本發(fā)明涉及交通事故分析，尤其涉及一種基于多元數(shù)據(jù)的交通事故分析方法及系統(tǒng)。

背景技術：

1、隨著高速公路交通流量的增加，交通事故的發(fā)生頻率也有所上升，給交通安全和交通管理帶來了巨大挑戰(zhàn)；傳統(tǒng)的交通事故分析方法往往基于單一數(shù)據(jù)源或簡單的統(tǒng)計分析，存在以下局限性：僅依靠事故現(xiàn)場報告、交警記錄等有限的數(shù)據(jù)來源，無法全面反映交通事故發(fā)生的復雜環(huán)境和多種影響因素，例如天氣狀況、道路設施、車輛行駛狀態(tài)等因素可能未被充分考慮；難以實時獲取交通信息并及時分析潛在的事故風險，通常是在事故發(fā)生后進行調(diào)查和分析，無法在事故發(fā)生前采取有效的預防措施，導致不能及時避免事故的發(fā)生或減輕事故的影響；采用的分析方法較為簡單，無法處理復雜的多元數(shù)據(jù)，難以準確識別不同因素對交通事故的影響程度，也難以對交通狀況進行準確的預測和評估，從而影響了交通管理部門制定科學有效的交通管理策略和應急措施。

2、中國專利公告號cn108417033b公開了一種基于多維因素的高速交通事故分析預測方法，其包括以下步驟：根據(jù)歷史交通事故數(shù)據(jù)和歷史日常記錄數(shù)據(jù)建立數(shù)據(jù)庫；從數(shù)據(jù)庫中選取交通事故類型和對應的日常記錄數(shù)據(jù)，獲取交通事故的多維影響因素數(shù)據(jù)；對多維影響因素數(shù)據(jù)建立貝葉斯網(wǎng)絡，得到各個因素對交通事故的影響概率，并作為預測模型；根據(jù)預測模型和實時數(shù)據(jù)，預測高速交通事故。該發(fā)明可以對歷史交通事故數(shù)據(jù)進行預處理和轉換，分析和利用交通事故的多維影響因素建立相應的貝葉斯網(wǎng)絡從而形成交通事故的預測模型，運用數(shù)據(jù)挖掘技術找出影響交通事故的多維因素間的概率關系，根據(jù)分析的結果利用實時的觀測數(shù)據(jù)就可以對事故是否發(fā)生進行預測。由此可見，現(xiàn)有技術存在以下問題：

3、現(xiàn)有技術無法根據(jù)歷史交通事故分析事故影響因素并無法結合實時交通特征預測事故傾向，從而導致交通事故發(fā)生后的處理不及時的問題。

技術實現(xiàn)思路

1、為此，本發(fā)明提供一種基于多元數(shù)據(jù)的交通事故分析方法及系統(tǒng)，用以克服現(xiàn)有技術中無法根據(jù)歷史交通事故分析事故影響因素并無法結合實時交通特征預測事故傾向，從而導致交通事故發(fā)生后的處理不及時的問題。

2、為實現(xiàn)上述目的，一方面，本發(fā)明提供一種基于多元數(shù)據(jù)的交通事故分析方法，包括：

3、獲取高速路段的歷史交通事故擁堵率及其對應的若干交通事故特征，并根據(jù)各所述交通事故特征與對應歷史交通事故擁堵率的相關性分析結果確定該歷史交通事故的影響因素，并形成影響因素集；

