道路交通事故灰色预测模型的改进与应用

1. 字幕依据
   观察依据

   抽象文本反复出现符号 GM(1,1)，出现在短语“GM(1,1) 模型的缺点”和“GM(1,1) 改进模型”中。

GM(1,1)

在所展示的摘要中，用于表示与改进模型进行对比的基准模型的灰色预测模型符号。

屏幕上摘要中出现的模型名称；本片段未给出其正式定义。

1. 字幕依据
   观察依据

   摘要文本将“Verhulst 改进模型”列为通过新陈代谢方法提出的两种模型之一。

Verhulst improved model

摘要中命名的一种改进型灰色模型变体，并与 GM(1,1) 改进模型进行了对比。

屏幕上摘要中出现的模型名称；本片段未展示任何公式或推导过程。

1. 字幕依据
   观察依据

   摘要指出：“Verhulst 改进模型的平均精度可达 85%。”

85%

摘要中报告的 Verhulst 改进模型的平均精度值。

摘要文本中给出的百分比性能数值。

1. 图示
   观察依据

   仪表板首先显示事故总数 = 141，200 本年度为 2022，然后切换至 2021 后显示 176，727。

141,200

仪表板上为选定年份2022显示的事故总数。

仪表板数据集中记录的事故数量。

1. 图示
   观察依据

   仪表板首先显示伤亡总数 = 191，681 本年度为 2022，然后切换至 2021 后显示 241，177。

191,681

仪表盘上为所选年份2022显示的总伤亡人数。

仪表盘数据集中记录的伤亡人数。

1. 图示
   观察依据

   仪表板显示致命伤亡人数 = 5，288 当所选年份为 2021。

1. 在2022处未滚动前，死亡伤亡图块未完全可见；年份切换至2021后，方可清晰读取其数值。

5,288

仪表盘上为所选年份2021显示的死亡伤亡人数。

仪表盘数据集中记录的死亡伤亡人数。

1. 图示
   观察依据

   仪表板显示严重伤亡人数 = 35，417 当所选年份为 2021。

1. 在2022处未滚动前，重伤伤亡图块未完全可见；年份切换至2021后，方可清晰读取其数值。

35,417

仪表盘上为所选年份2021显示的重伤伤亡人数。

仪表盘数据集中记录的重伤伤亡人数。

1. 图示
   观察依据

   仪表板显示轻微伤亡人数 = 200，472 当选定年份为 2021。

1. 轻伤事故图块在滚动前于2022处未完全可见；年份切换至2021后，数值变得清晰可读。

200,472

仪表盘上显示所选年份2021的轻伤事故数量。

仪表盘数据集中轻伤事故的数量。

1. 图示
   观察依据

   标题为‘按天气状况划分的致命事故’的环形图，其中心总数为5.3K，对应所选年份2021；图中标签包括：雨天26.7%、雾天/霜冻11.6%、雪天1.5%、其他1.0%、晴天59.2%。

1. 部分较小的百分比标签需缩放并滚动后才清晰可辨；中心总数5.3K则始终清晰。

5.3K

按天气状况划分的环形图中，所选年份2021对应的中心总数。

天气状况环形图所表示的致命事故近似总数。

1. 图示
   观察依据

   标题为‘按路面状况划分的致命事故’的环形图，其中心总数为5.3K，对应所选年份2021；图中标签包括：湿滑26.7%、干燥62.2%、结冰/其他11.1%。

1. 小标签在滚动后更清晰；中心总数5.3K则始终清晰。

5.3K

按路面状况划分的环形图中，所选年份2021对应的中心总数。

路面状况环形图所表示的致命事故近似总数。

1. 图示
   观察依据

   当前年份下拉菜单中明显列出2022、2021、2020、2019和2018。

Current Year

控制显示哪一年事故与伤亡统计数据的仪表板筛选器。

分类年份选择器，可见选项为2022、2021、2020、2019、2018。

1. 图示
   观察依据

   以“事故总数”显示，其数值根据所选年份不同，分别为165、557、159、312、141、200。

Total Accidents

所选时间段内记录的道路交通事故总次数。

非负整数

1. 字幕依据
   观察依据

   摘要比较了GM(1,1)改进模型与Verhulst改进模型，并指出Verhulst改进模型对剧烈变化的数据序列具有更高精度。

所显示的摘要将本文焦点定义为：通过比较GM(1,1)改进模型与Verhulst改进模型，提升道路交通事故的灰色预测效果。文中明确指出的关键区别是：Verhulst改进版本在处理剧烈变化的数据序列时更为精确。

1. 该对比是在道路交通事故预测的背景下进行的。

2. 摘要特别提到了剧烈非平稳数据序列或剧烈变化的数据序列。

1. 图示
   观察依据

   仪表板页面标题为“道路交通事故仪表板”，包含关键绩效指标（KPI）磁贴、折线图、环形图、柱状图以及英国地图可视化图表。

2. 图示
   观察依据

   可见控件包括“当前年份”、“上一年份”和“选择事故严重程度”。

该片段演示了一个基于网页的道路交通事故分析仪表板。其布局融合了汇总指标（事故总数、伤亡总数、死亡伤亡数、重伤伤亡数、轻伤伤亡数）、按月趋势折线图、按车辆类型、天气、路面状况及道路车行道的分类统计，以及按地点分布的死亡伤亡地理地图。年份选择器用于切换所显示的数据集。

1. 该仪表板显示为一个本地网页，托管地址为 http://127.0.0.1:8000/dashboard。

1. 按年份筛选作为一种交互式分析方法

1. 动画
   观察依据

   将当前年份从2022更改为2021，会更新所有可见的计数和图表；之后再改回2022，这些内容会再次更新。

2. 图示
   观察依据

   下拉菜单中清晰列出了2022、2021、2020、2019和2018。

仪表板使用“当前年份”筛选器来切换底层统计视图。当所选年份发生变化时，关键绩效指标（KPI）总数、月度趋势线、环形图中心区域以及其他可视化汇总内容会同步更新，表明该界面支持逐年对比分析，而非仅显示静态的总体聚合结果。

1. 视频片段中明确展示了至少2022和2021这两个年份。

1. 图示
   观察依据

   一个名为“道路交通事故仪表盘”的网页界面，展示多个图表和关键绩效指标（KPI）卡片。

一款交互式数据可视化工具，旨在从时间、地点、车辆类型、天气和严重程度等多个维度汇总并探索道路交通事故统计数据。

1. 需要一份包含事故记录的数据集，其属性包括日期、地点、伤亡人数及现场条件等。

1. 图示
   观察依据

   显示‘事故总数’‘伤亡总数’‘死亡伤亡数’的卡片，配以大号数字及同比百分比变化值。

用于呈现聚合指标（如计数、求和）及其相对变化（同比百分比）的视觉元素，以便快速掌握整体情况。

1. 各项指标必须支持聚合运算（例如求和、计数）。

2. 必须明确定义对比周期（例如本年度与上年度）。

1. 道路交通事故仪表盘概览

1. 图示
   观察依据

   环形图，划分为不同颜色的扇区，分别表示天气状况与路面状况的占比构成。

饼图的一种变体，用于表现整体的构成结构，其中每个扇区的弧长代表某一特定类别的占比（例如干燥路面与湿滑路面）。

1. 各类别必须互斥且穷尽，以适用于给定的指标。

2. 各比例之和应等于100%。

1. 道路交通事故仪表盘概览

1. 图示
   观察依据

   用竖直条形表示按日、月、年统计的事故数量。

使用矩形条形比较不同类别或时间区间内的数量，便于识别趋势与高峰期。

1. 横轴表示离散的类别或时间区间。

2. 纵轴表示连续的定量度量。

1. 道路交通事故仪表盘概览

1. 图示
   观察依据

   一张英国地图，上面散布着代表事故地点的点，可按严重程度筛选。

一种将数据点依据经纬度坐标绘制在地理地图上的可视化技术，常通过颜色或大小编码额外变量（如严重程度）。

1. 数据必须包含有效的地理坐标。

2. 地图投影必须适用于该区域。

1. 道路交通事故仪表盘概览

1. 图示
   观察依据

   用户通过勾选‘天气状况’复选框（雾、其他、雨、雪、雪/雾）以及选择‘事故严重程度’下拉菜单，来与界面交互；饼图环形图的中心数值及各扇形占比会根据这些选择动态更新。

