基于二级模糊综合评价的高速公路事故严重程度预测方法

1.本发明涉及智能交通技术领域，尤其涉及一种基于二级模糊综合评价的高速公路事故严重程度预测方法。


背景技术：

2.随着互联网的发展，智能交通已经成为社会生活的重要组成部分。现在道路上的车辆也越来越多。预测交通事故的严重程度是预防交通事故和保障弱势道路使用者安全的重要手段。此外，预测的准确度对于从业者提取实施相应对策至关重要。
3.为了能够解决这一问题，yang等人在论文“predicting multiple types of traffic accident severity with explanations:a multi-task deep learning framework”(safety science,2022,146:105522)中提出了一个基于dnn的多任务高速公路事故严重程度预测模型。manzoor等人在“rfcnn:traffic accident severity prediction based on decision level fusion of machine and deep learning model”(ieee access,2021,9:128359-128371)中提出了一种基于机器和深度学习模型决策级融合的交通事故严重度预测方法。yan等人在“traffic accident severity prediction based on random forest”(sustainability,2022,14(3):1729)中提出了一个混合模型，集成了随机森林和贝叶斯优化，该混合模型在进行高速公路事故预测上有着不错的效果。zeng等人在“an empirical analysis of factors contributing to roadway infrastructure damage from expressway accidents:a bayesian random parameters tobit approach”(accident analysis&prevention,2022,173:106717)中通过贝叶斯随机参数tobit模型进行研究，并区别于其他一些研究忽视的事故财产问题，着重于道路基础设施损害所占比例的事故财产损失的研究。ratanavaraha等人在“impacts of accident severity factors and loss values of crashes on expressways in thailand”(iatss research,2014,37(2):130-136)中通过多元logistic回归模型对不同的单个影响变量进行分析，预测事故的严重程度，并区别于其他一些研究考虑了意外严重程度。上述研究虽然在一定程度上完成了高速公路事故严重程度预测，但是还存在对影响高速公路事故因素考虑不足，没有充分考虑因素之间的模糊关系，对死亡、受伤和财产损失三类事故进行严重程度预测时准确率不足，计算速度还能加以提升等问题。此外，传统模型大部分是通过机器学习实现预测，未曾考虑过将模糊数学应用在高速公路事故严重程度预测方面。


技术实现要素：

4.本发明提出了一种基于二级模糊综合评价的高速公路事故严重程度预测方法，具体提出了一个二级模糊综合评价(two level fuzzy comprehensive evaluation：tlfce)框架来预测高速公路事故的严重程度。模糊数学中对于隶属度以及模糊评价方法有着良好解释，将模糊数学应用于事故严重程度预测有着良好的解释性。二级模糊综合评价设计，能够全面、快速、准确地分析交通事故的严重程度。与传统预测的机器学习方法不同，本发明
提出的框架可以通过隶属度矩阵提炼出导致三种类型交通事故严重程度的关键因素。基于中国交通事故数据进行的实验，本发明提出的模型预测高速公路交通事故严重程度考虑因素全面，计算代价小、准确性高并且优于目前先进的方法。此外，案例研究表明，本发明的框架中利用隶属度从而让提供的解释更合理，因素之间的关系更加丰富。本发明的模型是目前已知的第一个基于模糊数学的交通事故严重程度预测模型。
5.为了实现上述目的，本发明采用以下技术方案：
6.本发明提供一种基于二级模糊综合评价的高速公路事故严重程度预测方法，包括以下步骤：
