申请/专利权人：云南云岭高速公路交通科技有限公司

申请日：2023-08-31

公开（公告）日：2024-06-18

公开（公告）号：CN117275220B

主分类号：G08G1/01

分类号：G08G1/01;G06F18/23213;G06N3/096;G06F18/24

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本发明属于交通安全技术领域，具体涉及一种基于非完备数据的山区高速公路实时事故风险预测方法，其特征在于利用获取的山区高速公路同质路段事故和非事故交通流数据集，通过欠采样和过采样处理数据，利用二元Logit模型筛选显著变量。在此基础上构建源域数据集和目标数据集，然后在源域数据集建立多层感知机，并利用迁移学习方法建立基于目标域数据集的多层感知机，预测目标数据集中事故发生概率，并通过K‑Means聚类算法进行事故风险等级划分。这种方法解决了传统模型无法处理不完备数据和非线性问题的不足。

主权项：1.基于非完备数据的山区高速公路实时事故风险预测方法，其特征在于包括如下步骤：S1，获取山区高速公路同质路段事故交通流数据集和非事故交通流数据集；S2，构建初始数据集So＝{so1,so2,…,soi,i＝1,…,n}，n为样本量大小，soi为第i条数据，包括j+1个字段，soi＝[xi1,xi2,…,xij,yi,j＝1,…,m]，xij为第j个交通流特征，m为交通流特征数量，yi表示是否发生事故，yi为0-1变量，发生事故为1，未发生事故为0；S3，利用欠采样和过采样的方式处理初始数据集S0，使事故与非事故样本比例为1:1，对获得的数据集进行归一化处理，再利用二元Logit模型筛选得到显著变量S4，根据S3中筛选的显著变量对初始数据集字段进行匹配，仅保留初始数据集S0中交通流数据的显著变量和是否发生事故数据，得到源域数据集S，再提取同质路段数据构建目标数据集T，所述目标数据集T数据样本量小，作为迁移目标；S5，利用源域数据集S搭建多层感知机预测事故发生概率值，基于源域数据集S中数据与目标数据集T中数据共享部分模型参数的思想，分别固定MLP网络模型不同层参数，将源域数据集S搭建的网络模型部分参数迁移到目标数据集T上，再微调其他层，分别计算预测模型的AUC值，最终选择AUC值最大，即预测效果较好的模型作为最终迁移模型；其中，基于多层感知机预测事故发生概率预测模型训练流程如下：S51将源域数据集中显著变量作为分类模型的输入，构建两层隐藏层的多层感知器MLP的分类模型，输出结果为是否发生事故yi，训练得到模型的三层参数；S52将目标数据集切分为训练集和测试集，其中使用70％的样本作为训练集，剩余30％的样本作为测试集，利用训练集数据训练模型；S53将S51中训练好的多层感知机模型第一层参数迁移到训练集，即固定网络模型的第一层参数，将训练集样本输入到MLP网络模型中，训练得到第二三层参数，得到模型M1，输入测试集样本，得到预测结果Q1和AUC值；S54将S51中训练好的多层感知器MLP网络模型第二层参数迁移到训练集，即固定网络模型的第二层参数，将训练集样本输入到MLP网络模型中，训练得到其他层参数，得到模型M2,输入测试集样本，得到预测结果Q2和AUC值；S55将S51中训练好的多层感知器MLP网络模型第三层参数迁移到训练集，即固定网络模型的第三层参数，将训练集样本输入到MLP网络模型中，训练得到其他层参数，得到模型M3,输入测试集样本，得到预测结果Q3和AUC值；S56比较三次AUC值的大小，取AUC值最大的模型作为最终迁移学习的预测模型M；S57利用S56中最终迁移学习的预测模型M对目标数据集进行预测，得到预测的事故发生概率值；S6，利用K-Means聚类算法将S5中事故发生概率值与S2中显著变量作为聚类指标进行聚类分析，根据聚类结果对事故风险等级进行划分；S7，通过实时评估交通流数据集聚类指标与对应类别聚类中心的距离，来实时判断事故发生的风险等级。

全文数据：

权利要求：

百度查询： 云南云岭高速公路交通科技有限公司 基于非完备数据的山区高速公路实时事故风险预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD