基于对应分析模型的交通事故成因分析方法

摘要

本发明提供一种基于对应分析模型的交通事故成因分析方法，包括以下步骤：输入交通事故数据和交通违章数据，二者通过司机身份信息关联；对司机交通事故类型及其交通违章类型进行对应分析；对司机交通事故类型和司机驾龄、性别、车系多重对应分析。该种基于对应分析模型的交通事故成因分析方法，通过司机历史违章记录、驾龄、性别、车辆品牌与发生交通事故的类型，对司机驾驶行为及其影响因素进行分析；从而实现交通事故的针对性预防，提升道路的安全性。

说明书

技术领域

本发明涉及一种基于对应分析模型的交通事故成因分析方法。

背景技术

随着国内汽车保有量的逐步上升，交通事故问题也愈发突出；各种类型的交通事故层出不穷；在这些事故类型的背后必然存在着各种各样的事故原因，基于驾驶员的、基于道路环境的等等；因此需要通过大量的数据进行分析探索，找出造成各种事故类型因素之间的区别和联系；从而针对性的预防交通事故的发生，提升道路的安全性。

目前对于交通事故成因分析的方法缺乏细致的分类，研究上大多集中在交通事故次数及其影响关系；而对于驾驶人的驾驶行为分析、驾驶人的事故类型分析缺乏相应的研究；现实中违章是导致最终发生交通事故的导火索，如何从驾驶人的历史违章记录来探索司机在驾驶过程中何种违章行为会导致何种类型的交通事故；其次驾驶人的驾驶行为又和司机驾龄、性别驾驶的车辆不无关系；上述问题的解决对交通事故成因的分析有着积极的作用。

发明内容

本发明的目的是提供一种基于对应分析模型的交通事故成因分析方法，针对不同的交通事故类型，利用对应分析和聚类的方法，将影响发生事故类型的成因进行多维度分析探索，解决现有技术中存在的上述问题。

本发明的技术解决方案是：

一种基于对应分析模型的交通事故成因分析方法，包括以下步骤，

S1、输入交通违章数据和交通事故数据，并将交通违章数据和交通事故数据通过司机身份信息进行关联；

S2、交通事故类型和交通违章类型对应分析，首先进行探索性分析，使用数据透视图统计违章数据，并通过阈值法筛选出后续分析的违章样本数据；找出每种违章类型下对应的事故人群及其发生的事故类型，统计每种事故类型在所有事故类型中的占比；其次，选取有代表性的事故类别及其事故类型进行简单对应分析；

S3、交通事故类型与司机驾龄、性别及驾驶车辆的多元对应分析；从事故数据中提取事故责任方身份信息，及其对应的事故类型、肇事车辆品牌类型、司机驾龄以及性别四类信息；将t类事故类型、y类驾驶车辆类型、j类驾龄类别、性别一一对应，总共产生x＝(2*t*y*j)类组合；统计每一类组合所对应的人数，利用统计学中对多元对应分析的方法得出多重对应关系。

进一步地，步骤S1中，交通事故数据的特征向量为CS＝[C，K，V]，其中C为事故发生类型；K为人员信息，包括司机性别、驾龄、事故责任归属；V为车辆品牌信息；交通违章数据的特征向量为WS＝[A，H]，其中A为违章人员身份信息，H为违章人员的违章内容。

进一步地，所述步骤S2中，进行探索性分析具体为：

S21、按照交通事故类型，将事故司机进行分类；

S22、根据事故司机信息，从交通违章数据表中筛选出事故司机的违章记录，统计每一事故类型司机各类违章的次数；

S23、根据统计后的各类违章数量，保留违章次数大于等于p次的违章类型，其中p为违章样本筛选阈值；

S24、计算每一类型交通事故对应的各种交通违章次数与每一类型交通违章的总次数的比值；

S25、以司机交通违章的比例为纵坐标，司机交通违章的类型为横坐标，将各类型交通事故的司机所发生的各类交通违章的比例绘制在此坐标系中，观察各类事故类型司机的各类违章的比例，初步探索事故与违章关系。

