城市道路交通安全关键风险识别方法、装置及电子设备

摘要

本发明涉及一种城市道路交通安全关键风险识别方法、装置、电子设备及计算机可读存储介质，所述方法包括：获取城市道路交通安全的风险因素数据，根据所述风险因素数据建立邻接矩阵；根据所述邻接矩阵构建复杂网络模型，获取所述复杂网络模型中各节点的网络统计特征，其中，所述各节点与所述风险因素一一对应；根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据。本发明提供的城市道路交通安全关键风险识别方法，提高了城市道路交通安全关键风险因素的识别效率和准确率。

说明书

技术领域

本发明涉及安全风险技术领域，尤其涉及一种城市道路交通安全关键风险识别方法、装置、电子设备及计算机可读存储介质。

背景技术

城市道路交通是指供城市内车辆与行人交通使用，提供人们工作、生活、文化娱乐活动出行，担负着市内各区域通达并与城市对市外交通相连的道路的总称。城市道路交通安全因素涉及方方面面,如驾驶员安全意识薄弱就有可能导致酒后驾驶、超速行驶、违章超载等危险行为的发生,造成人员伤亡或者财产损失如果不能对关键风险进行及时有效的识别，并对识别到的风险采取防范措施，将造成严重后果。

现有技术中对城市道路交通安全关键风险因素的识别即对城市道路交通安全风险因素中的关键风险因素的识别主要依靠专家主观分析，具有主观性并会耗费大量时间，因此,仅凭专家的主观分析,识别城市道路交通安全关键风险因素是不准确且耗时的。

发明内容

有鉴于此，有必要提供一种城市道路交通安全关键风险识别方法、装置、电子设备及计算机可读存储介质，用以解决现有技术中识别城市道路交通安全关键风险因素效率低及准确率低的技术问题。

为了解决上述问题，本发明提供一种城市道路交通安全关键风险识别方法，包括：

获取城市道路交通安全的风险因素数据，根据所述风险因素数据建立邻接矩阵；

根据所述邻接矩阵构建复杂网络模型，获取所述复杂网络模型中各节点的网络统计特征,其中,所述各节点与所述风险因素一一对应；

根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据。

进一步地，根据所述风险因素数据建立邻接矩阵，具体包括：

获取所述风险因素数据间的方差显著性水平和Pearson相关系数，根据所述风险因素数据间的方差显著性水平和Pearson相关系数判断所述风险因素数据间的相关性，根据风险因素数据间的相关性建立邻接矩阵。

进一步地，根据所述风险因素数据间的方差显著性水平和Pearson相关系数判断所述风险因素数据间的相关性，具体包括：

若所述风险因素数据间的方差显著性水平的值小于或者等于设定预值且Pearson相关系数为正值时,则所述风险因素数据间具有相关性。

进一步地，所述复杂网络模型中各节点的网络统计特征包括各节点的度值、接近度中心性值及介数中心性值。

进一步地，根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据，具体包括：

当获取所述复杂网络模型中各节点的任意一个网络统计特征时，根据获取的所述网络统计特征，获取城市道路交通安全的关键风险因素数据；

当获取所述复杂网络模型中各节点的两个或者三个网络统计特征时，利用所述各节点的网络统计特征形成攻击策略，对所述复杂网络模型进行攻击，根据攻击结果获取城市道路交通安全的关键风险因素数据。

进一步地，当获取所述复杂网络模型中各节点的任意一个网络统计特征时，根据获取的所述网络统计特征，获取城市道路交通安全的关键风险因素数据，具体包括：

根据所述获取的网络统计特征值的大小获取城市道路交通安全的关键风险因素数据。

进一步地，当获取所述复杂网络模型中各节点的两个或者三个网络统计特征时，利用所述各节点的网络统计特征形成攻击策略，对所述复杂网络模型进行攻击，根据攻击结果获取城市道路交通安全的关键风险因素数据，具体包括：

当获取所述复杂网络模型中各节点的两个或者三个网络统计特征时，利用所述各节点的度值、接近度中心性值及介数中心性值形成度值攻击、接近度中心性值攻击及介数中心性值攻击的攻击策略；

采用所述攻击策略中任意两个或者三个对所述复杂网络模型分别进行攻击，得到两个或者三个网络全局效率的变化量；

比较所述两个或者三个网络全局效率的变化量的大小，以变化量最大时对应的网络统计特征作为关键风险特征，根据各节点的关键风险特征值的大小获取城市道路交通安全的关键风险因素数据。