7.步骤1：根据高速公路事故数据集确定影响高速公路事故严重程度的因素，进而得到上述因素构成的因素集，将因素集分类为不同一级因素，且每个一级因素包括多个二级因素，对分类后因素集进行编码；
8.步骤2：构建评价集，所述评价集包括死亡、受伤、财产损失，根据各因素在死亡、受伤、财产损失三类不同严重程度事故中的比值计算评价集矩阵；基于高速公路事故数据集以及步骤1中因素集的分类、编码，计算不同因素的权重，根据各个因素在事故数量中的占比计算各因素权重集；
9.步骤3：使用步骤1中的因素集以及步骤2中的权重集和评价矩阵，基于模糊集合运算规则，分别计算不同二级因素的评价结果，最终结合不同一级因素之间的权重求二级模糊综合评价最终结果；
10.步骤4：按照隶属度最大原则选取评判结果，其结果即为高速公路事故严重程度预测结果。
11.进一步地，步骤1包括：
12.步骤1.1：根据已有高速公路事故数据确定因素集u＝{u1，u2，
…
，un}，将因素集划分成若干组得到
13.u＝{u1，u2，
…
，uk}
14.其中ui∩uj＝φ(i≠j)，称u＝{u1，u2，
…
，uk}为一级因素集，为二级因素集；
15.步骤1.2：对步骤1.1中的一级以及二级因素集进行编码。
16.进一步地，步骤1.1中，本发明中将因素分为非人为因素和人为因素两类，即一级因素集包括非人为因素和人为因素，但也可按照其他方式分类，多分类也属于本发明保护范围。
17.进一步地，步骤1.2中，所述因素集编码方式不唯一。
18.进一步地，所述步骤2包括：
19.步骤2.1：获取评价集v＝{v1，v2，
…
，vm}，所述评价集包括死亡、受伤、财产损失，根据各因素在死亡、受伤、财产损失三类不同严重程度事故中的比值对二级因素集的ni个因素进行单因素评判，得单因素评价矩阵
[0020][0021]
步骤2.2：根据熵值法计算因素集u＝{u1，u2，
…
，uk}的权重为
[0022]
a＝{a1，a2，
…
，ak}
[0023]
根据各个因素在事故数量中占比计算的权重为：
[0024][0025]
进一步地，所述步骤2.2中利用熵值法计算的权重只是一种权重计算方法，还可利用层次分析法等计算权重。
[0026]
进一步地，步骤3具体包括：
[0027]
步骤3.1：根据步骤2.1中的ri以及步骤2.2中的ai计算二级因素评价结果bi：
[0028][0029]
得到总的评价矩阵
[0030]
步骤3.2：根据步骤3.1中的r以及步骤2.2中的a计算最终的评价结果b，
[0031]
进一步地，所述步骤4包括：根据上述步骤3.2中的评价结果b，按照最大隶属度原则得到评语，该评语即为高速公路事故严重程度预测结果。
[0032]
与现有技术相比，本发明具有的有益效果：
[0033]
本发明基于二级模糊综合评价构建了一套高速公路事故严重程度评价方案。该方法充分考虑影响事故因素以及因素之间的模糊关系，通过实验证明本发明在计算速度快的同时其准确度高于现有方案。
附图说明
[0034]
图1为本发明实施例一种基于二级模糊综合评价的高速公路事故严重程度预测方法的流程图；
[0035]
图2为本发明实施例一种基于二级模糊综合评价的高速公路事故严重程度预测方法与其他已有方法的计算代价图。
具体实施方式
[0036]
下面结合附图和具体的实施例对本发明做进一步的解释说明：
[0037]
如图1所示，一种基于二级模糊综合评价的高速公路事故严重程度预测方法，包括：
[0038]
s101：根据高速公路事故数据集确定影响高速公路事故严重程度的因素，进而得
到影响高速公路事故严重程度的因素集，对因素集进行编码；包括以下子步骤：
[0039]
s1011：构建高速公路事故数据集；
[0040]
具体地，高速公路事故数据集来自于交通专业知识服务系统，交通科技资源共享平台暨交通专业知识服务系统建有科技文献、科研基础、统计数据、工程建设数据、管理决策数据、其他资源数据资源，总计38个数据集，资源量达千万余条，专业领域涵盖公路工程、桥梁工程、隧道工程、交通工程、港口与航道工程、公路运输、水路运输、综合运输、城市公共交通、汽车运用工程、船舶工程、交通运输规划与管理、交通运输经济、交通运输安全、绿色交通、智能交通运输等。其中收录了2005年至2016年的高速公路事故数据，作为一种可实施方式，本发明选取了2016的高速公路事故数据集作为本发明实验基础数据。
