本發(fā)明涉及一種通過大數(shù)據(jù)預估行車傷亡事故率的系統(tǒng)及方法。

背景技術：

隨著社會發(fā)展，居民的交通出行方式也呈現(xiàn)多樣性。使用汽車等機動車出行的人群越來越普遍，車禍也已成為當今社會公害，為城市人口死亡的四大原因之一。

為減少事故發(fā)生率，人們不斷探索，提出了各種各樣的方案，如中國專利公開了一種疲勞駕駛的方法、智能設備及系統(tǒng)[申請?zhí)枺篊N201510851114.1]，該方案通過智能設備收集駕駛員的個人數(shù)據(jù)信息進行分析和處理從而判斷駕駛員是否處于疲勞駕駛狀態(tài)，能夠提前提醒駕駛員及時休息，避免因為疲勞駕駛導致車禍的發(fā)生。

又如一種道路車輛智能預警方法、裝置和移動終端[申請?zhí)枺篊N201510715639.2]，其通過采集車輛以及駕駛員的基礎動態(tài)信息，根據(jù)預設算法計算實時危險系數(shù)，使駕駛員在駕駛過程中了解根據(jù)實時路況結合預存靜態(tài)數(shù)據(jù)的駕駛風險，獲得風險預警和駕駛指導，從而避免事故的發(fā)生。

上述兩個方案都是從單個駕駛員入手，監(jiān)測駕駛員的身體狀況，錄入動態(tài)路況信息等對駕駛員進行預警以避免車禍的發(fā)生，但是通過研究發(fā)現(xiàn)，酒后駕車、超速駕駛、疲勞駕駛、未保持安全車距、駕駛人陋習、車輛性能等都是誘發(fā)交通事故的常見原因，而上述方案均只針對其中一個誘因而，且均需要駕駛員自己有安全意識而購買相關設備終端來達到目的，存在普及性不強等缺點。

而大數(shù)據(jù)(big data)是指無法在可承受的時間范圍內用常規(guī)軟件工具進行捕捉、管理和處理的數(shù)據(jù)集合，是需要新處理模式才能具有更強的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力來適應海量、高增長率和多樣化的信息資產(chǎn)。

數(shù)據(jù)挖掘(Data mining)，又譯為資料探勘、數(shù)據(jù)采礦。它是數(shù)據(jù)庫知識發(fā)現(xiàn)中的一個步驟。數(shù)據(jù)挖掘一般是指從大量的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程。數(shù)據(jù)挖掘通常與計算機科學有關，并通過統(tǒng)計、在線分析處理、情報檢索、機器學習、專家系統(tǒng)(依靠過去的經(jīng)驗法則)和模式識別等諸多方法來實現(xiàn)上述目標。

可以根據(jù)誘發(fā)交通事故發(fā)生的誘因，經(jīng)過大數(shù)據(jù)的提取和分析，從而得到具備某些特征的車輛使用群體比其他群體有較大事故風險的信息。

技術實現(xiàn)要素：

本發(fā)明的目的是針對上述問題，提供一種覆蓋范圍廣且針對性強的通過大數(shù)據(jù)預估行車傷亡事故率的方法。

本發(fā)明的另一目的是提供一種采用通過大數(shù)據(jù)預估行車傷亡事故率的方法的系統(tǒng)。

為達到上述目的，本發(fā)明采用了下列技術方案：

本發(fā)明通過大數(shù)據(jù)預估行車傷亡事故率的方法，包括以下步驟：

A：通過大數(shù)據(jù)庫獲取各種不同車輛類型的車輛在各種交通事故中的交通事故發(fā)生率，并通過交通事故基于車輛類型權重的數(shù)據(jù)挖掘計算方法得出各種車輛類型在交通事故中的比值數(shù)據(jù)；

B：通過大數(shù)據(jù)庫獲取各種不同用戶類型的用戶在各種交通事故中的交通事故發(fā)生率，并通過交通事故基于用戶類型權重的數(shù)據(jù)挖掘計算方法得出各種用戶類型在交通事故中的比值數(shù)據(jù)；

