【技术实现步骤摘要】
本专利技术属于道路交通安全，具体涉及一种车辆事故风险评估模型的构建方法。
技术介绍
1、随着我国机动车保有量和驾驶人总数的不断上升，道路交通安全问题也越来越严重。因此，如何降低机动车事故的发生率已成为迫在眉睫的考验。
2、为此，相关科研人员提出过各种解决措施，其中一个办法是对车辆进行事故风险评估以及风险等级划分，这样可以及时发现高风险车辆，从而在一定程度上提升车辆的安全水平。但目前对于车辆事故风险评估的研究所使用的指标往往来自人、车、路、环境多个方面，而缺少仅从车辆角度进行的评估预测，例如：中国专利申请cn111354225a公开了一种基于道路和车辆信息的高速公路车辆事故风险评估及预警干预方法。中国专利申请cn117315941a公开了一种基于车辆行驶数据和环境数据的车辆风险管理预警系统。然而，目前的研究缺少对于类似“六合一”数据这种特殊数据的研究，同时也缺少了利用与车辆长期风险状态相关度较高，而与车辆实时状态相关度较小的特征预测车辆在未来一段时间内发生事故风险大小的可能性的研究。
3、有鉴于此，特提出此专利技术。
技术实现思路
1、本专利技术的目的在于克服上述现有技术的缺点，提供一种车辆事故风险评估模型的构建方法，本专利技术基于交管部门“六合一”数据库中车辆的数据信息来构建车辆事故风险评估模型，并根据该模型对车辆未来一年内的事故风险进行评估预测以及风险等级划分，为管理者进行预警、干预提供技术支撑，因此能够实现降低甚至消除机动车事故发生率的目标，从而保障了人
2、本专利技术的目的是通过以下技术方案来解决的：
3、本专利技术提供了一种车辆事故风险评估模型的构建方法，所述构建方法基于交通管理部门“六合一”数据库中车辆的数据信息，具体包括如下步骤：
4、步骤一、获取所述数据库中车辆的数据信息，并将所述数据信息根据车辆类型进行分类处理，获得模型评估指标；
5、步骤二、根据步骤一获得的模型评估指标，先建立两种模型训练数据集，并选择多种预测分类器，再通过两种所述模型训练数据集与多种所述预测分类器排列组合，以精确率为主要目标分析比较评估确定准确率高的单一模型；
6、步骤三、根据步骤二确定的单一模型，通过改变模型训练集中事故数据的权重分车型建立车辆事故风险多层分类评估模型，并根据所述多层分类评估模型对相应车型的车辆进行事故风险的评估以及事故风险等级划分。
7、进一步地，步骤一中，所述车辆的数据信息包括车辆基本信息、车辆违法信息以及车辆历史事故信息；
8、所述车辆类型划分为五种类型，包括：非营运小轿车、营运小轿车、中大型客车、轻微型货车和中大型货车。
9、进一步地，所述车辆基本信息包括车身颜色、机动车状态、车龄、是否新能源、所有权以及使用性质；
10、所述车辆违法信息为重点违法行为累计次数；
11、所述车辆历史事故信息为事故频率；
12、其中，事故频率计算公式为
13、式中：f代表事故频率，n代表截止预测年份前一年车辆所有事故次数，c代表车龄。
14、进一步地，所述重点违法行为的确定由二元logistic回归模型分析得到，且在所述二元logistic回归模型中，因变量为是否发生交通事故，自变量为违法行为发生次数。
15、进一步地，当所述二元logistic回归模型中显著性差异p小于设定阈值时，则确定为重点违法行为。
16、进一步地，步骤二中，两种所述模型训练数据集的变量和目标变量均来自于数据信息中的车辆基本信息、车辆违法信息以及车辆历史事故信息三个维度，且两种所述模型训练数据集的区别在于重点违法行为累计次数统计时间范围不同。
17、进一步地，两种所述模型训练数据集中重点违法行为累计次数统计的时间范围分别为1年和2年。
18、进一步地，所述预测分类器为四种，其分别为传统预测分类器决策树和基于集成学习思想的极梯度提升决策树(xgboost)、lightgbm以及随机森林。
19、进一步地，步骤三中，通过逐渐增加事故数据的权重来提升多层分类评估模型的召回率，用于使所述多层分类评估模型能够准确的预测出事故车辆。
20、更近一步地，每种车型的基础单一模型通过步骤二确定，每种车型的单一模型并不完全相同；
21、事故数据的权重通过网格寻优的方式确定，通过选取三种不同的权重建立三个子模型，三个子模型分别对应为高中低事故风险评估模型，进而组成整个大模型；
22、进一步地，步骤三中，所述车辆事故风险的评估以及风险等级划分是基于相应车型的多层分类评估模型即三个子模型的评估结果组合确定；
23、具体将高精确率低召回率的评估子模型定义为高事故风险模型，将低精确率高召回率的评估结果定义为低事故风险模型，将召回率和精确率处于两者之间的定义为中事故风险模型，每辆车经过三个子模型的评估会得到三个评估结果，最后将三个评估结果代入风险关系对应规则表即得到所述车辆最终的风险等级。
