99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話：13121318867

登錄
首頁精彩閱讀R語言實現(xiàn)交通行業(yè)事故案例之黑點確定
R語言實現(xiàn)交通行業(yè)事故案例之黑點確定
2016-10-12
收藏

R語言實現(xiàn)交通行業(yè)事故案例之黑點確定

淺談道路黑點定義，定義黑點道路為歷史發(fā)生事故起數(shù)較多和近期發(fā)生事故明顯增多兩種道路，并且用簡易事故、一般事故、較大事故、特大事故確定當前發(fā)生事故的嚴重程度，即用當量事故數(shù)表示，事故越嚴重，則當事事故數(shù)越大，當量事故數(shù)定義：

一、容易發(fā)生黑點道路的確定

1、歷史事故較多道路

通過對各個道路歷史數(shù)據(jù)的分析，找出歷史發(fā)生事故頻率較大的道路作為黑點道路，對于經(jīng)常發(fā)生事故的道路屬于此類。如，取所有道路三年內(nèi)的當量事故數(shù)作為歷史數(shù)據(jù)，找出當量事故數(shù)較大的道路作為預定黑點道路；

2、近期發(fā)生事故遽增道路

分析出近期時段較以往事故發(fā)生明顯增多道路作為預定黑點道路，這樣可以找出歷史發(fā)生事故很少，但是最近明顯發(fā)生了很多事故的道路。如，平時最多發(fā)生事故起數(shù)為1起的事故，近一個月連續(xù)發(fā)生了3起，則同比增長了200%，則此類道路可作為預定黑點道路。

3、預定黑點道路去重

對1和2分析出的預定黑點道路進行合并，找出所有預定事故黑點道路，因為歷史發(fā)生事故較多道路也可能近期突然發(fā)生事故數(shù)增多，也屬于近期發(fā)生事故遽增道路。

二、黑點道路上事故發(fā)生較密區(qū)域查找

針對確定的預定黑點道路，分別運用聚類算法，找出當前道路上事故發(fā)生較密集的各個區(qū)域（比如，使用密度聚類算法），作為事故黑點區(qū)域。地圖展現(xiàn)時只針對發(fā)生較密指定半徑區(qū)域為一個事故黑點區(qū)（一條道路有可能有個黑點區(qū)域），避免地圖展現(xiàn)時整體道路作為一個黑點。

三、黑點位置的確認

根據(jù)步驟二分析的事故黑點區(qū)域，給定區(qū)域中心坐標和半徑在地圖上展現(xiàn)，然后用戶可以標注當前黑點區(qū)域的具體位置。

四、具體代碼實現(xiàn)步驟如下

1、連接Oracle數(shù)據(jù)庫，并讀取所需字段

  1. library(DBI)
  2. library(ROracle)
  3. library(cluster)
  4. #install.packages("fpc")
  5. library(fpc)
  6. #w=c(1,0.5,0.3,0.1,0.01)
  7. drv=dbDriver('Oracle')
  8. conn=dbConnect(drv,'acci_tz','acci_tz','localhost:1521/jgyw')

2、分析歷史事故發(fā)生較多道路，得到結(jié)果集Res

  1. #1 Get the history black spots
  2. rs=dbSendQuery(conn,"select lh,sum(dlsgs) dlsgs from ex_dw_acd_file
  3.  group by lh order by lh asc")
  4. da=fetch(rs)
  5. #ps=data.frame(paste(da[,1],da[,2],sep=''),da[,3])  #splice
  6. #test
  7. class<-c(1,2,3,2,1,2,1,3)
  8. c(81,65,72,88,73,91,56,90)->ca
  9. factor(class)->class
  10. tapply(ca, class, mean)
  11. # divide into groups
  12. ps1=as.data.frame(tapply(da[,2],da[,1],sum))
  13. #Get the frequency of each road and cumulative frequency
  14. ps2=as.data.frame(ftable(ps1[,1]))
  15. ps3=cumsum(ps2[,2]/(sum(ps2[,2])))
  16. ps3=data.frame(ps2[,1],ps3)
  17. #plot(ps3)
  18. #points(ps3,type='l')
  19.  #Set the Threshold
  20. yz=ps3[ps3[,2]>=0.95,1][1]
  21.  #Black Spots Judgement
  22. ps4=data.frame(ps1[ps1[,1]>=as.numeric(as.character(yz)),])
  23. # Get In 
  24. ZT=as.data.frame(as.integer(da[,1] %in%  row.names(ps4)))
  25. c=data.frame(da[,1],ZT)
  26. Res=data.frame(c[c[,2]==1,])
  27. colnames(Res)<-c('LH','ZT')