本发明还提供一种城市道路交通安全关键风险识别装置，包括数据获取模块、网络构建模块及风险识别模块；

所述数据获取模块，用于获取城市道路交通安全的风险因素数据，根据所述风险因素数据建立邻接矩阵；

所述网络构建模块，用于根据所述邻接矩阵构建复杂网络模型，获取所述复杂网络模型中各节点的网络统计特征,其中,所述各节点与所述风险因素一一对应；

所述风险识别模块，用于根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据。

本发明还提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的城市道路交通安全关键风险识别方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的城市道路交通安全关键风险识别方法。

采用上述实施例的有益效果是：本发明提供的城市道路交通安全关键风险识别方法，根据获取到的城市道路交通安全的风险因素数据间的相关性关系构建复杂网络模型，将大量杂乱的数据放入网络模型，提高了识别关键风险因素的效率，对复杂网络模型中各节点的网络统计特征进行分析得到城市道路交通安全的关键风险因素数据，提高了识别关键风险因素的准确率。

附图说明

图1为本发明提供的城市道路交通安全关键风险识别装置的应用场景示意图；

图2为本发明提供的城市道路交通安全关键风险识别方法一实施例的流程示意图；

图3为本发明实施例中提供的基于扎根理论分析的流程示意图；

图4为本发明实施例中提供的复杂网络模型的示意图；

图5为本发明实施例中提供的各节点的度值分布图；

图6为本发明实施例中提供的各节点的接近度中心性值分布图；

图7为本发明实施例中提供的各节点的介数中心性值分布图；

图8为本发明实施例中提供的三种攻击策略下网络全局效率的变化示意图；

图9为本发明提供的城市道路交通安全关键风险识别装置一实施例的结构框图；

图10为本发明提供的电子设备一实施例的结构框图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明提供了一种城市道路交通安全关键风险识别方法、装置、电子设备及计算机可读存储介质，以下分别进行详细说明。

图1为本发明提供的城市道路交通安全关键风险识别装置的应用场景一实施例的示意图，该系统可以包括服务器100，服务器100中集成有城市道路交通安全关键风险识别装置，如图1中的服务器。

本发明实施例中服务器100主要用于：

获取城市道路交通安全的风险因素数据，根据所述风险因素数据建立邻接矩阵；

根据所述邻接矩阵构建复杂网络模型，获取所述复杂网络模型中各节点的网络统计特征,其中,所述各节点与所述风险因素一一对应；

根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据。

本发明实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。

可以理解的是，本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本发明方案一种应用场景，并不构成对本发明方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该城市道路交通安全关键风险识别装置还可以包括一个或多个其他终端，具体此处不作限定。

另外，参照图1所示，该城市道路交通安全关键风险识别装置还可以包括存储器200，用于存储数据，如风险因素数据等。

需要说明的是，图1所示的城市道路交通安全关键风险识别装置的场景示意图仅仅是一个示例，本发明实施例描述的城市道路交通安全关键风险识别装置以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着城市道路交通安全关键风险识别装置的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。

本发明实施例提供了一种城市道路交通安全关键风险识别方法，其流程示意图，如图2所示，所述城市道路交通安全关键风险识别方法包括：

步骤S201、获取城市道路交通安全的风险因素数据，根据所述风险因素数据建立邻接矩阵；

步骤S202、根据所述邻接矩阵构建复杂网络模型，获取所述复杂网络模型中各节点的网络统计特征,其中,所述各节点与所述风险因素一一对应；

步骤S203、根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据。

一个具体的实施例中，根据192个国内外有详细事故调查分析报告的城市道路交通安全事件的案例信息构建事故案例库，基于扎根理论对所述事故案例库进行开放式编码、主轴式编码及选择式编码，基于扎根理论分析的流程示意图，如图3所示，得出城市道路交通安全风险因素具有5个主因素和36个子因素的新理论，城市道路交通安全风险因素，如下表1所示，根据城市道路交通安全风险因素构建相应的城市道路交通安全的风险因素数据集用于获取城市道路交通安全的风险因素数据。

表1城市道路交通安全风险因素

需要说明的是，构建事故案例库，运用扎根理论对事故案例库进行分析，利用得到的城市道路交通安全风险因素构建相应的城市道路交通安全的风险因素数据集，提高了识别关键风险因素的效率。

作为一个优选的实施例，根据所述风险因素数据建立邻接矩阵，具体包括：

获取所述风险因素数据间的方差显著性水平和Pearson相关系数，根据所述风险因素数据间的方差显著性水平和Pearson相关系数判断所述风险因素数据间的相关性，根据风险因素数据间的相关性建立邻接矩阵。

一个具体的实施例中，通过SPSS软件获取所述风险因素数据间的方差显著性水平和Pearson相关系数，根据所述风险因素数据间的方差显著性水平和Pearson相关系数判断所述风险因素数据间的相关性。

风险因素数据间的相关性关系表现为“0”和“1”用于构建邻接矩阵，“0”代表两个风险因素间无相关性，即两个风险因素未在同一事故中出现；“1”代表两个风险因素间有相关性，即两个风险因素在同一事故中出现。

作为一个优选的实施例，根据所述风险因素数据间的方差显著性水平和Pearson相关系数判断所述风险因素数据间的相关性，具体包括：

若所述风险因素数据间的方差显著性水平的值小于或者等于设定预值且Pearson相关系数为正值时,则所述风险因素数据间具有相关性。

一个具体的实施例中，所述风险因素数据间的方差显著性水平的值小于等于设定预值，设定预值为0.05。

作为一个优选的实施例，所述复杂网络模型中各节点的网络统计特征包括各节点的度值、接近度中心性值及介数中心性值。

一个具体的实施例中，根据所述邻接矩阵构建复杂网络模型具体包括：将邻接矩阵导入Pajek软件，采用draw network构建复杂网络模型并导出，复杂网络模型的示意图，如图4所示，对网络模型中的各节点进行编号，得到复杂网络模型中各节点的度值、接近度中心性值及介数中心性值，可以理解的是，采用Pajek软件并根据邻接矩阵构建复杂网络模型是软件实现的现有方式，在此不一一赘述。

城市道路交通安全风险各节点的度值、接近度中心性值及介数中心性值计算结果，如下表2所示，其中编号1-36对应城市道路交通安全风险因素中的36个子因素，编号37-42分别表示人员因素、管理因素、道路因素、环境因素、车辆因素和交通安全风险总因素。

表2城市道路交通安全风险各节点值的计算结果

作为一个优选的实施例，根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据，具体包括：

当获取所述复杂网络模型中各节点的任意一个网络统计特征时，根据获取的所述网络统计特征，获取城市道路交通安全的关键风险因素数据；

当获取所述复杂网络模型中各节点的两个或者三个网络统计特征时，利用所述各节点的网络统计特征形成攻击策略，对所述复杂网络模型进行攻击，根据攻击结果获取城市道路交通安全的关键风险因素数据。

需要说明的是，对复杂网络模型中各节点的网络统计特征进行分析得到城市道路交通安全的关键风险因素数据，提高了识别关键风险因素的准确率。

作为一个优选的实施例，当获取所述复杂网络模型中各节点的任意一个网络统计特征时，根据获取的所述网络统计特征，获取城市道路交通安全的关键风险因素数据，具体包括：

根据所述获取的网络统计特征值的大小获取城市道路交通安全的关键风险因素数据。

一个具体的实施例中，当得到复杂网络模型中各节点的度值时，各节点的度值分布图，如图5所示，将各节点的度值按照从大到小排列，编号37对应的度值最大，说明人员因素对城市道路交通安全影响最大；编号37对应的入度值最大，说明由人员因素造成的城市道路交通安全风险的途径较多，控制难度较大；编号18对应的出度值最大，说明交警执法不力对城市道路交通安全的后续事件影响最大，将影响程度大的风险因素作为关键风险因素。

当得到复杂网络模型中各节点的接近度中心性值时，各节点的接近度中心性值分布图，如图6所示，将各节点的接近度中心性值按照从大到小排列，编号37对应的接近度中心性值最大，说明人员因素对城市道路交通安全影响最大，影响程度的大小根据值的大小依次递减，将影响程度大的风险因素作为关键风险因素。

当得到复杂网络模型中各节点的介数中心性值时，各节点的介数中心性值分布图，如图7所示，将各节点的介数中心性值按照从大到小排列，编号8对应的介数中心性值最大，说明驾驶员安全意识薄弱这个子因素对城市道路交通安全影响最大，影响程度的大小根据值的大小依次递减，将影响程度大的风险因素作为关键风险因素。

作为一个优选的实施例，当获取所述复杂网络模型中各节点的两个或者三个网络统计特征时，利用所述各节点的网络统计特征形成攻击策略，对所述复杂网络模型进行攻击，根据攻击结果获取城市道路交通安全的关键风险因素数据，具体包括：

当获取所述复杂网络模型中各节点的两个或者三个网络统计特征时，利用所述各节点的度值、接近度中心性值及介数中心性值形成度值攻击、接近度中心性值攻击及介数中心性值攻击的攻击策略；

采用所述攻击策略中任意两个或者三个对所述复杂网络模型分别进行攻击，得到两个或者三个网络全局效率的变化量；

比较所述两个或者三个网络全局效率的变化量的大小，以变化量最大时对应的网络统计特征作为关键风险特征，根据各节点的关键风险特征值的大小获取城市道路交通安全的关键风险因素数据。

一个具体的实施例中，选择度值攻击和接近度中心性值攻击两个攻击策略对复杂网络模型分别进行攻击，攻击过程为根据各节点的网络统计特征值的大小，按照从大到小移除部分节点，得到两个网络全局效率的变化量。

当移除节点比例相同时，比较两个网络全局效率的变化量的大小，度值攻击对应的网络全局效率下降程度最大即此时网络全局效率的变化量最大，说明度值攻击最有效，将各节点的度值按照从大到小排列，选择排列靠前的节点对应的风险因素作为关键风险因素。

另一个具体的实施例中，利用度值攻击、接近度中心性值攻击及介数中心性值攻击三个攻击策略对复杂网络模型分别进行攻击，攻击过程为根据各节点的网络统计特征值的大小，按照从大到小移除部分节点，得到对应的网络全局效率的变化量，三个攻击策略下网络全局效率的变化示意图，如图8所示。

当移除节点比例相同时，度值攻击对应的网络全局效率下降程度最大，说明度值攻击最有效，将各节点的度值按照从大到小排列，选择排列靠前的节点对应的风险因素作为关键风险因素。

本发明实施例提供了一种城市道路交通安全关键风险识别装置，其结构框图，如图9所示，所述城市道路交通安全关键风险识别装置包括数据获取模块901、网络构建模块902及风险识别模块903；

所述数据获取模块901，用于获取城市道路交通安全的风险因素数据，根据所述风险因素数据建立邻接矩阵；

所述网络构建模块902，用于根据所述邻接矩阵构建复杂网络模型，获取所述复杂网络模型中各节点的网络统计特征,其中,所述各节点与所述风险因素一一对应；

所述风险识别模块903，用于根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据。

如图10所示，上述城市道路交通安全关键风险识别方法，本发明实施例中还相应提供了一种电子设备，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器10、存储器20及显示器30。

存储器20在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有城市道路交通安全关键风险识别方法程序40，该城市道路交通安全关键风险识别方法程序40可被处理器10所执行，从而实现本发明各实施例的城市道路交通安全关键风险识别方法。

处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行城市道路交通安全关键风险识别方法程序等。

显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过系统总线相互通信。

在一实施例中，当处理器10执行存储器20中城市道路交通安全关键风险识别方法程序40时实现以下步骤：

获取城市道路交通安全的风险因素数据，根据所述风险因素数据建立邻接矩阵；

根据所述邻接矩阵构建复杂网络模型，获取所述复杂网络模型中各节点的网络统计特征,其中,所述各节点与所述风险因素一一对应；

根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据。

本实施例还提供了一种计算机可读存储介质，其上存储有城市道路交通安全关键风险识别方法程序，城市道路交通安全关键风险识别方法程序被处理器执行时实现以下步骤：

获取城市道路交通安全的风险因素数据，根据所述风险因素数据建立邻接矩阵；

根据所述邻接矩阵构建复杂网络模型，获取所述复杂网络模型中各节点的网络统计特征,其中,所述各节点与所述风险因素一一对应；

根据所述各节点的网络统计特征，获取城市道路交通安全的关键风险因素数据。

本发明公开的一种城市道路交通安全关键风险识别方法、装置、电子设备及计算机可读存储介质，根据获取到的城市道路交通安全的风险因素数据间的相关性关系构建复杂网络模型，将大量杂乱的数据放入网络模型，提高了识别关键风险因素的效率，对复杂网络模型中各节点的网络统计特征进行分析得到城市道路交通安全的关键风险因素数据，提高了识别关键风险因素的准确率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。