述的一种基于多元时间序列模型的交通事故数预测方法，其特征在于，所述的步骤3具体为：

步骤3-1：对内生变量的时间序列进行结构分解；

步骤3-2：选取向量自回归模型的最优阶数；

步骤3-3：基于最优阶数建立向量自回归模型，即事故预测模型。

5.根据权利要求4所述的一种基于多元时间序列模型的交通事故数预测方法，其特征在于，所述的步骤3-1具体为：

将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长的时间序列进行结构分解，得到每个内生变量的结构组成。

6.根据权利要求4所述的一种基于多元时间序列模型的交通事故数预测方法，其特征在于，所述的步骤3-2具体为：

将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长作为内生变量，将节假日情况和天气条件作为外生变量，建立阶数从1到14的向量自回归模型，选取使得模型赤池信息准则最低的阶数作为最优阶数。

7.根据权利要求4所述的一种基于多元时间序列模型的交通事故数预测方法，其特征在于，所述的步骤3-3具体为：

假设最优阶数为p，样本数据集的总天数为T，交通事故数、现场交通违法数、非现场交通违法数、交通警察执法时长为内生变量，节假日、天气作为外生变量，构建向量自回归模型为：

y_t＝Aθ_t+B₁y_t-1+…+B_py_t-p+Cx_t+ε_t t＝1,2,…,T

其中，y_t是第t天交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长组成的向量；y_t-p是y_t的p阶滞后；θ_t是交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长的时间序列组成结构；A是组成结构对应的系数；B_p是内生变量p阶滞后对应的系数；x_t是外生变量节假日和天气组成的向量，C是外生变量的系数，ε_t是残差项。

8.一种用于如权利要求1～7中任一项所述交通事故预测方法的基于多元时间序列模型的交通事故数预测系统，其特征在于，所述的事故预测系统包括处理器；所述的处理器设有：

数据获取模块，用于获取需要预测交通事故数的若干天的节假日情况和天气条件；

事故预测模块，设有事故预测模型，用于根据数据获取模块获取的数据预测每日交通事故数。