CN103150930A - 针对快速道路常发性拥堵路段的追尾事故实时预测方法 - Google Patents

Abstract

本发明公开了一种针对快速道路常发性拥堵路段的追尾事故实时预测方法。首先需要在快速道路上(一般为瓶颈区上游路段)设置交通流检测器，采集各道路断面的实时交通流数据。对追尾事故发生时车辆跟驰行驶轨迹进行分析，建立快速道路常发性拥堵路段追尾事故风险实时预测Logistic模型，并根据事故发生前5分钟交通流数据对模型参数进行标定。本发明克服了以往无法对快速道路常发性拥堵路段追尾事故进行有效实时预测的缺陷，可以根据快速道路上交通流检测器采集的交通数据对追尾事故风险进行实时评估，进而可以采用动态交通控制预防追尾事故发生，在我国具有重要的时间应用价值和广泛的应用前景。

Description

针对快速道路常发性拥堵路段的追尾事故实时预测方法

技术领域

本发明根据常发性拥堵快速道路上交通瓶颈上游路段交通流特征与追尾事故发生条件，提出一种针对快速道路常发性拥堵路段的追尾事故实时预测方法，属于智能交通管理和交通安全技术领域。

背景技术

随着我国经济高速增长，快速道路经历了跨越式迅猛发展。截止2011年底，我国高速公路总里程超过8.5万公里，稳居世界第二位，城市内及城市间快速道路里程数迅速增加。近年来，随着机动车保有量迅速增长，快速道路交通安全问题变得越发严重。快速道路上存在若干交通瓶颈，例如入口匝道位置、出口匝道位置、车道变少位置、施工区、交通事故发生区等。交通瓶颈路段常诱发交通拥堵，拥堵会形成车辆排队且排队状态向上游路段传播，迫使上游车辆突然大幅降低行驶车速。当车辆间距不足以完成安全减速行为时，会导致追尾事故。在我国快速道路交通事故统计中,近50%的事故形态为追尾事故，表明快速道路常发性拥堵路段的追尾事故风险较高。对追尾事故进行实时预测，并据此进行动态交通的控制和管理，减少追尾事故的发生，对提高快速道路瓶颈路段的行车安全具有重要意义。

随着当前智能交通系统和先进的交通管理系统的应用，交通控制中心可以通过电磁感应线圈等设备获得实时准确的交通流数据。电磁线圈感应器能够以30s或者更高的精度实时检测交通流特征参数，例如交通流量、车辆速度和线圈占有率。在交通流实时数据获取及存储已变得极为容易的背景下，利用实时交通流数据建立交通流特征与交通事故风险之间的关系，以实现在较短时间内甚至实时预测交通事故的发生，已经成为了国内外交通安全研究的重点，对于改善我国快速道路交通安全现状具有重要价值。

以往并没有考虑快速道路常发性拥堵路段独特的交通流运行特征及运行规律，现有发明与技术并不适用于快速道路常发拥堵路段，且无法对常发拥堵路段的追尾事故进行实时预测。

发明内容

发明目的：针对以往交通事故预测方法并不适用于快速道路常发性拥堵路段，无法依据实时交通流数据对该路段内追尾事故进行实时预测，导致缺乏有效交通管理控制手段来预防快速道路追尾事故发生。本发明根据快速道路常发拥堵路段内交通流运行规律与特征，从运动波传播角度分析了追尾事故发生条件，建立了Logistic回归模型来实时预测事故发生概率，弥补了以往无法对快速道路常发性拥堵路段追尾事故进行实时预测的技术缺陷。

技术方案：本发明提出针对快速道路常发性拥堵路段追尾事故风险的预测方法，基于运动波传播特性分析提出追尾事故发生的条件，基于多个车辆跟驰轨迹的集计建立了Logistic回归模型，根据事故发生前5min交通流数据对模型进行参数标定。实例显示，本发明提出的针对快速道路常发拥堵路段追尾事故预测方法，预测分布情况与实际追尾事故分布吻合较好。本发明可作为快速道路动态交通管理与控制的技术支持。

