CN108682149A - 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 - Google Patents
基于二项Logistic回归的公路事故黑点路段线形致因分析方法 Download PDFInfo
- Publication number
- CN108682149A CN108682149A CN201810487299.6A CN201810487299A CN108682149A CN 108682149 A CN108682149 A CN 108682149A CN 201810487299 A CN201810487299 A CN 201810487299A CN 108682149 A CN108682149 A CN 108682149A
- Authority
- CN
- China
- Prior art keywords
- accident
- section
- linear
- index
- stain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007477 logistic regression Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 206010027146 Melanoderma Diseases 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 31
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 27
- 230000034994 death Effects 0.000 claims description 18
- 231100000517 death Toxicity 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 208000027418 Wounds and injury Diseases 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 208000037974 severe injury Diseases 0.000 claims description 3
- 230000009528 severe injury Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 230000000116 mitigating effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于二项Logistic回归的公路事故黑点路段线形致因分析方法,包括如下步骤:1、将所要研究的公路按长度等分为n个路段单元;2、分析每个路段单元的安全性,将安全性低的路段判定为黑点路段;3、将每个黑点路段单元发生的交通事故按照事故类型划分为K类,并将各类事故在路段单元的发生数转化为二分类变量;4、选取Z种线形指标描述每个黑点路段单元的线形特征;5、运用二项Logistic回归模型分析事故黑点路段各线形指标对不同类型事故发生的影响。该方法可以确定公路线形特征对各类事故的影响。有助于公路交通安全管理部门发现事故黑点路段本身的线形问题,对未来公路设计施工有一定的指导意义。
Description
技术领域
本发明属于公路交通安全管理研究领域,具体涉及一种基于二项Logistic回归的公路事故黑点路段线形致因分析方法。
背景技术
公路交通系统是由人、车、路、环境构成的动态系统,驾驶员通过判断环境信息将驾驶行为传递给车辆,使车辆的运动适应道路走向的变化,其中任何一个环节失调都会对交通安全造成威胁。其中公路线形因素对交通安全的影响最容易被人们所忽略,因为直接由公路线形因素所引发的交通事故较少,它主要通过影响驾驶员或车辆间接引发交通事故,而公路安全管理部门在处理类似事故时往往不会将其归咎于公路线形问题。因此,鉴别公路事故黑点路段并分析黑点路段各类交通事故中公路线形因素的影响成为公路交通安全管理中的一项重要工作。
目前国内外在交通事故黑点鉴别方面的研究方法主要分为两类:
第一类是建立在历史交通事故数据上,直接运用事故数法和事故率法鉴别事故黑点,或者通过构建泊松回归、负二项回归以及经验贝叶斯方法等模型回归分析事故数据,根据对事故发展趋势的预测判断事故黑点,这一类方法的缺点在于事故黑点鉴别的指标往往比较单一,主要以事故数及事故伤亡人数为评价指标,没有考虑由于交通事故引发的封道时间等间接评价指标;
