CN103198712B - 一种雾天状态下减少交通事故的车辆调控方法 - Google Patents
一种雾天状态下减少交通事故的车辆调控方法 Download PDFInfo
- Publication number
- CN103198712B CN103198712B CN201310093600.2A CN201310093600A CN103198712B CN 103198712 B CN103198712 B CN 103198712B CN 201310093600 A CN201310093600 A CN 201310093600A CN 103198712 B CN103198712 B CN 103198712B
- Authority
- CN
- China
- Prior art keywords
- traffic
- upstream
- traffic flow
- greasy weather
- 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.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种雾天状态下减少交通事故的车辆调控方法,步骤10)获取事故路段的基本信息;步骤20)采集雾天状况下的事故组交通数据和天气数据;步骤30)采集雾天状况下的正常组交通数据和天气数据;步骤40)建立雾天状况下交通流数据总样本;步骤50)建立初始雾天状况下的交通事故判别函数;步骤60)确定标定后的雾天状态下交通事故判别函数;步骤70)检测在雾天状态下发生交通事故的判别函数值,并进行车辆调控;步骤80)重复步骤70),进行下一个设定时间发生交通事故判别函数值的检测,直至结束检测。该车辆调控方法实时检测高速公路在雾天状态下发生交通事故的判别函数值,对车辆进行调控,减少交通事故。
Description
技术领域
本发明属于高速公路交通智能管理和控制领域,具体来说,涉及一种雾天状态下减少交通事故的车辆调控方法。
背景技术
雾天对高速公路的交通安全产生了严重的影响,在雾天下发生交通事故的严重程度往往比较高,涉及到人员伤亡。由于雾天的能见度比较低,当遇到危险状况是,驾驶员往往没有足够反应时间采取避险行为,造成交通事故的发生。根据《中华人民共和国公安部交通事故统计年报》,2006年和2010年中分别有2,626和1,527起交通事故发生在雨天状况下,死亡人数分别为1,047和803人,受伤人数分别为3,325和2,006,直接经济损失分别为3.13千万元和2.33千万元。因而,如何提升雾天下高速公路行车安全问题具有重要的实际意义。
通常大雾天气下,高速公路封闭通行,而对于薄雾天气的交通事故预防的方法还比较简单,难以对高速公路交通事故进行有效的预防与降低。近些年来,随着高速公路交通智能管理和控制领域的不断发展,交通安全领域开始研究高速公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。因而,通过监测雾天下的高风险交通流状态能够对雾天的交通事故进行有效的预防,当在雾天下检测到高风险交通流状态,可以通过匝道控制降低上游车流量,并利用可变限速控制逐步降低车辆行驶速度,来消除高风险交通流状态从而达到降雾天交通事故数量的目的。然而,目前还没有专门针对雾天的交通事故实时预测模型,本发明将提出一种基于可变限速和匝道控制的雾天下高速公路事故预防方法。
发明内容
技术问题:本发明所要解决的技术问题是:提供一种雾天状态下减少交通事故的车辆调控方法,该车辆调控方法利用交通流检测设备获取实时交通数据和环境气象站获取的天气数据,实时检测快速道路在雾天状态下发生交通事故判别函数值,对车辆进行限速调控,减少交通事故,提高行驶安全性。
技术方案:为解决上述技术问题,本发明采用的一种雾天状态下减少交通事故的车辆调控方法,该车辆调控方法包括以下步骤:
步骤10)获取事故路段的基本信息:在高速公路上安装q个交通流检测设备,将相邻两个交通流检测设备之间的高速公路设为一个路段,并且在快速道路上安装w个环境气象站;确定雾天状况下每起交通事故的发生路段,并确定每起交通事故发生地点上游和下游两个交通流检测设备,以及距离该交通事故发生地点最近的环境气象站;q和w均为大于1的整数;
步骤20)采集雾天状况下的事故组交通数据和天气数据:通过步骤10)确定的交通事故发生地点上游和下游两个交通流检测设备,采集雾天状况下事故发生地点的交通数据,该交通数据包括交通事故发生前,在设定时间T内的18个交通流参数,18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、上下游交通流量差绝对值的平均值x13、上下游交通占有率差绝对值的平均值x14、上下游车辆速度差绝对值的平均值x15、上下游交通流量差绝对值的标准差x16、上下游交通占有率差绝对值的标准差x17、上下游车辆速度差绝对值的标准差x18;并通过距离交通事故发生地点最近的环境气象站,采集雾天状况下,交通事故发生前的天气数据,天气数据是该路段在交通事故发生前,设定时间T内的路面能见度x19;
