CN103198710A - 一种基于减小车辆追尾事故数量的车辆调控方法 - Google Patents
一种基于减小车辆追尾事故数量的车辆调控方法 Download PDFInfo
- Publication number
- CN103198710A CN103198710A CN2013100931598A CN201310093159A CN103198710A CN 103198710 A CN103198710 A CN 103198710A CN 2013100931598 A CN2013100931598 A CN 2013100931598A CN 201310093159 A CN201310093159 A CN 201310093159A CN 103198710 A CN103198710 A CN 103198710A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- end collision
- traffic
- upstream
- downstream
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于减小车辆追尾事故数量的车辆调控方法,包括以下步骤:步骤10)获取追尾事故的路段信息;步骤20)采集追尾事故发生路段在事故发生前的交通数据;步骤30)采集追尾事故发生路段在正常状态下的交通数据;步骤40)建立交通流数据总样本;步骤50)建立标定后的追尾事故判别函数;步骤60)检测路段发生追尾事故的判别函数值,并调控车辆;步骤70)重复步骤60),进行待检测路段下一个设定时间T发生追尾事故判别函数值的检测,并进行车辆调控,直至结束检测。该车辆调控方法利用交通流检测设备获取交通流参数,实时检测快速道路发生追尾事故的判别函数值,对车辆进行调控,减少交通事故。
Description
技术领域
本发明属于城市快速道路车辆交通智能管理和控制领域,具体来说,涉及一种基于减小车辆追尾事故数量的车辆调控方法。
背景技术
近些年来,随着快速道路动态交通安全管理系统的出现,交通安全领域开始研究快速道路交通事故实时预测模型,该预测模型能够利用交通安全管理系统中的交通流检测设备实时监测交通流运行状况,区分正常交通流状态和高事故风险的危险交通流状态。当检测到危险交通流状况,系统通过主动式干预交通流运行来消除危险交通流状态,从而到达实时提升快速道路交通安全状况的目的。
但是,大部分现有的实时交通事故预测模型仅能对所有交通事故进行统一预测,无法预测不同碰撞形态事故(例如追尾事故)的概率。不同碰撞形态事故发生前的危险交通流状态特征是不同的,因而对不同碰撞形态事故分开建模能够更好地检测不同碰撞形态事故发生前的危险交通流状态。同时,分事故碰撞形态建立的实时预测模型能够为动态交通安全管理系统针对不同碰撞形态事故提供不同的主动式干预措施,提高动态交通管理系统改善交通安全的效果。
发明内容
技术问题:本发明所要解决的技术问题是:提供一种基于减小车辆追尾事故数量的车辆调控方法,该车辆调控方法利用交通流检测设备获取交通流参数,实时检测快速道路发生追尾事故的判别函数值,对车辆进行调控,减少交通事故。
技术方案:为解决上述技术问题,本发明采用的基于减小车辆追尾事故数量的车辆调控方法,该车辆调控方法包括以下步骤:
步骤10)获取追尾事故的路段信息:在快速道路上安装q个交通流检测设备,将相邻两个交通流检测设备之间的快速道路设为一个路段,利用交通流检测设备,确定追尾事故的发生路段,并确定每起追尾事故发生地点上游和下游两个交通流检测设备;q为大于1的整数;
步骤20)采集追尾事故发生路段在事故发生前的交通数据:通过步骤10)确定的追尾事故发生地点上游和下游两个交通流检测设备,采集追尾事故发生地点的交通数据,该交通数据包括追尾事故发生前,在设定时间T内的15个交通流参数,15个交通流参数为该路段的上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15;
步骤30)采集追尾事故发生路段在正常状态下的交通数据:对每起追尾事故,采用病例对照研究法,按1:a比例选取追尾事故发生路段在正常状态下的交通数据,所述的正常状态是指该路段没有发生追尾事故时的状态,所述的1:a是指对应于每起追尾事故的交通数据,选取该追尾事故发生路段在正常状态下的a组交通数据,每组交通数据包括追尾事故发生路段在正常状态时设定时间T内的15个交通流参数,15个交通流参数为该路段的上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15;a为大于等于2的整数;
