【技术实现步骤摘要】
本申请涉及交通，具体涉及一种连续事故时空间隔的预测方法、装置及存储介质。
技术介绍
1、道路交通事故对正常的交通运行和安全构成了威胁，并造成严重的财产损失和人员伤亡。根据世界卫生组织的统计，每年大约有130万人死于道路交通事故，还有2000万到5000万人遭受非致命性的伤害，其中许多人造成了残疾。此外，道路交通事故使大多数国家损失了3％的国内生产总值。交通事故发生后出现的恶劣交通状况易导致二次事故。二次事故为发生在初次事故影响范围内的事故，称二次事故与初次事故为连续事故。二次事故会加剧恶化交通状态，并带来额外的人身伤害。有研究表明，二次事故带来的危害比初次事故更严重。面对如此巨大的负面后果，对二次事故的研究逐渐成为热点问题。
2、在过去的几十年里，有众多学者对二次事故进行了大量研究，但主要致力于二次事故的识别和发生风险的建模与预测，虽然通过二次事故与初次事故之间的时空间隔也能够用于辅助交通管理，但是，如何预测二次事故与初次事故之间的时空间隔一直处于研究之中。
3、前面的叙述在于提供一般的背景信息，并不一定构成现有技术。
技术实现思路
1、针对上述技术问题，本申请提供一种连续事故时空间隔的预测方法、装置及存储介质，能够准确且快速识别二次事故与初次事故之间的时空间隔类别，有助于制定有效的交通管理措施，减少交通事故，提高交通运行效率。
2、为达到上述目的，本专利技术的技术方案是这样实现的：
3、第一方面，本专利技术实施例提供了一种连续事故时
4、对获取的历史交通事故集进行识别，获得初次事故集和二次事故集；历史交通事故至少包括位置和时间，初次事故集包括至少一初次事故，二次事故集包括各初次事故分别对应的至少一二次事故；
5、根据预设的时空间隔分类规则，基于位置和时间确定各初次事故与对应的每个二次事故之间的时空间隔类别；
6、基于初次事故集、二次事故集以及各初次事故与对应的每个二次事故之间的时空间隔类别，对stacking集成模型进行训练，得到训练后的stacking集成模型；stacking集成模型包括第一层的至少两个基础估计器和第二层的组合器；
7、将待预测的目标初次事故输入训练后的stacking集成模型，得到训练后的stacking集成模型输出的目标初次事故和对应的目标二次事故之间的目标时空间隔类别。
8、在一实施方式中，所述对获取的历史交通事故集进行识别，获得初次事故集和二次事故集，包括：
9、根据历史交通事故集中各历史交通事故的位置和时间，基于预设位置条件和预设时间条件对历史交通事故进行事故选取，以确定候选初次事故集和候选二次事故集；
10、基于速度轮廓图的方法对候选初次事故集和候选二次事故集进行过滤，确定初次事故集和二次事故集。
11、在一实施方式中，所述根据历史交通事故集中各历史交通事故的位置和时间，基于预设位置条件和预设时间条件对历史交通事故进行事故选取，以确定候选初次事故集和候选二次事故集，包括：
12、从历史交通事故集中确定第一历史交通事故，第一历史交通事故为任一历史交通事故；
13、对于历史交通事故集中与第一交通历史事故不同的任一第二历史交通事故，检测第二历史交通事故的位置是否位于第一历史交通事故的上游、距离间隔是否小于或等于预设距离阈值且时间间隔是否小于或等于预设时间阈值，若是，则将第一交通历史事故添加至候选初次事故集，并将第二历史交通事故添加至候选二次事故集。
14、在一实施方式中，所述基于速度轮廓图的方法对候选初次事故集和候选二次事故集进行过滤，确定初次事故集和二次事故集，包括：
15、从候选初次事故集中确定目标候选初次事故，目标候选初次事故为任一候选初次事故且不属于候选二次事故集；
16、根据目标候选初次事故的目标位置和目标时间，获取目标候选初次事故的速度轮廓；目标候选初次事故的速度轮廓是以目标时间之前的预设时长所在时间点为采样起点、目标时间之后的预设时长所在时间点为采样终点，基于预设时间间隔对在目标位置上游和下游的预设距离内所采集到的车辆平均速度进行采样获得的；
17、获取历史平均速度，历史平均速度是在目标时间所在年份内，以目标时间之前的预设时长所在时间点为采样起点、目标时间之后的预设时长所在时间点为采样终点，基于预设时间间隔对在目标位置上游和下游的预设距离内所采集到的车辆平均速度进行采样后，每个采样点对应的速度平均值；
18、将目标候选初次事故的速度轮廓减去历史平均速度，确定目标候选初次事故的影响区域；
19、检测目标候选二次事故的位置是否位于目标候选初次事故的影响区域内，若是，则将目标候选初次事故添加至初次事故集，并将目标候选二次事故加入二次事故集；其中，目标候选二次事故为候选二次事故集中与目标候选初次事故对应的任一候选二次事故。
