CN102360524A - 快速道路危险交通流特征的自动检测确认方法 - Google Patents

Abstract

快速道路危险交通流特征的自动检测确认方法，收集待检测高速公路路段的事故数据，计算交通流状态划分，并在其中确立危险交通流状态，由Bayesian判别分析方法实现交通流特征的实时自动检测，比对确定当前快速道路的交通流特征状态。本发明提出一种利用实时交通数据来自动检测确认危险交通流特征的方法，随着快速道路交通基础设施的不断完善，越来越多的城市已经在快速道路上安装智能交通系统ITS，本发明实现了实时对交通流特征状态的监测，同时充分发挥智能交通系统设备的作用，当某检测路段出现危险交通流特征时，ITS可以提前向驾驶员发布信息，提醒驾驶员谨慎驾驶，从而提升快速道路的交通安全状况。

Description

快速道路危险交通流特征的自动检测确认方法

技术领域

本发明属于交通智能管理和控制技术领域，为一种快速道路危险交通流特征的自动检测确认方法，可实时自动检测并确认快速道路危险交通流特征。

背景技术

在过去的10年中，国内的机动车保有量经历了飞速的发展，1994年国内的机动车保有量只有940万辆，而到了2009年国内的机动车保有量增加到1.8亿辆，在机动车保有量和公路通车里程数迅速增长的同时，道路交通安全形势也日益严峻。据公安部交通管理局的事故统计资料分析，在2006到2008年间，我国道路共发生事故382,340起，由道路交通事故造成的总死亡人数达244,588人，总受伤人数1,116,500。触目惊心的数字背后是我国公路交通事故比例高，事故严重程度大的严峻安全现状。

因而道路交通安全已经成为一个社会热点问题，越来越受到社会各方面的广泛关注和研究，这对提高我国交通安全管理工作水平，对于减少人员伤亡和财产损失，发展新时期和谐交通具有重要的现实意义。已有的研究表明交通流特征对道路交通安全有显著的影响作用，然而这些研究往往采用一段时间的交通数据的平均值来表示道路交通的安全状况，例如年平均日交通量，AADT，因而很难利用这些研究结果来实时监测道路交通安全状况。另一方面，越来越多的快速道路上开始安装智能交通系统设备，这些设备常用来检测交通流的实时数据，很少用来实时监测道路安全状况。

发明内容

本发明要解决的问题是：现有的交通监测控制中，主要监测交通流的拥堵等数据，没有对快速道路实时交通安全状况进行交通监测控制，现有对交通状态的监测不能满足实时性的要求。

本发明的技术方案为：快速道路危险交通流特征的自动检测确认方法，包括以下步骤：

1)收集待检测高速公路路段的事故数据，确定各起交通事故的发生地点，选取交通事故发生地点上游两个检测点和下游两个检测点的交通数据，所述检测点之间相距800米，交通数据包括事故发生前5分钟这段时间内各个检测点的交通占有率，交通占有率数据由设置在检测点的交通流检测设备直接检测，并且以30s为采集精度进行采集；

2)对于每起交通事故，采用病例-对照研究法按1∶4比例选取事发路段正常交通流状态下，即没有发生事故时的交通占有率数据，所述1∶4指，对应于每个事故范例，选取4个相应的正常交通流状态范例；

3)将事故组和非事故组组合成交通流数据样本，所述事故组为事故发生前5分钟的交通占有率数据，非事故组为正常交通流状态下交通占有率数据，采用K-means动态聚类分析方法，选用上游两个检测点和下游两个检测点共4个检测点的交通占有率进行聚类分析，得到交通流数据样本中各条数据对应的交通流状态；

4)对由K-means动态聚类分析方法划分得到的各交通流状态进行病例-对照研究，自变量为交通流状态，应变量为是否发生交通事故，根据病例-对照研究中各交通流状态的比值比来确定是否存在与交通事故相关的危险交通流特征，其中比值比大于1的交通流状态代表该交通流特征与交通事故高度相关，即定义该交通流状态为事故发生前的危险交通流特征；

其中某交通流状态的比值比为事故组的曝露比值除以非事故组的曝露比值，事故组的曝露比值为事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数，非事故组的曝露比值为非事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数；

5)对实时交通流建立判别方法：采用Bayesian判别分析方法建立各种交通流实时状态的判别方法，以上游两个检测点和下游两个检测点共4个检测点的交通占有率作为Bayesian判别模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的实时检测函数；

6)检测上游两个检测点和下游两个检测点共4个检测点的交通占有率，根据由Bayesian判别模型建立的判别函数，实时检测是否出现步骤4)中确立的危险交通流特征，如果出现危险交通流特征，表明有发生事故的危险性，则在前方通过可变信息板对驾驶员进行预警提示。

本发明提出一种利用实时交通数据来自动检测确认危险交通流特征的方法，随着快速道路交通基础设施的不断完善，越来越多的城市已经在快速道路上安装IntelligentTransportation System(ITS)智能交通系统，然而目前很少有智能交通系统应用于提升快速道路交通安全方面，本发明将快速道路危险交通流特征的自动检测确认方法集成到智能交通系统中，一是实现了实时对交通流特征状态的监测，二是可以充分发挥智能交通系统设备的作用，当某检测路段出现危险交通流特征时，ITS系统可以提前向驾驶员发布信息，提醒驾驶员谨慎驾驶，从而提升快速道路的交通安全状况。

附图说明

图1为本发明实施例的检测点示意图。

图2综合运用K-means聚类、病例对照研究和Bayesian判别分析的建模流程框图。

图3为本发明的流程图。

具体实施方式

本发明将K-means聚类、Case-control病例对照研究和Bayesian判别分析用于自动检测并确认快速道路危险交通流特征，提出一种快速道路危险交通流特征的自动检测确认方法：

1)收集待检测高速公路路段的事故数据，确定各起交通事故的发生地点，选取交通事故发生地点上游两个检测点和下游两个检测点的交通数据，所述检测点之间相距800米，交通数据包括事故发生前5分钟这段时间内各个检测点的交通占有率，交通占有率数据由设置在检测点的交通流检测设备直接检测，并且以30s为采集精度进行采集；

2)对于每起交通事故，采用病例-对照研究法按1∶4比例选取事发路段正常交通流状态下，即没有发生事故时的交通占有率数据，所述1∶4指，对应于每个事故范例，选取4个相应的正常交通流状态范例；

3)将事故组和非事故组组合成交通流数据样本，所述事故组为事故发生前5分钟的交通占有率数据，非事故组为正常交通流状态下交通占有率数据，采用K-means动态聚类分析方法，选用上游两个检测点和下游两个检测点共4个检测点的交通占有率进行聚类分析，得到交通流数据样本中各条数据对应的交通流状态；

4)对由K-means动态聚类分析方法划分得到的各交通流状态进行病例-对照研究，自变量为交通流状态，应变量为是否发生交通事故，根据病例-对照研究中各交通流状态的比值比来确定是否存在与交通事故相关的危险交通流特征，其中比值比大于1的交通流状态代表该交通流特征与交通事故高度相关，即定义该交通流状态为事故发生前的危险交通流特征；

其中某交通流状态的比值比为事故组(事故发生前交通流数据)的曝露比值除以非事故组的曝露比值，事故组的曝露比值为事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数，非事故组(没有发生事故时的交通流数据)的曝露比值为非事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数；

5)由于聚类分析只能对已经采集数据的交通流状态进行分类，无法判别实时交通流究竟处于何种状态下，因而本发明采用Bayesian判别分析方法建立各种交通流状态的判别方法，以上游两个检测点和下游两个检测点共4个检测点的交通占有率作为Bayesian判别模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的实时检测函数；

步骤1)-4)根据采集的历史数据，将交通流划分不同状态，并确定危险交通流特征，步骤5)用于对实时的交通流进行判别，建立检测危险交通流状态的方法；

6)检测上游两个检测点和下游两个检测点共4个检测点的交通占有率，根据由Bayesian判别模型建立的判别函数，实时检测是否出现步骤4)中确立的危险交通流特征，如果出现危险交通流特征，表明有发生事故的危险性，则在前方通过可变信息板对驾驶员进行预警提示。

下面用具体实施例来说明本发明。在高速公路待检测区域上下游布置检测设备，例如电磁感应线圈或者视频交通流检测设备，如图1所示。

检测器可以是电磁感应线圈或视频交通流检测设备，以30s为一个采样单位采集检测点1到检测点4处的交通占有率。令X为上述30s内上游两个检测点和下游两个检测点共4个检测点的交通占有率，Y代表中间圆圈处，即检测点2和检测点3之间是否发生交通事故，发生交通事故时Y取值为1，没有发生交通事故时Y取值为-1，则，

$X=\left[\begin{array}{cccc}{x}_1& x_2& x_3& x_4\end{array}\right]$

$=\left[\begin{array}{cccc}{\mathrm{Occupancy}}_{\mathrm{up}11}& {\mathrm{Occuancy}}_{\mathrm{up}21}& {\mathrm{Occupancy}}_{\mathrm{dn}11}& {\mathrm{Occupancy}}_{\mathrm{dn}21}\\ {\mathrm{Occupancy}}_{\mathrm{up}12}& {\mathrm{Occupancy}}_{\mathrm{up}22}& {\mathrm{Occupancy}}_{\mathrm{dn}12}& {\mathrm{Occupancy}}_{\mathrm{dn}22}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ {\mathrm{Occupancy}}_{\mathrm{up}1n}& {\mathrm{Occupancy}}_{\mathrm{up}2n}& {\mathrm{Occupancy}}_{\mathrm{dn}1n}& {\mathrm{Occupancy}}_{\mathrm{dn}2n}\end{array}\right]$

$Y=\left[\begin{array}{c}{y}_1\\ y_2\\ \·\\ \·\\ \·\\ y_n\end{array}\right]=\left[\begin{array}{c}1/-1\\ 1/-1\\ \·\\ \·\\ \·\\ 1/-1\end{array}\right]$

实际运用过程分为模型标定和模型使用两个过程。

模型标定：如图2，收集或采集上述各检测点一段时间内的交通数据，含事故样本和非事故样本。为了保证模型的准确性，保证模型能够反映交通流检测参数与交通事故发生之间的关系，样本应该足够大，根据已有研究事故范例不应该小于50个。根据前述步骤1)～4)，计算得到交通流状态划分，并在其中确立危险交通流状态，在步骤5)中由Bayesian判别分析方法确立危险交通流特征的自动检测方法。

模型使用：如图3，实时采集上游两个检测点和下游两个检测点共4个检测点的交通占有率，根据模型标定过程中确立的判别函数，将各个点检测到的交通占有率带入判别函数中来自动检测当前是否出现危险交通流特征，具体来讲如果危险交通状态对应的判别函数值最大，则判定出现危险交通流特征，表明有发生交通事故的危险性。出于降低误报率的考虑，在5分钟内对交通流状态进行10次判别，只有危险交通流特征在5分钟内出现5次以上的时候才触发事件警报，并通过快速道路可变显示板向驾驶员发布该区域有发生交通事故的危险性，提醒驾驶员谨慎驾驶车辆。

本实施例用加利福尼亚旧金山海湾地区的I-880高速公路上采集的真实交通数据和事故数据(I-880数据)来展示本方法的工作流程。数据包括事故发生地点上游两个检测点和下游两个检测点共4个检测点的交通占有率。

在I-880数据库中总共提取了80个交通事故范例，选取了80起交通事故发生前5分钟的交通流数据，同时利用病例-对照研究法按1∶4比例选取事发路段正常交通流状态下(没有发生事故)的交通占有率数据。其中1∶4指，对应与每个事故范例，选取4个相应的正常交通流状态范例。

利用运用K-means动态聚类法首先将交通流状态分为如下5个状态，各个状态的聚类中心如表1，并利用病例对照研究发现状态2和状态5的比值比大于1，因而状态2和状态5定义为交通事故发生前的危险交通流状态。

表1 K-means聚类中心

	状态1	状态2	状态3	状态4	状态5
						检测点1占有率(％)	12.3	15.6	9.8	25.0	21.4
检测点2占有率(％)	11.8	17.1	9.9	25.0	20.8
						检测点3占有率(％)	15.3	26.7	9.7	27.5	11.6
检测点4占有率(％)	24.5	20.2	9.8	31.8	12.6

表2病例对照样本特征以及研究结果

在确立危险交通流状态后，利用Bayesian判别分析方法确立5类交通流状态的判别函数，给出危险交通流特征的实时自动检测方法，

表3 5类交通流状态的判别函数系数

	状态1	状态2	状态3	状态4	状态5
						检测点1占有率(％)	0.499	0.639	0.408	1.033	0.906
检测点2占有率(％)	0.457	0.66	0.413	1.019	0.923
						检测点3占有率(％)	0.498	1.227	0.390	1.052	0.393
检测点4占有率(％)	1.002	0.600	0.333	1.164	0.426
						常数项	-23.468	-34.697	-9.180	-60.193	-25.84

常数项是指各个判别函数式里面的常数项，由算法自动产生。

在确立各交通流状态的判别函数后，每隔30s采集一次待检测路段中上游两个检测点和下游两个检测点共4个检测点的交通占有率，带入上述判别函数，比较5类交通流的判别函数值，哪一类交通流的判别函数值最大，当前交通流就是该类交通流状态。即如果状态2或者状态5的函数值最大，则表明待检测路段出现危险交通流特征。

例如某次检测发现待检测路段中从上游到下游4个检测点的交通占有率分别为17.0，32.1，11.4和11.5，5类交通流状态对应的判别函数值分别为：

状态1：

D_xi＝d₀₁+d₁₁X₁+d₂₁X₂+d₃₁X₃+d₄₁X₄

＝-23.468+0.499×17.0+0.457×32.1+0.498×11.4+1.002×11.5

＝16.885

状态2：

D_xi＝d₀₂+d₁₂X₁+d₂₂X₂+d₃₂X₃+d₄₂X₄

＝-34.697+0.639×17.0+0.66×32.1+1.227×11.4+0.6×11.5

＝18.240

状态3：

D_xi＝d₀₃+d₁₃X₁+d₂₃X₂+d₃₃X₃+d₄₃X₄

＝-9.180+0.408×17.0+0.413×32.1+0.39×11.4+0.333×11.5

＝19.289

状态4：

D_xi＝d₀₄+d₁₄X₁+d₂₄X₂+d₃₄X₃+d₄₄X₄

＝-60.193+1.033×17.0+1.019×32.1+1.052×11.4+1.164×11.5

＝15.457

状态5：

D_xi＝d₀₅+d₁₅X₁+d₂₅X₂+d₃₅X₃+d₄₅X₄

＝-25.840+0.906×17.0+0.923×32.1+0.393×11.4+0.426×11.5

＝28.570

发现状态5的函数最大，则表明此时为交通流状态5，即出现危险交通流特征。出于降低误报率的考虑，在5分钟对交通流状态进行10次判别，只有危险交通流特征在5分钟内出现5次以上的时候才触发事件警报。

Claims (1)

1.快速道路危险交通流特征的自动检测确认方法，其特征是包括以下步骤：

1)收集待检测高速公路路段的事故数据，确定各起交通事故的发生地点，选取交通事故发生地点上游两个检测点和下游两个检测点的交通数据，所述检测点之间相距800米，交通数据包括事故发生前5分钟这段时间内各个检测点的交通占有率，交通占有率数据由设置在检测点的交通流检测设备直接检测，并且以30s为采集精度进行采集；

2)对于每起交通事故，采用病例-对照研究法按1∶4比例选取事发路段正常交通流状态下，即没有发生事故时的交通占有率数据，所述1∶4指，对应于每个事故范例，选取4个相应的正常交通流状态范例；

3)将事故组和非事故组组合成交通流数据样本，所述事故组为事故发生前5分钟的交通占有率数据，非事故组为正常交通流状态下交通占有率数据，采用K-means动态聚类分析方法，选用上游两个检测点和下游两个检测点共4个检测点的交通占有率进行聚类分析，得到交通流数据样本中各条数据对应的交通流状态；

4)对由K-means动态聚类分析方法划分得到的各交通流状态进行病例-对照研究，自变量为交通流状态，应变量为是否发生交通事故，根据病例-对照研究中各交通流状态的比值比来确定是否存在与交通事故相关的危险交通流特征，其中比值比大于1的交通流状态代表该交通流特征与交通事故高度相关，即定义该交通流状态为事故发生前的危险交通流特征；

其中某交通流状态的比值比为事故组的曝露比值除以非事故组的曝露比值，事故组的曝露比值为事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数，非事故组的曝露比值为非事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数；

5)对实时交通流建立判别方法：采用Bayesian判别分析方法建立各种交通流实时状态的判别方法，以上游两个检测点和下游两个检测点共4个检测点的交通占有率作为Bayesian判别模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的实时检测函数；

6)检测上游两个检测点和下游两个检测点共4个检测点的交通占有率，根据由Bayesian判别模型建立的判别函数，实时检测是否出现步骤4)中确立的危险交通流特征，如果出现危险交通流特征，表明有发生事故的危险性，则在前方通过可变信息板对驾驶员进行预警提示。

Images