24、需要说明的是，事故风险等级的定义并不是指单个车辆的风险程度，而是指一个车辆集合整体的风险程度，例如对于高事故风险模型预测出的事故车辆，其预测结果精确率较高，意味着预测出的存在事故风险的车辆多数在实际情况中确实发生了事故，因此对于这个车辆集合，整体的事故风险是处于较高水平的。
25、与现有技术相比，本专利技术具有以下有益效果：
26、本专利技术提供的车辆事故风险评估模型的构建方法，基于交通管理部门“六合一”数据库中车辆的数据信息，先将车辆划分为五种类型，并主要从车辆基本信息、车辆违法信息以及车辆历史事故信息，这三个维度选取评估指标；然后基于确定的单一模型通过改变事故权重建立了车辆事故风险多层分类评估模型；最后基于该模型分车型对车辆的事故风险进行评估和风险等级划分，本专利技术提供的技术方案能够带来至少以下两方面优点：
27、一是可以对不同类型的车辆分别进行事故风险的评估预测和风险等级的划分，进而减少了不同车辆类型不同的驾驶行为、使用场景以及具有独特的风险因素和特征对模型的影响；
28、二是通过对预测出的事故车辆进行风险等级的划分，可以满足交管部门对于风险车辆分级管理的需求，从而使得管理措施更具针对性和有效性，例如可针对评估为高事故风险车辆的车主进行线下面谈、中事故风险车辆的车主进行电话约谈、低事故风险车辆的车主进行短信提醒以及非常低事故风险车辆暂时不做干预等措施，从而实现降低甚至消除机动车事故发生率的目标，以保障人身财产安全。
本文档来自技高网...【技术保护点】
1.一种车辆事故风险评估模型的构建方法，其特征在于，所述构建方法基于交通管理部门“六合一”数据库中车辆的数据信息，具体包括如下步骤：
2.根据权利要求1所述的车辆事故风险评估模型的构建方法，其特征在于，步骤一中，所述车辆的数据信息包括车辆基本信息、车辆违法信息以及车辆历史事故信息；
3.根据权利要求2所述的车辆事故风险评估模型的构建方法，其特征在于，所述车辆基本信息包括车身颜色、机动车状态、车龄、是否新能源、所有权以及使用性质；
4.根据权利要求3所述的车辆事故风险评估模型的构建方法，其特征在于，所述重点违法行为的确定由二元logistic回归模型分析得到，且在所述二元logistic回归模型中，因变量为是否发生交通事故，自变量为违法行为发生次数。
5.根据权利要求4所述的车辆事故风险评估模型的构建方法，其特征在于，当所述二元logistic回归模型中显著性差异P小于设定阈值时，则确定为重点违法行为。
6.根据权利要求1所述的车辆事故风险评估模型的构建方法，其特征在于，步骤二中，两种所述模型训练数据集的变量和目标变量均来
7.根据权利要求6所述的车辆事故风险评估模型的构建方法，其特征在于，两种所述模型训练数据集中重点违法行为累计次数统计的时间范围分别为1年和2年。
8.根据权利要求1所述的车辆事故风险评估模型的构建方法，其特征在于，所述预测分类器为四种，其分别为传统预测分类器决策树和基于集成学习思想的极梯度提升决策树(XGBoost)、LightGBM以及随机森林。
9.根据权利要求1所述的车辆事故风险评估模型的构建方法，其特征在于，步骤三中，通过逐渐增加事故数据的权重来提升多层分类评估模型的召回率，用于使所述多层分类评估模型能够准确的预测出事故车辆；
10.根据权利要求9所述的车辆事故风险评估模型的构建方法，其特征在于，步骤三中，所述车辆事故风险的评估以及风险等级划分是基于相应车型的多层分类评估模型即三个子模型的评估结果组合确定；
...【技术特征摘要】
1.一种车辆事故风险评估模型的构建方法，其特征在于，所述构建方法基于交通管理部门“六合一”数据库中车辆的数据信息，具体包括如下步骤：
2.根据权利要求1所述的车辆事故风险评估模型的构建方法，其特征在于，步骤一中，所述车辆的数据信息包括车辆基本信息、车辆违法信息以及车辆历史事故信息；
3.根据权利要求2所述的车辆事故风险评估模型的构建方法，其特征在于，所述车辆基本信息包括车身颜色、机动车状态、车龄、是否新能源、所有权以及使用性质；
4.根据权利要求3所述的车辆事故风险评估模型的构建方法，其特征在于，所述重点违法行为的确定由二元logistic回归模型分析得到，且在所述二元logistic回归模型中，因变量为是否发生交通事故，自变量为违法行为发生次数。
5.根据权利要求4所述的车辆事故风险评估模型的构建方法，其特征在于，当所述二元logistic回归模型中显著性差异p小于设定阈值时，则确定为重点违法行为。
6.根据权利要求1所述的车辆事故风险评估模型的构建方法，其特征在于，步骤二中，两种...
【专利技术属性】
技术研发人员：牛世峰，濮泽昱，赵辰浩，马冲，袁伟，潘应久，付锐，
申请(专利权)人：长安大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。