[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

说明书

本发明涉及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，其中事故预测方法包括：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。与现有技术相比，本发明具有预测结果更加准确可靠、有利于提高交通执法资源有效利用率等优点。

技术领域

本发明涉及交通管理技术领域，尤其是涉及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。

背景技术

根据世界卫生组织统计，2016年道路交通伤亡在全球人类死亡原因中的排名 已上升至第八，证明了加强道路交通安全管理的重要性和急迫性。交通执法活动是 相关部门管理道路交通安全的重要手段，长期以来，人工执法是交通执法活动的重 要措施。随着交通执法工具的进步，电子化交通执法设备如电子警察也在逐步投入 使用，道路交通安全管理步入了人工执法与电子警察执法兼具的阶段。准确预测未 来道路交通安全水平是合理部署交通执法资源的前提，有助于实现对道路交通安全 的高效管理。因此，道路交通事故预测是交通安全管理与道路安全评估领域的重要 内容之一。

目前，交通执法措施由相关政府部门组织，面向车辆驾驶员，并在道路上开展， 对驾驶员行为和道路交通安全产生了重要的影响。研究表明，交通警察执法、车辆 驾驶员违法和交通事故相互内生，相互影响。举例说明：一个街道的交通事故和交 通违法同时高发，一方面可能是驾驶员违法行为增多导致了交通事故高发，另一方 面可能是因为交通事故高发，交通警察加强对该区域的执法力度，从而导致交通违 法查处量增加。所以要准确预测交通事故数，不能忽略交通违法和交通执法的影响。 而传统基于时间序列的交通事故预测模型往往仅基于历史事故数据，准确性不高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测结果更 加准确可靠、有利于提高交通执法资源有效利用率的基于多元时间序列模型的交通 事故数预测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于多元时间序列模型的交通事故数预测方法，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。

优选地，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。

优选地，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。

优选地，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。