步骤30)采集雾天状况下的正常组交通数据和天气数据:对应于雾天状况下的每起交通事故,采用病例对照研究法,按1∶a比例选取交通事故发生路段在雾天、正常状态下的交通数据和天气数据,所述的正常状态是指路段没有发生交通事故时的状态,所述的1∶a是指对应于每个交通事故的交通数据和天气数据,选取该交通事故发生路段在正常状态下的a个交通数据和a个天气数据;交通数据包括该路段在雾天、正常状态下,设定时间T内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、上下游交通流量差绝对值的平均值x13、上下游交通占有率差绝对值的平均值x14、上下游车辆速度差绝对值的平均值x15、上下游交通流量差绝对值的标准差x16、上下游交通占有率差绝对值的标准差x17、上下游车辆速度差绝对值的标准差x18;天气数据是该路段在雾天、正常状态下,设定时间T内的路面能见度x19;a为大于等于5的整数;
步骤40)建立雾天状况下交通流数据总样本: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,以及距离该路段最近的环境气象站采集的天气数据组合后,建立一个交通流数据样本;在每个路段中,所有在雾天、发生交通事故状态下形成的交通流数据样本组成事故组数据样本,所有在雾天、正常状态下形成的交通流数据样本组成正常组数据样本;将该快速道路所有路段中的事故组数据样本和正常组数据样本组合后,形成包含雾天状况下n个子样本的交通流数据总样本;n为大于6的整数;
步骤50)建立初始雾天状况下的交通事故判别函数:利用费歇尔判别方法,建立18个交通流参数和1个天气参数的线性组合,作为初始雾天状况下的交通事故判别函数,如式(1)所示:
yi=β0+β1xi1+β2xi2+β3xi3+β4xi4+β5xi5+β6xi6+β7xi7+β8xi8+β9xi9+β10xi10
+β11xi11+β12xi12+β13xi13+β14xi14+β15xi15+β16xi16+β17xi17+β18xi18+β19xi19
式(1)
式(1)中,i=1、2、3、…、n;yi表示雾天状况下交通流数据总样本中第i个子样本的数据测出的交通事故判别函数值;xi1表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的交通流数据总样本中第i个子样本的上下游交通流量差绝对值的平均值,xi14表示雾天状况下的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绝对值的平均值,xi15表示雾天状况下的交通流数据总样本中第i个子样本的上下游车辆速度差绝对值的平均值,xi16表示雾天状况下的交通流数据总样本中第i个子样本的上下游交通流量差绝对值的标准差,xi17表示雾天状况下的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绝对值的标准差,xi18表示雾天状况下的交通流数据总样本中第i个子样本的上下游车辆速度差绝对值的标准差,xi19表示雾天状况下的交通流数据总样本中第i个子样本的路面能见度;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,β16是xi16的对应系数,β17是xi17的对应系数,β18是xi18的对应系数,β19是xi19的对应系数;
步骤60)确定标定后的雾天状态下交通事故判别函数: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、β15、β16、β17、β18和β19值;
式(2)中,L表示组间差与组内差的比值, 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、β15、β16、β17、β18和β19值,带入式(1)中,得到标定后的雾天状态下交通事故判别函数;
步骤70)检测在雾天状态下发生交通事故的判别函数值,并进行车辆调控:
首先利用式(3)测算交通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18个交通流参数和1个天气参数,并带入步骤60)得到的标定后的雾天状态下交通事故判别函数,测算出判别函数值y,当时,如果y<Y0,则该待检测路段在雾天状况下有发生交通事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动高速公路匝道控制设备和可变限速控制设备,通过控制快速道路的匝道,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交通事故的风险,不发出警报提示;
当时,如果y>Y0,则该待检测路段在雾天状况下有发生交通事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动高速公路匝道控制设备和可变限速控制设备,通过控制快速道路的匝道,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80)重复步骤70),进行待检测路段下一个设定时间T发生交通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,提高了雾天状况下高速公路上车辆的行驶安全。已有的交通事故概率检测方法只利用交通流数据测算交通事故概率,没有考虑天气因素对交通事故的影响。本发明的车辆调控方法是专门针对雾天状态下的车辆调控。本发明采集交通流参数,并加入了雾天状态下的天气数据对交通事故的影响因素,可以提高交通事故概率检测精度。本发明建立的雾天状态下的交通事故判别函数,考虑了天气状况对交通事故的影响。这样,该交通事故判别函数关系式就能更为准确的反映路段发生交通事故的风险,因为发生交通事故不仅与车辆本身有关,还与事故当时的天气状况有关。将实时采集的路段的交通数据带入交通事故概率关系式中,实时对路段发生交通事故进行检测。根据交通事故判别函数值,决定当前是否需要启动预警手段,来降低交通事故风险,从而提高了车辆调控的准确率,降低了交通事故,有效的保障了快速道路的交通安全。