利用复选框、下拉菜单等用户界面控件，选取特定数据子集，从而动态更新可视化图表的过程。

1. 需要一个交互式的仪表板界面。

2. 数据必须以支持按分类变量进行筛选的结构化形式组织。

1. 图示
   观察依据

   用户点击页面顶部的导航链接（‘仪表板’、‘故事’、‘可视化’、‘联系’），使主内容区域切换为该网络应用的不同功能模块。

通过超链接或按钮，在单个网络应用内部跳转至不同页面或视图。

1. 需要网络浏览器及已部署的网络应用。

2. 导航元素必须有清晰明确的标签。

1. 字幕依据
   观察依据

   摘要指出：“鉴于GM(1,1)模型在剧烈非平稳数据序列预测中精度较低等缺点。”

所展示的摘要声称：GM(1,1)模型在预测剧烈非平稳数据序列时精度较低。

1. 该论断特指剧烈非平稳数据序列。

2. 该论断出现在道路交通事故预测的语境中。

在摘要所限定的剧烈非平稳数据序列这一语境内具有普适性。

1. 字幕依据
   观察依据

   摘要指出：“应用黑龙江省1996~2009年的交通事故数据表明，Verhulst改进模型对剧烈变化数据序列的预测精度高于GM(1,1)改进模型。”

利用黑龙江省1996–2009年的交通事故数据，摘要指出：对于剧烈变化的数据序列，Verhulst 改进模型比 GM(1,1) 改进模型更为精确。

1. 该比较基于黑龙江省1996–2009年的交通事故数据。

2. 目标数据被描述为剧烈变化的数据序列。

该对比声明针对所引述的数据集及此类数据序列。

1. 字幕依据
   观察依据

   摘要指出：“Verhulst 改进模型的平均精度可达85%，基本满足道路交通安全管理需求。”

摘要声称：Verhulst 改进模型的平均精度可达85%，足以满足道路交通安全管理的需求。

1. 该图指代 Verhulst 改进模型。

2. 它被呈现为一项平均精度指标。

该数值为摘要中报告的评估结果的平均值。

1. 字幕依据
   观察依据

   登录页面文字写道：“本项目的目标是使用 SQL 对一份涵盖英国全国交通事故信息的数据集（时间跨度为2019至2022年）开展数据探索。该数据集最初存储于 SQL Server 中以供分析；分析完成后，数据集被载入 Tableau，并通过信息丰富、视觉效果出色的图表与图形进行可视化展示。”

登录页面声称，该项目使用 SQL 对英国全国范围内的交通事故数据（时间跨度为2019至2022）开展数据探索，将数据集存储在 SQL Server 中，再加载至 Tableau 进行可视化。

1. 该数据集涵盖英国全国范围内的交通事故。

2. 所声明的时间跨度为2019至2022。

关于项目工作流程与数据集覆盖范围的描述性说明。

1. 动画
   观察依据

   用户打开一个包含 app.py 的文件夹，在 Anaconda Prompt 中启动命令行，切换工作目录至该项目文件夹，运行 python 命令后退出，再运行 python app.py。

2. 动画
   观察依据

   终端输出：* 正在运行 Flask 应用 'app'，* 调试模式：关闭，警告：这是一个开发服务器……，以及正在运行于 http://127.0.0.1:8000。