C：結合步驟A和B中得到的比值數(shù)據(jù)并通過事故發(fā)生概率算法計算得出不同車輛類型和不同用戶類型在交通事故中發(fā)生交通事故的概率。

在上述的通過大數(shù)據(jù)預估行車傷亡事故率的方法中，所述的步驟A和步驟B可以同步進行；

或者，先進行步驟B，再進行步驟A。

在上述的通過大數(shù)據(jù)預估行車傷亡事故率的方法中，在步驟A中，所述車輛類型包括車型特征、品牌特征和顏色特征中的任意一種或多種組合。

在上述的通過大數(shù)據(jù)預估行車傷亡事故率的方法中，在步驟A中，所述交通事故基于車輛類型權重的數(shù)據(jù)挖掘計算方法為公式①，即：

An’＝1

＝X*(X1*T1+X2*T2+X3*T3+…Xn*Tn)+Y(Y1*B1+Y2*B2+…Yn*Bn)+Z*(Z1*C1+Z2*C2+…Zn*Cn) ①

其中，An’為交通事故對于車輛類型時的變量且其變量為1；

T1、T2、T3…Tn分別為車輛類型中的不同車型特征的權重；

X1、X2、X3…Xn分別為不同車型特征在交通事故中的交通事故發(fā)生率的比值；

B1、B2…Bn分別為車輛類型中的不同品牌特征的權重；

Y1、Y2、Y3…Yn分別為不同品牌特征在交通事故中的交通事故發(fā)生率的比值；

C1、C2…Cn分別為車輛類型中的不同顏色特征的權重；

Z1、Z2、Z3…Zn分別為不同顏色特征在交通事故中的交通事故發(fā)生率的比值；

X、Y、Z分別為車型特征、品牌特征和顏色特征在交通事故中所占的比值。

在上述的通過大數(shù)據(jù)預估行車傷亡事故率的方法中，在步驟B中，所述用戶類型包括年齡特征、性別特征和婚姻特征中的任意一種或多種組合。

在上述的通過大數(shù)據(jù)預估行車傷亡事故率的方法中，在步驟B中，所述交通事故基于用戶類型權重的數(shù)據(jù)挖掘計算方法為公式②，即：

An”＝1

＝U*(U1*N1+U2*N2…Un*Nn)+V*(V1*A+V2*B)

+W*(W1*M1+W2*M2) ②

其中，An”為交通事故對于用戶類型時的變量且其變量為1；

N1、N2…Nn分別為用戶類型中的不同年齡特征的權重；

U1、U2…Un分別為不同年齡特征在交通事故中的交通事故發(fā)生率的比值；

A、B分別為用戶類型中的不同性別特征的權重；

V1、V2分別為不同性別特征在交通事故中的交通事故發(fā)生率的比值；

M1、M2分別為用戶類型中的不同婚姻特征的權重；

W1、W2分別為不同婚姻特征在交通事故中的交通事故發(fā)生率的比值；

U、V、W分別為年齡特征、性別特征和婚姻特征在交通事故中所占的比值。

在上述的通過大數(shù)據(jù)預估行車傷亡事故率的方法中，在步驟C中，所述事故發(fā)生概率算法為公式③，即：

An＝T*(T1*An’+T2*An”) ③

其中，An為不同交通事故對于車輛類型和用戶類型發(fā)生交通事故的概率；

T為An交通事故在總交通事故中的事故比率；

T1、T2分別為車輛類型和用戶類型在An交通事故所占比重。

在上述的通過大數(shù)據(jù)預估行車傷亡事故率的方法中，本方法還包括：

D：手動監(jiān)控管理模塊通過步驟C得出的不同車輛類型和不同用戶類型在交通事故中發(fā)生交通事故的概率獲得交通事故易發(fā)生人群信息和/或交通事故易發(fā)生車輛信息，并對交通事故易發(fā)人群和/或交通事故易發(fā)生車輛的擁有者進行監(jiān)控及管理。

本發(fā)明公開了一種采用通過大數(shù)據(jù)預估行車傷亡事故率的方法的通過大數(shù)據(jù)降低行車傷亡事故率的系統(tǒng)，本系統(tǒng)包括大數(shù)據(jù)庫模塊，所述的大數(shù)據(jù)庫模塊分別連接第一算法模塊和第二算法模塊，且所述的第一算法模塊和第二算法模塊均和事故發(fā)生概率算法模塊相連，其中：

