欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025104179589
申请人: 长沙理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多阶段融合的交通事故严重度预测方法,其特征在于,包括如下步骤:S1、数据采集与预处理:采集与交通事故相关的多源数据,经清洗去除重复和无效数据;用欠采样和过采样平衡事故严重度数据分布;对分类变量编码转换、数值特征标准化,使数据符合模型输入要求;

S2、初步预测并融合特征:构建逻辑回归模型进行初步预测并输出概率结果,同时利用历史数据对事故严重度进行相关性分析,选取相关性较高的特征进行多项式变换,将变换后的特征和初步预测的结果概率融合为新的特征;

逻辑回归模型通过One vs Rest策略来输出预测概率,即创建K个二分类模型,K代表事故严重度类别的数量,每个模型将一个类别作为正类,其余类别作为负类,使用sigmoid函数来表示,即:;

其中:代表sigmiod函数,输出范围在0到1之间,表示样本属于正类的概率,是线性组合,即:;

是模型的参数向量,代表转置,代表特征的数量;

S3、二次预测:再次使用AdaBoost模型对融合后的特征进行训练,然后对测试集进行预测,得到最终的融合预测结果;

AdaBoost通过迭代训练多个弱分类器,并将它们组合成一个强分类器,在每一轮迭代中,AdaBoost根据前一轮分类器的错误率调整样本的权重;其中第轮迭代的弱分类器的权重计算公式为:;

其中,是第轮迭代的弱分类器的错误率,样本权重更新公式为:;

;

其中,代表第轮迭代的权重,代表第轮迭代更新后的权重;和分别为特征和目标变量的第个样本值;代表弱学习器的预测结果;代表指数函数,代表归一化因子,用于保证所有样本权重之和为1;

S4、结果评估与模型优化:用准确率、召回率、F1值指标,对融合后的模型绘制ROC、PR曲线评估预测结果。

2.根据权利要求1所述的基于多阶段融合的交通事故严重度预测方法,其特征在于,所述与交通事故相关的多源数据包括事故记录数据、天气状况数据、道路监测数据;

所述事故记录数据包括事故发生的精确时间、经纬度坐标精准定位的地点、涉及车辆的准确型号与车牌号码、人员伤亡的具体情况;

所述天气状况数据包括事故发生时的气温、湿度、风速、降水量、能见度;

所述道路监测数据包括事故发生道路的路面状况、交通流量。

3.根据权利要求1所述的基于多阶段融合的交通事故严重度预测方法,其特征在于,步骤S1中的用欠采样和过采样平衡事故严重度数据分布具体是指:对清洗后的与交通事故相关的多源数据进行全面统计分析,通过柱状图或饼图以直观呈现不同严重程度类别的样本数量分布情况;若发现数据存在严重不平衡,做如下处理:对于多数类别的轻微事故样本,采用欠采样方法,有效减少其在数据集中的绝对数量,降低其对模型训练的主导影响;

对于少数类别的重度事故样本,运用过采样算法在少数类样本的特征空间中生成新的合成样本,增加其样本数量;

步骤S1中的分类变量编码转换是指分类变量转换为从0开始的连续整数编码。

4.根据权利要求1所述的基于多阶段融合的交通事故严重度预测方法,其特征在于,步骤S1中的标准化处理是通过计算每个数值特征的均值和标准差,经过转换公式得到:;

其中:是标准化后的特征值,是原始特征值,是该特征的均值,是标准差。

5.根据权利要求1所述的基于多阶段融合的交通事故严重度预测方法,其特征在于,步骤S2中逻辑回归模型的训练目标是找到最优的参数,使得对数似然函数最大,通过梯度下降优化算法来求解;对数似然函数的公式为:;

其中, 是样本数量,是第个样本的真实标签,是第个样本的特征向量,是第个样本经过sigmoid函数计算后属于正类的概率。

6.根据权利要求1所述的基于多阶段融合的交通事故严重度预测方法,其特征在于,步骤S2中通过相关性分析,计算每个特征与目标变量“事故严重度”之间的皮尔逊相关系数的绝对值,筛选出相关性较高的特征;皮尔逊相关系数的公式为:;

其中,和分别为特征和目标变量的第个样本值,和分别是特征和目标变量的均值;代表特征和目标变量的数量;

之后对相关性较高的变量进行二次多项式进行变换,重新产生多个新的特征,同时融入逻辑回归模型输出的预测概率,作为新的特征。

7.根据权利要求1所述的基于多阶段融合的交通事故严重度预测方法,其特征在于,步骤S3最终的模型强分类器为:;

其中,为弱分类器的数量,即AdaBoost算法迭代的总轮数,sign为符号函数,当输入值大于0时输出1,小于0时输出-1。

8.一种基于多阶段融合的交通事故严重度预测系统,其特征在于,包括处理器和存储器,其中所述存储器上存储有计算机程序代码指令;

当所述计算机程序代码指令被所述处理器所调用时,使得所述处理器执行如权利要求1-7任一所述的基于多阶段融合的交通事故严重度预测方法。