3. 动画
   观察依据

   浏览器随后跳转至 http://127.0.0.1:8000，并显示“道路异常分析”登录页面。

1. 公式

   $$$$
   解释

   打开项目文件夹，并识别出 app.py 是可执行的 Python 源文件。

   步骤依据

   在文件资源管理器中可见为名为 app.py 的 Python 源文件。

   视频直接表达
2. 公式

   $$$$
   解释

   启动 Anaconda Prompt，并将工作目录切换至项目路径 D:\\projects\\road-anomaly。

   步骤依据

   命令提示符显示 cd D:\\projects\\road-anomaly。

   视频直接表达
3. 公式

   $$$$
   解释

   用户首先输入 python，看到 Python 3.9.7 启动横幅，然后通过 exit() 退出。

   步骤依据

   终端显示由 Anaconda, Inc. 打包的 Python 3.9.7，退出后返回到 shell。

   视频直接表达
4. 公式

   $$$$
   解释

   用户运行 python app.py 启动应用程序。

   步骤依据

   命令行显示 python app.py。

   视频直接表达
5. 公式

   $$$$
   解释

   Flask 报告正在以非调试开发模式为应用 'app' 提供服务，地址为 http://127.0.0.1:8000。

   步骤依据

   终端输出包含 * 正在为应用 'app' 提供 Flask 服务、* 调试模式：关闭，以及正在运行于 http://127.0.0.1:8000。

   视频直接表达
6. 公式

   $$$$
   解释

   在浏览器中打开 http://127.0.0.1:8000 会加载项目的登录页面，确认本地服务器正在提供网页界面服务。

   步骤依据

   浏览器地址栏显示 127.0.0.1:8000，页面标题为“道路异常分析”。

   视频直接表达

该片段直观展示了从本地 Python 脚本到可通过浏览器访问的道路事故分析网络应用的激活链。

1. 动画
   观察依据

   当当前年份为 2022 时，仪表板显示事故总数为 141,200，伤亡总数为 191,681。

2. 动画
   观察依据

   选择 2021 后，相同图块更新为 176,727 和 241,177，且环形图中心变更为 5.3K。

3. 动画
   观察依据

   返回到2022后，滚动视图中的数值恢复为165,$557 / 224$,724，且环形图中心变为4.3K。

1. 首次未滚动时的2022合计值与后续滚动后的2022合计值之间的精确映射关系并未在屏幕上完全说明；两者均作为不同滚动位置下2022的仪表板输出呈现。

1. 公式

   $$$$
   解释

   从当前年份设为2022的仪表板开始，记录可见的顶层合计值。

   步骤依据

   初始仪表板视图显示已选中2022，并展示事故总数141,200和伤亡总数191,681。

   视频直接表达
2. 公式

   $$$$
   解释

   打开当前年份下拉菜单，并选择2021。

   步骤依据

   该下拉菜单清晰列出2022、2021、2020、2019、2018，且已选定2021。

   视频直接表达
3. 公式

   $$$$
   解释

   观察到KPI磁贴与图表中心会在年份变更后立即更新。

   步骤依据

   选择2021后，事故总数变为176,727，伤亡总数变为241,177，环形图中心显示5.3K。

   视频直接表达
4. 公式

   $$$$
   解释

   将筛选器恢复为2022，并观察仪表板数值的另一次协同更新。

   步骤依据

   当再次选中2022时，可见合计值与环形图中心随之恢复，包括下部图表中的4.3K。

   视频直接表达

仪表板的年份筛选器作为一个全局控制项，会针对所选年份重新计算或重新选取显示的事故与伤亡聚合值。

1. 字幕依据
   观察依据

   完整的摘要显示在屏幕上，包括黑龙江省的研究区域1996～2009以及报告的85%平均精度。

阅读屏幕上显示的摘要，并识别建模问题、对比方法、数据来源以及报告的结果。

1. 该主题是灰色预测模型在道路交通事故分析中的改进与应用。

2. 基准难点在于GM(1,1)对剧烈非平稳数据序列的预测精度较低。

3. 文中提到了两种改进模型：GM(1,1)改进模型和Verhulst改进模型。

4. 所用数据为黑龙江省1996～2009的道路交通事故数据。

从摘要中提取论文所陈述的对比结果与性能声明。

1. 公式

   $$$$
   解释

   识别首句中所述的建模问题。

   步骤依据