第二类是运用交通冲突分析技术(TCT),通过预测车辆运行轨迹判断可能存在的交通冲突点,将交通冲突较为严重的位置判断为事故黑点,交通冲突分析方法对交通事故历史数据的依赖程度较小,但是它只考虑了交通事故中交通流的因素,无法鉴别主要因道路条件、环境因素产生的事故黑点,而且由于交通冲突分析方法工作量较大,因此只适用于小范围城市道路的交通事故黑点鉴别。
在科学鉴别事故黑点路段的基础上,国内外学者也对事故黑点路段的事故成因进行了多角度的分析,其方法主要可以归纳为两类:
第一类是通过建立以Logit模型为主的离散选择模型分析事故发生与各影响因素之间的关联性并对事故趋势进行预测。
第二类是基于数据挖掘的分类决策树、聚类、关联知识挖掘等算法,对事故致因进行分类和重要性排序。
虽然国内外学者在交通事故成因分析方面已形成相对成熟的理论体系,但是公路线形特征对交通事故影响的专项研究较少,尤其缺少坡度差、坡度差变化、平曲线半径以及缓和曲线长度等参数在公路安全设计中的科学计算方法。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种基于二项logistic回归的公路事故黑点路段线形致因分析方法,该方法可以确定公路线形特征对各类事故的影响。
技术方案:本发明采用如下技术方案:
基于二项Logistic回归的公路事故黑点路段线形致因分析方法,包括如下步骤:
(1)将所要研究的公路按长度等分为n个路段单元;
(2)分析每个路段单元的安全性,将安全性低的路段判定为黑点路段;
(3)将每个黑点路段单元发生的交通事故按照事故类型划分为K类,并将各类事故在路段单元的发生数转化为二分类变量;
(4)选取Z种线形指标描述每个黑点路段单元的线形特征;
(5)运用二项Logistic回归模型分析事故黑点路段各线形指标对不同类型事故发生的影响。
步骤(2)具体包括:
(2.1)采集若干年的公路交通事故数据,统计每个路段单元的事故总量、事故总死亡人数、事故总重伤人数、事故总轻伤人数、由交通事故引发的总封道时间等数据;
(2.2)根据事故总死亡人数、事故总重伤人数和事故总轻伤人数计算各路段单元的交通事故当量伤亡总人数;
(2.3)将各路段单元的交通事故总量、交通事故当量伤亡总人数、由交通事故引发的总封道时间等m个指标作为公路交通安全性评价指标体系,运用TOPSIS法计算各路段交通安全性排序指标;
(2.4)将交通安全性排序指标小于安全阈值的路段单元鉴别为事故黑点路段。
步骤(2.2)所述交通事故当量伤亡人数计算公式为:
Ds=k1D1+k2D2+k3D3
其中,Ds、D1、D2、D3分别为事故当量伤亡人数、事故死亡人数、事故重伤人数及事故轻伤人数,k1、k2、k3分别代表死亡人数、重伤人数、轻伤人数换算为当量伤亡人数的系数值。
所述步骤(2.3)具体包括:
(2.3.1)以各路段单元的交通安全性评价指标值为元素建立原始事故数据矩阵A={xij},其中xij表示第i个路段单元第j个指标的值,i=1,...,n,j=1,...,m;
(2.3.2)运用z-score方法对原始事故数据矩阵A={xij}进行标准化处理,同时由于各交通安全性评价指标对评价结果影响程度不同,需要赋予各指标相应的权重值,得到加权标准化决策矩阵:
vij=wjrij
其中,i=1,...,n,j=1,...,m,μj表示n个路段单元第j个指标的平均值,rij表示标准化之后第i个路段单元第j个指标的值,wj表示第j个指标的权重值,vij表示加权标准化之后第i个路段单元第j个指标的值;
(2.3.3)计算理想解与负理想解:
其中,i=1,...,n,j=1,...,m,为第j个指标的理想解,A+为事故数据集的理想解集合;为第j个指标的负理想解,A-为事故数据集的负理想解集合;
(2.3.4)采用欧氏距离计算每个路段单元的交通安全性评价指标值与理想解和负理想解间的偏差:
其中,i=1,...,n,为第i个路段单元指标值与理想解之间的偏差,为第i个路段单元指标值与负理想解之间的偏差;
(2.3.5)根据上一步求解得到的各路段单元指标值到理想解与负理想解之间的偏差,计算各路段单元交通安全性指标与最优解的接近程度Ci:
Ci为道路单元i的交通安全性排序指标。
步骤(2.4)中,当路段单元的交通安全性排序指标C满足:L≤C≤1,判定为相对安全的路段;当路段单元的安全性排序指标C满足:C<L,判定为事故黑点路段;其中L为预设的安全阈值。
所述步骤(3)具体包括:
(3.1)记事故黑点路段h的第k种事故类型数量为yhk,分别计算事故黑点路段每一类事故类型事故数量的平均值sk,H为步骤(2)中判定的黑点路段的总数,k=1,...,K;
(3.2)当yhk>sk时,定义黑点路段h的第k类事故类型为“相对高发”事故,标记y'hk=1;当yhk≤sk时,定义黑点路段h的第k类事故类型为“相对低发”事故,标记y'hk=0;y'hk为黑点路段h第k类事故发生数的二分类变量值。
线形指标包括高程差绝对值、高程标准差、平曲线半径、坡度方向、缓和比例。
步骤(5)具体包括:
(5.1)将事故黑点路段h的第z个线形特征phz作为自变量,将黑点路段h第k类事故发生数的二分类变量值y'hk作为因变量,建立二项Logistic回归模型如下:
其中,oddsk表示第k类事故“相对高发”与“相对低发”的比值,wk0表示第k类事故在二项logistic回归模型中的截距,wkz表示第z种线形特征指标对第k类事故是否相对高发的影响因子;
(5.2)运用Score检验法计算logistic回归模型中第z种线形特征指标对第k类事故是否相对高发的影响因子wkz的显著性水平,得到影响第k类事故是否相对高发的主要线形特征指标;
(5.3)代入事故黑点路段各类事故数据与线形特征指标数据对第k类事故在二项logistic回归模型中的截距wk0以及第z种主要线形特征指标对第k类事故是否相对高发的影响因子wkz进行标定,进而得到各类事故与线形特征的关系表达式。
有益效果:与现有技术相比,本发明公开的基于二项Logistic回归的公路事故黑点路段线形致因分析方法具有以下优点:1、在评价路段安全性方面既考虑了事故总量、事故当量伤亡总人数等直接指标,也考虑了因交通事故引发的封道时间等间接指标,丰富了公路交通安全性评价指标体系;2、应用TOPSIS法计算路段单元的交通安全性排序指标C,将交通安全性排序指标小于安全阈值L的路段单元鉴别为事故黑点路段,该事故黑点鉴别方法操作简单,可移植性强,易于推广应用;3、将事故黑点路段各类型事故发生数量转化为该事故类型是否“相对高发”的二分类变量,结合事故黑点路段线形特征指标,通过构建二项Logistic回归模型分析了各线形指标对各类事故发生的影响,该方法有助于公路交通安全管理部门发现事故黑点路段本身的线形问题,对未来公路设计施工有一定的指导意义。
附图说明
图1为本发明的事故黑点鉴别及事故黑点路段线形致因分析流程图;
图2为实施例中温丽高速K117~K189研究路段位置示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种基于二项logistic回归的公路事故黑点路段线形致因分析方法,流程如图1所示。
温丽高速位于浙江省境内,是连接温州和丽水的重要交通线路。温丽高速通车里程116km,其中桥梁和隧道长度占比达90%以上,是名副其实的“桥隧俱乐部”,地理环境复杂,线形组合变化明显。本实施例所选取的研究路段范围为K117~K189,全长72km,如图2所示。
本实施例对温丽高速事故黑点路段采用基于二项logistic回归模型的公路事故黑点路段线形致因进行分析,包括如下主要步骤:
(1)考虑到温丽高速(K117~K189)多数路段为分离式车道,两侧公路线形组合特征不同,故将温丽高速(K117~K189)右线(温州方向)和左线(丽水方向)以1km为单位长度共划分为144个路段单元(i=1,2,...,144),记右线路段单元R1~R72,左线路段单元L1~L72。
(2)分析每个路段单元的安全性,将安全性低的路段判定为黑点路段;具体包括以下步骤:
(2.1)统计出2006~2013年每个路段单元的事故总量、事故总伤亡(死亡、重伤、轻伤)人数及总封道时间;
(2.2)将各路段事故总伤亡(包括死亡、重伤、轻伤)人数换算成事故当量伤亡总人数,换算公式如下:
Ds=k1D1+k2D2+k3D3
其中,Ds、D1、D2、D3分别为事故当量伤亡人数、事故死亡人数、事故重伤人数及事故轻伤人数,k1、k2、k3分别代表死亡人数、重伤人数、轻伤人数换算为当量伤亡人数的系数值,根据以往研究成果,(王炜,过秀成.交通工程学[M].南京:东南大学出版社,2000:229-230),取k1=1,k2=0.33,k3=0.1,温丽高速2006~2013事故原始数据统计如表1、表2所示。
表1温丽高速右线(温州方向)2006~2013事故统计数据
表2温丽高速左线(丽水方向)2006~2013事故统计数据
(2.3)选取事故总量、事故当量伤亡人数、总封道时间三个指标作为路段安全性评价指标(j=1,2,3),同时根据经验,事故总量、事故当量伤亡总人数为交通安全性评价直接指标,总封道时间为交通安全评价间接指标,因此设置事故总量、事故当量伤亡总人数、总封道时间的交通安全评价权重值为w1=0.4,w2=0.4,w3=0.2,运用TOPSIS法分别计算温丽高速右线(温州方向)及左线(丽水方向)的路段单元的交通安全性排序指标。温丽高速右线(温州方向)与左线(丽水方向)的路段单元安全性排序(按照C值从小到大的顺序)如表3、表4所示。
表3温丽高速右线(温州方向)路段安全性排序
表4温丽高速左线(丽水方向)路段安全性排序
(2.4)根据表3、表4显示的温丽高速各路段单元交通安全性排序指标计算结果,取安全阈值L=0.8,故将C<0.8的路段单元判断为事故黑点路段。因此温丽高速右线(温州方向)的事故黑点路段为安全性排序前35位的路段,事故黑点路段事故总数占右线事故总量的70.04%;温丽高速左线(丽水方向)的事故黑点路段为安全性排序前22位的路段,事故黑点路段事故总数占右线事故总量的55.63%;
(3)将每个黑点路段单元发生的交通事故按照事故类型划分为K类,并将各类事故在路段单元的发生数转化为二分类变量;
(3.1)将步骤(2)中鉴别出的57个事故黑点路段作为研究对象,将事故黑点路段的事故数按照追尾、撞固定物和翻车三种典型事故类型进行划分,记路段h的第k种事故类型数量为yhk,h=1,...,57,k=1,2,3。分别计算事故黑点路段每一类事故类型事故数量的平均值sk,
(3.2)当yhk>sk时,定义黑点路段h的第k类事故类型为“相对高发”事故,标记y'hk=1;当yhk≤sk时,定义黑点路段h的第k类事故类型为“相对低发”事故,标记y'hk=0;y'hk为黑点路段h第k类事故发生数的二分类变量值。事故黑点路段事故类型统计如表5所示。
表5温丽高速事故黑点路段事故类型统计
(4)选取Z种线形指标描述每个黑点路段单元的线形特征;
本实施例中选取事故黑点路段平曲线半径、缓和曲线长度与平曲线半径的比值即缓和比例作为平面线形主要特征,选取纵断面坡度方向(上坡记为1,下坡记为0)、高度差绝对值、高程标准差作为纵断面线形主要特征,即选择5种线形特征,Z=5。
(5)运用二项Logistic回归模型分析事故黑点路段各线形指标对不同类型事故发生的影响;
(5.1)将事故黑点路段h的第z个线形特征作为自变量phz,h=1,...,57,z=1,...,5;事故黑点路段线形特征指标如表6所示:
表6温丽高速事故黑点路段线形特征
将表6中的事故黑点路段线形特征phz作为自变量集,将表5中的追尾事故二分类y'h1、撞固定物事故二分类y'h2和翻车事故二分类y'h3分别作为自变量集phz的因变量,建立logistic回归模型:
其中,oddsk={odds1,odds2,odds3}分别表示追尾、撞固定物、翻车三种事故类型事故相对高发与相对低发的比值,wk0={w10,w20,w30}分别表示追尾、撞固定物、翻车三种事故类型logistic回归模型的截距,wkz={w1z,w2z,w3z}(z=1,...,5)分别表示第z种线形特征对追尾、撞固定物、翻车三种事故类型事故相对高发的影响因子;
(5.2)运用Score检验法计算logistic回归模型中事故黑点路段线形因素对追尾、撞固定物和翻车三种事故类型事故是否“相对高发”影响因子wkz={w1z,w2z,w3z}的显著性水平,本实施例使用SPSS软件进行计算,其结果如表7所示。
表7线形因素影响因子显著性水平统计表
选择95%置信区间内(显著性水平≤0.05)线形因素影响因子作为主要影响因子,则高程差绝对值为影响追尾事故分级的主要因子,平曲线半径为影响撞固定物事故分级的主要因子,高程标准差、平曲线半径及缓和比例为影响翻车事故分级的主要因子。
(5.3)在SPSS软件中输入事故黑点路段各类型事故数据及线形特征指标标定二项logistic回归模型中的截距wk0以及第z种主要线形特征指标对第k类事故是否相对高发的影响因子wkz,可以得到追尾事故二分类y'h1与高程差绝对值ph2的回归关系式、撞固定物事故二分类y'h2与平曲线半径ph4的回归关系式、翻车事故二分类y'h3与高程标准差ph3、平曲线半径ph4及缓和比例ph5的回归关系式分别如下:
(6)根据得到的回归关系式,针对各事故黑点路段线形特征的交通安全改善建议:
(6.1)根据追尾事故分级logistic回归模型,高程差绝对值为影响追尾事故是否“相对高发”的主要线形影响因子,单位里程高程差绝对值过大,对于下坡车辆而言会影响制动效能,降低刹车效率;对于上坡车辆而言则会减少行车视距,容易引发追尾事故。因此对于单位里程高程差绝对值相对较大的事故黑点路段,应该通过提前设置陡坡警告交通标志、设置减速带等方法改善其交通安全状况。
(6.2)根据撞固定物事故分级logistic模型,平曲线半径为影响撞固定物事故是否“相对高发”的主要线形因子。平曲线半径过小往往容易使高速行驶的车辆产生侧滑,同时对于温丽高速这种隧道和桥梁较多的山区道路,急弯的出现会对驾驶员的视距产生较大影响,增加驾驶员的心理压力,进而诱发车辆与公路基础设施的碰撞事故。因此对于平曲线半径较小的急弯路段,应当通过设置急弯警告交通标志和减速带降低车辆通过该路段的速度,同时在工程设计阶段可以通过设置缓和曲线衔接急弯和直线路段,降低急弯路段对行车安全的影响。
(6.3)根据翻车事故分级logistic模型,高程标准差、平曲线半径及缓和比例为影响翻车事故是否“相对高发”的主要线形因子。高程标准差较大反映出事故黑点路段高程起伏较大,车辆通过时所产生的离心力变化较大,容易导致车辆失控;对于平曲线半径较小的急弯且未设置缓和曲线的路段,车辆通过时容易产生侧滑而导致翻车事故的发生。因此对于存在急弯的翻车事故高发路段应该通过设置急弯警告交通标志及减速带降低车辆通过该路段的速度,同时在工程设计阶段设置缓和曲线衔接直线路段和急弯路段;对于路面起伏较大的路段应该设置减速带降低车辆通过速度,保证车辆的通行安全。
Claims (8)
1.基于二项Logistic回归的公路事故黑点路段线形致因分析方法,其特征在于,包括如下步骤:
(1)将所要研究的公路按长度等分为n个路段单元;
(2)分析每个路段单元的安全性,将安全性低的路段判定为黑点路段;
(3)将每个黑点路段单元发生的交通事故按照事故类型划分为K类,并将各类事故在路段单元的发生数转化为二分类变量;
(4)选取Z种线形指标描述每个黑点路段单元的线形特征;
(5)运用二项Logistic回归模型分析事故黑点路段各线形指标对不同类型事故发生的影响。
2.根据权利要求1所述的基于二项Logistic回归的公路事故黑点路段线形致因分析方法,其特征在于,步骤(2)具体包括:
(2.1)采集若干年的公路交通事故数据,统计每个路段单元的事故总量、事故总死亡人数、事故总重伤人数、事故总轻伤人数、由交通事故引发的总封道时间等数据;
(2.2)根据事故总死亡人数、事故总重伤人数和事故总轻伤人数计算各路段单元的交通事故当量伤亡总人数;
(2.3)将各路段单元的交通事故总量、交通事故当量伤亡总人数、由交通事故引发的总封道时间等m个指标作为公路交通安全性评价指标体系,运用TOPSIS法计算各路段交通安全性排序指标;
(2.4)将交通安全性排序指标小于安全阈值的路段单元鉴别为事故黑点路段。
3.根据权利要求2所述的基于二项Logistic回归的公路事故黑点路段线形致因分析方法,其特征在于,步骤(2.2)所述交通事故当量伤亡人数计算公式为:
Ds=k1D1+k2D2+k3D3
其中,Ds、D1、D2、D3分别为事故当量伤亡人数、事故死亡人数、事故重伤人数及事故轻伤人数,k1、k2、k3分别代表死亡人数、重伤人数、轻伤人数换算为当量伤亡人数的系数值。
4.根据权利要求2所述的基于二项Logistic回归的公路事故黑点路段线形致因分析方法,其特征在于,所述步骤(2.3)具体包括:
(2.3.1)以各路段单元的交通安全性评价指标值为元素建立原始事故数据矩阵A={xij},其中xij表示第i个路段单元第j个指标的值,i=1,...,n,j=1,...,m;
(2.3.2)运用z-score方法对原始事故数据矩阵A={xij}进行标准化处理,同时由于各交通安全性评价指标对评价结果影响程度不同,需要赋予各指标相应的权重值,得到加权标准化决策矩阵:
vij=wjrij
其中,i=1,...,n,j=1,...,m,μj表示n个路段单元第j个指标的平均值,rij表示标准化之后第i个路段单元第j个指标的值,wj表示第j个指标的权重值,vij表示加权标准化之后第i个路段单元第j个指标的值;
(2.3.3)计算理想解与负理想解:
其中,i=1,...,n,j=1,...,m,为第j个指标的理想解,A+为事故数据集的理想解集合;为第j个指标的负理想解,A-为事故数据集的负理想解集合;
(2.3.4)采用欧氏距离计算每个路段单元的交通安全性评价指标值与理想解和负理想解间的偏差:
其中,i=1,...,n,为第i个路段单元指标值与理想解之间的偏差,为第i个路段单元指标值与负理想解之间的偏差;
(2.3.5)根据上一步求解得到的各路段单元指标值到理想解与负理想解之间的偏差,计算各路段单元交通安全性指标与最优解的接近程度Ci:
Ci为道路单元i的交通安全性排序指标。
5.根据权利要求2所述的基于二项Logistic回归的公路事故黑点路段线形致因分析方法,其特征在于,步骤(2.4)中,当路段单元的交通安全性排序指标C满足:L≤C≤1,判定为相对安全的路段;当路段单元的安全性排序指标C满足:C<L,判定为事故黑点路段;其中L为预设的安全阈值。
6.根据权利要求1所述的基于二项Logistic回归的公路事故黑点路段线形致因分析方法,其特征在于,所述步骤(3)具体包括:
(3.1)记事故黑点路段h的第k种事故类型数量为yhk,分别计算事故黑点路段每一类事故类型事故数量的平均值sk,H为步骤(2)中判定的黑点路段的总数,k=1,...,K;
(3.2)当yhk>sk时,定义黑点路段h的第k类事故类型为“相对高发”事故,标记y'hk=1;当yhk≤sk时,定义黑点路段h的第k类事故类型为“相对低发”事故,标记y'hk=0;y'hk为黑点路段h第k类事故发生数的二分类变量值。
7.根据权利要求1所述的基于二项Logistic回归的公路事故黑点路段线形致因分析方法,其特征在于,线形指标包括高程差绝对值、高程标准差、平曲线半径、坡度方向、缓和比例。
8.根据权利要求1所述的基于二项Logistic回归的公路事故黑点路段线形致因分析方法,其特征在于,步骤(5)具体包括:
(5.1)将事故黑点路段h的第z个线形特征phz作为自变量,将黑点路段h第k类事故发生数的二分类变量值y'hk作为因变量,建立二项Logistic回归模型如下:
其中,oddsk表示第k类事故“相对高发”与“相对低发”的比值,wk0表示第k类事故在二项logistic回归模型中的截距,wkz表示第z种线形特征指标对第k类事故是否相对高发的影响因子;
(5.2)运用Score检验法计算logistic回归模型中第z种线形特征指标对第k类事故是否相对高发的影响因子wkz的显著性水平,进而得到影响第k类事故是否相对高发的主要线形特征指标;
(5.3)代入事故黑点路段各类事故数据与线形特征指标数据对第k类事故在二项logistic回归模型中的截距wk0以及第z种主要线形特征指标对第k类事故是否相对高发的影响因子wkz进行标定,进而得到各类事故与线形特征的关系表达式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487299.6A CN108682149B (zh) | 2018-05-21 | 2018-05-21 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487299.6A CN108682149B (zh) | 2018-05-21 | 2018-05-21 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108682149A true CN108682149A (zh) | 2018-10-19 |
CN108682149B CN108682149B (zh) | 2021-01-05 |
Family
ID=63805250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810487299.6A Expired - Fee Related CN108682149B (zh) | 2018-05-21 | 2018-05-21 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108682149B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727454A (zh) * | 2019-02-15 | 2019-05-07 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN110826785A (zh) * | 2019-10-28 | 2020-02-21 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
CN111369062A (zh) * | 2020-03-06 | 2020-07-03 | 东南大学 | 车辆动力学指标提取方法和事故风险值预测方法 |
CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
CN114067566A (zh) * | 2021-11-18 | 2022-02-18 | 安徽达尔智能控制系统股份有限公司 | 一种道路事故黑点甄别及事故影响特征分析方法、系统 |
CN114141011A (zh) * | 2021-11-23 | 2022-03-04 | 北京安融畅信息技术有限公司 | 一种陡坡及连续下坡路段识别方法以及安全隐患排查方法 |
CN114486571A (zh) * | 2022-01-07 | 2022-05-13 | 武汉理工大学 | 基于路面使用性能和结构性能的路面综合性能评价方法 |
CN115171367A (zh) * | 2022-05-23 | 2022-10-11 | 广西交通设计集团有限公司 | 一种基于埃尔曼神经网络的高等级公路事故预测方法 |
CN115240407A (zh) * | 2022-06-10 | 2022-10-25 | 深圳市综合交通与市政工程设计研究总院有限公司 | 交通事故黑点的鉴别方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360526A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 一种快速道路路段状态的实时监测方法 |
CN102034009B (zh) * | 2010-12-20 | 2012-07-18 | 东南大学 | 基于当量道路事故数法的事故多发路段鉴别设备 |
CN103091480A (zh) * | 2013-01-07 | 2013-05-08 | 河北工业大学 | 基于熵权的地下道路沥青路面使用性能评价方法 |
CN103824449A (zh) * | 2014-03-18 | 2014-05-28 | 山东交通学院 | 一种利用众包来寻找及处理道路事故黑点的方法 |
CN106530720A (zh) * | 2016-12-28 | 2017-03-22 | 吉林大学 | 一种高速公路道路交通安全黑点路段识别与预警方法 |
CN107273340A (zh) * | 2017-06-01 | 2017-10-20 | 南京邮电大学 | 一种基于Logistic模型的道路交通事故因子分析方法 |
-
2018
- 2018-05-21 CN CN201810487299.6A patent/CN108682149B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034009B (zh) * | 2010-12-20 | 2012-07-18 | 东南大学 | 基于当量道路事故数法的事故多发路段鉴别设备 |
CN102360526A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 一种快速道路路段状态的实时监测方法 |
CN103091480A (zh) * | 2013-01-07 | 2013-05-08 | 河北工业大学 | 基于熵权的地下道路沥青路面使用性能评价方法 |
CN103824449A (zh) * | 2014-03-18 | 2014-05-28 | 山东交通学院 | 一种利用众包来寻找及处理道路事故黑点的方法 |
CN106530720A (zh) * | 2016-12-28 | 2017-03-22 | 吉林大学 | 一种高速公路道路交通安全黑点路段识别与预警方法 |
CN107273340A (zh) * | 2017-06-01 | 2017-10-20 | 南京邮电大学 | 一种基于Logistic模型的道路交通事故因子分析方法 |
Non-Patent Citations (4)
Title |
---|
周穆雄等: "基于Logistic回归的低等级公路重大交通事故分析", 《第十一届中国智能交通年会大会论文集》 * |
张娟,等: "基于Logistic的山区连续长下坡路段交通事故严重程度分析", 《西安建筑科技大学学报》 * |
梁素芳: "弯坡路段交通事故分析与预测", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
辛督强: "基于熵权-TOPSIS的陕西省各市区道路交通安全评价", 《中国安全生产科学技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727454A (zh) * | 2019-02-15 | 2019-05-07 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN109727454B (zh) * | 2019-02-15 | 2020-07-31 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN110826785B (zh) * | 2019-10-28 | 2022-07-05 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
CN110826785A (zh) * | 2019-10-28 | 2020-02-21 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
CN111369062B (zh) * | 2020-03-06 | 2023-05-12 | 东南大学 | 车辆动力学指标提取方法和事故风险值预测方法 |
CN111369062A (zh) * | 2020-03-06 | 2020-07-03 | 东南大学 | 车辆动力学指标提取方法和事故风险值预测方法 |
CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
CN112966941B (zh) * | 2021-03-09 | 2024-04-19 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
CN114067566A (zh) * | 2021-11-18 | 2022-02-18 | 安徽达尔智能控制系统股份有限公司 | 一种道路事故黑点甄别及事故影响特征分析方法、系统 |
CN114067566B (zh) * | 2021-11-18 | 2023-09-19 | 安徽达尔智能控制系统股份有限公司 | 一种道路事故黑点甄别及事故影响特征分析方法、系统 |
CN114141011A (zh) * | 2021-11-23 | 2022-03-04 | 北京安融畅信息技术有限公司 | 一种陡坡及连续下坡路段识别方法以及安全隐患排查方法 |
CN114141011B (zh) * | 2021-11-23 | 2022-09-27 | 北京安融畅信息技术有限公司 | 一种陡坡及连续下坡路段识别方法以及安全隐患排查方法 |
CN114486571A (zh) * | 2022-01-07 | 2022-05-13 | 武汉理工大学 | 基于路面使用性能和结构性能的路面综合性能评价方法 |
CN114486571B (zh) * | 2022-01-07 | 2023-11-07 | 武汉理工大学 | 基于路面使用性能和结构性能的路面综合性能评价方法 |
CN115171367A (zh) * | 2022-05-23 | 2022-10-11 | 广西交通设计集团有限公司 | 一种基于埃尔曼神经网络的高等级公路事故预测方法 |
CN115240407A (zh) * | 2022-06-10 | 2022-10-25 | 深圳市综合交通与市政工程设计研究总院有限公司 | 交通事故黑点的鉴别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108682149B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108682149A (zh) | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 | |
CN108550263B (zh) | 一种基于故障树模型的高速公路交通事故成因分析方法 | |
CN103531042B (zh) | 基于驾驶人类型的车辆追尾预警方法 | |
Jiang et al. | Analysis of motorcycle accidents using association rule mining-based framework with parameter optimization and GIS technology | |
CN108806021A (zh) | 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法 | |
CN103895649B (zh) | 一种驾驶员安全驾驶预警方法 | |
CN111210165B (zh) | 一种基于风险传导耦合的车辆运行风险评估系统 | |
CN109754110A (zh) | 一种牵引变流器故障的预警方法及系统 | |
CN103093400A (zh) | 一种隧道施工中邻近建筑物安全性定量评价方法 | |
CN109493566A (zh) | 一种基于gps数据的疲劳驾驶预测方法 | |
CN108447265A (zh) | 基于topsis法的公路交通事故黑点路段鉴别方法 | |
CN103440525A (zh) | 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法 | |
CN102289734A (zh) | 基坑工程动态风险评估与管理方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN109035763A (zh) | 基于c4.5的高速公路事故主次因分析及事故类型判断方法 | |
CN110610326B (zh) | 一种基于驾驶数据的驾驶管理系统 | |
CN110867075A (zh) | 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法 | |
CN113240901B (zh) | 一种智能车换道行为风险等级确定方法及装置 | |
Ma et al. | Risk assessment model of traffic safety operation of urban road based on integration of vehicle-road-cloud. | |
CN107564276A (zh) | 一种基于交通状态突变的交通事件检测方法 | |
CN103914984B (zh) | 一种基于单元-区间协作的城市道路交通状态分析方法 | |
CN115936541A (zh) | 一种安全道路推荐方法及设备 | |
Chen et al. | The impact of truck proportion on traffic safety using surrogate safety measures in China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210105 |