4、根據(jù)主成分分析方法確定影響因素集中各影響因素的貢獻率和主成分特征，以確定對應歷史交通事故的影響因素貢獻集和主成分特征集；

5、根據(jù)各歷史交通事故的主成分特征集的交集確定為影響該高速路段交通事故的實際影響因素以確定實際影響因素集；

6、實時獲取影響因素集中各影響因素的具體取值以確定各影響因素的實時貢獻率，并根據(jù)實際影響因素集的實時累計貢獻率確定當前交通事故的表征傾向；

7、根據(jù)所述表征傾向的判定結果控制若干采集無人機依次起飛并分別采集對應高速路段的交通視頻；

8、根據(jù)單個所述交通視頻確定各行駛車輛的行駛數(shù)據(jù)組以確定任意行駛車輛的駕駛表征趨勢；

9、響應于擁堵路段的存在，根據(jù)隱性穩(wěn)定趨勢的行駛車輛的行駛數(shù)據(jù)鎖定擁堵路段中隱性穩(wěn)定趨勢的行駛車輛位置；

10、根據(jù)隱性穩(wěn)定趨勢的行駛車輛位置與擁堵路段的位置關系控制通訊無人機的飛行預設位置采集擁堵視頻，以確定擁堵原因是否為交通事故；

11、其中，所述行駛數(shù)據(jù)組包括行駛速度、行駛過程中與前車的行駛速度差值以及是否超車/變道；

12、所述駕駛表征趨勢包括顯性穩(wěn)定趨勢和隱性穩(wěn)定趨勢。

13、進一步地，所述交通事故特征包括交通事故環(huán)境特征和交通事故類型；

14、其中，所述交通事故環(huán)境特征包括天氣、能見度、時段、路段、路面狀況、照明、是否節(jié)假日、車速和車流量；

15、所述交通事故類型包括追尾事故、變道/超車事故、單方事故和多車連環(huán)事故。

16、進一步地，根據(jù)所述歷史交通事故與各所述交通事故特征之間的皮爾遜相關系數(shù)確定與交通事故相關的特征變量，將相關的特征變量確定為交通事故的影響因素集并將各影響因素對應的數(shù)據(jù)記為交通事故的影響因素數(shù)據(jù)；

17、其中，若單個交通事故特征與交通事故的皮爾遜相關系數(shù)的絕對值大于預設值，判定該交通事故特征與交通事故相關并記為影響因素。

18、進一步地，根據(jù)主成分分析方法確定影響因素集中各影響因素的貢獻率，并將累計貢獻率大于或等于預設貢獻率的各影響因素均確定為主成分特征。

19、進一步地，實時獲取影響因素集中各影響因素的具體取值以根據(jù)主成分分析方法確定各影響因素的實時貢獻率，并根據(jù)實際影響因素集的實時累計貢獻率確定當前交通事故的表征傾向，其中，

20、若所述實時累計貢獻率大于或等于預設累計貢獻率，則判定當前交通事故的表征傾向為發(fā)生傾向；

21、若所述實時累計貢獻率小于預設累計貢獻率，則判定當前交通事故的表征傾向為不發(fā)生傾向。

22、進一步地，根據(jù)所述表征傾向為發(fā)生傾向的判定結果控制若干采集無人機依次起飛并分別采集對應高速路段的交通視頻；

23、其中，所述采集無人機的數(shù)量至少為3個，各所述采集無人機的起飛時間間隔相等且均大于預設時長。

24、進一步地，所述采集無人機的飛行方向與行駛車輛的行駛方向相反。

25、進一步地，根據(jù)單個所述交通視頻確定各行駛車輛的行駛數(shù)據(jù)以確定任意行駛車輛的駕駛表征趨勢，包括，

26、采用人工智能軟件根據(jù)單個所述交通視頻確定各行駛車輛的行駛數(shù)據(jù)組；

27、確定單個行駛車輛根據(jù)各交通視頻確定的若干行駛數(shù)據(jù)組中各行駛數(shù)據(jù)的差異度；

28、根據(jù)各行駛數(shù)據(jù)的差異度大小確定對應行駛車輛的駕駛表征趨勢，其中，

29、若各行駛數(shù)據(jù)的差異度均小于或等于預設差異度，則判定該行駛車輛的駕駛表征趨勢為顯性穩(wěn)定趨勢；

30、若存在任意一個行駛數(shù)據(jù)的差異度大于預設差異度，則判定該行駛車輛的駕駛表征趨勢為隱性穩(wěn)定趨勢。

31、進一步地，根據(jù)隱性穩(wěn)定趨勢的行駛車輛位置與擁堵路段的位置關系控制通訊無人機的飛行預設位置并在預設位置采集擁堵視頻，包括，

32、若隱性穩(wěn)定趨勢的行駛車輛位置位于擁堵路段的目標位置之前，則控制通訊無人機的飛行預設位置為行駛車輛位置的上方；

33、若隱性穩(wěn)定趨勢的行駛車輛位置不位于擁堵路段的目標位置之前，則控制通訊無人機的飛行預設位置為擁堵路段的目標位置；

34、其中，所述目標位置位于所述擁堵路段的四分之一處。

35、另一方面，本發(fā)明還提供一種基于多元數(shù)據(jù)的交通事故分析系統(tǒng)，包括，

36、數(shù)據(jù)采集模塊，包括用以獲取高速路段的歷史交通事故擁堵率及其對應的若干交通事故特征的檢索單元、用以實時獲取影響因素集中各影響因素具體取值的采集單元和用以確定是否存在擁堵路段的聯(lián)網(wǎng)單元；