   摘要指出，GM(1,1)对剧烈非平稳数据序列的预测精度较低。

   视频直接表达
2. 公式

   $$$$
   解释

   识别文中提出的两种改进模型。

   步骤依据

   摘要明确列出了GM(1,1)改进模型和Verhulst改进模型。

   视频直接表达
3. 公式

   $$$$
   解释

   识别用于比较的经验数据集。

   步骤依据

   摘要引用了黑龙江省1996~2009年的交通事故数据。

   视频直接表达
4. 公式

   $$$$
   解释

   记录比较结论及数值性能声明。

   步骤依据

   摘要指出，Verhulst改进模型更为精确，其平均精度可达85%。

   视频直接表达

摘要指出，对于剧烈变化的事故数据，Verhulst改进模型比GM(1,1)改进模型更精确，平均精度可达85%。

该答案在实质内容上与可见的摘要文本逐字匹配，包括数据集引用及85%这一数值。

1. 图示
   观察依据

   仪表板在更改年份筛选器后，明确显示了2022和2021的数值总计。

2. 动画
   观察依据

   用户将“当前年份”从2022切换至2021，再切换回2022。

1. 该片段未解释仪表板如何从底层数据集计算出这些总计。

利用可见的仪表板，对比所选年份的事故总数与伤亡人数总数。

1. 当前年份可从下拉菜单中选择。

2. 对于2022，初始可见的总数为事故总数141,200和伤亡总数191,681。

3. 对于2021，可见的总数为事故总数176,727和伤亡总数241,177。

判断所演示的两个年份中，哪一个显示的事故总数与伤亡总数更大。

1. 公式

   $$$$
   解释

   从顶部关键绩效指标（KPI）磁贴中读取2022的总数。

   步骤依据

   仪表板显示 141，200 起事故和 191，681 人伤亡，当 2022 被选定时。

   视频直接表达
2. 公式

   $$$$
   解释

   将当前年份筛选器更改为2021，并读取更新后的总数。

   步骤依据

   选择后，磁贴显示176,727起事故和241,177人伤亡。

   视频直接表达
3. 公式

   $$$$
   解释

   比较这两组数字。

   步骤依据

   176,$727 > 141$,200且241,$177 > 191$,681。

   依据视频推导

在所演示的对比中，2021在事故数和伤亡数两方面均显示出比2022更大的总数。

该结论直接源于年份变更前后可见的数字磁贴。

1. 动画
   观察依据

   彩色圆圈围绕中央白色卡片旋转，并呈现XOOM PROJECTS标志。

1. 橙色圆形

2. 紫色圆形

3. 粉色圆形

4. 白色圆角卡片

5. XOOM PROJECTS 标志

1. 各圆形进入画面并围绕中心重叠。

2. 中央卡片显现，显示品牌名称。

1. 此开场阶段未展示任何数学内容。

本片段作用为频道或项目品牌介绍，而非数学讲解。

1. 动画
   观察依据

   显示谷歌搜索页面，输入查询词 xoomprojects，搜索结果出现，点击第一条结果。

1. 谷歌搜索框

2. 输入的查询词：xoomprojects

3. 搜索结果列表

4. 鼠标光标

1. 查询词逐个字符输入。

2. 搜索结果加载。

3. 光标选中‘Xoom Projects’这一结果。

1. 该操作序列用于演示导航过程，而非数学推导。

这一视觉事件旨在说明观众如何在展示抽象内容与仪表盘之前，抵达项目网站。

1. 动画
   观察依据

   xoomprojects.com 首页加载完成，页面包含轮播式宣传横幅，以及 Python、PHP、NS2、Matlab、Android、Java、Django、Jupyter、.NET、Hadoop 和 Mininet 等分类图标。

1. 网站页眉

2. 旋转横幅轮播

3. 热门分类图标

1. 横幅自动轮播。

2. 页面略微滚动，而分类图标保持可见。

1. 首页未呈现任何公式或定理。

本片段将视频片段置于一个项目展示网站的上下文中，随后切换至论文摘要。

1. 字幕依据
   观察依据

   静态文档页面铺满屏幕，标题为《道路交通事故灰色预测模型的改进与应用》，并显示摘要文字。

1. 标题行

2. 摘要段落

3. 高亮显示的词语在

1. 页面基本保持静止，摘要内容清晰可读。

1. 可见的数学内容以文字叙述为主，而非符号推导。

这是本片段中灰色模型对比主张的主要概念来源。

1. 动画
   观察依据

   文件资源管理器显示一个包含 basic、templates 和 app.py 的文件夹；Anaconda 命令提示符已打开；依次输入命令 cd、python、exit() 和 python app.py；Flask 启动信息出现。

1. 文件资源管理器窗口

2. Anaconda 命令提示符窗口

3. 命令行文本

4. app.py 文件

1. 目录被切换至项目文件夹。

2. Python 解释器被打开并退出。

3. Flask 应用程序启动，并打印出一个本地 URL。

1. 该流程展示的是软件执行过程，而非数学证明。

这一可视化桥梁将抽象的/项目主题与可运行的网页实现连接起来。

1. 图示
   观察依据

   浏览器显示‘道路异常分析’着陆页，包含导航链接：首页、仪表板、故事、可视化、联系，以及一段关于 SQL、SQL Server 和 Tableau 的说明性段落。

1. 导航栏

2. 撞毁汽车的主图

3. 项目描述段落

1. 该页面从本地服务器 URL 加载。

1. 页面陈述了项目范围，但尚未展示具体数值结果。

本片段在仪表板演示开始前定义该分析项目。

1. 图示
   观察依据

   ‘道路事故仪表板’出现，当前年份2022已被选中，可见汇总数据包括事故总数141、200和伤亡总数191、681。

1. 关键绩效指标（KPI）磁贴

2. 月度折线图

3. 车辆类型面板

4. 天气环形图

5. 路面状况环形图

6. 位置地图

1. 仪表盘以默认的2022状态显示。

1. 所有面板均对应所选的同一历年。

此举确立了交互式筛选演示前的基准视觉状态。

1. 动画
   观察依据

   当前历年下拉菜单被打开，并选择了2021；总数更新为176,727起事故和241,177人伤亡；环形图中心显示5.3K。

1. 当前历年下拉菜单

2. 关键绩效指标磁贴

3. 甜甜圈图

4. 地图面板

1. 所选年份从2022变更为2021。

2. 数值总计与图表中心同步更新。

1. 仪表板布局保持不变，仅数据值发生变化。

这展示了按年份实现的跨面板同步筛选。

1. 动画
   观察依据

   页面向下滚动，依次呈现‘致命伤亡’、‘严重伤亡’和‘轻微伤亡’磁贴、道路车行道柱状图以及英国地图；随后将‘当前年份’恢复为2022，下方图表的中心更新为4.3K。

1. 该片段未解释为何部分2022总计在初始未滚动视图与后续滚动视图中存在差异。

1. 致命伤亡磁贴

2. 严重伤亡磁贴

3. 轻微伤亡磁贴

4. 按道路车行道划分的致命伤亡人数柱状图

5. 按地点划分的致命伤亡人数地图

1. 视口向下移动，以显示更多面板。

2. 年份筛选器切换回2022。

3. 年份变更后，下方面板的总计数值随之更新。

1. 同一仪表板继续呈现按年份分类的事故与伤亡汇总信息。

本交互演示至此完成，展示了在不同年份选择下，仪表板上下两个区域的联动效果。

1. 图示
   观察依据

   最终画面聚焦于“按地点划分的致命伤亡人数”地图，英国境内分布着大量橙色点位。

1. 英国地图

2. 橙色点状标记

3. 面板标题：按地点划分的致命伤亡人数

1. 画面定格在地图面板上。

1. 地图始终与当前选定的仪表板年份保持关联。

结尾强调空间分布是仪表板分析输出之一。

1. 动画
   观察依据

   用户从“当前年份”下拉菜单中选择2021；所有图表均更新以反映2021数据。

1. 下拉菜单

2. 关键绩效指标（KPI）卡片

3. 图表

1. KPI卡片中的数值发生变化

2. 图表图块的尺寸重新调整

3. 柱状图高度相应调整

1. 布局结构保持不变

展示了动态数据绑定：当用户输入改变时，界面组件会响应并筛选底层数据集。

1. 动画
   观察依据

   用户将“事故严重程度”选项从“致命”更改为“全部”，伤亡人数显著增加。

1. 严重程度下拉菜单

2. 伤亡人数图表

1. ‘总伤亡人数’中的数字从数千跃升至数十万

2. 环形图中心数值更新

1. 地理地图布局

展示按分类变量（严重程度）筛选如何影响汇总统计量。

1. 动画
   观察依据

   在整个视频片段中，画面在品牌展示、网站导航、静态摘要、命令行启动和仪表板浏览之间交替切换；未展示任何分步的代数或统计推导过程。

观众可能预期该视频会逐步讲解GM(1,1)或Verhulst模型的数学原理。

实际片段仅展示了一段包含模型名称与相关主张的摘要，随后演示了一个相关的道路交通事故仪表板；画面上既未推导公式，也未证明定理，更未求解方程。

1. 图示
   观察依据

   登录页面描述了使用SQL与Tableau对英国事故数据进行可视化，而此前的摘要则讨论了基于黑龙江省数据的GM(1,1)与Verhulst模型。

人们可推断该仪表板在数值上验证了摘要中提出的85%精度声明。

仪表板展示了描述性交通事故统计数据，并支持按年份筛选；但该片段并未将所显示的统计总量与摘要中的模型评估指标建立联系，也未证明85%精度这一陈述。

1. 字幕依据
   观察依据

   该摘要关注的是利用灰色模型预测道路交通安全事故。

2. 图示
   观察依据

   后续的网页应用名为“道路异常分析与道路事故仪表盘”，包含英国交通事故统计数据。

1. 该视频片段并未明确说明该仪表盘实现了摘要中所述的灰色模型方法。

该视频片段的两部分内容均围绕道路交通事故分析展开：第一部分呈现了一个建模摘要，第二部分展示了一个实际应用的事故分析仪表盘。

1. 动画
   观察依据

   更改“当前年份”筛选器会更新仪表盘中的所有面板。

要理解该仪表盘的对比式使用方式，需认识到年份选择器是控制所显示汇总数据与图表的核心控件。

1. 字幕依据
   观察依据

   摘要直接将GM(1,1)改进模型与Verhulst改进模型进行比较，并指出后者对剧烈变化的数据序列具有更高精度。

该视频片段主要的概念对比在于基准GM(1,1)方法与Verhulst改进替代方案之间。

1. 图示
   观察依据

   关键绩效指标卡片是整体仪表盘界面中的组件。

该仪表盘以关键绩效指标卡片作为主要摘要元素。

1. 图示
   观察依据

   各类图表（环形图、柱状图等）填充仪表盘的各个区域。

环形图是仪表盘可视化套件的组成部分。

1. 图示
   观察依据

   地图显示在仪表盘/故事的下方区域。

地理空间可视化已集成到仪表盘中，用于基于位置的分析。

1. 图示
   观察依据

   ‘故事’部分中展示的筛选方法（复选框、下拉菜单）在概念上与‘仪表板’部分使用的全局筛选器（年份下拉菜单）相似。

交互式数据筛选这一通用方法，被具体应用于根据时间选择来更新一个综合性的仪表板。

1. 字幕依据
   观察依据

   摘要中提到了GM(1,1)模型和Verhulst改进模型，并陈述了二者比较的结果。

1. GM(1,1)模型与Verhulst改进模型的对比
2. GM(1,1)模型对剧烈非平稳数据序列的预测精度较低
3. Verhulst 改进模型优于 GM(1,1) 改进模型

1. 字幕依据
   观察依据

   摘要指出，Verhulst改进模型对剧烈变化的数据序列具有更高精度，并给出85%的平均精度。

1. GM(1,1)模型对剧烈非平稳数据序列的预测精度较低
2. Verhulst 改进模型优于 GM(1,1) 改进模型
3. Verhulst 改进模型的平均精度达到85%

1. 动画
   观察依据

   终端显示了cd、python、exit()和python app.py命令，随后出现Flask在127.0.0.1:8000上运行的信息。

1. 从本地 Python 文件到浏览器中可见的仪表板

1. 动画
   观察依据

   选择2021，然后选择2022，会改变显示的总数和图表中心。

1. 按年份筛选作为一种交互式分析方法
2. 交互式年份选择会改变仪表板的聚合结果
3. 仪表板示例：比较2022和2021年的事故总数

1. 图示
   观察依据

   仪表板包含关键绩效指标（KPI）磁贴、折线图、环形图、柱状图以及英国地图。

1. 道路交通事故仪表板的结构
2. 2022对应的初始仪表板状态
3. 滚动至下方面板后返回2022

1. 动画
   观察依据

   用户通过下拉菜单交互来更改所显示的数据。

1. 道路交通事故仪表盘概览

1. 图示
   观察依据

   卡片显示总数及同比变化。

1. 关键绩效指标（KPI）卡片

1. 图示
   观察依据

   柱状图按日、月和年显示数量统计。

1. 用于时间聚合的条形图

1. 动画
   观察依据

   地图在某些区域显示出密集的点簇。

1. 地理空间散点图

1. 图示
   观察依据

   视频展示了一个环形图，当用户与界面元素交互时，该图随之变化。

1. 交互式数据筛选
2. 环形图动态更新

1. 图示
   观察依据

   视频呈现了一个完整的仪表板，其中包含多种图表类型及KPI卡片。

1. 网络应用导航
2. 通过滚动揭示仪表盘