[发明专利]一种组合倾向得分匹配模型与贝叶斯模型的道路安全评估方法

说明书

一种组合倾向得分匹配模型与贝叶斯模型的道路安全评估方法，包括以下步骤：首先确定实验对象与预参照对象，通过适当的调查方法采集预参照对象与实验对象相应的参数数据；基于倾向得分匹配模型对预参照对象进行处理，确定最优参照对象；当最优参照对象确定之后，分别将实验对象与最优参照对象的参数数据带入到贝叶斯模型，分析判断道路安全治理措施实施前后对道路安全性的影响效果。本方法处理简单易行，通过倾向得分匹配模型对预参照对象的处理，能够筛选出与实验对象相似的参照对象，从而减少评估过程中不相关参照对象的影响，不仅增加了评估的准确性，而且可以增强贝叶斯模型对小样本数据分析的适应性。

技术领域

本发明涉及一种组合倾向得分匹配模型与贝叶斯模型的道路安全评估方法，具体是选取实验对象路段与多个预参照对象路段，通过适当的调查方法采集相应的数据，首先通过倾向得分匹配模型对预参照对象路段进行处理确定最优的参照对象，最后基于贝叶斯方法对实验路段与最优参照路段的交通事故数量进行对比分析从而判断道路安全措施实施之后对道路安全性的影响。

背景技术

随着社会经济的发展，社会汽车保有量逐年上升，同时由于道路系统运行的复杂特性，交通事故发生的数量也逐渐增多，如何减少交通事故的发生成为了交通领域近几年的研究关注点。道路系统是一个复杂的系统，由“人-车-路-环境”四个子系统组成，每个子系统中又包含多种影响因素，每一种因素环境的变化都可能导致交通事故的发生。为了有效地提高道路安全性，管理部门针对某些安全隐患地点实施相关的道路安全措施(如测速仪、电子抓拍设备等)进行实时监控驾驶行为，最大化的减少交通事故的发生以及人员的伤亡。

通过检索发现目前对于道路安全性评估的方法主要集中于“前后对比研究(DID)、贝叶斯方法(EB)、倾向得分匹配法(PSM)”三种，前后对比研究(DID)对数据的依赖性较大，而且该方法缺乏考虑交通事故的转移特性，所以存在相同地点在不同时刻所采集的数据不具有代表性和可比性的弊端。贝叶斯方法充分考虑了混杂因素效应以及时间趋势效应的影响，能够较为准确地反映安全措施实施对地点安全性的影响，但是该方法实现过程中主要依托泊松回归或者负二项回归，因此评估准确性受样本量的影响较大。倾向得分匹配方法能够保证在没有实施道路安全措施的条件下参照对象与实验对象具有相似的发展趋势，减少了不相关参照对象的影响，提高了评估的准确性，但是该方法在数据量较缺乏的条件下也将会受到限制。综上所述，在样本数据多样化的条件下(充足或者缺乏)，寻求一种能够准确评估道路安全措施对道路安全性影响的方法具有重要意义,本发明专利的创新点主要是组合已有的评估方法，首先通过倾向得分匹配方法对预参照对象进行筛选，其次在筛选后的参照对象基础上基于经验贝叶斯方法进行评估道路安全措施对道路安全性的影响，该方法在一定程度上减少了不相关参照对象的影响，充分结合了已有两种评估方法的优势从而增加了评估效果的准确性。

发明内容

本发明要解决的问题是：目前评估道路安全措施对道路安全性影响的方法受样本容量限制较大，而且准确性在样本数据量较少的情况下会产生较大的误差，因此需要寻求一种能够针对多样化样本准确评估的方法。

一种组合倾向得分匹配模型与贝叶斯模型的道路安全评估方法，其特征是包括以下步骤：

步骤1：实验对象与预参照对象的选择；

步骤2：获取参数数据；

步骤3：确定最优参照对象；

步骤4：评估道路安全措施的影响。

优选为：所述步骤1进一步包括：本发明可以较为准确地评估道路安全措施实施后对道路安全性的影响情况。实验对象主要为实施道路安全措施的路段，记为T＝1；预参照对象为未实施道路安全措施的路段，记为T＝0。通常情况下，选取预参照对象与实验对象的样本比例为1:1.5～1:30，预参照对象比例偏大与偏少都会影响评估的精确性，综合考虑本次发明将样本比例确定为1:10。