进一步地，所述步骤S24具体为，计算公式如下：

交通事故A＝{a₁，a₂，…a_i，…a_m}，其中a_i为交通事故类型，m为事故类型次序；

事故人数K＝{k₁，k₂，…k₃，…，k_m}，其中k_i为发生交通事故类型为a_i的人数；

违章类型B＝{b₁，b₂，…b_i，…，b_n}，b_i为交通违章类型，n为违章类型次序；

违章人数k_mb_n为司机交通事故类型是a_m的，其发生违章类型为b_n的次数；

违章类型为m的司机的总人数

司机违章总次数

司机违章类型比例矩阵

进一步地，所述步骤S2中，选取有代表性的事故类别及其事故类型进行简单对应分析，选取的标准为：

其中，δ_n为各种事故类型的司机在每一类违章类型中的分布比例与总的事故类型人数分布比例2倍的差值；λ为事故类别与违章类别对应异常阈值；μ为每一类违章类型人数的阈值。

选取标准的实际意义是找出各种事故类型的司机在每一类违章类型中的分布比例与总的事故类型人数分布比例的差值，以此得出违章类型与事故类型人数分布比例异常的值；

进一步地，所述步骤S3中司机驾龄、性别、驾驶车辆类型与发生交通事故类型的多元对应分析包括以下步骤：

S31、按照发生交通事故类型分类事故责任方司机；

S32、对这些司机的驾龄进行简单统计，得到司机发生事故数量在司机驾龄上的变化趋势；

S33、根据步骤S32得到的变化趋势，将事故责任方司机的驾龄进行分段分类；

S34、依据车辆的品牌系列将车辆分类；

S35、统计每类事故类型下各个司机的驾龄、性别、驾驶的车辆类型，进行合并同类统计得到总共产生x＝(2*t*y*j)类组合及每一类组合下对应的人数；

S36、将步骤S35得到的结果使用对应分析的方法得出多重对应关系，在二维空间坐标中以点与点之间距离的形式直观的反映变量间的关系。

本发明的有益效果是：该种基于对应分析模型的交通事故成因分析方法，使用对应分析方法对造成不同类型的事故成因进行多维度探索，通过司机历史违章记录、驾龄、性别、车辆品牌与发生交通事故的类型，对司机驾驶行为及其影响因素进行分析，得出多重对应关系；从而实现交通事故的针对性预防，提升道路的安全性。

附图说明

图1是本发明实施例基于对应分析模型的交通事故成因分析方法的流程示意图。

图2是实施例中得到的事故类型及其对应的违章类型的示意图。

图3是实施例中事故类型及其违章类型简单对应的散点图。

图4是实施例中多元对应分析的类别点联合图形。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

实施例应用统计学中的对应分析方法对造成不同类型的事故成因进行多维度探索。实施例通过驾驶人历史违章记录探索司机在驾驶过程中何种违章行为会导致何种类型的交通事故；其次分析得出驾驶人的驾驶行为和司机驾龄、性别驾驶的车辆的关系。

实施例的基于对应分析模型的交通事故成因分析方法，包括以下步骤：输入交通事故数据和交通违章数据，二者通过司机身份信息关联；对司机交通事故类型及其交通违章类型进行对应分析；对司机交通事故类型和司机驾龄、性别、车系多重对应分析。

实施例的基于对应分析模型的交通事故成因分析方法，通过司机历史违章记录、驾龄、性别、车辆品牌与发生交通事故的类型，对司机驾驶行为及其影响因素进行分析；从而实现交通事故的针对性预防，提升道路的安全性。

交通违章数据包括：违章人员身份信息、违章人员的违章内容。

交通事故数据包括：事故发生类型、司机性别、责任归属、驾龄、车辆品牌信息。

该种基于对应分析模型的交通事故成因分析方法，如图1，包括以下步骤，

S1、输入交通违章数据和交通事故数据，并将交通违章数据和交通事故数据通过司机身份信息进行关联；交通事故数据的特征向量为CS＝[C，K，V]，其中C为事故发生类型；K为人员信息，包括司机性别、驾龄、事故责任归属；V为车辆品牌信息；交通违章数据的特征向量为WS＝[A，H]，其中A为违章人员身份信息，H为违章人员的违章内容。

S2、交通事故类型和交通违章类型对应分析，首先进行探索性分析，使用数据透视图统计违章数据，并通过阈值法筛选出后续分析的违章样本数据；找出每种违章类型下对应的事故人群及其发生的事故类型，统计每种事故类型在所有事故类型中的占比；其次，选取有代表性的事故类别及其事故类型进行简单对应分析。

