本技術(shù)涉及道路交通安全分析，具體而言，涉及一種影響交通安全的特征參數(shù)的分析方法、裝置及設(shè)備。

背景技術(shù)：

1、隨著高速公路交通量的不斷增加，日益復(fù)雜的交通態(tài)勢(shì)為道路管理單位準(zhǔn)確評(píng)估道路安全水平、管控交通風(fēng)險(xiǎn)帶來了巨大挑戰(zhàn)。傳統(tǒng)的交通安全分析方法通常依賴單一的數(shù)據(jù)源和簡(jiǎn)單的統(tǒng)計(jì)分析，難以全面和準(zhǔn)確地反映交通流特征對(duì)交通安全的影響。

2、現(xiàn)有技術(shù)中，雖然部分技術(shù)嘗試?yán)枚嘣唇煌鲾?shù)據(jù)進(jìn)行交通安全分析，但大多未能充分考慮數(shù)據(jù)的完整性、一致性和多樣性，也未能有效應(yīng)用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)對(duì)數(shù)據(jù)進(jìn)行深度挖掘和分析。此外，特征參數(shù)選擇和模型解釋性方面的研究與結(jié)合也相對(duì)不足，導(dǎo)致分析結(jié)果的可靠性和解釋性較低。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例的目的在于提供一種影響交通安全的特征參數(shù)的分析方法、裝置及設(shè)備，用以解決現(xiàn)有技術(shù)存在的多源數(shù)據(jù)處理不全面、特征參數(shù)選擇不可靠以及解釋性不足的上述問題，可識(shí)別不同交通狀態(tài)下影響交通安全的特征參數(shù)，有助于直觀理解交通流特征與交通安全的關(guān)聯(lián)規(guī)律，從而制定更加有效的交通安全策略，減少交通事故的發(fā)生，提高道路交通的整體安全性和效率。

2、第一方面，提供了一種影響交通安全的特征參數(shù)的分析方法，該方法可以包括：

3、獲取預(yù)設(shè)時(shí)間段內(nèi)目標(biāo)監(jiān)測(cè)區(qū)域的多類交通監(jiān)測(cè)數(shù)據(jù)和交通事故數(shù)據(jù)；其中，所述交通事故數(shù)據(jù)包括：事故發(fā)生時(shí)間和事故地點(diǎn)；

4、基于所述事故發(fā)生時(shí)間和所述事故地點(diǎn)，從多類交通監(jiān)測(cè)數(shù)據(jù)中提取與所述交通事故關(guān)聯(lián)的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)；

5、針對(duì)任一類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)，計(jì)算所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)在不同時(shí)長(zhǎng)對(duì)應(yīng)的統(tǒng)計(jì)量；

6、在任一時(shí)長(zhǎng)下，基于所述統(tǒng)計(jì)量，對(duì)所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)進(jìn)行聚類，得到所述時(shí)長(zhǎng)下的交通狀態(tài)；

7、將所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)，輸入訓(xùn)練好的改進(jìn)的xgboost模型中，得到所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)；

8、利用預(yù)先構(gòu)建的shap模型與貝葉斯推理模型，對(duì)所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)進(jìn)行重要性分析，得到所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分析結(jié)果；

9、對(duì)任一時(shí)長(zhǎng)下的所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)和相應(yīng)的重要性分析結(jié)果進(jìn)行分析，得到相應(yīng)時(shí)長(zhǎng)的交通狀態(tài)對(duì)應(yīng)的所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)對(duì)所述交通事故的影響結(jié)果。

10、在一個(gè)可選的實(shí)現(xiàn)中，在基于所述事故發(fā)生時(shí)間和所述事故地點(diǎn)，從多類交通監(jiān)測(cè)數(shù)據(jù)中提取與所述交通事故關(guān)聯(lián)的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)之前，所述方法還包括：

11、針對(duì)任一類型的交通監(jiān)測(cè)數(shù)據(jù)，將所述類型的交通監(jiān)測(cè)數(shù)據(jù)輸入到訓(xùn)練好的生成對(duì)抗網(wǎng)絡(luò)中，得到所述類型預(yù)處理后的交通監(jiān)測(cè)數(shù)據(jù)；其中，所述生成對(duì)抗網(wǎng)絡(luò)是利用與輸入的交通監(jiān)測(cè)數(shù)據(jù)的類型相同的歷史交通監(jiān)測(cè)數(shù)據(jù)訓(xùn)練得到的；

