1.一种基于D‑SMOTE的离散数据过采样方法，其特征在于，具体按照以下步骤实施：步骤1、通过人为或记录仪记录交通事故样本；

步骤2、确定所述步骤1得到的事故样本中的最多类样本与多个少类样本，并通过随机选取方式确定三角闭环空间；

步骤3、计算所述步骤2中最多类样本与多个少类样本之间的比值λ，将该比值作为少类样本的采样倍率；

步骤4、通过改进插值公式，产生带有离散特征的少类样本数据。

2.根据权利要求1所述的一种基于D‑SMOTE的离散数据过采样方法，其特征在于，所述步骤2具体如下：

步骤2.1、假设交通事故样本有n类，其中，Ll是最多类样本，Ls,s＝{1,...,n,s≠l}是多个少类样本；

s s s

步骤2.2、确定少类样本中闭环空间的三个顶点为x、m1 、m2 ，随机选取少类样本Ls中的s s s s s

样本x ，并在x周围随机选择一个样本m1 ，将m1 周围的少类样本Ls的数量记为k ，其他类别s

样本的数量记为k1；

s s s s s

步骤2.3、如果k ＝0，m1代表噪声，删除该样本；如果k＜＜k1 ，m1 代表边缘样本；如果s s s s

k＞＞k1 ，m1 则是有效的样本，并将m1 认为是闭环空间的一个顶点，闭环空间的另外一个s s s s s

顶点m2的选取步骤与m1一致，因此，三个顶点x、m1、m2形成一个闭环空间。

3.根据权利要求2所述的一种基于D‑SMOTE的离散数据过采样方法，其特征在于，所述步骤3具体如下：

少类样本Ls的数量为Ns，最多类样本Ll的数量为Nl，记λs为少类样本Ls与最多类样本Ll之间的采样倍率，其中，λs＝Nl/Ns。

4.根据权利要求3所述的一种基于D‑SMOTE的离散数据过采样方法，其特征在于，所述步骤4利用改进的插值公式在闭环空间中生成新的少类样本Ps，具体如下：s s s s

步骤4.1、在样本m1与样本m2 之间生成新的样本集，m1 与m2之间需要通过改进的插值公式产生新的事故样本，改进的插值公式如(2)所示：s s s

其中，i＝2,...,λs,s＝1,...,n,s≠l，ti为样本m1与样本m2之间生成的第i个新样本，rand(1,i/(i‑1))为(1,i/(i‑1))之间的随机值,λs为采样倍率；

s s s s

步骤4.2、在样本x与样本ti之间生成新的样本集，x 与ti之间需要通过改进的插值公式产生新的事故样本，改进的插值公式如(3)所示：s s s

其中，hi为样本x 与样本ti之间生成的第i个新样本，λs是采样倍率，i为采样个数，所s s

生成的hi与ti均为新的少类样本Ps；

步骤4.3、新的少类样本Ps能够有效提高离散非均衡事故样本的质量，进一步地提高后期事故预测效果。