大數(shù)據(jù)庫模塊：用于保存各類交通事故信息以及各類交通事故中包括發(fā)生各類交通事故的車輛類型和用戶類型的數(shù)據(jù)；

第一算法模塊：用于通過交通事故基于車輛類型權重的數(shù)據(jù)挖掘計算方法，得出各種車輛類型在交通事故中的比值數(shù)據(jù)；

第二算法模塊：用于通過交通事故基于用戶類型權重的數(shù)據(jù)挖掘計算方法，得出各種用戶類型在交通事故中的比值數(shù)據(jù)；

事故發(fā)生概率算法模塊：用于結合第一算法模塊和第二算法模塊得出的比值數(shù)據(jù)并通過事故發(fā)生概率算法，計算得出不同車輛類型和不同用戶類型在交通事故中發(fā)生交通事故的概率。

在上述的通過大數(shù)據(jù)降低行車傷亡事故率的系統(tǒng)中，所述的事故發(fā)生概率算法模塊連接有手動監(jiān)控管理模塊，其中：

手動監(jiān)控管理模塊：用于根據(jù)事故發(fā)生概率算法模塊得出的不同車輛類型和不同用戶類型在交通事故中發(fā)生交通事故的概率獲得交通事故易發(fā)生人群信息和/或交通事故易發(fā)生車輛信息，并對交通事故易發(fā)人群和/或交通事故易發(fā)生車輛的擁有者進行監(jiān)控及管理。

本發(fā)明利用大數(shù)據(jù)建模和分析，數(shù)據(jù)更加精準，覆蓋范圍廣。

本發(fā)明可以將不同用戶類型的用戶與不同車輛類型的車輛單獨或組合計算事故發(fā)生概率，具有較大的靈活性。

本發(fā)明通過獲取易發(fā)事故的車輛類型和用戶類型，以及易發(fā)事故的可能原因，從而進行更加具有針對性的安全教育。

本發(fā)明系統(tǒng)具有構架簡單，能夠利用大數(shù)據(jù)進行分析，精準地計算出各類車輛、人群在不同的事故中發(fā)生車禍的概率，從而使相關部門的安全教育更加具有針對性等優(yōu)點。

附圖說明

圖1是本發(fā)明提供的方法流程圖。

圖2是本發(fā)明提供實施例二的系統(tǒng)框圖。

圖3是本發(fā)明實施例三的系統(tǒng)框圖。

圖中：1、大數(shù)據(jù)庫模塊；2、第一算法模塊；3、第二算法模塊；4、手動監(jiān)控管理模塊；5、事故發(fā)生概率算法模塊。

具體實施方式

實施例一

如圖1所示，本實施例通過大數(shù)據(jù)預估行車傷亡事故率的方法包括如下步驟：

A：通過大數(shù)據(jù)庫獲取各種不同車輛類型的車輛在各種交通事故中的交通事故發(fā)生率，并通過交通事故基于車輛類型權重的數(shù)據(jù)挖掘計算方法得出各種車輛類型在交通事故中的比值數(shù)據(jù)；具體地，車輛類型包括車型特征、品牌特征和顏色特征中的任意一種或多種組合，進一步地，交通事故基于車輛類型權重的數(shù)據(jù)挖掘計算方法為公式①，即：