3、分析近期發(fā)生事故遽增道路Res2

  1. #2 Get the recent black spots
  2. drv=dbDriver('Oracle')
  3. conn=dbConnect(drv,'acci_tz','acci_tz','localhost:1521/jgyw')
  4. rs2=dbSendQuery(conn,"select substr(d.sgfssj,1,6) yfbm,d.lh,sum(d.dlsgs) dlsgs 
  5. from ex_dw_acd_file d where 
  6.                 substr(d.sgfssj,1,6) between 201511 and 201601
  7.                 group by substr(d.sgfssj,1,6),d.lh
  8.                 order by d.lh,substr(d.sgfssj,1,6) asc")
  9. da2=fetch(rs2)
  10. # To be unique of road
  11. UniqDl=unique(da2$LH)
  12. Res2=c()
  13. for (i in 1:length(UniqDl))
  14. {
  15.   #i=15
  16.   tempd=da2[da2[,2] %in% UniqDl[i],]
  17.   #Filter the three months data
  18.   if(nrow(tempd)>2)
  19.   {
  20.     #Filter the  Slope of difference which is more then 1.5
  21.     if(tempd[3,3]/tempd[1,3]>=1.5 && tempd[3,3]/tempd[2,3]>=1.5)
  22.     {
  23.       Res2=rbind(Res2,UniqDl[i])
  24.     }
  25.   }
  26. }
  27. Res2=cbind(Res2,rep(1,length(Res2)))
  28. Res2=as.data.frame(Res2)
  29. colnames(Res2)<-c('LH','ZT')

4、預定黑點道路去重，得到結(jié)果集Res，并入庫

  1. #3 Combine Res and Res2
  2. DiffRes=Res2[Res2[,1] %in% Res[,1]=='FALSE',]
  3. #B-A
  4. #setdiff(Res2[,1],Res[,1])
  5. Res=rbind(Res,DiffRes)
  6. dbRemoveTable(conn, 'DW_ACD_HDZT1')
  7. dbWriteTable(conn,'DW_ACD_HDZT1',Res, row.names = F, append = TRUE)

5、黑點道路上事故發(fā)生較密區(qū)域查找，使用密度聚類算法DBSCAN

附DBSCAN：

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一個比較有代表性的基于密度的聚類算法。與劃分和層次聚類方法不同，它將簇定義為密度相連的點的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇，并可在噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。DBSCAN自動地確定簇個數(shù)，而對于K-means，簇個數(shù)需要作為參數(shù)指定。然而，DBSCAN必須指定另外兩個參數(shù)：Eps（鄰域半徑）和MinPts（最少點數(shù)）。

DBSCAN中的幾個定義：

Ε鄰域：給定對象半徑為Ε內(nèi)的區(qū)域稱為該對象的Ε鄰域；

核心對象：如果給定對象Ε領(lǐng)域內(nèi)的樣本點數(shù)大于等于MinPts，則稱該對象為核心對象；

直接密度可達：對于樣本集合D，如果樣本點q在p的Ε領(lǐng)域內(nèi)，并且p為核心對象，那么對象q從對象p直接密度可達。

密度可達：對于樣本集合D，給定一串樣本點p1,p2….pn，p= p1,q= pn,假如對象pi從pi-1直接密度可達，那么對象q從對象p密度可達。

密度相連：存在樣本集合D中的一點o，如果對象o到對象p和對象q都是密度可達的，那么p和q密度相聯(lián)。

可以發(fā)現(xiàn)，密度可達是直接密度可達的傳遞閉包，并且這種關(guān)系是非對稱的。密度相連是對稱關(guān)系。DBSCAN目的是找到密度相連對象的最大集合。

詳細算法描述參考度娘

  1. #4 DBSCAN(Density-Based Spatial Clustering of Application With Noise)
  2. rs3=dbSendQuery(conn,"select t.lh,t.sgbh,t.sgddzb_x,t.sgddzb_y from ex_dw_acd_file t
  3. join DW_ACD_HDZT1 d on t.lh=d.lh
  4.                 order by lh")
  5. da3=fetch(rs3)
  6. UniqDl3=unique(da3$LH)
  7. da3=data.frame(da3,RCoordinate=as.numeric(da3[,3]),CCoordinate=as.numeric(da3[,4]))
  8. dbRemoveTable(conn, 'DW_ACD_HDZT2')
  9. for(i in 1:length(UniqDl3))
  10. {
  11.  #i=1
  12.  tempdate=0
  13.  tempdate=da3[da3[,1]==UniqDl3[i],]
  14.  #Normalization
  15.  tempdate[,5]=(tempdate[,5]-min(tempdate[,5]))/(max(tempdate[,5])-min(tempdate[,5]))
  16.  tempdate[,6]=(tempdate[,6]-min(tempdate[,6]))/(max(tempdate[,6])-min(tempdate[,6]))
  17.  #version one
  18.  #set.seed(664554)
  19.  #n <- 10
  20.  #x <- cbind(runif(10, 0, 10)+rnorm(n, sd=0.4), runif(10, 0, 10)+rnorm(n,sd=0.4))

  22.  #help(dbscan)
  23.  #ds <- dbscan(x, 0.05,MinPts=5,showplot=1)
  24.  ds <- dbscan(tempdate[,5:6], 0.005,MinPts=5,showplot=1) # run with showplot=1 to see how dbscan works.
  25.  aa=as.matrix(ds$cluster)
  26.  RE=as.data.frame(cbind(tempdate,aa))
  27.  colnames(RE)=c( "LH","SGBH","SGDDZB_X","SGDDZB_Y","RCoordinate","CCoordinate","ClusterNum")
  28.  dbWriteTable(conn,'DW_ACD_HDZT2',RE, row.names = F, append = TRUE)
  29. }
  30. #seq.POSIXt(ISOdate(2001,1,1)-60*60*12,ISOdate(2001,1,3)+60*60*12,"hours")


數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進行初始化 // 參數(shù)1：配置參數(shù) // 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗證碼對象，之后可以使用它調(diào)用相應的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須，不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產(chǎn)品形式，包括：float，popup width: "280px", https: true // 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'！'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }