一种针对摩托车的交通安全法规有效性分析方法

摘要

一种针对摩托车的交通安全法规有效性分析方法。基于一种多变量动态Tobit模型，分析摩托车交通事故和交通安全法规之间的关联关系；输出内容为摩托车交通事故与交通安全法规指标之间的相关系数；输入的信息包括不同城市可量化的交通安全法规指标数据，包括限速，酒驾和超速处罚措施；输入的数据还包括各城市交通事故数据，社会经济数据，包括人口、收入、受教育情况内容。本发明的优点是评价交通安全法规的有效性，分析交通安全法规和摩托车交通事故之间的关联关系，研究交通安全法规对交通安全的影响，以便建立摩托车交通事故预防方法，并为制定相关政策措施提供决策依据。

说明书

技术领域

本发明涉及一种针对摩托车的交通安全法规有效性分析方法，属于计算机技术领域。

背景技术

传统的交通事故分析方法，仅仅考虑人、车、路和环境因素，而无法评价交通安全法规对交通安全的影响。交通安全法规的制定是为了规范驾驶员的驾驶行为，进而规避交通事故的发生。然而由于地方实施细则和执法条例的不同，交通安全法规的遵守率以及实施效果并不相同。如何评价交通安全法规的有效性以及对交通安全的影响，是亟待解决的问题。

2013年我国高速公路共发生交通事故8693起，造成5843人死亡，每起事故的致死率为0.67。摩托车交通事故往往占所有交通事故的30％-40％，而致人重伤甚至死亡的交通事故中，涉及到摩托车的有70％-80％。摩托车交通事故死亡率远远大于小汽车的交通事故死亡率。目前我国绝大多数摩托车是属于无牌、无证、无保险的“三无”摩托车，而且摩托车驾驶员普遍缺乏足够的守法意识，因此研究针对摩托车的交通安全法规有效性具有现实意义。

发明内容

为了克服现有技术的不足,本发明提供一种针对摩托车的交通安全法规有效性分析方法。

一种针对摩托车的交通安全法规有效性分析方法，基于一种多变量动态Tobit模型，分析摩托车交通事故和交通安全法规之间的关联关系；输出内容为摩托车交通事故与交通安全法规指标之间的相关系数；输入的信息包括不同城市可量化的交通安全法规指标数据，包括限速，酒驾和超速等处罚措施；输入的数据还包括各城市交通事故数据，社会经济数据，包括人口、收入、受教育情况等内容。

一种针对摩托车的交通安全法规有效性分析系统，包括一台处理器、通讯模块、人机交互接口。

人机接口主要提供数据输入和输出的接口。

通讯模块可以从交通事故数据服务器中读取交通事故起数数据。

处理器完成对数据的处理与分析，将高速公路安全法律指标相关的因素当作解释变量，将社会、人口和交通因素作为控制变量，运用多变量动态Tobit模型分析预测交通事故起数，将观测到的滞后变量集成到多变量动态Tobit模型中，用来解释交通事故数据潜在的时间关联关系；并将分析结果输出到人机交互接口。

本发明的优点是评价交通安全法规的有效性，分析交通安全法规和摩托车交通事故之间的关联关系，研究交通安全法规对交通安全的影响，以便建立摩托车交通事故预防方法，并为制定相关政策措施提供决策依据。

本申请提出了三个模型并将其进行了比较，第一个多变量动态Tobit模型是包含滞后观测变量，第二个多变量动态Tobit模型包含随机变量，第三个模型为多变量静态Tobit模型。仿真结果显示，在这个三个模型中第一个模型的拟合优度最好。

仿真发现，集成了滞后观测变量的多变量动态Tobit模型可以更好的解释交通事故起数在时间演化过程中的随机性和相互依赖性，从而使得模型计算值和实际观测值更加接近。

仿真结果显示，如果执法部门可以持续教育公众，在开摩托车时佩戴头盔可以挽救更多生命。如果政府制定更严厉的禁止在驾驶过程中使用手持通讯设备的规定、提高超速和酒驾罚款，以及增加牌照发放年龄，可能会减少摩托车交通事故的人员伤亡和财产损失。

具体实施方式

显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当称元件、组件被“连接”到另一元件、组件时，它可以直接连接到其他元件或者组件，或者也可以存在中间元件或者组件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与所属领域中的普通技术人员的一般理解相同的意义。

为便于对实施例的理解，下面将结合做进一步的解释说明，且各个实施例并不构成对本发明的限定。

实施例1：

一种针对摩托车的交通安全法规有效性分析方法,含有以下步骤；

步骤1、获取数据，从交通安全法规可量化的条款中提取数据，人工输入社会经济数据，从交通部门的数据库中读取摩托车交通事故数据；

步骤2、计算摩托车交通事故与交通安全法规指标之间的相关系数集。

多变量动态Tobit模型定义如下：

其中，y_it为交通事故类型i在时间段t观测到的交通事故起数，定义y_t＝(y_1t,y_2t,…,y_nt)′是n种交通事故起数向量，为交通事故类型i在时间段t交通事故起数的期望值。

随机变量定义为：

其中，x_ijt(1≤j≤k-p)是与交通事故类型i在t时段相关的交通安全法规指标x的第j个解释变量，k是估计参数的总数，β_ij(1≤j≤k-p)和λ_ij(1≤j≤p)是可估计的参数，y_i,t-j为交通事故起数滞后观测变量，p为交通事故起数滞后观测变量的数量，c_i是随机扰动，u_i是系统误差；c_i和u_it服从关于x_j1,x_j2,…,x_jT的条件正态分布。

y_it和的联合概率密度函数可以分解为条件密度函数的乘积。

其中，g(■)为联合概率密度函数；q(■)为经典Tobit分布的密度函数；h(■)为采样密度函数；y_it为交通事故类型i在时间段t观测到的交通事故起数；y_i,t-1为交通事故类型i在时间段t-1观测到的交通事故起数；为交通事故类型i在时间段t交通事故起数的期望值；为交通事故类型i在时间段t-1交通事故起数的期望值。

因此，多变量动态Tobit模型的似然函数可以写为：

其中L为多变量动态Tobit模型的似然函数；L为经典Tobit分布的似然函数；g(■)为联合概率密度函数；y_it为交通事故类型i在时间段t观测到的交通事故起数；y_i,t-1为交通事故类型i在时间段t-1观测到的交通事故起数；为交通事故类型i在时间段t交通事故起数的期望值；为交通事故类型i在时间段t-1交通事故起数的期望值。

在具体实施中，可以将中的i定义为3，分别代表死亡事故、伤人事故和财产损失事故。基于构造的似然函数，可采用GHK仿真算法(Geweke-Hajivassiliou-Keanesimulator)反复进行迭代估计参数。

步骤3、输出计算得到的参数集θ到人机接口。

如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形例也全部包含在本发明的保护范围之内。