An’＝1

＝X*(X1*T1+X2*T2+X3*T3+…Xn*Tn)+Y(Y1*B1+Y2*B2+…Yn*Bn)+Z*(Z1*C1+Z2*C2+…Zn*Cn) ①

其中，An’為交通事故對于車輛類型時的變量且其變量為1；

T1、T2、T3…Tn分別為車輛類型中的不同車型特征的權重；

X1、X2、X3…Xn分別為不同車型特征在交通事故中的交通事故發(fā)生率的比值；

B1、B2…Bn分別為車輛類型中的不同品牌特征的權重；

Y1、Y2、Y3…Yn分別為不同品牌特征在交通事故中的交通事故發(fā)生率的比值；

C1、C2…Cn分別為車輛類型中的不同顏色特征的權重；

Z1、Z2、Z3…Zn分別為不同顏色特征在交通事故中的交通事故發(fā)生率的比值；

X、Y、Z分別為車型特征、品牌特征和顏色特征在交通事故中所占的比值；

其中，車型特征包括微型車、小型車、緊湊型車、中型車、SUV車型、MPV車型、中大型車、大型車、跑車車型、微面車型、皮卡車型以及電動車車型等車型；

品牌特征包括日系車輛、德系車輛、國產(chǎn)車輛、美系車輛、法系車輛以及韓系車輛等品牌；

顏色特征包括紅色、黑色、黃色、白色、棕色、藍色、銀色、綠色以及灰色等顏色；

B：通過大數(shù)據(jù)庫獲取各種不同用戶類型的用戶在各種交通事故中的交通事故發(fā)生率，并通過交通事故基于用戶類型權重的數(shù)據(jù)挖掘計算方法得出各種用戶類型在交通事故中的比值數(shù)據(jù)；具體地，在步驟B中，用戶類型包括年齡特征、性別特征和婚姻特征等特征；進一步地，交通事故基于用戶類型權重的數(shù)據(jù)挖掘計算方法為公式②，即：

An”＝1

＝U*(U1*N1+U2*N2…Un*Nn)+V*(V1*A+V2*B)

+W*(W1*M1+W2*M2) ②

其中，An”為交通事故對于用戶類型時的變量且其變量為1；

N1、N2…Nn分別為用戶類型中的不同年齡特征的權重；

U1、U2…Un分別為不同年齡特征在交通事故中的交通事故發(fā)生率的比值；

A、B分別為用戶類型中的不同性別特征的權重；

V1、V2分別為不同性別特征在交通事故中的交通事故發(fā)生率的比值；

M1、M2分別為用戶類型中的不同婚姻特征的權重；

W1、W2分別為不同婚姻特征在交通事故中的交通事故發(fā)生率的比值；

U、V、W分別為年齡特征、性別特征和婚姻特征在交通事故中所占的比值；

其中年齡特征按年齡大小劃分年齡段；

性別特征為男性或女性；

婚姻特征為已婚或未婚；

C：結合步驟A和B中得到的比值數(shù)據(jù)并通過事故發(fā)生概率算法計算得出不同車輛類型和不同用戶類型在交通事故中發(fā)生交通事故的概率，獲得交通事故易發(fā)生人群信息和/或交通事故易發(fā)生車輛信息；進一步地，事故發(fā)生概率算法為公式③，即：

An＝T*(T1*An’+T2*An”) ③

其中，An為不同交通事故對于車輛類型和用戶類型發(fā)生交通事故的概率；

T為An交通事故在總交通事故中的事故比率；

T1、T2分別為車輛類型和用戶類型在An交通事故所占比重；

D：手動監(jiān)控管理模塊4通過步驟C得出的不同車輛類型和不同用戶類型在交通事故中發(fā)生交通事故的概率獲得交通事故易發(fā)生人群信息和/或交通事故易發(fā)生車輛信息，并對交通事故易發(fā)人群和/或交通事故易發(fā)生車輛的擁有者進行監(jiān)控及管理。

在步驟A-D中，交通事故包括多車事故、單車事故與單車側翻等事故。

為了方便計算和理解，本實施例抽象出多車事故、單車事故、單車側翻3類交通事故，分別用變量A1、A2、A3(Accident)來表示；抽象出3類車輛型號，分別用T1、T2和T3(Type)來表示；抽象出2類車輛品牌，分別用變量B1、B2(Brand)來表示；抽象出3類車輛顏色，分別用C1、C2、C3(Color)來表示：

車型＝Type(T1(small),T2(media),T3(large))

品牌＝Brand(B1,B2)

顏色＝Color(C1(Black),C2(White))

通過大數(shù)據(jù)，獲取比例，比如我們通過大數(shù)據(jù)得到如下的數(shù)據(jù)：

A1交通事故中車型T1、T2、T3發(fā)生的概率分別為10％、30％、60％，即T1:T2:T3＝1:3:6。品牌B1、B2發(fā)生的概率分別為20％、80％，即B1:B2＝1:4。顏色C1、C2發(fā)生的概率分別為45％、55％，即C1:C2＝9:11。通過上面的數(shù)據(jù)可以發(fā)現(xiàn)車型、品牌對事故A1發(fā)生的影響較大，按照經(jīng)驗值，可以做出這樣的分配：(A1)型號:品牌:顏色＝5:4:1，這樣，我們可以得到A1對于車輛型號的計算公式：

(如果所有T1、T2、T3、B1、B2、C1和C2等變量都為1)

A1(車輛型號)＝A1’＝1

＝0.5*(0.1*T1+0.3*T2+0.6*T3)+0.4(0.2*B1+0.8*B2)+0.1*(0.45*C1+0.55*C2)

用同樣的方法可以得到A2，A3的計算公式：

(A2)Type:Brand:Color＝3:5:2

T1:T2:T3＝3:4:3

B1:B2＝3:7

C1:C2＝4.2:5.8

A2(車輛型號)＝A2’＝1

＝0.3*(0.3*T1+0.4*T2+0.3*T3)+0.5(0.3*B1+0.7*B2)+0.2*(0.42*C1+0.58*C2)

(A3)Type:Brand:Color＝2:3:5

T1:T2:T3＝1:1:1

B1:B2＝6:4

C1:C2＝7.5:2.5

A3(車輛型號)＝A3’＝1

＝0.2*(0.33*T1+0.33*T2+0.34*T3)+0.3(0.6*B1+0.4*B2)+0.5*(0.75*C1+0.25*C2)

具體計算中，T1、T2、T3、B1、B2、C1和C2在滿足對應特征的時候為1，否則為0。

同樣的，為了方便計算和理解，本實施例抽象出3類用戶類型，并進行如下表示。

年齡＝Age(N1(<30),N2(>＝30))

性別＝Sex(A(Female),B(Male))

婚姻＝Marriage(M1(married),M2(single))

按照上面第一步中的方法，通過大數(shù)據(jù)獲得相關的比值，然后得到如下的針對用戶類型獲得的交通事故發(fā)生率計算公式：

(如果所有N1、N2、A、B、M1和M2等變量都為1)

(A1)Age：Sex：Marriage＝5:3:2

N1:N2＝8:2

A:B＝6.5:3.5

M1:M2＝4.5:5.5

A1(用戶類型)＝A1”＝1

＝0.5*(0.8*N1+0.2*N2)+0.3*(0.65*A+0.35*B)+0.2*(0.45*M1+0.55*M2)

(A2)Age：Sex：Marriage＝3:4:3

N1:N2＝5:5

A:B＝6.5:3.5

M1:M2＝5:5

A2(用戶類型)＝A2”＝1

＝0.3*(0.5*N1+0.5*N2)+0.4*(0.65*A+0.35*B)+0.3*(0.5*M1+0.5*M2)

(A3)Age：Sex：Marriage＝1:7:2

N1:N2＝5:5

A:B＝9:1

M1:M2＝4.5:5.5

A3(用戶類型)＝A3”＝1

＝0.1*(0.5*N1+0.5*N2)+0.7*(0.9*A+0.1*B)+0.2*(0.45*M1+0.55*M2)

同樣的，在具體計算中，N1、N2、A、B、M1和M2等變量在滿足對應特征的時候為1，否則為0。

然后，基于上面的方法，得到了事故種類對應車輛型號的計算方式，和事故種類對應用戶類型得計算方式，但是車輛型號和對應用戶類型的比重，也有相對應的數(shù)據(jù)進行參考，比如按照實際情況，會出現(xiàn)A1事故按照3:7分配，或者A2是4:6的情況等。目前我們按照大數(shù)據(jù)以及經(jīng)驗值來統(tǒng)一將車輛型號的影響和用戶類型對所有事故種類按照4:6的配比計算。

另外，對于事故Accident來說，每個種類也是有權重的，比如A1事故的發(fā)生率要大于A2的情況，這里我們可以參考大數(shù)據(jù)，假設獲得這樣的事故比率：

A1：A2：A3＝5:4:1

最后獲得總的事故計算公式：

(如果所有T1、T2、T3、B1、B2等變量都為1)

A1＝0.5*(0.4*A1’+0.6*A1”)＝0.5*[

0.4*(0.5*(0.1*T1+0.3*T2+0.6*T3)+0.4(0.2*B1+0.8*B2)+0.1*(0.45*C1+0.55*C2))

+0.6*(0.5*(0.8*N1+0.2*N2)+0.3*(0.65*A+0.35*B)+0.2*(0.45*M1+0.55*M2))

]＝0.5；

A2＝0.4*(0.4*A2’+0.6*A2”)＝0.4*[

0.4*(0.3*(0.3*T1+0.4*T2+0.3*T3)+0.5(0.3*B1+0.7*B2)+0.2*(0.42*C1+0.58*C2))

+0.6*(0.3*(0.5*N1+0.5*N2)+0.4*(0.65*A+0.35*B)+0.3*(0.5*M1+0.5*M2))

]＝0.4；

A3＝0.1*(0.4*A3’+0.6*A3”)＝0.1*[

0.4*(0.2*(0.33*T1+0.33*T2+0.34*T3)+0.3(0.6*B1+0.4*B2)+0.5*(0.75*C1+0.25*C2))

+0.6*(0.1*(0.5*N1+0.5*N2)+0.7*(0.9*A+0.1*B)+0.2*(0.45*M1+0.55*M2))