12、利用孤立森林算法識(shí)別所述類型預(yù)處理后的交通監(jiān)測(cè)數(shù)據(jù)中的異常值，以及利用孤立森林算法對(duì)識(shí)別得到的異常值進(jìn)行處理，得到所述類型處理后的交通監(jiān)測(cè)數(shù)據(jù)。

13、在一個(gè)可選的實(shí)現(xiàn)中，基于所述統(tǒng)計(jì)量，對(duì)所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)進(jìn)行聚類，得到所述時(shí)長(zhǎng)下的交通狀態(tài)，包括：

14、利用所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)對(duì)應(yīng)的統(tǒng)計(jì)量，對(duì)所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

15、計(jì)算標(biāo)準(zhǔn)化處理后的所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的屬性參數(shù)；

16、針對(duì)任一所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)，若所述目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的屬性參數(shù)滿足預(yù)設(shè)標(biāo)準(zhǔn)，則將該目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)作為所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的聚類中心；

17、計(jì)算所有該類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)距離不同聚類中心的歐式距離；

18、基于計(jì)算得到的歐氏距離，將所有該類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)劃分至相應(yīng)的聚類中心；

19、針對(duì)任一聚類中心，計(jì)算所述聚類中心的均值；

20、將得到的所述聚類中心的均值，作為新的聚類中心，返回執(zhí)行步驟：計(jì)算所有該類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)距離不同聚類中心的歐式距離，直至滿足預(yù)設(shè)條件，輸出所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的分類結(jié)果；

21、基于不同類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)對(duì)應(yīng)的分類結(jié)果，得到所述時(shí)長(zhǎng)下的交通狀態(tài)。

22、在一個(gè)可選的實(shí)現(xiàn)中，在將所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)，輸入訓(xùn)練好的改進(jìn)的xgboost模型中之前，所述方法還包括：

23、針對(duì)任一類型的目標(biāo)交通數(shù)據(jù)在任一時(shí)長(zhǎng)的統(tǒng)計(jì)量對(duì)應(yīng)的統(tǒng)計(jì)參數(shù)，獲取預(yù)先設(shè)定的所述統(tǒng)計(jì)參數(shù)的權(quán)重；

24、以所述統(tǒng)計(jì)參數(shù)為自變量，進(jìn)行回歸分析，得到所述統(tǒng)計(jì)參數(shù)對(duì)除所述統(tǒng)計(jì)參數(shù)外的其他統(tǒng)計(jì)參數(shù)的決定系數(shù)；

25、基于1減去所述決定系數(shù)，得到所述統(tǒng)計(jì)參數(shù)的復(fù)判定系數(shù)；

26、利用所述權(quán)重除所述復(fù)判定系數(shù)，得到所述統(tǒng)計(jì)參數(shù)的自適應(yīng)加權(quán)方差膨脹因子；

27、獲取預(yù)先設(shè)定的膨脹因子篩選閾值；

28、若所述統(tǒng)計(jì)參數(shù)的自適應(yīng)加權(quán)方差膨脹因子未超過所述膨脹因子篩選閾值，則將所述統(tǒng)計(jì)參數(shù)，作為第一目標(biāo)統(tǒng)計(jì)參數(shù)。

29、在一個(gè)可選的實(shí)現(xiàn)中，將所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)，輸入訓(xùn)練好的改進(jìn)的xgboost模型中，得到所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)，包括：

30、將第一目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)應(yīng)的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)，輸入訓(xùn)練好的改進(jìn)的xgboost模型中，得到第一目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)應(yīng)的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)；

31、在得到所述類型的第一目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)之后，所述方法還包括：

32、獲取預(yù)先設(shè)定的參數(shù)數(shù)量閾值；

33、將第一目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)應(yīng)的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)，作為第一目標(biāo)統(tǒng)計(jì)參數(shù)的重要性分?jǐn)?shù)；

34、將不同第一目標(biāo)統(tǒng)計(jì)參數(shù)按照相應(yīng)的重要性分?jǐn)?shù)從大到小的順序排列；

35、從排列后的第一目標(biāo)統(tǒng)計(jì)參數(shù)中，篩選與參數(shù)數(shù)量閾值相同數(shù)量的第一目標(biāo)統(tǒng)計(jì)參數(shù)，得到第二目標(biāo)統(tǒng)計(jì)參數(shù)。

36、在一個(gè)可選的實(shí)現(xiàn)中，利用預(yù)先構(gòu)建的shap模型與貝葉斯推理模型，對(duì)所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)進(jìn)行重要性分析，包括：

37、利用預(yù)先構(gòu)建的shap模型，對(duì)第二目標(biāo)統(tǒng)計(jì)參數(shù)進(jìn)行重要性分析，得到不同第二目標(biāo)統(tǒng)計(jì)參數(shù)的shapley值；

38、從所有第二目標(biāo)統(tǒng)計(jì)參數(shù)進(jìn)行隨機(jī)抽樣，得到由不同第二目標(biāo)統(tǒng)計(jì)參數(shù)組成的不同統(tǒng)計(jì)參數(shù)組合；

39、利用預(yù)先構(gòu)建的貝葉斯推理模型，對(duì)不同統(tǒng)計(jì)參數(shù)組合進(jìn)行交通事故預(yù)測(cè)，得到不同統(tǒng)計(jì)參數(shù)組合對(duì)應(yīng)的交通事故預(yù)測(cè)結(jié)果；

40、基于得到的交通事故預(yù)測(cè)結(jié)果，得到不同第二目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)交通事故預(yù)測(cè)結(jié)果的影響程度；

41、基于所述shapley值和相應(yīng)的對(duì)交通事故預(yù)測(cè)結(jié)果的影響程度，得到各第二目標(biāo)統(tǒng)計(jì)參數(shù)的重要性分析結(jié)果。

42、在一個(gè)可選的實(shí)現(xiàn)中，對(duì)任一時(shí)長(zhǎng)下的所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)和相應(yīng)的重要性分析結(jié)果進(jìn)行分析，得到相應(yīng)時(shí)長(zhǎng)的交通狀態(tài)對(duì)應(yīng)的所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)對(duì)所述交通事故的影響結(jié)果，包括：

43、針對(duì)任一第二目標(biāo)統(tǒng)計(jì)參數(shù)，根據(jù)所述第二目標(biāo)統(tǒng)計(jì)參數(shù)的shapley值的正負(fù)，得到所述第二目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)所述交通事故的影響方向；

44、將所述第二目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)交通事故預(yù)測(cè)結(jié)果的影響程度，作為所述第二目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)交通事故的影響程度；

45、基于所述影響程度和所述影響方向，得到所述第二目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)所述交通事故的影響結(jié)果；

46、基于不同第二目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)所述交通事故的影響結(jié)果，得到各第二目標(biāo)統(tǒng)計(jì)參數(shù)對(duì)應(yīng)時(shí)長(zhǎng)的交通狀態(tài)對(duì)應(yīng)的所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)對(duì)所述交通事故的影響結(jié)果。

47、第二方面，提供了一種影響交通安全的特征參數(shù)的分析裝置，該裝置可以包括：

48、獲取單元，用于獲取預(yù)設(shè)時(shí)間段內(nèi)目標(biāo)監(jiān)測(cè)區(qū)域的交通監(jiān)測(cè)數(shù)據(jù)和交通事故數(shù)據(jù)；其中，所述交通事故數(shù)據(jù)包括：事故發(fā)生時(shí)間和事故地點(diǎn)；

49、提取單元，用于基于所述事故發(fā)生時(shí)間和所述事故地點(diǎn)，從多類交通監(jiān)測(cè)數(shù)據(jù)中提取與所述交通事故關(guān)聯(lián)的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)；

50、計(jì)算單元，用于針對(duì)任一類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)，計(jì)算所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)在不同時(shí)長(zhǎng)對(duì)應(yīng)的統(tǒng)計(jì)量；

51、聚類單元，用于在任一時(shí)長(zhǎng)下，基于所述統(tǒng)計(jì)量，對(duì)所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)進(jìn)行聚類，得到所述時(shí)長(zhǎng)下的交通狀態(tài)；

52、分析單元，用于將所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)，輸入訓(xùn)練好的改進(jìn)的xgboost模型中，得到所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)；利用預(yù)先構(gòu)建的shap模型與貝葉斯推理模型，對(duì)所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)進(jìn)行重要性分析，得到所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分析結(jié)果；對(duì)任一時(shí)長(zhǎng)下的所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)的重要性分?jǐn)?shù)和相應(yīng)的重要性分析結(jié)果進(jìn)行分析，得到相應(yīng)時(shí)長(zhǎng)的交通狀態(tài)對(duì)應(yīng)的所述類型的目標(biāo)交通監(jiān)測(cè)數(shù)據(jù)對(duì)所述交通事故的影響程度。

53、第三方面，提供了一種電子設(shè)備，該電子設(shè)備包括處理器、通信接口、存儲(chǔ)器和通信總線，其中，處理器，通信接口，存儲(chǔ)器通過通信總線完成相互間的通信；

54、存儲(chǔ)器，用于存放計(jì)算機(jī)程序；

55、處理器，用于執(zhí)行存儲(chǔ)器上所存放的程序時(shí)，實(shí)現(xiàn)上述第一方面中任一所述的方法步驟。

56、第四方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述第一方面中任一所述的方法步驟。

57、該發(fā)明方法能夠準(zhǔn)確評(píng)估不同交通狀態(tài)下的主要安全影響因素，并提供對(duì)模型預(yù)測(cè)結(jié)果的可解釋性，能夠有效增強(qiáng)交通管理和事故預(yù)防的科學(xué)性和有效性。

58、本技術(shù)通過采集多種類型的交通監(jiān)測(cè)數(shù)據(jù)，保證了交通安全分析數(shù)據(jù)的全面性以及完整性；本技術(shù)使用生成對(duì)抗網(wǎng)絡(luò)(gans)處理缺失數(shù)據(jù)，并結(jié)合孤立森林算法進(jìn)行異常值檢測(cè)和修正，保證了交通監(jiān)測(cè)數(shù)據(jù)的可靠性和一致性，提高了交通監(jiān)測(cè)數(shù)據(jù)的精度；利用k-means、xgboost等先進(jìn)的機(jī)器學(xué)習(xí)模型和shap等解釋性分析工具對(duì)預(yù)處理后的交通監(jiān)測(cè)數(shù)據(jù)進(jìn)行進(jìn)一步改進(jìn)優(yōu)化、深入挖掘和分析，突出不同交通狀態(tài)下安全影響因素的差異，得到了可解釋性強(qiáng)的分析結(jié)果。

59、本技術(shù)能夠有效揭示交通狀態(tài)與交通事故之間的復(fù)雜關(guān)系，識(shí)別出不同交通場(chǎng)景中主要的統(tǒng)計(jì)參數(shù)(即安全影響因素)，區(qū)分不同交通狀態(tài)下的影響因素差異，為交通管理和事故預(yù)防提供科學(xué)依據(jù)。本技術(shù)有助于直觀理解交通狀與交通安全的關(guān)聯(lián)規(guī)律，從而制定更加有效的交通安全策略，減少交通事故的發(fā)生，提高道路交通的整體安全性和效率。

60、本技術(shù)基于自適應(yīng)密度峰值聚類算法(adpc)改進(jìn)k-means聚類方法，將交通狀態(tài)劃分為自由流、擁堵流和過渡狀態(tài)，便于精細(xì)化分析；通過自適應(yīng)加權(quán)方差膨脹因子(awvif)和遞歸特征消除(rfe)進(jìn)行統(tǒng)計(jì)參數(shù)篩選，優(yōu)化統(tǒng)計(jì)參數(shù)子集，提升模型性能；利用改進(jìn)的xgboost模型結(jié)合自適應(yīng)boosting(adaboost)方法，通過動(dòng)態(tài)學(xué)習(xí)率和早停策略優(yōu)化模型訓(xùn)練，并使用bootstrapping方法進(jìn)行模型驗(yàn)證，確保模型的穩(wěn)定性和泛化能力。通過shap模型進(jìn)行統(tǒng)計(jì)參數(shù)重要性分析，結(jié)合貝葉斯推理的不確定性量化分析，清晰解釋各統(tǒng)計(jì)參數(shù)對(duì)模型輸出的貢獻(xiàn)，并比較不同交通狀態(tài)下的安全影響因素差異。