CN119495196A 一种基于流式交通流数据的交通事故风险预测方法及装置 （华南理工大学）

一种基于流式交通流数据的交通事故风险本发明公开了一种基于流式交通流数据的构成包含多个交通特征的事故数据集和非事故S4、构建基于XGBoost的实时交通事故风险预测发明采用上述的一种基于流式交通流数据的交2S2、按照事故数据和路段信息数据对流式交通数S5、分别采用SMOTE过采样，NearMiss欠采样以及SMOTES6、对实时交通事故风险预测模型进行评2.根据权利要求1所述的一种基于流式交通流数据的交通事故风险预测方法，其特征S202、以每一个路段单元为基础，结合流式交通;3;其中，st),是上游路段单元第i辆车的通行车速；是上游路段单元第i辆车在上游门架U2处的通行时间；(.),是上游路段单元第游路段单元具有通行时间记录的车辆数量；S(D),是下游路段单元第j辆车的通行车速；(),是下游路段单元第j辆车在下游门架D2处的通行时间；(a),是下游路段单元第j辆车在下游门架D1处的通行时间；n是下游路段单元具有通行时间记录;;;4）上游路段单元车速极差s_range(u)、下游路段单元车速极差s_range(D)、上下游路段单元车速极差差值的绝对值s_range_dif、上下游路段单元车速极差变异系数;4;;;;其中，max:(s(u))是上游路段单元的最大车速；min(s(u))是上游路段单元的最小车速；max:(s(D))是下游路段单元的最大车速；min(s(D))是下游路段单元的最小车速；5）上游路段单元货车流量占比TF_per(UJ)、下游路段单元货车流量占比TF_per(D)、上下游路段货车流量占比差值的绝对值TF_per_dif、上下游路段单元货车流量占比变异;;;;U2是上游路段单元门架U2通过的货车流量；TFU1是上游路段单元门架U1通过的D2是下游路段单元门架D2通过的货车流量；TFD1是下游路段单元门架D1通过的元合流交通量占比变异系数CF_per_cov，公式如下：;5;;GINI系数差值的绝对值GIN_dif、上下游路段单元车辆到达GINI系数变异系数GINI_COV,公式如下：;;GINI系数；Gnn是下游路段单元门架D1处的GINI系数；GNn是下游路段单元门架D2处S203、将事故时间提取的交通特征划分为事故3.根据权利要求2所述的一种基于流式交通流数据的交通事故风险预测方法，其特征森林算法提供的MGD平均基尼系数值对交通特征进行排序，筛选出影响交通事故风险的重4.根据权利要求3所述的一种基于流式交通流数据的交通事故风险预测方法，其特征5.根据权利要求1所述的一种基于流式交通流数据的交通事故风险预测方法，其特征权重和min_child_weight、节点分裂所需的最小损失函数下降值gamma、子样本比例6随后基于XGBoost的实时交通事故风险预测模型以AUC值为模型的最终优化目标，在6.根据权利要求5所述的一种基于流式交通流数据的交通事故风险预测方法，其特征;;其中，TP为实际未发生事故且预测也未发生事故的样例数，为实际未发生事故但预测发生事故的样例数，TN为实际发生事故且预测也发生事故的样例数，FP为实际发生模型训练模块：将经过特征提取和筛选模块构造处理后的特征进行输实时事故风险预测模块：根据接入的实时交通数据，7[0006]本发明的目的是提供一种基于流式交通流数据的交通事所述流式交通流数据集从高速公路ETC门架收费系统中获得，包括车辆通行记录8单元的上游路段单元和下游路段单元的交通特征，交通特征的最小统计计算时间为1min，;车流量；Fib是下游路段单元门架D1通过的车流量；Iin是下游路段单元门架D2通过的车流;9其中，st),是上游路段单元第i辆车的通行车速；是上游路段单元第i辆车是上游路段单元具有通行时间记录的车辆数量；S(D),是下游路段单元第j辆车的通行车速；是下游路段单元第j辆车在下游门架D2处的通行时间；(a),是下游路段单元第j辆车在下游门架D1处的通行时间；n是下游路段单元具有通行时间记;;;4）上游路段单元车速极差s_range(u)、下游路段单元车速极差s_range(D)、上下游路段单元车速极差差值的绝对值s_range_dif、上下游路段单元车速极差变异系数;;;;;其中，m(s())是上游路段单元的最大车速；min(s(u))是上游路段单元的最小车速；max(s(D))是下游路段单元的最大车速；min(s(D))是下游路段单元的最小车速；TF_per(D)、上下游路段货车流量占比差值的绝对值TF_per_dif、上下游路段单元货车流量占比变异系数TF_per_cov，公式如下：;;;;U2是上游路段单元门架U2通过的货车流量；TFU1是上游路段单元门架U1通6）上游路段单元合流交通量占比CF_per(u)、下游路段单元合流交通量占比元合流交通量占比变异系数CF_per_cov，公式如下：;;到达GINI系数差值的绝对值GIN_dif、上下游路段单元车辆到达GINI系数变异系数;;U2处的GINI系数；GINn是下游路段单元门架D1处的GINI系数；GNn是下游路段单元门架D2处的GINI系数；[0009]优选的，将步骤S3中的事故数据集和非事故数据集合并后输入到随机森林算法L1正则化项的权重reg_lambda；随后基于XGBoost的实时交通事故风险预测模型以AUC值为模型的最终优化目;;;故但预测发生事故的样例数，TN为实际发生事故且预测也发生事故的样例数，FP为实际[0014]因此，本发明采用上述一种基于流式交通流数据的交通事故风险预测方法及装[0016]图1是本发明一种基于流式交通流数据的交通事故风险预测方法实施例的流程示图2是本发明一种基于流式交通流数据的交通事故风险预测方法实施例的高速公图3是本发明一种基于流式交通流数据的交通事故风险预测方法实施例的交通特图4是本发明一种基于流式交通流数据的交通事故风险预测方法实施例的交通特图5是本发明一种基于流式交通流数据的交通事故风险预测装置实施例的结构示本发明提供了一种基于流式交通流数据的实时交通事故风险预测方法，如图1所收集的流式交通流数据集从高速公路ETC门架收费系统中获得，包括车辆通行记单元的上游路段单元和下游路段单元的交通特征，交通特征的最小统计计算时间为1min，[0027]基于pythonOptuna库对构建的XGBoost实时交通事故风险预测模型进行超参数节点中最小样本权重和min_child_weight、节点分裂所需的最小损失函数下降值gamma、[0028]随后基于XGBoost的实时交通事故风险预测模型以AUC值为模型的最终的优化目;本实施例提供了一种基于流式交通流数据的实时交通事故风险预测装置，如图5[0031]其中数据接收器用于将csv格式的各种原始数据输入到数据处理器中，数据处理[0036]现今高速公路上广泛布设的ETC收费门架可以产生大量历史和实时的流