20、在一实施方式中，stacking集成模型的第一层包括rf模型、gbdt模型和xgboost模型，第二层包括lr模型；
21、所述基于初次事故集、二次事故集以及各初次事故与对应的每个二次事故之间的时空间隔类别，对stacking集成模型进行训练，得到训练后的stacking集成模型，包括：
22、将初次事故集、二次事故集以及各初次事故与对应的每个二次事故之间的时空间隔类别组成的数据集划分为训练集和测试集；
23、基于训练集分别构建rf模型、gbdt模型和xgboost模型，并基于测试集对rf模型、gbdt模型和xgboost模型进行模型调优，以及获取rf模型、gbdt模型和xgboost模型分别对训练集的第一预测概率和对测试集的第二预测概率；其中，第一预测概率和第二预测概率用于表示属于哪类时空间隔类别的概率；
24、基于第一预测概率和训练集对应的时空间隔类别构建lr模型，并基于第二预测概率和测试集对应的时空间隔类别对lr模型进行模型调优。
25、第二方面，本专利技术实施例提供了一种连续事故时空间隔的预测装置，所述装置包括：
26、识别模块，用于对获取的历史交通事故集进行识别，获得初次事故集和二次事故集；历史交通事故至少包括位置和时间，初次事故集包括至少一初次事故，二次事故集包括各初次事故分别对应的至少一二次事故；
27、分类模块，用于根据预设的时空间隔分类规则，基于位置和时间确定各初次事故与对应的每个二次事故之间的时空间隔类别；
28、处理模块，用于基于初次事故集、二次事故集以及各初次事故与对应的每个二次事故之间的时空间隔类别，对stacking集成模型进行训练，得到训练后的stacking集成模型；stacking集成模型包括第一层的至少两个基础估计器和第二层的组合器；
29、预测模块，用于将待预测的目标初次事故输入训练后的stacking集成模型，得到训练后的stacking本文档来自技高网...
【技术保护点】
1.一种连续事故时空间隔的预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述对获取的历史交通事故集进行识别，获得初次事故集和二次事故集，包括：
3.如权利要求2所述的方法，其特征在于，所述根据历史交通事故集中各历史交通事故的位置和时间，基于预设位置条件和预设时间条件对历史交通事故进行事故选取，以确定候选初次事故集和候选二次事故集，包括：
4.如权利要求2所述的方法，其特征在于，所述基于速度轮廓图的方法对候选初次事故集和候选二次事故集进行过滤，确定初次事故集和二次事故集，包括：
5.如权利要求1所述的方法，其特征在于，Stacking集成模型的第一层包括RF模型、GBDT模型和XGBoost模型，第二层包括LR模型；
6.一种连续事故时空间隔的预测装置，其特征在于，所述装置包括：
7.如权利要求6所述的装置，其特征在于，所述识别模块，具体用于：
8.如权利要求6所述的装置，其特征在于，Stacking集成模型的第一层包括RF模型、GBDT模型和XGBoost模型，第二
9.一种连续事故时空间隔的预测装置，其特征在于，包括：存储器、处理器，其中，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的连续事故时空间隔的预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述连续事故时空间隔的预测方法的步骤。
...【技术特征摘要】
1.一种连续事故时空间隔的预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述对获取的历史交通事故集进行识别，获得初次事故集和二次事故集，包括：
3.如权利要求2所述的方法，其特征在于，所述根据历史交通事故集中各历史交通事故的位置和时间，基于预设位置条件和预设时间条件对历史交通事故进行事故选取，以确定候选初次事故集和候选二次事故集，包括：
4.如权利要求2所述的方法，其特征在于，所述基于速度轮廓图的方法对候选初次事故集和候选二次事故集进行过滤，确定初次事故集和二次事故集，包括：
5.如权利要求1所述的方法，其特征在于，stacking集成模型的第一层包括rf模型、gbdt模型和xgboost模型，第二层包括lr模型；
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。