[0041]
s1012：确定影响高速公路事故严重程度的因素集，影响高速公路事故严重程度的因素包括人为因素和非人为因素两类。非人为因素包括事故时间、天气、驾龄、车型、路面情况、碰撞方式等，人为因素包括机动车违法、机动车非违法过错、非机动车违法、行人乘车人违法四大类。其中机动车违法包括超速行驶、酒后驾驶、逆向行驶、疲劳驾驶、违法变更车道、违法超车、违法倒车、违法掉头、违法会车、违法牵引、违法抢行、违法上道路行驶、违法停车、违法占道行驶、违法装载、违法装载超限及危险品运输、违反交通信号、未按规定让行、无证驾驶、不按规定使用灯光、其他影响安全行为。机动车非违法过错包括制动不当、转向不当、油门控制不当、其他操作不当。非机动车违法包括逆行、违法上道路行驶、违法占道行驶、违反交通信号、未按规定让行、其他影响安全行为。行人乘车人违法包括违法上道路通行、违法占道、违反交通信号、其他影响安全行为。
[0042]
s1013：根据步骤s1012中所述的人为因素以及非人为因素，对人为因素以及非人为因素进行编码。编码前需要对非人为因素进行细致划分，其中事故时间分为白天(6:00-18:00)和夜晚(18:00-6:00)两类，天气包括晴和不良天气两类，驾龄包括小于3年、3年到10年以及大于10年三类，车型包括客车、汽车以及货车三类，路面情况分为干燥、潮湿、冰雪以及积雪4类。碰撞方式分为正面碰撞、扯面碰撞、追尾碰撞、碰撞静止车辆、车辆碰撞行人、侧翻、坠车、撞固定物。上述非人为因素按照类别数量从1开始编码，比如路面情况中干燥编码为1，潮湿编码为2，冰雪编码为3，积雪编码为4。其他非人为因素以此类推。由于人为因素中往往是由于其中某一种原因导致，故人为因素编码方式为超速行驶编码为1，酒后驾驶编码为2，...，违反交通信号(行人乘车人违法)编码为n-1，其他影响安全行为(行人乘车人违法)编码为n。编码表如表1所示。
[0043]
表1：人为因素以及非人为因素编码表
[0044]
[0045]
[0046][0047]
s102：构建评价集，所述评价集包括死亡、受伤、财产损失，根据各因素在死亡、受伤、财产损失三类不同严重程度事故中的比值计算评价矩阵；基于高速公路事故数据集以及步骤s101中因素集的分类、编码，计算不同因素的权重，根据各个因素在事故数量中的占比计算各因素权重集。
[0048]
作为一种可实施方式，假设存在事故数据为2，2，1，2，3，6，11，前五个数字为非人
为因素数据，依次分别代表白天、3-10年驾龄、晴、汽车、潮湿、侧翻。假设上述5个因素的事故数量分别为num
1-num5，第7个数字为11代表人为因素为违法抢行。事故分为死亡、受伤、财产损失三类，因此对单一因素存在三个评价，从左到右依次为死亡、受伤、财产损失，具体地，下述结果在实际计算中保留8位小数，下述举例过程保留4位。子步骤如下：
[0049]
s1021：该事故数据的非人为因素评价集矩阵为
[0050][0051]
该评价矩阵来源于该因素在数据集中死亡、受伤、财产损失上的事故数量比值。
[0052]
s1022：该事故数据的非人为因素各因素的权重集
[0053][0054][0055][0056]
根据数据集计算得到a1＝(0.3095，0.2506，0.3540，0.0443，0.0158，0.0258)。
[0057]
s1023：该事故数据的人为因素评价集矩阵为
[0058][0059]
s1024：该事故数据的人为因素(违法抢行)评价集矩阵，数据来源于该因素在数据集中死亡、受伤、财产损失上的事故数量比值。
[0060]
r2＝(0 0.6667 0.3333)
[0061]
s1025：由于分人为因素在本实验中仅且只有一个因素存在(可考虑多因素)，该因素权重
[0062]
a2＝1
[0063]
s1026：则该事故的总评价矩阵为
[0064]
s1027：则该事故的人为因素评价矩阵为
[0065][0066]
s103：使用步骤s101中的因素集以及步骤s102中的权重集和评价矩阵，基于模糊集合运算规则，分别计算不同二级因素的评价结果，最终结合不同一级因素之间的权重求二级模糊综合评价最终结果。
[0067]
作为一种可实施方式，根据步骤s1023以及步骤s1027计算得出的b1，b2计算出最终的评价结果r。非人为因素、人为因素权重矩阵a＝(0.130.87)。其中a可以用熵值法计算，也可以根据已有参考文献进行设置。计算最终的评价结果