步骤S2中，进行探索性分析具体为：

S21、按照交通事故类型，将事故司机进行分类；

S22、根据事故司机信息，从交通违章数据表中筛选出事故司机的违章记录，统计每一事故类型司机各类违章的次数；

S23、根据统计后的各类违章数量，保留违章次数大于等于p次的违章类型，其中p为违章样本筛选阈值；

S24、计算每一类型交通事故对应的各种交通违章次数与每一类型交通违章的总次数的比值，计算公式如下：

交通事故A＝{a₁，a₂，…a_i，…a_m}，其中a_i为交通事故类型，m为事故类型次序；

事故人数K＝{k₁，k₂，…k₃，…，k_m}，其中k_i为发生交通事故类型为a_i的人数；

违章类型B＝{b₁，b₂，…b_i，…，b_n}，b_i为交通违章类型，n为违章类型次序；

违章人数k_mb_n为司机交通事故类型是a_m的，其发生违章类型为b_n的次数；

违章类型为m的司机的总人数

司机违章总次数

司机违章类型比例矩阵

S25、以司机交通违章的比例为纵坐标，司机交通违章的类型为横坐标，将各类型交通事故的司机所发生的各类交通违章的比例绘制在此坐标系中，观察各类事故类型司机的各类违章的比例，初步探索事故与违章关系。

S26、选取有代表性的事故类别及其事故类型进行简单对应分析，选取的标准为：

其中，δ_n为各种事故类型的司机在每一类违章类型中的分布比例与总的事故类型人数分布比例2倍的差值；λ为事故类别与违章类别对应异常阈值；μ为每一类违章类型人数的阈值。

选取标准的实际意义是找出各种事故类型的司机在每一类违章类型中的分布比例与总的事故类型人数分布比例的差值，以此得出违章类型与事故类型人数分布比例异常的值；

S3、交通事故类型与司机驾龄、性别及驾驶车辆的多元对应分析；从事故数据中提取事故责任方身份信息，及其对应的事故类型、肇事车辆品牌类型、司机驾龄以及性别四类信息；将t类事故类型、y类驾驶车辆类型、j类驾龄类别、性别一一对应，总共产生x＝(2*t*y*j)类组合；统计每一类组合所对应的人数，利用统计学中对多元对应分析的方法得出多重对应关系。

步骤S3中司机驾龄、性别、驾驶车辆类型与发生交通事故类型的多元对应分析包括以下步骤：

S31、按照发生交通事故类型分类事故责任方司机；

S32、对这些司机的驾龄进行简单统计，得到司机发生事故数量在司机驾龄上的变化趋势；

S33、根据步骤S32得到的变化趋势，将事故责任方司机的驾龄进行分段分类；

S34、依据车辆的品牌系列将车辆分类；

S35、统计每类事故类型下各个司机的驾龄、性别、驾驶的车辆类型，进行合并同类统计得到总共产生x＝(2*t*y*j)类组合及每一类组合下对应的人数；

S36、将步骤S35得到的结果使用对应分析的方法得出多重对应关系，在二维空间坐标中以点与点之间距离的形式直观的反映变量间的关系。

实验验证

实施例方法中所做的数据分析处理，主要使用EXCEL和IBM SPSS Statistics22.0统计分析软件；涉及到EXCEL的筛选、比对、数据透视表等基础处理手段以及SPSS中的对应分析方法。

如图1，一种基于对应分析模型的交通事故成因分析方法，包括以下步骤：

输入司机违章数据和事故数据，二者通过司机身份信息相互对应。

案例数据包含了某市2015年全年的56651起交通事故数据以及2014-2016两年的61473起交通违章数据，涉及人员113302余人；其中，事故数据包括司机身份证号、事故类别、责任承担信息、司机驾龄、性别、肇事车辆品牌；违章数据包括司机身份证号、违章代号、违章内容。

通过EXCEL表格处理，将事故发生类型为同一类的司机及其违章类型数据合并提取，得到发生某类事故的司机其常发性违章类型情况；依据某种违章类型的发生数量将200种违章数据筛选至20种，结果如图2所示。

对比事故中负有责任的驾驶员与其两年内违章情况发现，其违章类型集中在某几类；并且发现不同的事故类型对应着不同的违章高发类型，即发生某一类交通事故的人经常性的违章某一种类型；图2显示了发生9类交通事故类型的司机对应的发生20类高发交通违章类型所占的比例；例如发生追尾事故的人其发生“进入导向车道、不按规定方向行驶的”这一违章类型就比其他违章类型都要高(占比22.29％)；事故发生类型是违反交通信号的司机，其发生“驾驶机动车在高速公路、城市快速路以外的道路上不按规定车道行驶的”这一事故类型占比高达60.66％；因此猜想，可以通过司机历史违章行为预先判断可能发生的事故类型，以便有司机针对性的防范交通事故的发生；