]＝0.1。

同樣的，在具體計算中，T1、T2、T3、B1、B2等變量在滿足對應特征的時候為1，否則為0。

其中，由于本實施例的事故被抽象為A1、A2和A3三類事故，所以這三類事故的概率總和為1。

為了更加清晰地理解本方案，在此進行具體案例分析：

假如有3個用戶，他們信息及購買的車輛情況如下：

用戶1：25歲女未婚，購買小車，品牌B1,顏色白色

用戶2：35歲男已婚，購買中型車，品牌B1，顏色黑色

用戶3：28歲女已婚，購買中型車，品牌B2，顏色黑色

這樣，我們可以得到如下可以計算的參數(shù)：

用戶1：N1、A、M2、T1、B1、C2

用戶2：N2、B、M1、T2、B1、C1

用戶3：N1、A、M1、T2、B2、C2

按照步驟3中的計算公式可以得到如下分值：

用戶1：

A1＝0.5*[0.4*(0.05+0.08+0.055)+0.6*(0.4+0.195+0.11)]＝0.5*(0.074+0.423)＝0.2485；

A2＝0.4*[0.4*(0.09+0.15+0.116)+0.6*(0.15+0.26+0.15)]＝0.4*(0.1424+0.336)＝0.19136；

A3＝0.1*[0.4*(0.066+0.18+0.125)+0.6*(0.05+0.63+0.11)]＝0.1*(0.1484+0.474)＝0.06224。

用戶2：

A1＝0.5*[0.4*(0.15+0.08+0.045)+0.6*(0.01+0.105+0.09)]＝0.5*(0.098+0.123)＝0.1105；

A2＝0.4*[0.4*(0.12+0.15+0.084)+0.6*(0.15+0.14+0.15)]＝0.4*(0.1416+0.264)＝0.16224；

A3＝0.1*[0.4*(0.066+0.18+0.375)+0.6*(0.05+0.07+0.09)]＝0.1*(0.2484+0.126)＝0.03744。

用戶3：

A1＝0.5*[0.4*(0.15+0.32+0.055)+0.6*(0.4+0.195+0.09)]＝0.5*(0.21+0.411)＝0.3105；

A2＝0.4*[0.4*(0.12+0.35+0.116)+0.6*(0.15+0.26+0.15)]＝0.4*(0.2344+0.336)＝0.22816；

A3＝0.1*[0.4*(0.066+0.12+0.125)+0.6*(0.05+0.63+0.09)]＝0.1*(0.1244+0.462)＝0.05864。

通過上面的計算值，系統(tǒng)可以做如下分析：

用戶1和用戶3相對用戶2來說，事故A1類型的概率較高。

當然由于A3事故的比重本來就小，我們也可以通過單獨對A3的情況進行比較，可以發(fā)現(xiàn)用戶2相對用戶1和用戶3來說，事故3的發(fā)生概率較低。

這種分析可以按照目前系統(tǒng)中已存在的用戶進行總體對比，也可以按照車輛或者用戶的某個信息進行對比，有較大的靈活性。

系統(tǒng)可以針對上面的結果，應用到保險行業(yè)、交通教育、交通工具附加產(chǎn)品等領域。比如，保險公司可以根據(jù)車輛擁有者的大數(shù)據(jù)分析結果，來預估他們交通事故的概率，從而推出更適合的車輛保險產(chǎn)品；交通安全局，可以通過這些數(shù)據(jù)，對這些人群進行更多的交通安全出行的教育；而車輛周邊產(chǎn)品供應商，也可以像這些易發(fā)生交通事故人群，推薦一些更加適合他們的產(chǎn)品。通過上面這些信息的利用，可以降低交通事故的發(fā)生率。

實施例二

如圖2所示，本實施例提出了一種通過大數(shù)據(jù)預估行車傷亡事故率的方法的通過大數(shù)據(jù)預估行車傷亡事故率的系統(tǒng)，本系統(tǒng)包括大數(shù)據(jù)庫模塊1，所述的大數(shù)據(jù)庫模塊1分別連接第一算法模塊2和第二算法模塊(3)，且所述的第一算法模塊2和第二算法模塊(3)均和事故發(fā)生概率算法模塊5相連，其中：

大數(shù)據(jù)庫模塊1：用于保存各類交通事故信息以及各類交通事故中包括發(fā)生各類交通事故的車輛類型和用戶類型的數(shù)據(jù)；

第一算法模塊2：用于通過交通事故基于車輛類型權重的數(shù)據(jù)挖掘的計算方法，得出各種車輛類型在交通事故中的比值數(shù)據(jù)；

第二算法模塊(3)：用于通過交通事故基于用戶類型權重的數(shù)據(jù)挖掘計算方法，得出各種用戶類型在交通事故中的比值數(shù)據(jù)；

事故發(fā)生概率算法模塊5：用于結合第一算法模塊2和第二算法模塊(3)得出的比值數(shù)據(jù)并通過事故發(fā)生概率算法，計算得出不同車輛類型和不同用戶類型在交通事故中發(fā)生交通事故的概率。

實施例三

如圖3所示，本實施例結構模塊與實施例二類似，不同之處在于，本實施例的事故發(fā)生概率算法模塊5連接有手動監(jiān)控管理模塊4，其中：

手動監(jiān)控管理模塊4：用于根據(jù)事故發(fā)生概率算法模塊5得出的不同車輛類型和不同用戶類型在交通事故中發(fā)生交通事故的概率獲得交通事故易發(fā)生人群信息和/或交通事故易發(fā)生車輛信息，并對交通事故易發(fā)人群和/或交通事故易發(fā)生車輛的擁有者進行監(jiān)控及管理。

與現(xiàn)有技術相比，本發(fā)明的優(yōu)點在于：

1、利用大數(shù)據(jù)建模和分析，數(shù)據(jù)更加精準，覆蓋范圍廣；

2、可以將不同用戶類型的用戶與不同車輛類型的車輛單獨或組合計算事故發(fā)生概率，具有較大的靈活性；

3、獲取易發(fā)事故的車輛類型和用戶類型，以及易發(fā)事故的可能原因，進行更加具有針對性的安全教育；

4、系統(tǒng)具有構架簡單，能夠利用大數(shù)據(jù)進行分析，精準地計算出各類車輛、人群在不同的事故中發(fā)生車禍的概率，從而使相關部門的安全教育更加具有針對性等優(yōu)點。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權利要求書所定義的范圍。

盡管本文較多地使用了大數(shù)據(jù)庫模塊1；第一算法模塊2；第二算法模塊3；手動監(jiān)控管理模塊4；事故發(fā)生概率算法模塊5等術語，但并不排除使用其它術語的可能性。使用這些術語僅僅是為了更方便地描述和解釋本發(fā)明的本質；把它們解釋成任何一種附加的限制都是與本發(fā)明精神相違背的。