[0068]
s104：按照隶属度最大原则选取评判结果，其结果即为高速公路事故严重程度预
测结果。作为一种可实施方式，根据最大隶属度原则，0.4284最大，故该事故属于受伤程度事故。
[0069]
为验证本发明效果，进行如下实验：
[0070]
实验在一台性能为amd r7 5800h@3.20hz和16gb ram的计算机上运行，采用python进行了广泛的仿真。该实验的数据来源为交通专业知识服务系统，本发明实验收集并统计了该系统中2016年的数据。本发明将与前文提到dnn、logistic、adaboost、rf、fcm等算法在预测准确性、计算成本、数据可靠性三个方面作出对比。分别对上述算法的在死亡、受伤、财产损失三类严重程度上进行对比。本发明中为了更好的体现准确性，本发明定义了综合预测准确性指标cacc，表2列出了死亡、受伤、财产损失三类数据集的15种比例分布情况。假设某种预测算法对死亡、受伤、财产损失的预测准确率分别为ad，ai，ap。对于表2中的数据分布情况si而言，在死亡、受伤、财产损失上的数据分布分别为di，ii，pi，则对于数据情况分布si综合准确率为：
[0071]
cacc＝ad*di+ai*ii+ap*pi
[0072]
表2：事故数据分布占比设置
[0073][0074][0075]
表3:训练集1800事故严重程度准确率
[0076] 死亡受伤财产损失cacctlcfe68.0077.5069.0071.50dnn58.4077.7558.8064.98logistic60.0037.0060.0052.33rf59.3082.4563.5568.43adaboost45.50100.0050.0065.17fcm45.5075.0066.5062.33
[0077]
表4:训练集3000事故严重程度准确率
[0078] 死亡受伤财产损失cacctlcfe78.6874.7766.3773.27dnn63.3980.7861.0268.40logistic62.7637.8461.5654.05rf62.2583.2764.0869.87adaboost47.15100.0051.0566.07fcm47.1574.7764.8662.26
[0079]
表5:训练集5000事故严重程度准确率
[0080] 死亡受伤财产损失cacctlcfe79.4676.4067.9374.60
dnn64.1389.1961.0171.44logistic63.9639.6460.1854.59rf65.3084.2567.2472.26adaboost47.0399.6454.0566.91fcm47.0375.1465.0562.41
[0081]
表6:训练集7000事故严重程度准确率
[0082][0083][0084]
表7:训练集9000事故严重程度准确率
[0085] 死亡受伤财产损失cacctlcfe80.3077.8067.1075.07dnn67.2892.7060.1173.36logistic65.2040.1063.4056.23rf67.9887.5966.5074.02adaboost49.3999.4054.3067.70fcm49.4077.3066.0064.23
[0086]
本发明提出的方法通过实验证明，具有较好的实验效果。表3至表7分别为训练集为1800、3000、5000、7000、9000，死亡、受伤、财产损失测试数据集均为10％时，本发明方法与dnn、logistic、adaboost、rf、fcm方法在预测死亡、受伤、财产损失时的准确率，同时也计算出了cacc值。如表3所示，本发明所提出的方法在预测死亡事故时准确率为78.68％，明显高于其他已有方法，在预测受伤事故时准确率达到74.77％，低于dnn、rf、adaboost预测受伤事故时的准确率，高于logistic、fcm等方法在预测受伤事故时的准确率，但本发明方法在预测死亡事故和财产损失事故时的准确率明显高于dnn、rf、adaboost。对于预测财产事故预测准确率而言，本发明提出的方法准确率为71.50％，本发明方法在预测财产损失事故时的准确率远远高于其他已有算法，且cacc值为71.50％，高于其他已有方法。