根据上述探索思路，选取有代表性的事故类别及其事故类型进行对应分析；选取δ_n>0，c_n＞50的作为实验的违章类型，依据得到的矩阵，选取事故类型序号为1-7作为实验的事故类型；选取标准的实际意义是找出各种事故类型的司机在每一类违章类型中的分布比例与总的事故类型人数分布比例的差值，以此得出违章类型与事故类型人数分布比例异常的值；实验对象及结果表1

表1实验的事故类别及违章类别

将上述7类事故类型及其分别对应的13类违章高发类型的数量，进行对应分析。

表2对应分析的统计摘要表

a.自由度72

表2为对应分析的统计摘要表，在本次实验中，按照事故类别(7类)减1，即6个维度；“惯量比例”表示特征值，是衡量解释数据变异能力的指标；表中第一维度展示了42.8％的变异，第二维度展示了剩余的28.4％的变异；二维的标准差0.22-0.30，说明点估计值比较准确，因子的相关系数-0.024，则说明因子分解非常稳定；因此本次对应分析实验的可靠性较高。

图3所示的是对应分析的散点图，图3中比较明显的是出现事故类别为“1”和类别“7”的司机，与违章类型“g”、“b”、“d”的相关性较高；出现事故类别为“3”的司机与违章类型“a”和“f”的相关性较高；出现事故类别为“2”的司机与违章类型“e”的相关性较高；出现事故类别为“4”的司机与违章类型“c”的相关性较高；出现事故类别为“5”和“6”的司机其在违章类别上没有明显的差异。

其次根据违章类型及对应的数量来看，出现事故类型为“1”、“3”、“6”、“7”的司机，可近似的划分为一类；由此可以推测出，这一类事故司机的驾驶行为存在较大的相似。

从事故数据中提取事故责任方身份信息，及其对应的事故类型、肇事车辆品牌类型、司机驾龄以及性别四类信息，如表3；事故类型按照原始数据分为九类，具体分类情况及权重频率如表3中分表1所示；肇事车辆品牌类型按照车系分为六类，具体分类情况及权重频率如表3中分表2所示；驾龄类别按照责任方司机驾龄分布情况分为4类；具体分类情况及权重频率如表3中分表3所示；事故责任方性别分类及其权重频率如表3中分表4所示。

将29098起事故中事故责任方发生的事故类型、驾驶车辆类型、驾龄类别、性别一一对应，总计产生356种有效组合类型，利用统计学中对多元对应分析的方法，以点的形式在二维空间中更加直观的通过距离反应两个分类变量间的关系。

表3描述性统计汇总表

变量主体正态化；

处理结果的模型摘要表显示：Cronbach's Alpha平均值等于0.572，在探索性研究上该信度值处于可接受范围；维度1和维度2对模型的变量解释度总计达到87.6％，视为反映了模型的大部分特征；因此在该案例中选用多重对应分析的统计工具是合适的。

表4模型摘要

a.Cronbach's Alpha平均值是基于平均特征值；

图4所示的是多元对应分析的散点图，即通过图形的方式展现类别和样本的潜在关系，列点与行点的距离越近表示关系越密切；最终得出的结果比较直观的是：

驾龄为0-2年的司机更易发生追尾的事故类型；驾龄为3-7年的司机容易发生违反交通信号的事故类型；驾龄为8-12年的司机更易发生因停车时未挂低速档、未拉驻车制动，导致车辆滑行的事故类型；12年以上的老司机不具有特定事故发生类型。

男性司机更易发生因停车时未挂低速档、未拉驻车制动，导致车辆滑行的事故类型；女性司机更易发生未按规定让行的事故类型；男女司机都容易发生逆行的事故类型。

数据分析显示：国产车的车主更易发生因停车时未挂低速档、未拉驻车制动，导致车辆滑行的事故类型；美系车的车主更易发生倒车的事故类型；韩系车的车主更易发生追尾的事故类型；日系车的车主发生的事故类型大多为依法应负全责的其他类型；国产车相对较易发生交通事故且事故类型更复杂；而德系车相对其他类型的车来说较安全。

总的看来：驾驶国产车，驾龄为8-12年的男性司机，相对于类别来说更易发生因停车时未挂低速档、未拉驻车制动，导致车辆滑行的事故类型。