2.检测过程简单。在本发明的步骤60)确立标定后的雾天状态下交通事故判别函数后,只需要采集路段在雾天下新的交通流参数和天气数据,就可以实时预测设定时间内,该路段在雾天下发生交通事故的判别函数值,使用简便、实用性强,具有较好的应用前景。
附图说明
图1是本发明的交通流检测设备和环境气象站的布设示意图。
图2是本发明的流程框图。
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,本发明的一种雾天状态下减少交通事故的车辆调控方法,包括以下步骤:
步骤10)获取事故路段的基本信息:在高速公路上安装q个交通流检测设备,将相邻两个交通流检测设备之间的高速公路设为一个路段,并且在快速道路上安装w个环境气象站;确定雾天状况下每起交通事故的发生路段,并确定每起交通事故发生地点上游和下游两个交通流检测设备,以及距离该交通事故发生地点最近的环境气象站;q和w均为大于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,相邻的两个环境气象站之间距离为5公里到15公里,且交通流检测设备和环境气象站均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)采集雾天状况下的事故组交通数据和天气数据:通过步骤10)确定的交通事故发生地点上游和下游两个交通流检测设备,采集雾天状况下事故发生地点的交通数据,该交通数据包括交通事故发生前,在设定时间T内的18个交通流参数,18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、上下游交通流量差绝对值的平均值x13、上下游交通占有率差绝对值的平均值x14、上下游车辆速度差绝对值的平均值x15、上下游交通流量差绝对值的标准差x16、上下游交通占有率差绝对值的标准差x17、上下游车辆速度差绝对值的标准差x18;并通过距离交通事故发生地点最近的环境气象站,采集雾天状况下,交通事故发生前的天气数据,天气数据是该路段在交通事故发生前,设定时间T内的路面能见度x19;
在步骤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,然后每隔设定时间T测算各参数的平均值和标准差,获得18个交通流参数。采样步长优选为30秒。设定时间T优选为5—10分钟。
步骤30)采集雾天状况下的正常组交通数据和天气数据:对应于雾天状况下的每起交通事故,采用病例对照研究法,按1∶a比例选取交通事故发生路段在雾天、正常状态下的交通数据和天气数据,所述的正常状态是指路段没有发生交通事故时的状态,所述的1∶a是指对应于每个交通事故的交通数据和天气数据,选取该交通事故发生路段在正常状态下的a个交通数据和a个天气数据;交通数据包括该路段在雾天、正常状态下,设定时间T内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、上下游交通流量差绝对值的平均值x13、上下游交通占有率差绝对值的平均值x14、上下游车辆速度差绝对值的平均值x15、上下游交通流量差绝对值的标准差x16、上下游交通占有率差绝对值的标准差x17、上下游车辆速度差绝对值的标准差x18;天气数据是该路段在雾天、正常状态下,设定时间T内的路面能见度x19。a为大于等于5的整数。a优选为10。
步骤40)建立雾天状况下交通流数据总样本: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,以及距离该路段最近的环境气象站采集的天气数据组合后,建立一个交通流数据样本;在每个路段中,所有在雾天、发生交通事故状态下形成的交通流数据样本组成事故组数据样本,所有在雾天、正常状态下形成的交通流数据样本组成正常组数据样本;将该快速道路所有路段中的事故组数据样本和正常组数据样本组合后,形成包含雾天状况下n个子样本的交通流数据总样本;n为大于6的整数。
步骤50)建立初始雾天状况下的交通事故判别函数:利用费歇尔判别方法,建立18个交通流参数和1个天气参数的线性组合,作为初始雾天状况下的交通事故判别函数,如式(1)所示:
yi=β0+β1xi1+β2xi2+β3xi3+β4xi4+β5xi5+β6xi6+β7xi7+β8xi8+β9xi9+β10xi10
+β11xi11+β12xi12+β13xi13+β14xi14+β15xi15+β16xi16+β17xi17+β18xi18+β19xi19
式(1)
式(1)中,i=1、2、3、…、n;yi表示雾天状况下交通流数据总样本中第i个子样本的数据测出的交通事故判别函数值;xi1表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的交通流数据总样本中第i个子样本的上下游交通流量差绝对值的平均值,xi14表示雾天状况下的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绝对值的平均值,xi15表示雾天状况下的交通流数据总样本中第i个子样本的上下游车辆速度差绝对值的平均值,xi16表示雾天状况下的交通流数据总样本中第i个子样本的上下游交通流量差绝对值的标准差,xi17表示雾天状况下的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绝对值的标准差,xi18表示雾天状况下的交通流数据总样本中第i个子样本的上下游车辆速度差绝对值的标准差,xi19表示雾天状况下的交通流数据总样本中第i个子样本的路面能见度;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,β16是xi16的对应系数,β17是xi17的对应系数,β18是xi18的对应系数,β19是xi19的对应系数。
步骤60)确定标定后的雾天状态下交通事故判别函数: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、β15、β16、β17、β18和β19值;
式(2)中,L表示组间差与组内差的比值, 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、β15、β16、β17、β18和β19值,带入式(1)中,得到标定后的雾天状态下交通事故判别函数。
步骤70)检测在雾天状态下发生交通事故的判别函数值,并进行车辆调控:
首先利用式(3)测算交通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18个交通流参数和1个天气参数,并带入步骤60)得到的标定后的雾天状态下交通事故判别函数,测算出判别函数值y,当时,如果y<Y0,则该待检测路段在雾天状况下有发生交通事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动高速公路匝道控制设备和可变限速控制设备,通过控制快速道路的匝道,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交通事故的风险,不发出警报提示;
当时,如果y>Y0,则该待检测路段在雾天状况下有发生交通事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动高速公路匝道控制设备和可变限速控制设备,通过控制快速道路的匝道,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。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80)重复步骤70),进行待检测路段下一个设定时间T发生交通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根据采集的实时交通数据和天气数据,判断待检测路段在雾天状态下是否存在发生交通事故的风险,是采用通过费歇尔判别方法建立的交通事故判别函数来判断待检测路段在雾天状态下发生交通事故的风险。
本发明实际运用过程分为建立标定后的雾天状态下的交通事故判别函数,以及检测雾天状态下交通事故判别函数值和调控车辆两个过程。
建立标定后的雾天状态下的交通事故判别函数:收集或采集待检测路段设定时间内的交通数据。为了保证建立的事故概率关系式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大于30个,正常组数据样本大于150个。根据上述步骤10)到步骤60)建立雾天状态下的交通事故判别函数。
检测雾天状态下交通事故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、上下游交通流量差绝对值的平均值x13、上下游交通占有率差绝对值的平均值x14、上下游车辆速度差绝对值的平均值x15、上下游交通流量差绝对值的标准差x16、上下游交通占有率差绝对值的标准差x17、上下游车辆速度差绝对值的标准差x18和路面能见度x19,将这19个参数代入所建立的标定后的雾天状态下的交通事故判别函数中,根据该关系式测算得的判别函数值,对雾天状态下交通事故风险进行实时测算。当时,如果y<Y0,则该待检测路段在雾天下有发生交通事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,通过匝道控制和可变限速降低上游车辆流量和上游车辆的行驶速度,如果y≥Y0,则该待检测路段在雾天下没有发生交通事故的风险,不发出警报提示;当时,如果y>Y0,该待检测路段在雾天下有发生交通事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,通过匝道控制和可变限速降低上游车辆流量和上游车辆的行驶速度,如果y≤Y0,则该待检测路段在雾天下没有发生交通事故的风险,不发出警报提示。
实施例
利用美国加利福利亚洲I-880道路上的真实交通流和气象数据,测试本发明在雾天状态下交通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、上下游交通流量差绝对值的平均值x13、上下游交通占有率差绝对值的平均值x14、上下游车辆速度差绝对值的平均值x15、上下游交通流量差绝对值的标准差x16、上下游交通占有率差绝对值的标准差x17、上下游车辆速度差绝对值的标准差x18和路面能见度x19。
现有59个事故组交通数据样本,以及590个正常组交通数据样本(即没有发生交通事故条件下采集的雾天状态下数据)。从整个样本中随机选取44个事故组交通数据样本和440个正常组交通数据样本用作训练集。剩下的15个事故组交通数据样本和150个正常组交通数据样本用作检测集,用来测试本发明的预测精度。
利用选取的训练集,根据本发明的步骤10)—步骤60),确定对应系数的值,如表1所示,带入式(1)中,得到标定后的雾天状态下交通事故判别函数。
表1
交通流参数 | 对应系数 |
上游交通流量平均值(x1) | -0.034(β1) |
上游交通占有率平均值(x2) | 0.052(β2) |
上游车辆速度平均值(x3) | 0.015(β3) |
上游交通流量标准差(x4) | -0.497(β4) |
上游交通占有率标准差(x5) | 0.182(β5) |
上游车辆速度标准差(x6) | -0.007(β6) |
下游交通流量平均值(x7) | -0.119(β7) |
下游交通占有率平均值(x8) | 0.064(β8) |
下游车辆速度平均值(x9) | 0.019(β9) |
下游交通流量标准差(x10) | 0.005(β10) |
下游交通占有率标准差(x11) | 0.218(β11) |
下游车辆速度标准差(x12) | -0.020(β12) |
上下游交通流量差绝对值的平均值(x13) | 0.288(β13) |
上下游交通占有率差绝对值的平均值(x14) | -0.063(β14) |
上下游车辆速度差绝对值的平均值(x15) | -0.078(β15) |
上下游交通流量差绝对值的标准差(x16) | -0.008(β16) |
上下游交通占有率差绝对值的标准差(x17) | -0.393(β17) |
上下游车辆速度差绝对值的标准差(x18) | 0.058(β18) |
路面能见度(x19) | 0.031(β18) |
常数 | -2.594(β0) |
雾天状态下交通事故判别函数的临界值Y0为0, 即 如果y<Y0,表明待检测路段当前在雾天下有发生交通事故的风险;如果y≥Y0,表明检测路段当前在雾天下发生交通事故的风险比较小。利用上述判别规则和依据表1建立的标定后的交通事故判别函数,对包含15个事故组数据样本和150个正常组数据样本的检测集进行判别。结果表明:标定后的雾天状态下交通事故判别函数对事故组数据样本的预测准确率为53.3%,对正常组数据样本预测准确率为88.0%,总的检测准确率为84.8%。因此,本发明的方法通过检测雾天状态下交通事故的判别函数值,调控车辆,能够有效的降低高速公路雾天下交通事故的发生。本发明的方法具有实际的工程运用价值。
Claims (6)
1.一种雾天状态下减少交通事故的车辆调控方法,其特征在于,该车辆调控方法包括以下步骤:
步骤10)获取事故路段的基本信息:在高速公路上安装q个交通流检测设备,将相邻两个交通流检测设备之间的高速公路设为一个路段,并且在快速道路上安装w个环境气象站;确定雾天状况下每起交通事故的发生路段,并确定每起交通事故发生地点上游和下游两个交通流检测设备,以及距离该交通事故发生地点最近的环境气象站;q和w均为大于1的整数;相邻的两个交通流检测设备之间距离为500米到1500米,相邻的两个环境气象站之间距离为5公里到15公里,且交通流检测设备和环境气象站均沿快速道路均匀布置;
步骤20)采集雾天状况下的事故组交通数据和天气数据:通过步骤10)确定的交通事故发生地点上游和下游两个交通流检测设备,采集雾天状况下事故发生地点的交通数据,该交通数据包括交通事故发生前,在设定时间T内的18个交通流参数,18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、上下游交通流量差绝对值的平均值x13、上下游交通占有率差绝对值的平均值x14、上下游车辆速度差绝对值的平均值x15、上下游交通流量差绝对值的标准差x16、上下游交通占有率差绝对值的标准差x17、上下游车辆速度差绝对值的标准差x18;并通过距离交通事故发生地点最近的环境气象站,采集雾天状况下,交通事故发生前的天气数据,天气数据是该路段在交通事故发生前,设定时间T内的路面能见度x19;
步骤30)采集雾天状况下的正常组交通数据和天气数据:对应于雾天状况下的每起交通事故,采用病例对照研究法,按1∶a比例选取交通事故发生路段在雾天、正常状态下的交通数据和天气数据,所述的正常状态是指路段没有发生交通事故时的状态,所述的1∶a是指对应于每个交通事故的交通数据和天气数据,选取该交通事故发生路段在正常状态下的a个交通数据和a个天气数据;交通数据包括该路段在雾天、正常状态下,设定时间T内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、上下游交通流量差绝对值的平均值x13、上下游交通占有率差绝对值的平均值x14、上下游车辆速度差绝对值的平均值x15、上下游交通流量差绝对值的标准差x16、上下游交通占有率差绝对值的标准差x17、上下游车辆速度差绝对值的标准差x18;天气数据是该路段在雾天、正常状态下,设定时间T内的路面能见度x19;a为大于等于5的整数;
步骤40)建立雾天状况下交通流数据总样本: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,以及距离该路段最近的环境气象站采集的天气数据组合后,建立一个交通流数据样本;在每个路段中,所有在雾天、发生交通事故状态下形成的交通流数据样本组成事故组数据样本,所有在雾天、正常状态下形成的交通流数据样本组成正常组数据样本;将该快速道路所有路段中的事故组数据样本和正常组数据样本组合后,形成包含雾天状况下n个子样本的交通流数据总样本;n为大于6的整数;
步骤50)建立初始雾天状况下交通事故判别函数:利用费歇尔判别方法,建立18个交通流参数和1个天气参数的线性组合,作为初始雾天状况下交通事故判别函数,如式(1)所示:
yi=β0+β1xi1+β2xi2+β3xi3+β4xi4+β5xi5+β6xi6+β7xi7+β8xi8+β9xi9+β10xi10+β11xi11+β12xi12+β13xi13+β14xi14+β15xi15+β16xi16+β17xi17+β18xi18+β19xi19
式(1)
式(1)中,i=1、2、3、…、n;yi表示雾天状况下交通流数据总样本中第i个子样本的数据测出的交通事故判别函数值;xi1表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的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表示雾天状况下的交通流数据总样本中第i个子样本的上下游交通流量差绝对值的平均值,xi14表示雾天状况下的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绝对值的平均值,xi15表示雾天状况下的交通流数据总样本中第i个子样本的上下游车辆速度差绝对值的平均值,xi16表示雾天状况下的交通流数据总样本中第i个子样本的上下游交通流量差绝对值的标准差,xi17表示雾天状况下的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绝对值的标准差,xi18表示雾天状况下的交通流数据总样本中第i个子样本的上下游车辆速度差绝对值的标准差,xi19表示雾天状况下的交通流数据总样本中第i个子样本的路面能见度;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,β16是xi16的对应系数,β17是xi17的对应系数,β18是xi18的对应系数,β19是xi19的对应系数;
步骤60)确定标定后的雾天状态下交通事故判别函数:通过测算式(2)的最大值,确定β0、β1、β2、β3、β4、β5、β6、β7、β8、β9、β10、β11、β12、β13、β14、β15、β16、β17、β18和β19值;
式(2)中,L表示组间差与组内差的比值,组间差组内差 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β0、β1、β2、β3、β4、β5、β6、β7、β8、β9、β10、β11、β12、β13、β14、β15、β16、β17、β18和β19值,带入式(1)中,得到标定后的雾天状态下交通事故判别函数;
步骤70)检测在雾天状态下发生交通事故的判别函数值,并进行车辆调控:
首先利用式(3)测算交通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18个交通流参数和1个天气参数,并带入步骤60)得到的标定后的雾天状态下交通事故判别函数,测算出判别函数值y,当时,如果y<Y0,则该待检测路段在雾天状况下有发生交通事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动高速公路匝道控制设备和可变限速控制设备,通过控制快速道路的匝道,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交通事故的风险,不发出警报提示;
当时,如果y>Y0,则该待检测路段在雾天状况下有发生交通事故的风险,在该路段前方通过可变信息板对驾驶员进行预警提示,并启动高速公路匝道控制设备和可变限速控制设备,通过控制快速道路的匝道,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80)重复步骤70),进行待检测路段下一个设定时间T发生交通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所述的雾天状态下减少交通事故的车辆调控方法,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。
3.按照权利要求1所述的雾天状态下减少交通事故的车辆调控方法,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。
4.按照权利要求1所述的雾天状态下减少交通事故的车辆调控方法,其特征在于,所述的步骤30)中,a=10。
5.按照权利要求1所述的雾天状态下减少交通事故的车辆调控方法,其特征在于,所述的设定时间T为5—10分钟。
6.按照权利要求1所述的雾天状态下减少交通事故的车辆调控方法,其特征在于,所述的步骤70)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 |
---|---|---|---|
CN201310093600.2A CN103198712B (zh) | 2013-03-21 | 2013-03-21 | 一种雾天状态下减少交通事故的车辆调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310093600.2A CN103198712B (zh) | 2013-03-21 | 2013-03-21 | 一种雾天状态下减少交通事故的车辆调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103198712A CN103198712A (zh) | 2013-07-10 |