如表4所示，本发明提出方法在预测死亡和财产损失事故时准确率分别为78.68％和66.37％，在上述两种严重程度类型的预测准确度上都高于其他已有方法。在预测受伤事故时准确率达到74.77％，低于dnn、rf、adaboost预测受伤事故时的准确率，高于logistic、fcm等方法在预测受伤事故时的准确率，但本发明方法在预测死亡事故和财产损失事故时的准确率明显高于dnn、rf、adaboost。且本发明cacc值为73.27％，高于其他已有方法。如表5所示，本发明提出方法在预测死亡和财产损失事故时准确率分别为79.46％和67.93％，在上述两种严重程度类型的预测准确度上都高于其他已有方法，在预测死亡事故时准确率达到76.40％，低于
dnn、rf、adaboost方法在预测死亡事故时的准确率，高于logistic、fcm等方法在预测受伤事故时的准确率，但dnn、rf、adaboost方法在预测死亡和财产损失时的准确率低于本发明方法，且本发明cacc值为74.60％，高于其他已有方法。如表6所示，本发明提出方法在预测死亡和财产损失事故时准确率分别为81.21％和67.57％，在上述两种严重程度类型的预测准确度上都高于其他已有方法，在预测死亡事故时准确率达到76.96％，低于dnn、rf、adaboost方法在预测受伤事故时的准确率，高于logistic、fcm等方法在预测受伤事故时的准确率，但dnn、rf、adaboost方法在预测死亡和财产损失时的准确率低于本发明方法，且本发明cacc值为75.25％，高于其他已有方法。如表7所示，本发明提出方法在预测死亡和财产损失事故时准确率分别为80.30％和67.10％，在上述两种严重程度类型的预测准确度上都高于其他已有方法，在预测死亡事故时准确率达到77.80％，低于dnn、rf、adaboost方法在预测受伤事故时的准确率，高于logistic、fcm等方法在预测受伤事故时的准确率，但dnn、rf、adaboost方法在预测死亡和财产损失时的准确率低于本发明方法，且本发明cacc值为75.07％，高于其他已有方法。综上所述，本发明提出的方法的综合准确率cacc在各种数据量情况下都最高，说明本发明所述方法综合预测能力高于其他方法。
[0087]
同时本发明按照表2的数据分布进行了综合准确率的实验，实验中训练集数量均为1800，死亡、受伤、财产损失事故测试集均为200。表8为本发明方法、dnn、logistic、adaboost、rf以及fcm在数据分布s1-数据分布s7的综合准确率，同理，表9为数据分布s8-数据分布s15的综合准确率。s1-s15结果表明本发明方法在不同数据分布下的综合预测准确率高于其他已有方法。
[0088]
表8:s1-s7综合预测准确率
[0089] s1s2s3s4s5s6s7tlcfe78.8077.0074.2076.7579.5073.7573.10dnn67.9367.9869.7271.9175.1564.0765.56logistic56.2045.6548.7061.8567.6054.0049.05rf69.8269.1772.2575.7479.3865.3067.34adaboost70.4066.3565.7070.2579.1063.8063.20fcm33.5434.1332.7432.3033.2134.9133.37
[0090]
表9:s8-s15综合预测准确率
[0091] s8s9s10s11s12s13s14s15tlcfe74.5577.1572.1071.7575.1071.8573.6074.60dnn68.2771.2463.9765.7069.2766.4868.9069.98logistic56.0559.0555.2051.9061.0057.2553.7063.60rf70.1374.9665.6568.3272.8068.3673.0173.79adaboost65.9574.1058.2063.6569.1058.6564.1063.70fcm34.4034.2533.1433.5534.2230.4734.6034.96
[0092]