一种针对快速道路常发性拥堵路段的追尾事故实时预测方法，包括以下步骤：

1)采集快速道路常发拥堵路段内各断面各车道速度、流量及占有率，具体包括：

101)选取数据采集路段；

102)确定检测器安装间距及检测数据单位：

103)采集实时交通流数据：在每一断面处采集快速道路路段每30秒各车道速度、流量及占有率数据；

104)数据预处理：将步骤103)所采集的实时交通流数据中随机因素导致的追尾事故数据剔除，减少对照组样本数据的随机误差；

2)基于集计交通流数据建立追尾事故风险指数解析模型，步骤包括：

201)首先通过对个体车辆及多个车辆的跟驰行驶轨迹分析，推导出运动波传播过程中追尾事故风险指数R的解析表达式；

202)采用追尾事故风险指数R反映相邻检测器区间内平均交通流状态，采用步骤201)中的风险指数R的解析表达式中涉及参数的标准差反映交通流波动情况，从而初步建立Logistic回归模型；

203)通过计算Logistic回归模型中可估计变量的odds ratio值，筛选出与追尾事故概率显著相关的变量，得到常发拥堵路段追尾事故风险预测Logistic模型，Logistic模型函数为：

$P(Y=1)=\frac{\exp ({\mathrm{\β}}_0+\mathrm{\β}\·R+{\mathrm{\β}}_2\·\mathrm{\σ}\left(O_u\right))}{1+\exp ({\mathrm{\β}}_0+\mathrm{\β}\·R+{\mathrm{\β}}_2\·\mathrm{\σ}\left(O_u\right))}---\left(1\right)$

其中，β为待估计参数；R为运动波传播过程中追尾事故风险指数；σ(O_u)为上游占有率标准差；

204)利用步骤104)中所得真实事故发生前5分钟交通流数据，对步骤203)中所得的常发拥堵路段追尾事故风险预测Logistic模型进行参数标定；

3)基于追尾事故风险预测模型在检测到较高追尾风险时自动预警，步骤包括：

301)从数据平台获取交通流检测器实时获取的快速道路路段各断面交通流参数，将符合输入格式要求的交通流数据录入追尾事故风险预测模型中，建立模型参数标定所需要的实时交通流数据库；

302)基于实时获取的快速道路路段各断面交通流数据库，利用标定后的追尾事故风险预测模型计算当前时刻的实时追尾事故风险；

303)将步骤302)中获取的实时追尾事故风险与已设定的风险阈值进行比较，若实时追尾事故风险大于设定的风险阈值，则系统自动预警；反之，则转入步骤301)，系统继续进行下一周期的实时交通流数据采集分析。

所述步骤101)中，数据采集路段为快速道路瓶颈处的上游路段。

所述步骤102)中，在快速道路路段以不大于1km的间距布设交通流检测器的方法采集数据，检测器每30秒采集一次数据。

所述步骤104)中，需从所采集的数据中挑选出满足参数标定要求的数据：

1)交通流检测器布设在快速道路常发瓶颈上游路段；2)交通流检测器布设间距较小(通常小于1km)；3)交通流检测器提供检测周期为30秒的各车道交通流数据；4)历史数据具有较长保存周期；5)交通事故数据精确记录事故发生时间和位置。

所述步骤104)中，在病例-对照标定方法中，需剔除由于部分随机因素导致的追尾事故数据，从而提高数据库的质量，需剔除的数据包括：1)事故发生在恶劣天气下；2)事故中驾驶员酒醉；3)事故与行人、摩托车、动物及固定物相关；4)事故发生在出入口匝道；5)事故由于道路损坏、施工造成。

有益效果：本发明基于解析学及统计学建立了衡量快速道路常发拥堵路段追尾事故风险的实时预测模型，可依据交通流检测器输出的实时数据对快速道路常发拥堵路段追尾事故风险进行评估，在追尾事故发生前自动预警，与快速道路动态交通管理与控制技术结合，并开发相应的控制策略，从而降低快速道路常发拥堵瓶颈路段内由于运动波传播导致的追尾事故风险，提高行车安全。本发明切合我国快速道路交通管理与控制的发展需求，具有重要的实际应用价值和广泛的应用前景。

附图说明

图1为快速道路路段示意图和交通流数据采集图；

图2为跟驰车辆减速过程行驶轨迹特性图；

图3为运动波传播过程中车辆行驶轨迹时空分布图；

图4为本发明提出的快速道路常发拥堵路段追尾事故预测的流程图；

图5运动波传播过程中追尾事故风险预测效果图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

通过在快速道路路段设置交通流检测器，自动采集实时交通流数据，基于对常发拥堵路段交通流特征和车辆跟驰轨行驶迹特性，分析了追尾事故发生条件。依据运动波传播过程中车辆发生追尾事故发生要求建立Logistic回归模型，利用实际追尾事故发生前交通流数据对统计模型进行参数标定。设置实时追尾事故风险模型预测值的预警阈值。当计算得到的实时追尾事故风险大于阈值时，系统自动进行追尾事故预警；反之则转入下一周期的实时追尾事故风险预测流程。快速道路常发性拥堵路段追尾事故风险预测模型建立及应用的具体流程可参考图4。

具体方案如下：

步骤一：采集快速道路各道路断面实时交通流数据及事故数据，并对事故数据进行预处理。具体步骤为：

1)选取常发拥堵快速道路的瓶颈上游路段内设置交通流检测器，检测各道路断面各车道的速度、流量及占有率值，并将交通流数据传送至数据平台。用于采集各道路断面实时交通流数据的检测器设置方法可参考图1。

为满足追尾事故实时预测模型参数标定的要求，交通流检测器采集数据时需满足以下要求：交通流检测器应布设在快速道路常发瓶颈上游路段；交通流检测器布设间距应较小(通常小于1km)；交通流检测器需提供检测周期为30秒的各车道交通流数据；历史数据具有较长的保存周期；交通事故数据需精确记录事故发生时间和位置。

2)剔除历史事故数据中由于各随机因素导致的追尾事故数据。随机因素导致的不合格数据包括：事故发生在恶劣天气的情况下；事故中驾驶员酒醉；事故与行人、摩托车、动物及固定物相关；事故发生在出入口匝道；事故由于道路损坏、施工造成。

3)采用病例-对照的方法进行模型的参数标定，将采集而得的交通流数据分为病例组(事故组)和对照组(非事故组)两类。从符合建模要求的追尾事故数据中按1:4比例选取病例组数据和对照组数据样本。选择事故发生前5分钟的交通流参数作为病例组数据。在控制道路特征、限速、天气等干扰因素后，随机选择与事故相同路段及日期内其他时段5分钟交通流数据作为对照组数据，而且应选择多组对照组数据从而减少对照组样本随机选择误差。

步骤二：建立快速道路常发拥堵路段追尾事故风险预测Logistic模型。具体步骤为：

1)分析个体车辆与运动波相遇后减速过程中的行驶轨迹特征。快速道路路段上车辆跟驰行驶过程中，前车突然减速可能导致后车无法在有效时间内完成减速行为，从而诱发交通事故。图2为跟驰车辆减速过程行驶轨迹特性图。由图2可知，追尾事故的发生条件为：

d_a+d_De+H+L<d_De+d_b+L        (1)

其中：

d_a——前车完成减速后行驶距离；

d_De——减速过程行驶距离；

L——车身长度；

H——相邻车辆间距离；

d_b——后车速度下降前行驶距离。

对公式(1)进行改写得到：

$v_a\&CenterDot;(t_2-t_1)+\frac{{\left(v_b\right)}^2-{\left(v_a\right)}^2}{2a}+H<v_b\&CenterDot;(t_2-t_1)+\frac{{\left(v_b\right)}^2-{\left(v_a\right)}^2}{2a}$

$=>\frac{H}{v_b-v_a}<t_2-t_1---\left(2\right)$

其中：

v_b——减速前车辆速度；

v_a——减速后车辆速度；

a——车辆减速率(假设所有车辆一致)；

t_d——车辆减速时间。

由于t₂-t₁是后车注意到前车减速时长、后车减速反应时长及踩下减速踏板与实际刹车间时长的总和，为固定值。故公式(2)中左侧值越小，追尾事故风险越大。

2)多个车辆遇到运动波前后行驶轨迹集计分析。图3为图2中多个跟驰车辆减速过程中行驶轨迹的宏观集计表示。根据图3所示，可将T₁(运动波到达下游检测器位置的时刻)至T₂(运动波到达上游检测器位置的时刻)时段内通过上游检测器位置的N个车辆信息进行叠加。因为ΔT时间内(相邻检测器运动波传播的时间)上游检测器附近的交通流近似处于均质状态，所以用上游位置交通流密度D_u替代车辆间的车头距离，即H＝1/D_u-L。因为交通流检测器无法直接检测交通流密度，所以采用占有率计算交通流密度，即D≈O/L，O为占有率，L为平均车辆长度。公式(2)可改写为：

$\frac{N(T_1,T_2)\&CenterDot;(1-O_u(T_1,T_2))\&CenterDot;L}{(v_u(T_1,T_2)-v_d(T_1.T_2))\&CenterDot;O_u(T_1,T_2)}<\mathrm{\&Delta;T}---\left(3\right)$

其中：

N(T₁,T₂)——时间(T₁,T₂)内遇到运动波车辆数；

O_u(T₁,T₂)——时间(T₁,T₂)内上游平均占有率；

v_u(T₁,T₂)——时间(T₁,T₂)内上游平均速度；

v_d(T₁,T₂)——时间(T₁,T₂)内下游平均速度。

3)假设平均车辆长度为定值，提出快速道路常发性拥堵路段内运动波传播过程中追尾事故风险指数R的解析表达式如下：

$R=\frac{({\stackrel{\&OverBar;}{v}}_u(t-\mathrm{\&Delta;T},t)-{\stackrel{\&OverBar;}{v}}_d(t-\mathrm{\&Delta;T},t))\&CenterDot;{\stackrel{\&OverBar;}{O}}_u(t-\mathrm{\&Delta;T},t)}{1-{\stackrel{\&OverBar;}{O}}_u(t-\mathrm{\&Delta;T},t)}---\left(4\right)$

${\stackrel{\&OverBar;}{v}}_u(t-\mathrm{\&Delta;T},t)=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{v}_u^m(t_j-\mathrm{\&Delta;t},t_j)/M\&CenterDot;J---\left(5\right)$

${\stackrel{\&OverBar;}{v}}_d(t-\mathrm{\&Delta;T},t)=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{v}_d^m(t_j-\mathrm{\&Delta;t},t_j)/M\&CenterDot;J---\left(6\right)$

${\stackrel{\&OverBar;}{O}}_u(t-\mathrm{\&Delta;T},t)=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{O}_u^m(t_j-\mathrm{\&Delta;t},t_j)/M\&CenterDot;J---\left(7\right)$

其中，

J为一个检测周期内时长个数(J＝ΔT/Δt,Δt＝30s为交通流数据检测周期)

M为车道数(如路段内车道数不等，则将最小车道数作为M值)

由公式(4)可得各参数标准差σ的计算公式为：

$\mathrm{\&sigma;}\left(v_u\right)=\sqrt{\frac{1}{N_T\&times;M}\underset{i=1}{\overset{N_T}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{(v_u^m(t_i-\mathrm{\&Delta;t},t_i)-{\stackrel{\&OverBar;}{v}}_u)}^2}---\left(8\right)$