CN103198712B true CN103198712B (zh) | 2015-08-26 |
Family
ID=48721198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310093600.2A Active CN103198712B (zh) | 2013-03-21 | 2013-03-21 | 一种雾天状态下减少交通事故的车辆调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103198712B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337184B (zh) * | 2013-07-11 | 2017-08-11 | 上海济安交通工程咨询有限公司 | 基于时间、交通流和天气的城市道路限速指示系统及控制方法 |
KR101826060B1 (ko) * | 2017-05-15 | 2018-02-06 | 주식회사 퀀텀게이트 | 교통사고 예보시스템 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360524A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 快速道路危险交通流特征的自动检测确认方法 |
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 CN201310093600.2A patent/CN103198712B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360524A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 快速道路危险交通流特征的自动检测确认方法 |
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 |
---|
恶劣天气下高速公路实时事故风险预测模型;徐铖铖等;《吉林大学学报(工学版)》;20130115;第43卷(第1期);第68-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103198712A (zh) | 2013-07-10 |
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 | |
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 | |
CN102542831B (zh) | 一种基于实时交通流和天气信息的快速道路可变限速控制方法 | |
CN103646534B (zh) | 一种道路实时交通事故风险控制方法 | |
CN107742432B (zh) | 基于车路协同的高速公路运行车速主动预警系统及控制方法 | |
CN103578295B (zh) | 一种快速道路排队尾部追尾事故风险实时预测与预防方法 | |
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 | |
CN103606269A (zh) | 一种提高高速公路施工区通行效率的控制方法 | |
CN207517194U (zh) | 基于车路协同的高速公路运行车速主动预警系统 | |
CN103680157A (zh) | 一种面向城市瓶颈路段的车辆排队溢流预判方法 | |
CN103714705B (zh) | 高速公路车速指导系统 | |
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 | |
CN103150930A (zh) | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 | |
CN103606268B (zh) | 一种雪天快速道路拥堵上游可变限速控制方法 | |
CN103198709B (zh) | 一种雨天状况下减少交通事故的车辆调控方法 | |
CN102842235A (zh) | 一种利用红外技术测量车流量和车速的装置及方法 | |
CN104464294A (zh) | 一种基于阵列雷达的路段交通状态评价方法及装置 | |
CN112712714A (zh) | 一种基于卡口监控设备的红绿灯配时优化方法及仿真系统 | |
CN103198710B (zh) | 一种基于减小车辆追尾事故数量的车辆调控方法 | |
CN109583081A (zh) | 一种车辆行驶速度预测模型构建方法 | |
CN103198712B (zh) | 一种雾天状态下减少交通事故的车辆调控方法 | |
CN102592455B (zh) | 一种基于离散模型的公路交通流检测器设置方法 | |
CN103198708B (zh) | 一种降低侧向撞击交通事故概率的车辆调控方法 | |
CN104182633A (zh) | 分层次的交通运行评价方法 | |
CN102610098B (zh) | 一种基于离散模型的路段交通流检测器设置方法 |
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 |