以s1为例，标识死亡事故占0.2，受伤事故占0.2，财产损失事故占0.6，通过实验和计算，最终得出本发明方法的综合准确率为78.80％，高于其他所有方法。本发明分别计算本发明方法、dnn、logistic、adaboost、rf以及fcm算法的计算代价，计算代价在高速公路事故严重程度中十分的重要，快速准确的预测事故严重程度对于保障事故人员的财产生命安
全就有重要的意义。本实验中由于采用了多种方法，不同方法之间的计算方法和时间存在差别，本实验仅计算上述算法预测所需时间消耗，以ms为单位。如图2所示，本发明提出的方法所需计算时长远远小于其他算法的计算时长。
[0093]
综上，本发明基于二级模糊综合评价构建了一套高速公路事故严重程度评价方案。该方法充分考虑影响事故因素以及因素之间的模糊关系，通过实验证明本发明在计算速度快的同时其准确度高于现有方案。
[0094]
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于二级模糊综合评价的高速公路事故严重程度预测方法，其特征在于，包括：步骤1：根据高速公路事故数据集确定影响高速公路事故严重程度的因素，进而得到上述因素构成的因素集，将因素集分类为不同一级因素，且每个一级因素包括多个二级因素，对分类后因素集进行编码；步骤2：构建评价集，所述评价集包括死亡、受伤、财产损失，根据各因素在死亡、受伤、财产损失三类不同严重程度事故中的比值计算评价矩阵；基于高速公路事故数据集以及步骤1中因素集的分类、编码，计算不同因素的权重，根据各个因素在事故数量中的占比计算各因素权重集；步骤3：使用步骤1中的因素集以及步骤2中的权重集和评价矩阵，基于模糊集合运算规则，分别计算不同二级因素的评价结果，最终结合不同一级因素之间的权重求二级模糊综合评价最终结果；步骤4：按照隶属度最大原则选取评判结果，其结果即为高速公路事故严重程度预测结果。2.根据权利要求1所述的基于二级模糊综合评价的高速公路事故严重程度预测方法，其特征在于，所述步骤1包括：步骤1.1：根据已有高速公路事故数据确定因素集u＝{u1，u2，
…
，u
n
}，将因素集划分成若干组得到u＝{u1，u2，
…
，u
k
}其中其中其中称u＝{u1，u2，
…
，u
k
}为一级因素集，为二级因素集；步骤1.2：对步骤1.1中的一级以及二级因素集进行编码。3.根据权利要求2所述的基于二级模糊综合评价的高速公路事故严重程度预测方法，其特征在于，所述一级因素集包括非人为因素和人为因素。4.根据权利要求2所述的基于二级模糊综合评价的高速公路事故严重程度预测方法，其特征在于，所述步骤2包括：步骤2.1：获取评价集，根据各因素在死亡、受伤、财产损失三类不同严重程度事故中的比值对二级因素集的n
i
个因素进行单因素评判，得到单因素评价矩阵r
i
；步骤2.2：根据熵值法计算一级因素集u＝{u1，u2，
…
，u
k
}的权重为a＝{a1，a2，
…
，a
k
}根据各个因素在事故数量中占比计算二级因素集的权重为：5.根据权利要求4所述的基于二级模糊综合评价的高速公路事故严重程度预测方法，其特征在于，所述步骤3包括：步骤3.1：根据步骤2.1中的r
i
以及步骤2.2中的a
i
计算二级因素评价结果b
i
：
得到总的评价矩阵步骤3.2：根据步骤3.1中的r以及步骤2.2中的a计算最终的评价结果b，6.根据权利要求5所述的基于二级模糊综合评价的高速公路事故严重程度预测方法，其特征在于，所述步骤4包括：根据上述步骤3.2中的评价结果b，按照最大隶属度原则得到评语，该评语即为高速公路事故严重程度预测结果。

技术总结
本发明公开一种基于二级模糊综合评价的高速公路事故严重程度预测方法，包括：根据高速公路事故数据集确定影响高速公路事故严重程度的因素集，将因素集分类为一级和二级因素集，并进行编码；根据各因素在死亡、受伤、财产损失三类事故中的比值计算评价矩阵；计算不同因素的权重，根据各因素在事故数量中的占比计算各因素权重集；使用因素集以及权重集和评价矩阵，基于模糊集合运算规则，分别计算不同二级因素的评价结果，最终结合不同一级因素之间的权重求二级模糊综合评价最终结果；进而得到高速公路事故严重程度预测结果。本发明充分考虑影响事故因素以及因素之间的模糊关系，可以快速且准确的对高速公路事故严重程度进行预测。测。测。


技术研发人员：王光辉 李金波 詹玲玲 郭彬慧 刘天须 何欣
受保护的技术使用者：河南大学
技术研发日：2023.06.25
技术公布日：2023/8/31