$\mathrm{\&sigma;}\left(v_d\right)=\sqrt{\frac{1}{N_T\&times;M}\underset{i=1}{\overset{N_T}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{(v_d^m(t_i-\mathrm{\&Delta;t},t_i)-{\stackrel{\&OverBar;}{v}}_d)}^2}---\left(9\right)$

$\mathrm{\&sigma;}\left(O_u\right)=\sqrt{\frac{1}{N_T\&times;M}\underset{i=1}{\overset{N_T}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{(O_u^m(t_i-\mathrm{\&Delta;t},t_i)-{\stackrel{\&OverBar;}{O}}_u)}^2}---\left(10\right)$

4)建立Logistic回归模型。令追尾事故发生时，Y值为1，无追尾事故发生时，Y值为0，建立Logistic回归模型。将指标R和各参数标准差作为自变量，令P(Y＝1)表示交通流状态导致追尾事故发生的概率，可建立如下Logistic回归模型：

$\mathrm{Logit}\left(P(Y=1)\right)=\log \frac{P(Y=1)}{1-P(Y=1)}$

$={\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1\&CenterDot;R+{\mathrm{\&beta;}}_2\&CenterDot;\mathrm{\&sigma;}\left(O_u\right)+{\mathrm{\&beta;}}_3\&CenterDot;\mathrm{\&sigma;}\left(v_u\right)+{\mathrm{\&beta;}}_4\&CenterDot;\mathrm{\&sigma;}\left(v_d\right)---\left(11\right)$

其中，

β₀至β₄——待标定参数。

由此Logistic模型可估计变量odds ratio的值。Odds ratio值表示事故发生概率除以事故未发生概率，即P(Y＝1)/(1-P(Y＝1))。

5)建立事故发生概率预测模型。建立起Logistic回归模型后，可基于随机选择的多组对照组数据，利用STATA软件计算各变量(包括R,σ(O_u),σ(v_u)和σ(v_d))的odds ratio值、标准误差值和95%置信区间。分析表明，运动波传播过程中追尾事故概率与事故风险指数R及上游占有率标准差σ(O_u)在90%置信水平下显著相关，各参数估计值相对一致与稳定。

依据上述分析结果，剔除步骤4)中建立的Logistic回归模型中的变量σ(v_u)和σ(v_d)，对修正后的Logistic回归模型进行标定，建立以事故风险指数R及上游占有率标准差σ(O_u)为自变量的常发拥堵路段追尾事故风险预测Logistic模型如下：

$P(Y=1)=\frac{\exp ({\mathrm{\&beta;}}_0+\mathrm{\&beta;}\&CenterDot;R+{\mathrm{\&beta;}}_2\&CenterDot;\mathrm{\&sigma;}\left(O_u\right))}{1+\exp ({\mathrm{\&beta;}}_0+\mathrm{\&beta;}\&CenterDot;R+{\mathrm{\&beta;}}_2\&CenterDot;\mathrm{\&sigma;}\left(O_u\right))}---\left(12\right)$

其中，

β——待估计参数；

R——运动波传播过程中追尾事故风险指数；

σ(O_u)——上游占有率标准差。

6)实际交通流运行过程中各交通流状态出现的频次不同，所以需要结合各交通流状态下事故概率和各交通流状态的发生频率，预测研究路段的追尾事故风险。

步骤三：快速道路常发拥堵路段追尾事故风险预测Logistic模型的预测效果检验。采用该模型对研究路段常发拥堵路段运动波传播过程中追尾事故进行预测，可绘制模型预测事故风险分布图。同时可绘制真实事故频次分布图。通过对比，进一步验证模型预测事故发生的交通流状态与实际情况的一致性。

步骤四：利用追尾事故风险预测模型在危险时刻进行自动预警。具体步骤为：

1)按设置间距要求在快速道路常发拥堵瓶颈上游路段设置交通流检测器，获取路段各断面的速度、车辆数及占有率的实时交通流数据。通过数据平台汇总各交通流检测器传送的数据，按照要求格式将实时交通流数据输入追尾事故预测模型中。

2)计算快速道路常发拥堵瓶颈路段当前时刻的实时追尾事故风险值，当事故风险预测模型的计算值高于设定阈值时，触发预警系统的自动预警装置进行预警；反之，当事故风险预测模型的计算值小于设定阈值时，系统转入下一周期的实时交通流数据的检测采集过程，并进行事故风险预测。

下面结合附图与具体实例对本技术方案说明如下：

针对快速道路常发拥堵路段追尾事故风险Logistic预测方法的流程图如图4所示。

实例中采用某真实高速公路某10km路段上数据进行分析。路段包含12个感应线圈交通流检测器，能够检测以30秒为单位的各车道速度、车辆数及占有率。检测器布设间距从0.42km至1.02km，平均间距为0.69km。

首先，按照步骤二中所涉及的方法，对数据进行预处理后，共得到341个符合建模要求的追尾事故数据，并按照1:4的样本比例抽取病例组(事故组)数据和对照组(非事故组)数据，即对应于每个事故数据，选取4个相应的正常交通流状态数据。

其次，采用2006-2007年数据对常发拥堵路段追尾事故风险预测Logistic模型进行参数标定。为了减小随机抽取控制样本时造成的随机误差，采用10次随机抽样的平均结果进行分析。10次模型估计的结果如表1所示。由表1可知，单位R值增加会增加追尾事故odds值56.5%，单位σ(Ou)值增加会增加追尾事故odds值38.1%。根据表1中参数估计的平均值，可得到快速道路常发拥堵路段追尾事故风险实时预测Logistic模型如下：

$P(Y=1)=\frac{\exp (-1.94+0.28R+0.18\mathrm{\&sigma;}\left(O_u\right))}{1+\exp (-1.94+0.28R+0.18\mathrm{\&sigma;}\left(O_u\right))}---\left(13\right)$

最后，结合研究路段各交通流状态下事故概率和各交通流状态发生的频率，对研究路段2008年追尾事故进行预测。对比发现追尾事故风险预测模型的风险分布预测结果与相应真实事故频次分布吻合较好。采用本发明提出的追尾事故风险预测模型，对路段内拥堵传播与消散过程中的追尾事故风险进行计算，如图5所示。可以看出，交通流由自由流转向拥堵过程中的追尾事故风险较大，拥堵过程中运动波的传播也增加了追尾事故风险。结果为动态交通管理与控制提供了重要依据。

表1Logistic回归模型参数估计结果

本发明解决了对快速道路上常发性拥堵路段内追尾事故进行实时预测的技术难题，本发明基于交通流规律和运动波传播特征建立的追尾事故预测模型可以依据检测器检测的实时交通流数据，对追尾事故风险进行预测并可以进行自动预警。本发明可以与快速道路动态交通管理与控制技术相结合，以减少常发拥堵瓶颈区由于运动波传播导致的追尾事故风险，提高快速道路行车安全。另一方面，本发明还可以定量衡量各交通控制措施减少常发拥堵路段追尾事故风险的效果。所以本发明具有较高实践应用价值和广泛应用前景。

Claims (5)

1.一种针对快速道路常发性拥堵路段的追尾事故实时预测方法，其特征在于，包括如下步骤：

1)采集快速道路常发拥堵路段内各断面各车道速度、流量及占有率，步骤包括：

101)选取数据采集路段；

102)确定检测器安装间距及检测数据单位：

103)采集实时交通流数据：在每一断面处采集快速道路路段每个时间周期各车道速度、流量及占有率数据；

104)数据预处理：将步骤103)所采集的实时交通流数据中随机因素导致的追尾事故数据剔除，减少对照组样本数据的随机误差；其中交通流数据为真实事故发生前5分钟交通流数据；

2)基于集计交通流数据建立追尾事故风险指数解析模型，步骤包括：

201)首先通过对个体车辆及多个车辆的跟驰行驶轨迹分析，推导出运动波传播过程中追尾事故风险指数R的解析表达式；

202)采用追尾事故风险指数R反映相邻检测器区间内平均交通流状态，采用步骤201)中的风险指标R的解析表达式中涉及参数的标准差反映交通流波动情况，从而初步建立Logistic回归模型；

203)通过计算Logistic回归模型中可估计变量的odds ratio值，筛选出与追尾事故概率显著相关的变量，得到常发拥堵路段追尾事故风险预测Logistic模型，模型函数为：

$P(Y=1)=\frac{\exp ({\mathrm{\&beta;}}_0+\mathrm{\&beta;}\&CenterDot;R+{\mathrm{\&beta;}}_2\&CenterDot;\mathrm{\&sigma;}\left(O_u\right))}{1+\exp ({\mathrm{\&beta;}}_0+\mathrm{\&beta;}\&CenterDot;R+{\mathrm{\&beta;}}_2\&CenterDot;\mathrm{\&sigma;}\left(O_u\right))}---\left(1\right)$

其中，β——待估计参数；R——运动波传播过程中追尾事故风险指数；σ(O_u)——上游占有率标准差；

204)利用步骤104)中所得真实事故发生前5分钟交通流数据，对步骤203)中所得的常发拥堵路段追尾事故风险预测Logistic模型进行参数标定；

3)基于追尾事故风险预测模型在检测到较高追尾风险时自动预警，步骤包括：

301)从数据平台获取交通流检测器实时获取的快速道路路段各断面交通流参数，将符合输入格式要求的交通流数据录入追尾事故风险预测模型中，建立模型参数标定所需要的实时交通流数据库；

302)基于实时获取的快速道路路段各断面交通流数据库，利用标定后的追尾事故风险预测模型计算当前时刻的实时追尾事故风险；

303)将步骤302)中获取的实时追尾事故风险与已设定的风险阈值进行比较，若实时追尾事故风险大于设定的风险阈值，则系统自动预警；反之，则转入步骤301)，系统继续进行下一周期的实时交通流数据采集分析。

2.如权利要求1所述的对快速道路常发性拥堵路段的追尾事故实时预测方法，其特征在于，所述步骤101)中，有效数据的采集路段为快速道路瓶颈处的上游路段。

3.如权利要求1所述的对快速道路常发性拥堵路段的追尾事故实时预测方法，其特征在于，所述步骤102)中，在快速道路路段以不大于1km的间距布设交通流检测器的方法采集数据；所述步骤103)中通过检测器每30秒采集一次每一断面处采集快速道路路段各车道速度、流量及占有率数据。

4.如权利要求1所述的对快速道路常发性拥堵路段的追尾事故实时预测方法，其特征在于，所述步骤104)中，需从所采集的数据中挑选出满足参数标定要求的数据：1)交通流检测器布设在快速道路常发瓶颈上游路段；2)交通流检测器布设间距较小；3)交通流检测器提供检测周期为30秒的各车道交通流数据；4)历史数据具有较长保存周期；5)交通事故数据精确记录事故发生时间和位置。

5.如权利要求1所述的对快速道路常发性拥堵路段的追尾事故实时预测方法，其特征在于，所述步骤104)中，在病例-对照标定方法中，需剔除由于部分随机因素导致的追尾事故数据，需剔除的数据包括：1)事故发生在恶劣天气下；2)事故中驾驶员酒醉；3)事故与行人、摩托车、动物及固定物相关；4)事故发生在出入口匝道；5)事故由于道路损坏、施工造成。

Images