37、數(shù)據(jù)分析模塊，其與所述數(shù)據(jù)采集模塊相連，用以根據(jù)各所述交通事故特征與對應歷史交通事故擁堵率的相關性分析結果確定該歷史交通事故的影響因素并形成影響因素集，根據(jù)主成分分析方法確定影響因素集中各影響因素的貢獻率和主成分特征以確定對應歷史交通事故的影響因素貢獻集和主成分特征集，以及根據(jù)各歷史交通事故的主成分特征集的交集確定為影響該高速路段交通事故的實際影響因素以確定實際影響因素集；

38、實時分析模塊，其分別與所述數(shù)據(jù)采集模塊和所述數(shù)據(jù)分析模塊相連，用以根據(jù)各實時影響因素的具體取值確定各影響因素的實時貢獻率，根據(jù)實際影響因素集的實時累計貢獻率確定當前交通事故的表征傾向，根據(jù)所述表征傾向的判定結果控制若干采集無人機依次起飛并分別采集對應高速路段的交通視頻，以及根據(jù)單個所述交通視頻確定各行駛車輛的行駛數(shù)據(jù)組以確定任意行駛車輛的駕駛表征趨勢；

39、分析確定模塊，其分別與所述實時分析模塊和所述數(shù)據(jù)采集模塊相連，用以響應于擁堵路段的存在并根據(jù)隱性穩(wěn)定趨勢的行駛車輛的行駛數(shù)據(jù)鎖定擁堵路段中隱性穩(wěn)定趨勢的行駛車輛位置，以及根據(jù)隱性穩(wěn)定趨勢的行駛車輛位置與擁堵路段的位置關系控制通訊無人機的飛行預設位置采集擁堵視頻，以確定擁堵原因是否為交通事故。

40、與現(xiàn)有技術相比，本發(fā)明的有益效果在于，本發(fā)明提供的基于多元數(shù)據(jù)的交通事故分析方法綜合運用多元數(shù)據(jù)和先進技術，先通過相關性分析與主成分分析確定影響因素及貢獻集，再結合實時數(shù)據(jù)判斷事故表征傾向，接著利用無人機采集視頻獲取車輛行駛數(shù)據(jù)，進而預測車輛位置、鎖定擁堵路段中特定車輛位置，最終采集擁堵視頻分析事故原因；本方法能夠精準識別交通事故影響因素、實時監(jiān)測事故傾向、高效獲取交通信息，為交通事故的預防和處理提供了全面且有效的解決方案，提高了交通管理的科學性、準確性和及時性；

41、進一步地，通過實時獲取影響因素具體取值，運用主成分分析確定實時貢獻率，再依據(jù)實際影響因素集的實時累計貢獻率與預設累計貢獻率對比，判定當前交通事故的表征傾向，能基于歷史數(shù)據(jù)和實時動態(tài)信息，精準且及時地評估交通事故發(fā)生風險，為交通管理決策提供有力的數(shù)據(jù)支撐，有效提升交通管理的前瞻性和科學性；

42、進一步地，依據(jù)交通事故發(fā)生傾向的判定結果，控制至少3個采集無人機按相等且大于預設時長的時間間隔依次起飛，去采集對應高速路段的交通視頻；同時，在高速路段沿線合理分布多個設有至少兩架無人機的停機點，且根據(jù)路段事故發(fā)生頻率調(diào)整停機點間距；這種安排能借助多架無人機在不同時間點的監(jiān)測，利用先進模型預測和分析交通狀況，從而更精準地把握當前交通態(tài)勢，及時對交通事故做出預測和反應，提高交通管理的及時性和有效性；

43、進一步地，運用人工智能軟件從單個交通視頻確定車輛行駛數(shù)據(jù)組，計算各行駛數(shù)據(jù)差異度并依據(jù)差異度及與前車行駛速度差值判定車輛駕駛表征趨勢，這一過程能清晰區(qū)分車輛行駛狀態(tài)，精準識別出具有潛在交通影響風險的車輛，為交通管理提供了精細化的車輛行為分析依據(jù)，有助于提前預判交通擁堵和事故風險，提升交通管理的精準性與有效性；

44、進一步地，根據(jù)隱性穩(wěn)定趨勢行駛車輛與擁堵路段目標位置的位置關系，靈活控制通訊無人機的飛行預設位置采集擁堵視頻，并實時傳輸至交通管理中心，這一舉措能為交通管理人員快速提供清晰、針對性強的擁堵現(xiàn)場信息，幫助其精準把握交通狀況，從而及時且有效地制定應對策略，提高交通擁堵治理效率。