步骤40)建立交通流数据总样本:对于每个路段,将该路段上游和下游两个交通流检测设备在设定时间T内采集的交通数据组合后,建立一个交通流数据样本;在每个路段中,所有在发生追尾事故状态下形成的交通流数据样本组成事故组数据样本,所有在正常状态下形成的交通流数据样本组成正常组数据样本;将所有路段的事故组数据样本和正常组数据样本组合后,形成包含n个子样本的交通流数据总样本;n等于事故组数据样本量加上正常组数据样本量;
步骤50)建立标定后的追尾事故判别函数:
首先利用费歇尔判别方法,建立15个交通流参数的线性组合,作为追尾事故判别函数,如式(1)所示:
yi=β0+β1xi1+β2xi2+β3xi3+β4xi4+β5xi5+β6xi6+β7xi7+β8xi8+β9xi9式(1)
+β10xi10+β11xi11+β12xi12+β13xi13+β14xi14+β15xi15
式(1)中,i=1、2、3、…、n;yi表示交通流数据总样本中第i个子样本的交通数据测算出的追尾事故判别值;xi1表示交通流数据总样本中第i个子样本的上游交通流量平均值;xi2表示交通流数据总样本中第i个子样本的上游交通占有率平均值,xi3表示交通流数据总样本中第i个子样本的上游车辆速度平均值,xi4表示交通流数据总样本中第i个子样本的上游交通流量标准差,xi5表示交通流数据总样本中第i个子样本的上游交通占有率标准差,xi6表示交通流数据总样本中第i个子样本的上游车辆速度标准差,xi7表示交通流数据总样本中第i个子样本的下游交通流量平均值,xi8表示交通流数据总样本中第i个子样本的下游交通占有率平均值,xi9表示交通流数据总样本中第i个子样本的下游车辆速度平均值,xi10表示交通流数据总样本中第i个子样本的下游交通流量标准差,xi11表示交通流数据总样本中第i个子样本的下游交通占有率标准差,xi12表示交通流数据总样本中第i个子样本的下游车辆速度标准差,xi13表示交通流数据总样本中第i个子样本的上下游交通流量差的绝对值,xi14表示交通流数据总样本中第i个子样本的上下游交通占有率差的绝对值,xi15表示交通流数据总样本中第i个子样本的上下游车辆速度差的绝对值,β0为常数系数,β1是xi1的对应系数,β2是xi2的对应系数,β3是xi3的对应系数,β4是xi4的对应系数,β5是xi5的对应系数,β6是xi6的对应系数,β7是xi7的对应系数,β8是xi8的对应系数,β9是xi9的对应系数,β10是xi10的对应系数,β11是xi11的对应系数,β12是xi12的对应系数,β13是xi13的对应系数,β14是xi14的对应系数,β15是xi15的对应系数;
然后通过测算式(2)的最大值,确定β1、β2、β3、β4、β5、β6、β7、β8、β9、β10、β11、β12、β13、β14和β15值:
式(2)中,L表示组间差与组内差的比值,组内差 n1表示正常组数据样本的样本量,表示正常组数据样本中第m个子样本由式(1)得到判别函数值,m=1、2、3、…、n1;n2表示事故组数据样本的样本量,表示事故组数据样本中第r个子样本由式(1)得到判别函数值,r=1、2、3、…、n2;
接着将得到的β1、β2、β3、β4、β5、β6、β7、β8、β9、β10、β11、β12、β13、β14和β15值,带入式(1)中,得到标定后的追尾事故判别函数;
步骤60)检测路段发生追尾事故的判别函数值,并调控车辆:
首先利用式(3)测算追尾事故判别函数的临界值Y0:
然后利用待检测路段上游和下游两个交通流检测设备,采集当前该路段的15个交通流参数,并带入步骤50)得到的标定后的追尾事故判别函数,测算出判别函数值y,当时,如果y<Y0,则该待检测路段当前有发生追尾事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动控制设备,通过控制快速道路的匝道或者快速道路的交叉口信号灯,降低上游车辆流量,通过可变限速板对当前车辆限速,降低上游车辆的行驶速度,如果y≥Y0,则该待检测路段当前没有发生追尾事故的风险,不发出警报提示;
当时,如果y>Y0,则该待检测路段当前有发生追尾事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动控制设备,通过控制快速道路的匝道或者快速道路的交叉口信号灯,降低上游车辆流量,通过可变限速板对当前车辆限速,降低上游车辆的行驶速度,如果y≤Y0,则该待检测路段当前没有发生追尾事故的风险,不发出警报提示;
步骤70)重复步骤60),进行待检测路段下一个设定时间T发生追尾事故判别函数值的检测,并进行车辆调控,直至结束检测。
有益效果:与现有技术相比,本发明的技术方案具有以下有益效果:
1.车辆调控准确率高,减少追尾事故发生,提高车辆行驶安全性。已有的交通事故概率检测方法没有考虑到追尾事故的碰撞形态。本发明专门针对追尾事故的碰撞形态,提出车辆调控方法。本发明中,在快速道路上设有交通流检测设备。利用交通流检测设备采集待检测路段车辆的与追尾事故相关的15个交通流参数,带入本发明确立的追尾事故判别函数中,检测该路段当前发生追尾事故的判别函数值,从而决定当前是否需要启动预警手段,来减少追尾事故。当该路段有发生追尾事故风险时,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动控制设备,通过控制快速道路的匝道或者快速道路的交叉口信号灯,降低上游车辆流量,通过可变限速板对当前车辆限速,降低上游车辆的行驶速度。本发明的方法,通过对追尾事故判别函数值的检测,并对车辆进行调控,减少了追尾事故的数量,有效保障了快速道路的交通安全。
2.检测过程简单。在本发明中,通过步骤50),得到标定后的追尾事故判别函数后,只需要采集路段新的15个交通流参数,就可以实时检测设定时间内,该路段发生追尾事故的判别函数值。该车辆调控方法使用简便、实用性强,具有较好的应用前景。
附图说明
图1是本发明的快速道路的布设示意图。
图2为本发明的流程框图。
具体实施方式
下面结合附图和实施例,对本发明的技术方案作进一步详细说明。
如图1和图2所示,本发明的基于减小车辆追尾事故数量的车辆调控方法,包括以下步骤:
步骤10)获取追尾事故的路段信息:在快速道路上安装q个交通流检测设备,将相邻两个交通流检测设备之间的快速道路设为一个路段,利用交通流检测设备,确定追尾事故的发生路段,并确定每起追尾事故发生地点上游和下游两个交通流检测设备;q为大于1的整数。
在步骤10)中,相邻的两个交通流检测设备之间距离为500米到1500米,且交通流检测设备沿快速道路均匀布置。所述的交通流检测设备为电磁感应线圈,或者视频交通流检测设备。
步骤20)采集追尾事故发生路段在事故发生前的交通数据:通过步骤10)确定的追尾事故发生地点上游和下游两个交通流检测设备,采集追尾事故发生地点的交通数据,该交通数据包括追尾事故发生前,在设定时间T内的15个交通流参数,15个交通流参数为该路段的上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15。
在步骤20)中,采集追尾事故发生路段在事故发生前的交通数据:通过步骤10)确定的追尾事故发生地点上游和下游两个交通流检测设备,采集追尾事故发生地点的交通数据,该交通数据包括追尾事故发生前,在设定时间T内的15个交通流参数,15个交通流参数为该路段的上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15。采样步长优选为30秒。设定时间T优选为5—10分钟。
步骤30)采集追尾事故发生路段在正常状态下的交通数据:对每起追尾事故,采用病例对照研究法,按1:a比例选取追尾事故发生路段在正常状态下的交通数据,所述的正常状态是指该路段没有发生追尾事故时的状态,所述的1:a是指对应于每起追尾事故的交通数据,选取该追尾事故发生路段在正常状态下的a组交通数据,每组交通数据包括追尾事故发生路段在正常状态时设定时间T内的15个交通流参数,15个交通流参数为该路段的上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15。a为大于等于2的整数。a优选为10。
在步骤30)中,病例对照研究法为现有技术,参见文献:《QuantitativeMethodsforHealthResearch:APracticalInteractiveGuidetoEpidemiologyandStatistics》,Bruce,N.,Pope,D.,Stanistreet,D.,2008.JohnWiley&SonsLtd。
步骤40)建立交通流数据总样本:对于每个路段,将该路段上游和下游两个交通流检测设备在设定时间T内采集的交通数据组合后,建立一个交通流数据样本;在每个路段中,所有在发生追尾事故状态下形成的交通流数据样本组成事故组数据样本,所有在正常状态下形成的交通流数据样本组成正常组数据样本;将所有路段的事故组数据样本和正常组数据样本组合后,形成包含n个子样本的交通流数据总样本;n等于事故组数据样本量加上正常组数据样本量。
步骤50)建立标定后的追尾事故判别函数:
首先利用费歇尔判别方法,建立15个交通流参数的线性组合,作为追尾事故判别函数,如式(1)所示:
yi=β0+β1xi1+β2xi2+β3xi3+β4xi4+β5xi5+β6xi6+β7xi7+β8xi8+β9xi9式(1)
+β10xi10+β11xi11+β12xi12+β13xi13+β14xi14+β15xi15
式(1)中,i=1、2、3、…、n;yi表示交通流数据总样本中第i个子样本的交通数据测算出的追尾事故判别值;xi1表示交通流数据总样本中第i个子样本的上游交通流量平均值;xi2表示交通流数据总样本中第i个子样本的上游交通占有率平均值,xi3表示交通流数据总样本中第i个子样本的上游车辆速度平均值,xi4表示交通流数据总样本中第i个子样本的上游交通流量标准差,xi5表示交通流数据总样本中第i个子样本的上游交通占有率标准差,xi6表示交通流数据总样本中第i个子样本的上游车辆速度标准差,xi7表示交通流数据总样本中第i个子样本的下游交通流量平均值,xi8表示交通流数据总样本中第i个子样本的下游交通占有率平均值,xi9表示交通流数据总样本中第i个子样本的下游车辆速度平均值,xi10表示交通流数据总样本中第i个子样本的下游交通流量标准差,xi11表示交通流数据总样本中第i个子样本的下游交通占有率标准差,xi12表示交通流数据总样本中第i个子样本的下游车辆速度标准差,xi13表示交通流数据总样本中第i个子样本的上下游交通流量差的绝对值,xi14表示交通流数据总样本中第i个子样本的上下游交通占有率差的绝对值,xi15表示交通流数据总样本中第i个子样本的上下游车辆速度差的绝对值,β0为常数系数,β1是xi1的对应系数,β2是xi2的对应系数,β3是xi3的对应系数,β4是xi4的对应系数,β5是xi5的对应系数,β6是xi6的对应系数,β7是xi7的对应系数,β8是xi8的对应系数,β9是xi9的对应系数,β10是xi10的对应系数,β11是xi11的对应系数,β12是xi12的对应系数,β13是xi13的对应系数,β14是xi14的对应系数,β15是xi15的对应系数;
然后通过测算式(2)的最大值,确定β1、β2、β3、β4、β5、β6、β7、β8、β9、β10、β11、β12、β13、β14和β15值;
式(2)中,L表示组间差与组内差的比值,组内差 n1表示正常组数据样本的样本量,表示正常组数据样本中第m个子样本由式(1)得到判别函数值,m=1、2、3、…、n1;n2表示事故组数据样本的样本量,表示事故组数据样本中第r个子样本由式(1)得到判别函数值,r=1、2、3、…、n2;
接着将得到的β1、β2、β3、β4、β5、β6、β7、β8、β9、β10、β11、β12、β13、β14和β15值,带入式(1)中,得到标定后的追尾事故判别函数。
步骤60)检测路段发生追尾事故的判别函数值,并调控车辆:
首先利用式(3)测算追尾事故判别函数的临界值Y0:
然后利用待检测路段上游和下游两个交通流检测设备,采集当前该路段的15个交通流参数,并带入步骤50)得到的标定后的追尾事故判别函数,测算出判别函数值y;
当时,如果y<Y0,则该待检测路段当前有发生追尾事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动控制设备,通过控制快速道路的匝道或者快速道路的交叉口信号灯,降低上游车辆流量,通过可变限速板对当前车辆限速,降低上游车辆的行驶速度,如果y≥Y0,则该待检测路段当前没有发生追尾事故的风险,不发出警报提示;
当时,如果y>Y0,则该待检测路段当前有发生追尾事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动控制设备,通过控制快速道路的匝道或者快速道路的交叉口信号灯,降低上游车辆流量,通过可变限速板对当前车辆限速,降低上游车辆的行驶速度,如果y≤Y0,则该待检测路段当前没有发生追尾事故的风险,不发出警报提示。在上述费歇尔算法中,一般不会出现的情形。
步骤60)中,通过可变限速板对当前车辆限速,每次调整变化的车辆速度幅度在5km/h以内。
步骤70)重复步骤60),进行待检测路段下一个设定时间T发生追尾事故判别函数值的检测,并进行车辆调控,直至结束检测。
本发明的车辆调控方法中,应用的检测装置包括交通流检测设备。交通流检测设备按照设定步长,实时采集检测路段的交通流参数。
将采集到的实时交通流参数带入本发明所建立的追尾事故判别函数中,测算当前发生追尾事故的判别函数值。结合的大小关系,比较追尾事故的判别函数值和临界值,如果该待检测路段当前有发生追尾事故风险,那么就发出警报,并激活动态交通控制系统中的控制方案,降低事故风险,然后继续采集数据;如果该待检测路段当前没有发生追尾事故风险,则继续采集数据,进行下一次判断。
本发明的车辆调控方法根据采集的实时交通流参数,判断待检测路段当前是否存在发生追尾事故的风险,是采用通过费歇尔判别方法建立的追尾事故判别函数来判断检测路段发生追尾事故的判别函数值。
本发明实际运用过程分为建立标定后的追尾事故判别函数,以及检测追尾事故的判别函数值和调控车辆两个过程。
建立标定后的追尾事故判别函数:为了保证建立的追尾事故判别函数能够具有较好的预测精度,采集的样本尽量大,通常事故组数据样本(即发生追尾事故的交通数据样本)大于200个,正常组样本(即正常状态下的交通数据样本)大于400个。根据上述步骤10)到步骤50)建立标定后的追尾事故判别函数。
检测追尾事故的判别函数值和调控车辆:实时采集待检测路段的上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15,将这15个交通流参数代入所建立的标定后的追尾事故判别函数中,测算判别函数值,对快速道路追尾事故进行实时测算。当时,如果y<Y0,则该待检测路段当前有发生追尾事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,降低上游车辆流量和上游车辆的行驶速度,如果y≥Y0,则该待检测路段当前没有发生追尾事故的风险,不发出警报提示;当时,如果y>Y0,则该待检测路段当前有发生追尾事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,降低上游车辆流量和降低上游车辆的行驶速度,如果y≤Y0,则该待检测路段当前没有发生追尾事故的风险,不发出警报提示。
实施例
利用美国加里弗利亚州I-880道路上某一追尾事故常发路段上的真实交通数据,测试本发明在追尾事故实时预测方面的性能。采集的数据包括上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15。
根据本发明的步骤20)和步骤30)收集追尾事故交通数据和正常状态下的交通数据。建立492个追尾事故组数据样本和4920个正常组数据样本(即没有发生交通事故条件下)。从整个样本中随机选取394个追尾事故组数据样本和3940个正常组数据样本作为训练集,用来建立标定后的追尾事故判别函数。剩下的98个追尾事故组数据样本和980个正常组数据样本作为检测集,用来实际检测追尾事故的判别函数值,并调控车辆。以此来检测本发明对追尾事故预测的准确度。
利用选取的训练集,根据本发明的步骤10)—步骤50),确定对应系数的值,如表1所示,带入式(1)中,得到标定后的追尾事故判别函数。
表1
交通流参数 | 对应系数 |
上游交通流量平均值(x1) | -0.111(β1) |
上游交通占有率平均值(x2) | 0.115(β2) |
上游车辆速度平均值(x3) | -0.002(β3) |
上游交通流量标准差(x4) | 0.193(β4) |
上游交通占有率标准差(x5) | -0.007(β5) |
上游车辆速度标准差(x6) | -0.002(β6) |
下游交通流量平均值(x7) | -0.009(β7) |
下游交通占有率平均值(x8) | -0.014(β8) |
下游车辆速度平均值(x9) | -0.047(β9) |
下游交通流量标准差(x10) | 0.108(β10) |
下游交通占有率标准差(x11) | -0.007(β11) |
下游车辆速度标准差(x12) | 0.027(β12) |
上下游交通流量差的绝对值(x13) | 0.013(β13) |
上下游交通占有率差的绝对值(x14) | 0.017(β14) |
上下游车辆速度差的绝对值(x15) | 0.045(β15) |
常数 | 2.247(β0) |
Claims (7)
1.一种基于减小车辆追尾事故数量的车辆调控方法,其特征在于,该车辆调控方法包括以下步骤:
步骤10)获取追尾事故的路段信息:在快速道路上安装q个交通流检测设备,将相邻两个交通流检测设备之间的快速道路设为一个路段,利用交通流检测设备,确定追尾事故的发生路段,并确定每起追尾事故发生地点上游和下游两个交通流检测设备;q为大于1的整数;
步骤20)采集追尾事故发生路段在事故发生前的交通数据:通过步骤10)确定的追尾事故发生地点上游和下游两个交通流检测设备,采集追尾事故发生地点的交通数据,该交通数据包括追尾事故发生前,在设定时间T内的15个交通流参数,15个交通流参数为该路段的上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15;
步骤30)采集追尾事故发生路段在正常状态下的交通数据:对每起追尾事故,采用病例对照研究法,按1:a比例选取追尾事故发生路段在正常状态下的交通数据,所述的正常状态是指该路段没有发生追尾事故时的状态,所述的1:a是指对应于每起追尾事故的交通数据,选取该追尾事故发生路段在正常状态下的a组交通数据,每组交通数据包括追尾事故发生路段在正常状态时设定时间T内的15个交通流参数,15个交通流参数为该路段的上游交通流量平均值x1、上游交通占有率平均值x2、上游车辆速度平均值x3、上游交通流量标准差x4、上游交通占有率标准差x5、上游车辆速度标准差x6、下游交通流量平均值x7、下游交通占有率平均值x8、下游车辆速度平均值x9、下游交通流量标准差x10、下游交通占有率标准差x11、下游车辆速度标准差x12、上下游交通流量差的绝对值x13、上下游交通占有率差的绝对值x14和上下游车辆速度差的绝对值x15;a为大于等于2的整数;
步骤40)建立交通流数据总样本:对于每个路段,将该路段上游和下游两个交通流检测设备在设定时间T内采集的交通数据组合后,建立一个交通流数据样本;在每个路段中,所有在发生追尾事故状态下形成的交通流数据样本组成事故组数据样本,所有在正常状态下形成的交通流数据样本组成正常组数据样本;将所有路段的事故组数据样本和正常组数据样本组合后,形成包含n个子样本的交通流数据总样本;n等于事故组数据样本量加上正常组数据样本量;
步骤50)建立标定后的追尾事故判别函数:
首先利用费歇尔判别方法,建立15个交通流参数的线性组合,作为追尾事故判别函数,如式(1)所示:
yi=β0+β1xi1+β2xi2+β3xi3+β4xi4+β5xi5+β6xi6+β7xi7+β8xi8+β9xi9式(1)
+β10xi10+β11xi11+β12xi12+β13xi13+β14xi14+β15xi15
式(1)中,i=1、2、3、…、n;yi表示交通流数据总样本中第i个子样本的交通数据测算出的追尾事故判别值;xi1表示交通流数据总样本中第i个子样本的上游交通流量平均值;xi2表示交通流数据总样本中第i个子样本的上游交通占有率平均值,xi3表示交通流数据总样本中第i个子样本的上游车辆速度平均值,xi4表示交通流数据总样本中第i个子样本的上游交通流量标准差,xi5表示交通流数据总样本中第i个子样本的上游交通占有率标准差,xi6表示交通流数据总样本中第i个子样本的上游车辆速度标准差,xi7表示交通流数据总样本中第i个子样本的下游交通流量平均值,xi8表示交通流数据总样本中第i个子样本的下游交通占有率平均值,xi9表示交通流数据总样本中第i个子样本的下游车辆速度平均值,xi10表示交通流数据总样本中第i个子样本的下游交通流量标准差,xi11表示交通流数据总样本中第i个子样本的下游交通占有率标准差,xi12表示交通流数据总样本中第i个子样本的下游车辆速度标准差,xi13表示交通流数据总样本中第i个子样本的上下游交通流量差的绝对值,xi14表示交通流数据总样本中第i个子样本的上下游交通占有率差的绝对值,xi15表示交通流数据总样本中第i个子样本的上下游车辆速度差的绝对值,β0为常数系数,β1是xi1的对应系数,β2是xi2的对应系数,β3是xi3的对应系数,β4是xi4的对应系数,β5是xi5的对应系数,β6是xi6的对应系数,β7是xi7的对应系数,β8是xi8的对应系数,β9是xi9的对应系数,β10是xi10的对应系数,β11是xi11的对应系数,β12是xi12的对应系数,β13是xi13的对应系数,β14是xi14的对应系数,β15是xi15的对应系数;
然后通过测算式(2)的最大值,确定β1、β2、β3、β4、β5、β6、β7、β8、β9、β10、β11、β12、β13、β14和β15值;
式(2)中,L表示组间差与组内差的比值,组内差 n1表示正常组数据样本的样本量,表示正常组数据样本中第m个子样本由式(1)得到判别函数值,m=1、2、3、…、n1;n2表示事故组数据样本的样本量,表示事故组数据样本中第r个子样本由式(1)得到判别函数值,r=1、2、3、…、n2;
接着将得到的β1、β2、β3、β4、β5、β6、β7、β8、β9、β10、β11、β12、β13、β14和β15值,带入式(1)中,得到标定后的追尾事故判别函数;
步骤60)检测路段发生追尾事故的判别函数值,并调控车辆:
首先利用式(3)测算追尾事故判别函数的临界值Y0:
然后利用待检测路段上游和下游两个交通流检测设备,采集当前该路段的15个交通流参数,并带入步骤50)得到的标定后的追尾事故判别函数,测算出判别函数值y,当时,如果y<Y0,则该待检测路段当前有发生追尾事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动控制设备,通过控制快速道路的匝道或者快速道路的交叉口信号灯,降低上游车辆流量,通过可变限速板对当前车辆限速,降低上游车辆的行驶速度,如果y≥Y0,则该待检测路段当前没有发生追尾事故的风险,不发出警报提示;
当时,如果y>Y0,则该待检测路段当前有发生追尾事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动控制设备,通过控制快速道路的匝道或者快速道路的交叉口信号灯,降低上游车辆流量,通过可变限速板对当前车辆限速,降低上游车辆的行驶速度,如果y≤Y0,则该待检测路段当前没有发生追尾事故的风险,不发出警报提示;
步骤70)重复步骤60),进行待检测路段下一个设定时间T发生追尾事故判别函数值的检测,并进行车辆调控,直至结束检测。
2.按照权利要求1所述的基于减小车辆追尾事故数量的车辆调控方法,其特征在于,所述的步骤10)中,相邻的两个交通流检测设备之间距离为500米到1500米,且交通流检测设备沿快速道路均匀布置。
3.按照权利要求1所述的基于减小车辆追尾事故数量的车辆调控方法,其特征在于,所述的交通流检测设备为电磁感应线圈,或者视频交通流检测设备。
4.按照权利要求1所述的基于减小车辆追尾事故数量的车辆调控方法,其特征在于,所述的步骤20)中,两个交通流检测设备按照采样步长采集待检测路段的交通数据,所述的采样步长为30秒。
5.按照权利要求1所述的基于减小车辆追尾事故数量的车辆调控方法,其特征在于,所述的步骤30)中,a=10。
6.按照权利要求1所述的基于减小车辆追尾事故数量的车辆调控方法,其特征在于,所述的设定时间T为5—10分钟。
7.按照权利要求1所述的基于减小车辆追尾事故数量的车辆调控方法,其特征在于,所述的步骤60)中,通过可变限速板对当前车辆限速,每次调整变化的车辆速度幅度在5km/h以内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310093159.8A CN103198710B (zh) | 2013-03-21 | 2013-03-21 | 一种基于减小车辆追尾事故数量的车辆调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310093159.8A CN103198710B (zh) | 2013-03-21 | 2013-03-21 | 一种基于减小车辆追尾事故数量的车辆调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103198710A true CN103198710A (zh) | 2013-07-10 |
CN103198710B CN103198710B (zh) | 2015-08-26 |
Family
ID=48721196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310093159.8A Active CN103198710B (zh) | 2013-03-21 | 2013-03-21 | 一种基于减小车辆追尾事故数量的车辆调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103198710B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及系统 |
CN107209988A (zh) * | 2014-10-08 | 2017-09-26 | 法雷奥开关和传感器有限责任公司 | 确定机动车辆接近交通灯的最佳速度的方法 |
CN108198423A (zh) * | 2018-01-24 | 2018-06-22 | 哈尔滨工业大学 | 一种两显示信号控制十字平面交叉口的突出事故形态识别方法 |
CN113496627A (zh) * | 2020-04-07 | 2021-10-12 | 奥迪股份公司 | 支持设备、辅助装置及相应的方法、服务器、车辆和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
-
2013
- 2013-03-21 CN CN201310093159.8A patent/CN103198710B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
Non-Patent Citations (1)
Title |
---|
徐铖铖等: "恶劣天气下高速公路实时事故风险预测模型", 《吉林大学学报(工学版)》, vol. 43, no. 1, 15 January 2013 (2013-01-15) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107209988A (zh) * | 2014-10-08 | 2017-09-26 | 法雷奥开关和传感器有限责任公司 | 确定机动车辆接近交通灯的最佳速度的方法 |
CN107209988B (zh) * | 2014-10-08 | 2021-03-09 | 法雷奥开关和传感器有限责任公司 | 确定机动车辆接近交通灯的最佳速度的方法 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及系统 |
CN106355883B (zh) * | 2016-10-20 | 2019-11-29 | 同济大学 | 一种获取交通事故发生概率的方法、装置及系统 |
CN108198423A (zh) * | 2018-01-24 | 2018-06-22 | 哈尔滨工业大学 | 一种两显示信号控制十字平面交叉口的突出事故形态识别方法 |
CN108198423B (zh) * | 2018-01-24 | 2020-09-08 | 哈尔滨工业大学 | 一种两显示信号控制十字平面交叉口的突出事故形态识别方法 |
CN113496627A (zh) * | 2020-04-07 | 2021-10-12 | 奥迪股份公司 | 支持设备、辅助装置及相应的方法、服务器、车辆和介质 |
CN113496627B (zh) * | 2020-04-07 | 2023-10-27 | 奥迪股份公司 | 支持设备、辅助装置及相应的方法、服务器、车辆和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103198710B (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103198713B (zh) | 基于交通数据和天气数据的减少交通事故的车辆调控方法 | |
CN104157156B (zh) | 一种高速公路危险路段车速动态管理预警方法 | |
CN103198711B (zh) | 一种降低不同严重程度交通事故概率的车辆调控方法 | |
Li et al. | Link travel time estimation using single GPS equipped probe vehicle | |
CN103646534A (zh) | 一种道路实时交通事故风险控制方法 | |
CN103164962B (zh) | 一种山区公路急弯路段实时车速预警方法 | |
CN102568226B (zh) | 一种基于不良天气条件的快速道路可变限速控制方法 | |
CN101739824B (zh) | 基于数据融合技术的交通状况估计方法 | |
CN103802826B (zh) | 一种汽车高速转弯行驶中稳定性预警系统 | |
CN102360525A (zh) | 基于判别分析的快速道路实时交通事故风险预测方法 | |
CN109002622B (zh) | 一种随机车流作用下大跨径桥梁总体荷载响应估算方法 | |
CN103985261A (zh) | 基于车辆排队长度测算的交通信号灯控制方法及系统 | |
CN104282161A (zh) | 一种基于实时车辆轨迹的信号交叉口两难区控制方法 | |
CN103198707B (zh) | 一种基于晴天状况下危险交通流特征的车辆调控方法 | |
CN101819719B (zh) | 基于行人、自行车群设置初始绿灯时间的方法 | |
CN103606269A (zh) | 一种提高高速公路施工区通行效率的控制方法 | |
CN104750963A (zh) | 交叉口延误时长估计方法及装置 | |
CN103985251A (zh) | 一种车辆排队长度测算的方法及系统 | |
CN103198710A (zh) | 一种基于减小车辆追尾事故数量的车辆调控方法 | |
CN103280110A (zh) | 高速公路旅行时间的预测方法及装置 | |
CN103942957A (zh) | 信号交叉口饱和状态下车辆排队长度计算方法 | |
CN109141459A (zh) | 一种带有电耗分析预测的电动汽车导航系统及方法 | |
CN109583081A (zh) | 一种车辆行驶速度预测模型构建方法 | |
CN105702070A (zh) | 一种隧道速度预警的车路协同控制系统及其方法 | |
CN106530714A (zh) | 一种基于交通流数据的二次交通事故时间预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |