基于改进密度聚类算法的交通事故地点聚类研究

发布时间：2020-12-25 01:22

　　交通事故特征受地域分布影响显著,本文对交通事故特征进行优化聚类研究.基于2019年无锡市交通事故数据,调用开放地图接口地理编码解算事故地点经纬度,使用密度聚类算法对事故地点与事故原因进行密度聚类.传统的密度聚类算法依赖距离阈值和样本数阈值的准确输入,为解决这一局限,建立一种自适应搜索距离阈值和样本数阈值的密度聚类模型,并与原始聚类模型进行对比.结果表明,优化算法在参数确定上更加智能,对簇的划分更加准确,对噪声点的识别更加合理.通过机器学习中轮廓系数计算方法计算模型得分,证明了该算法在城市道路交通事故地理位置聚类中的适用性. 

【文章来源】：交通运输系统工程与信息. 2020年05期 北大核心

【文章页数】：8 页

【部分图文】：

事故地点定位地理分布

从表4可知，仅酒驾醉驾事故和未按规定让行事故聚类成功，酒驾醉驾事故聚集成18类，其中，41%的数据点标记为噪声点，聚类结果如图2所示，图中，圆点表示噪声点，其他符号标记的点为簇内点(下同).未按规定让行事故聚集成4类，噪声点占比达到85.2%，聚类地理图如图3所示.从图3可以看出，有3个簇聚集在宜兴市区，除滨湖区还存在一个事故集中区域外，其他区县的事故均被标记为噪声点，聚类结果比较粗糙.其他几类事故由于数据点过少及输入参数不准确，将所有的点均标记为噪声点，聚类结果不具参考意义.图3 未按规定让行事故聚类结果

未按规定让行事故聚类结果

【参考文献】：
期刊论文
[1]国内主流在线地理编码服务质量评价[J]. 田沁,巩玥,亢孟军,孟社宁,杜清运.  武汉大学学报(信息科学版). 2016(10)
[2]用于犯罪空间聚集态研究的优化聚类算法[J]. 颜峻,袁宏永,疏学明,钟少波.  清华大学学报(自然科学版). 2009(02)
[3]公路交通事故多发位置鉴别新方法[J]. 方守恩,郭忠印,杨轸.  交通运输工程学报. 2001(01)



本文编号：2936676