CN104732075B - 一种城市道路交通事故风险实时预测方法 - Google Patents
一种城市道路交通事故风险实时预测方法 Download PDFInfo
- Publication number
- CN104732075B CN104732075B CN201510100505.XA CN201510100505A CN104732075B CN 104732075 B CN104732075 B CN 104732075B CN 201510100505 A CN201510100505 A CN 201510100505A CN 104732075 B CN104732075 B CN 104732075B
- Authority
- CN
- China
- Prior art keywords
- traffic
- minutes
- traffic accident
- cvs
- grade
- 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.)
- Expired - Fee Related
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 67
- 230000001186 cumulative effect Effects 0.000 claims description 38
- 230000003068 static effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 230000000052 comparative effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种城市道路交通事故风险实时预测方法，通过提取观测集中的各个观测对象的几何线形数据、交通事故发生前n分钟的历史交通流基础数据以及历史天气状况数据进行计算，得到交通事故发生前n分钟的交通流特征参数和天气状况数据转为分类变量后的等级以及该等级的分布概率，再建立基于泊松分布的城市道路交通事故实时预测模型，利用确定的交通流特征参数和天气状况数据的等级以及该等级的分布概率对预测模型进行标定，在对所需预测对象的交通事故风险进行预测的时候，只需实时计算所需预测对象的实时交通流特征参数和天气状况数据转为分类变量后的等级以及该等级的分布概率，即可利用标定的公式对所需预测对象的交通事故风险进行预测。
Description
技术领域
本发明涉及交通安全技术领域，更具体地，涉及一种城市道路交通事故风险实时预测方法。
背景技术
随着我国社会经济的不断发展和国内机动车保有量的大幅增加，我国道路交通事故发生量也呈现不断增加的趋势。在2012年，我国道路交通事故的发生量为20.4万起，因道路交通事故造成的人员伤亡达28.4万人。这表明我国道路交通安全状况仍然十分严峻。而城市道路作为我国道路交通系统的重要组成部分，是人民生活必不可少的公共基础设施，其交通事故发生量历年均占总事故发生量的40％以上。对城市道路交通事故进行预测能估计和推测道路所处的风险状态，找出事故的发展趋势，从而让交通管理部门采取科学的手段对其进行控制和预防。因此，进行城市道路交通事故的预测具有非常重要的意义。
然而，现有的道路交通事故预测方法往往针对的是高速公路或城市快速路的交通事故进行预测，并没有考虑城市道路的情况。此外，其预测方法通常利用概率模型来分析交通事故发生的可能性与道路的几何设计、道路条件和年平均交通量等宏观因素的关系，并基于上述因素对道路的年交通事故进行预测。而该方法忽略了交通流量的短期变化对交通事故发生概率的影响，而这种影响对城市道路的交通影响相当大，因此上述方法预测的准确度较低，无法应用于城市道路交通事故的实时预测中。
另一方面，随着数据技术的不断发展和智能交通系统的应用，交通管理部门已能通过视频检测、浮动车技术等技术，方便地获取实时的交通流数据。将实时交通流特征参数与统计回归分析方法相结合，能有效地预测城市道路交通事故发生概率的实时变化情况，有利于交通管理人员对事故的发生进行预防。
发明内容
本发明为弥补现有技术的道路交通事故预测方法未对交通流量短期变化的影响进行考虑的技术缺陷，提出了一种将实时交通流特征参数、天气状况对交通事故的影响考虑在内的实时预测方法，该方法与现有技术提供的方法相比，其预测的准确度明显提高。
为实现以上发明目的，采用的技术方案如下：
一种城市道路交通事故风险实时预测方法，包括以下步骤：
S1.确定所需预测对象的类型，选择若干类型相同的城市道路作为观测对象组成观测集，所述城市道路的类型包括有：路段和交叉口；
S2.提取观测集中各个对象的几何线形数据、历史交通事故数据和历史天气状况数据，根据历史交通事故数据获得每起交通事故发生的精确时间，在获取交通事故发生的精确时间之后，再获取每起交通事故发生前n分钟的交通流基础数据和天气状况数据；
S3.对于每个观测对象，根据获取的每起交通事故发生前n分钟的交通流基础数据计算交通事故发生前n分钟浮动车车速的变异系数CVS，若所需预测对象的类型为路段，则还需要对交通事故发生时的交通流密度D进行求解，交通事故发生前n分钟浮动车车速的变异系数CVS以及交通事故发生时的交通流密度D均为交通流特征参数；
S4.对于每个观测对象，提取观测对象某一天的交通流基础数据，计算当天每n分钟的变异系数CVS，形成变异系数CVS累计分布图；同时还需提取观测对象的历史天气状况数据，通过历史天气状况数据分别计算出历史时段无雨天气、有雨天气两种天气类型的分布概率，若所需预测对象的类型为路段，则还需计算当天每n分钟的交通流密度D，形成交通流密度D累计分布图；
S5.将交通事故发生前n分钟浮动车车速的变异系数CVS转为分类变量，根据变异系数CVS累计分布图确定该分类变量的等级，并计算该等级在变异系数CVS累计分布图的分布概率p(CVS)；
同时提取交通事故发生前n分钟的天气状况数据，通过该天气状况数据确定交通事故发生前n分钟的天气类型并将其转为分类变量，获得交通事故发生前n分钟的天气状况数据的分布概率p(W)；
若所需预测对象的类型为路段，则还需要对交通事故发生时的交通流密度D进行上述处理，以确定交通事故发生时的交通流密度D这个分类变量的等级，以及该等级在交通流密度D累计分布图的分布概率p(D)；
S6.在步骤S5的基础上，对观测行驶量EXP进行计算，若所需预测对象的类型为路段，观测行驶量EXP计算如下：
EXP＝p(CVS)·p(D)·p(W)·AADT·L·T
其中AADT为路段的年平均日交通流量，L为路段的长度，L包含于提取的几何线形数据中；T为观测时间；若所需预测对象的类型为交叉口，则观测行驶量EXP包括交叉口主干道观测量EXPA和交叉口次干道观测量EXPB，计算公式如下：
EXPA＝p(CVS)·p(W)·AADTA·TI
EXPB＝p(CVS)·p(W)·AADTB·TI
其中AADTA和AADTB分别为交叉口主干道和次干道的年平均日交通流量，TI为观测时间；
S7.在S6的基础上，构建基于泊松分布的交通事故风险预测模型，表达式如下：
其中P(y)为路段或交叉口发生y次交通事故的概率；μ为交通事故风险指数；对于路段，μ的计算方式如下：
μ＝EXPεexp(θ+λCVS(α)+λD(β)+λW(γ)) (1)
其中θ为常数项，ε为EXP的指数，λCVS(α)、λD(β)、λW(γ)分别为交通事故发生前n分钟的变异系数CVS、交通事故发生时交通流密度D、交通事故发生前n分钟的天气状况数据的预测参数，ε、θ、λCVS(α)、λD(β)、λW(γ)均为待标定的参数；
对于交叉口，交通事故风险指数μ的计算方式如下：
其中ρ为常数项，κ、ν分别为EXPA、EXPB的指数，λCVS(α)和λW(γ)分别为交通事故发生前n分钟的变异系数CVS、交通事故发生前n分钟的天气状况数据的预测参数，xη表示交叉口的第η个静态变量，所述静态变量包括左转车道情况、右转车道情况，交叉口视距和信号相位数，静态变量包括于提取的几何线形数据中，λη为相应静态变量的系数；κ、ν、ρ、λCVS(α)、λW(γ)和λη均为待标定的参数；
S8.根据各个观测对象的几何线形数据、历史交通事故数据和历史天气状况数据，利用构建的风险预测模型通过极大似然法对待标定的参数进行标定；
S9.实时采集所需预测对象每n分钟的交通流基础数据和天气状况数据，根据天气状况数据确定预测对象每n分钟天气状况数据的分布概率，然后通过交通流基础数据计算获得实时交通流特征参数，确定实时交通流特征参数的等级以及该等级的分布概率之后，利用标定的式(1)或式(2)对所需预测对象的交通事故风险指数μ进行计算，获得μ之后将μ作为预测结果进行输出。
在得到交通事故风险指数μ之后，可将该指数与预设的阈值对比，若超过预设的阈值，则需要对实时交通流量进行控制，避免交通事故的发生。
优选地，所述交通事故发生前n分钟浮动车车速的变异系数CVS的计算过程具体如下：
其中σv为交通事故发生前n分钟经过城市道路的浮动车车速的标准差；为交通事故发生前n分钟经过路段的浮动车车速的平均值；vr为交通事故发生前n分钟经过路段的第r辆浮动车车速；R为交通事故发生前n分钟经过路段的总浮动车数量；σv、vr、R均包含在提取的交通事故发生前n分钟的交通流基础数据中；
所述交通事故发生时的交通流密度D的求解过程具体如下：其中q*为交通事故发生时路段的交通流量；v*为交通事故发生时路段的平均车速，q*、v*均包含在提取的交通事故发生前n分钟的交通流基础数据中。
优选地，步骤S5中，根据累计分布图确定分类变量等级的过程如下：
将交通事故发生前n分钟浮动车车速的变异系数CVS的值与变异系数CVS累计分布图的位值进行比较，根据比较结果确定其等级α，同理，将交通事故发生时的交通流密度D的值与交通流密度D累计分布图的位值进行比较，根据比较结果确定其等级β。
优选地，所述根据比较结果确定等级的过程具体如下：若交通事故发生前n分钟浮动车车速的变异系数CVS的值小于或等于相应累计分布图的m％位值时，交通事故发生前n分钟浮动车车速的变异系数CVS为低等级，若交通事故发生前n分钟浮动车车速的变异系数CVS的值大于相应累计分布图的m％位值，但小于相应累计分布图的k％位值时，交通事故发生前n分钟浮动车车速的变异系数CVS为中等级，若交通事故发生前n分钟浮动车车速的变异系数CVS的值大于相应累计分布图的k％位值时，交通事故发生前n分钟浮动车车速的变异系数CVS为高等级；同理，交通事故发生时的交通流密度D的等级确定过程亦是如此。
优选地，所述观测集中观测对象的数量不少于25个。
与现有技术相比，本发明技术方案的有益效果是：
本发明的提供的交通风险预测方法，通过提取观测集中的各个观测对象的几何线形数据、交通事故发生前n分钟的历史交通流基础数据以及历史天气状况数据进行计算，得到交通事故发生前n分钟的交通流特征参数和天气状况数据转为分类变量后的等级以及该等级的分布概率，再建立基于泊松分布的城市道路交通事故实时预测模型，从而利用确定的交通流特征参数和天气状况数据的等级以及该等级的分布概率对实时预测模型进行标定，在对所需预测对象的交通事故风险进行预测的时候，只需实时计算所需预测对象的实时交通流特征参数和天气状况数据转为分类变量后的等级以及该等级的分布概率，即可利用标定的公式对所需预测对象的交通事故风险进行预测，本发明提供的方法，对交通流短期变化的影响进行了充分的考虑，符合城市道路的交通特点，因此预测的准确度明显得到提高。
附图说明
图1为城市道路交通事故风险实时预测方法的流程图。
图2为路段视频摄像头布设位置示意图。
图3为交叉口示意图以及视频摄像头布设位置示意图。
图4(a)为某路段某天变异系数CVS的累计分布图。
图4(b)为某路段某天交通流密度D的累计分布图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
本发明提供了一种城市道路交通事故风险实时预测方法，如图1所示，该方法包括以下步骤：
S1.确定所需预测对象的类型，选择若干类型相同的城市道路作为观测对象组成观测集，所述城市道路的类型包括有：路段和交叉口；
S2..提取观测集中各个对象的几何线形数据、历史交通事故数据和历史天气状况数据，根据历史交通事故数据获得每起交通事故发生的精确时间，在获取交通事故发生的精确时间之后，再获取每起交通事故发生前n分钟的交通流基础数据和天气状况数据；
S3.对于每个观测对象，根据获取的每起交通事故发生前n分钟的交通流基础数据计算交通事故发生前n分钟浮动车车速的变异系数CVS，若所需预测对象的类型为路段，则还需要对交通事故发生时的交通流密度D进行求解，交通事故发生前n分钟浮动车车速的变异系数CVS以及交通事故发生时的交通流密度D均为交通流特征参数；
S4.对于每个观测对象，提取观测对象某一天的交通流基础数据，计算当天每n分钟的变异系数CVS，形成变异系数CVS累计分布图；同时还需提取观测对象的历史天气状况数据，通过历史天气状况数据分别计算出历史时段无雨天气、有雨天气两种天气类型的分布概率，若所需预测对象的类型为路段，则还需计算当天每n分钟的交通流密度D，形成交通流密度D累计分布图，车速变异系数和交通流密度的累计分布图如图4所示；
S5.将交通事故发生前n分钟浮动车车速的变异系数CVS转为分类变量，根据变异系数CVS累计分布图确定该分类变量的等级，并计算该等级在变异系数CVS累计分布图的分布概率p(CVS)；
同时提取交通事故发生前n分钟的天气状况数据，通过该天气状况数据确定交通事故发生前n分钟的天气类型并将其转为分类变量，获得交通事故发生前n分钟的天气状况数据的分布概率p(W)；
若所需预测对象的类型为路段，则还需要对交通事故发生时的交通流密度D进行上述处理，以确定交通事故发生时的交通流密度D这个分类变量的等级，以及该等级在交通流密度D累计分布图的分布概率p(D)；
S6.在步骤S5的基础上，对观测行驶量EXP进行计算，若所需预测对象的类型为路段，观测行驶量EXP计算如下：
EXP＝p(CVS)·p(D)·p(W)·AADT·L·T
其中AADT为路段的年平均日交通流量，L为路段的长度，L包含于提取的几何线形数据中；T为观测时间；若所需预测对象的类型为交叉口，则观测行驶量EXP包括交叉口主干道观测量EXPA和交叉口次干道观测量EXPB，计算公式如下：
EXPA＝p(CVS)·p(W)·AADTA·TI
EXPB＝p(CVS)·p(W)·AADTB·TI
其中AADTA和AADTB分别为交叉口主干道和次干道的年平均日交通流量，TI为观测时间；
S7.在S6的基础上，构建基于泊松分布的交通事故风险预测模型，表达式如下：
其中P(y)为路段或交叉口发生y次交通事故的概率；μ为交通事故风险指数；对于路段，μ的计算方式如下：
μ＝EXPεexp(θ+λCVS(α)+λD(β)+λW(γ)) (1)
其中θ为常数项，ε为EXP的指数，λCVS(α)、λD(β)、λW(γ)分别为交通事故发生前n分钟的变异系数CVS、交通事故发生时交通流密度D、交通事故发生前n分钟的天气状况数据的预测参数，ε、θ、λCVS(α)、λD(β)、λW(γ)均为待标定的参数；
对于交叉口，μ的计算方式如下：
其中ρ为常数项，κ、ν分别为EXPA、EXPB的指数，λCVS(α)和λW(β)分别为交通事故发生前n分钟的变异系数CVS、交通事故发生前n分钟的天气状况数据的预测参数，xη表示交叉口的第η个静态变量，所述静态变量包括左转车道情况、右转车道情况，交叉口视距和信号相位数，静态变量包括于提取的几何线形数据中，λη为相应静态变量的系数；κ、ν、ρ、λCVS(α)、λW(γ)和λη均为待标定的参数；
S8.根据各个观测对象的几何线形数据、历史交通事故数据和历史天气状况数据，利用构建的风险预测模型通过极大似然法对待标定的参数进行标定；
S9.实时采集所需预测对象每n分钟的交通流基础数据和天气状况数据，根据天气状况数据确定预测对象每n分钟天气状况数据的分布概率，然后通过交通流基础数据计算获得实时交通流特征参数，确定实时交通流特征参数的等级以及该等级的分布概率之后，利用标定的式(1)或式(2)对所需预测对象的交通事故风险指数μ进行计算，获得μ之后将μ作为预测结果进行输出。
在得到交通事故风险指数μ之后，可将该指数与预设的阈值对比，若超过预设的阈值，则需要对实时交通流量进行控制，使所在路段的车速限制在浮动车车速的均值上，使避免交通事故的发生。
上述方案中，可以利用地理数据库获取观测对象和所需预测对象的几何线形数据，对于路段区域，所需采集的几何线形数据为路段长度和路段端点的经纬度坐标；对于交叉口区域，所需采集的几何线形数据为交叉口的左转车道情况(有或无)、右转车道情况(有或无)、交叉口视距、信号相位数和交叉口中心点的经纬度坐标。
同时，上述的交通流基础数据可以通过视频摄像头、浮动车来获取。对于路段区域，所需采集的实时交通流基础数据包括路段上游各车道的交通流量、路段中浮动车的瞬时车速；其视频摄像头应布设在路段上游区域，如图2所示。对于交叉口区域，所需采集的实时交通流基础数据包括交叉口进口道的交通流量、交叉口区域内浮动车的瞬时车速；其视频摄像头应布设在交叉口进口道的端点处，如图3所示。
同时可以根据路段端点的经纬度坐标(或交叉口中心点的经纬度坐标)，透过Google天气预报API接口获取对象的天气状况数据。
为保证标定的的准确性，需要获取每个对象某一年内所有交通事故的精确发生时间；同时，上述实时交通流基础数据最少每30秒采集一次。此外，完成了数据的采集后，需要对其进行筛选，剔除无效数据，并建立相应的数据库，方便后续使用。
在具体的实施过程中，交通事故发生前n分钟浮动车车速的变异系数CVS的计算过程具体如下：
其中σv为交通事故发生前n分钟经过城市道路的浮动车车速的标准差；为交通事故发生前n分钟经过路段的浮动车车速的平均值；vr为交通事故发生前n分钟经过路段的第r辆浮动车车速；R为交通事故发生前n分钟经过路段的总浮动车数量；σv、vr、R均包含在提取的交通事故发生前n分钟的交通流基础数据中；
所述交通事故发生时的交通流密度D的求解过程具体如下：其中q*为交通事故发生时路段的交通流量；v*为交通事故发生时路段的平均车速，q*、v*均包含在提取的交通事故发生前n分钟的交通流基础数据中。
在具体的实施过程中，步骤S5中，根据累计分布图确定分类变量等级的过程如下：
将交通事故发生前n分钟浮动车车速的变异系数CVS的值与变异系数CVS累计分布图的位值进行比较，根据比较结果确定其等级α，同理，将交通事故发生时的交通流密度D的值与交通流密度D累计分布图的位值进行比较，根据比较结果确定其等级β。
其中，所述根据比较结果确定等级的过程具体如下：所述等级确定的规则如下：若交通事故发生前n分钟浮动车车速的变异系数CVS的值小于或等于相应累计分布图的m％位值时，交通事故发生前n分钟浮动车车速的变异系数CVS为低等级，若交通事故发生前n分钟浮动车车速的变异系数CVS的值大于相应累计分布图的m％位值，但小于相应累计分布图的k％位值时，交通事故发生前n分钟浮动车车速的变异系数CVS为中等级，若交通事故发生前n分钟浮动车车速的变异系数CVS的值大于相应累计分布图的k％位值时，交通事故发生前n分钟浮动车车速的变异系数CVS为高等级；同理，交通事故发生时的交通流密度D的等级确定规则亦是如此。
其中，m为50，k为80，具体情况如图4所示。
上述方案中，利用SAS统计软件的GENMOD过程进行参数标定。
本发明的提供的交通风险预测方法，通过提取观测集中的各个观测对象的几何线形数据、交通事故发生前n分钟的历史交通流基础数据以及历史天气状况数据进行计算，得到交通事故发生前n分钟的交通流特征参数和天气状况数据转为分类变量后的等级以及该等级的分布概率，再建立基于泊松分布的城市道路交通事故实时预测模型，从而利用确定的交通流特征参数和天气状况数据的等级以及该等级的分布概率对实时预测模型进行标定，在对所需预测对象的交通事故风险进行预测的时候，只需实时计算所需预测对象的实时交通流特征参数和天气状况数据转为分类变量后的等级以及该等级的分布概率，即可利用标定的公式对所需预测对象的交通事故风险进行预测，本发明提供的方法，对交通流短期变化的影响进行了充分的考虑，符合城市道路的交通特点，因此预测的准确度明显得到提高。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种城市道路交通事故风险实时预测方法，其特征在于：包括以下步骤：
S1.确定所需预测对象的类型，选择若干类型相同的城市道路作为观测对象组成观测集，所述城市道路的类型包括有：路段和交叉口；
S2.提取观测集中各个对象的几何线形数据、历史交通事故数据和历史天气状况数据，根据历史交通事故数据获得每起交通事故发生的精确时间，在获取交通事故发生的精确时间之后，再获取每起交通事故发生前n分钟的交通流基础数据和天气状况数据；
S3.对于每个观测对象，根据获取的每起交通事故发生前n分钟的交通流基础数据计算交通事故发生前n分钟浮动车车速的变异系数CVS，若所需预测对象的类型为路段，则还需要对交通事故发生时的交通流密度D进行求解，交通事故发生前n分钟浮动车车速的变异系数CVS以及交通事故发生时的交通流密度D均为交通流特征参数；
S4.对于每个观测对象，提取观测对象某一天的交通流基础数据，计算当天每n分钟的变异系数CVS，形成变异系数CVS累计分布图；同时还需提取观测对象的历史天气状况数据，通过历史天气状况数据分别计算出历史时段无雨天气、有雨天气两种天气类型的分布概率，若所需预测对象的类型为路段，则还需计算当天每n分钟的交通流密度D，形成交通流密度D累计分布图；
S5.将交通事故发生前n分钟浮动车车速的变异系数CVS转为分类变量，根据变异系数CVS累计分布图确定该分类变量的等级，并计算该等级在变异系数CVS累计分布图的分布概率p(CVS)；
同时提取交通事故发生前n分钟的天气状况数据，通过该天气状况数据确定交通事故发生前n分钟的天气类型并将其转为分类变量，获得交通事故发生前n分钟的天气状况数据的分布概率p(W)；
若所需预测对象的类型为路段，则还需要对交通事故发生时的交通流密度D进行上述处理，以确定交通事故发生时的交通流密度D这个分类变量的等级，以及该等级在交通流密度D累计分布图的分布概率p(D)；
S6.在步骤S5的基础上，对观测行驶量EXP进行计算，若所需预测对象的类型为路段，观测行驶量EXP计算如下：
EXP＝p(CVS)·p(D)·p(W)·AADT·L·T
其中AADT为路段的年平均日交通流量，L为路段的长度，L包含于提取的几何线形数据中；T为观测时间；若所需预测对象的类型为交叉口，则观测行驶量EXP包括交叉口主干道观测量EXPA和交叉口次干道观测量EXPB，计算公式如下：
EXPA＝p(CVS)·p(W)·AADTA·TI
EXPB＝p(CVS)·p(W)·AADTB·TI
其中AADTA和AADTB分别为交叉口主干道和次干道的年平均日交通流量，TI为观测时间；
S7.在S6的基础上，构建基于泊松分布的交通事故风险预测模型，表达式如下：
其中P(y)为路段或交叉口发生y次交通事故的概率；μ为交通事故风险指数；对于路段，μ的计算方式如下：
μ＝EXPεexp(θ+λCVS(α)+λD(β)+λW(γ)) (1)
其中θ为常数项，ε为EXP的指数，λCVS(α)、λD(β)、λW(γ)分别为交通事故发生前n分钟的变异系数CVS、交通事故发生时交通流密度D、交通事故发生前n分钟的天气状况数据的预测参数，ε、θ、λCVS(α)、λD(β)、λW(γ)均为待标定的参数；
对于交叉口，交通事故风险指数μ的计算方式如下：
其中ρ为常数项，κ、ν分别为EXPA、EXPB的指数，λCVS(α)和λW(γ)分别为交通事故发生前n分钟的变异系数CVS、交通事故发生前n分钟的天气状况数据的预测参数，xη表示交叉口的第η个静态变量，所述静态变量包括左转车道情况、右转车道情况，交叉口视距和信号相位数，静态变量包括于提取的几何线形数据中，λη为相应静态变量的系数；κ、ν、ρ、λCVS(α)、λW(γ)和λη均为待标定的参数；
S8.根据各个观测对象的几何线形数据、历史交通事故数据和历史天气状况数据，利用构建的风险预测模型通过极大似然法对待标定的参数进行标定；
S9.实时采集所需预测对象每n分钟的交通流基础数据和天气状况数据，根据天气状况数据确定预测对象每n分钟天气状况数据的分布概率，然后通过交通流基础数据计算获得实时交通流特征参数，确定实时交通流特征参数的等级以及该等级的分布概率之后，利用标定的式(1)或式(2)对所需预测对象的交通事故风险指数μ进行计算，获得μ之后将μ作为预测结果进行输出。
2.根据权利要求1所述的城市道路交通事故风险实时预测方法，其特征在于：所述交通事故发生前n分钟浮动车车速的变异系数CVS的计算过程具体如下：
其中σv为交通事故发生前n分钟经过城市道路的浮动车车速的标准差；为交通事故发生前n分钟经过路段的浮动车车速的平均值；vr为交通事故发生前n分钟经过路段的第r辆浮动车车速；R为交通事故发生前n分钟经过路段的总浮动车数量；σv、vr、R均包含在提取的交通事故发生前n分钟的交通流基础数据中；
所述交通事故发生时的交通流密度D的求解过程具体如下：其中q*为交通事故发生时路段的交通流量；v*为交通事故发生时路段的平均车速，q*、v*均包含在提取的交通事故发生前n分钟的交通流基础数据中。
3.根据权利要求1所述的城市道路交通事故风险实时预测方法，其特征在于：步骤S5中，根据累计分布图确定分类变量等级的过程如下：
将交通事故发生前n分钟浮动车车速的变异系数CVS的值与变异系数CVS累计分布图的位值进行比较，根据比较结果确定其等级α；
同理，将交通事故发生时的交通流密度D的值与交通流密度D累计分布图的位值进行比较，根据比较结果确定其等级β。
4.根据权利要求3所述的城市道路交通事故风险实时预测方法，其特征在于：所述根据比较结果确定等级的过程具体如下：若交通事故发生前n分钟浮动车车速的变异系数CVS的值小于或等于相应累计分布图的m％位值时，交通事故发生 前n分钟浮动车车速的变异系数CVS为低等级；若交通事故发生前n分钟浮动车车速的变异系数CVS的值大于相应累计分布图的m％位值，但小于相应累计分布图的k％位值时，交通事故发生前n分钟浮动车车速的变异系数CVS为中等级；若交通事故发生前n分钟浮动车车速的变异系数CVS的值大于相应累计分布图的k％位值时，交通事故发生前n分钟浮动车车速的变异系数CVS为高等级；同理，交通事故发生时的交通流密度D的等级确定过程亦是如此。
5.根据权利要求1～4任一项所述的城市道路交通事故风险实时预测方法，其特征在于：所述观测集中观测对象的数量不少于25个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510100505.XA CN104732075B (zh) | 2015-03-06 | 2015-03-06 | 一种城市道路交通事故风险实时预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510100505.XA CN104732075B (zh) | 2015-03-06 | 2015-03-06 | 一种城市道路交通事故风险实时预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104732075A CN104732075A (zh) | 2015-06-24 |
| CN104732075B true CN104732075B (zh) | 2017-07-07 |
Family
ID=53455956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510100505.XA Expired - Fee Related CN104732075B (zh) | 2015-03-06 | 2015-03-06 | 一种城市道路交通事故风险实时预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104732075B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106491144B (zh) * | 2016-09-22 | 2019-07-05 | 昆明理工大学 | 一种驾驶人潜伏风险感知能力的测试与评价方法 |
| CN108154681B (zh) * | 2016-12-06 | 2020-11-20 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
| 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 |
| CN108346317B (zh) * | 2018-04-11 | 2020-07-14 | 北京汽车研究总院有限公司 | 道路风险预警方法和装置 |
| CN108711288B (zh) * | 2018-06-07 | 2020-11-20 | 郑州大学 | 衔接交叉口非机动车右转衔接安全问题的量化评价方法 |
| CN109117987B (zh) * | 2018-07-18 | 2020-09-29 | 厦门大学 | 一种基于深度学习的个性化交通事故风险预测推荐方法 |
| CN109360421B (zh) * | 2018-11-28 | 2022-03-25 | 平安科技（深圳）有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
| CN111245559B (zh) * | 2018-11-29 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 信息确定方法、信息判断方法、装置及计算设备 |
| CN109726942A (zh) * | 2019-03-01 | 2019-05-07 | 北京汽车研究总院有限公司 | 一种驾驶环境风险评估方法及系统 |
| CN110675626B (zh) * | 2019-09-27 | 2021-01-12 | 汉纳森（厦门）数据股份有限公司 | 基于多维数据的交通事故黑点预测方法、装置及介质 |
| CN110867076B (zh) * | 2019-11-05 | 2021-02-26 | 武汉理工大学 | 一种交通事故预测方法及装置 |
| CN111950603B (zh) * | 2020-07-24 | 2023-11-07 | 中南大学 | 一种路段交通事故率的预测方法、装置及计算机存储介质 |
| CN111798662A (zh) * | 2020-07-31 | 2020-10-20 | 公安部交通管理科学研究所 | 一种基于时空网格化数据的城市交通事故预警方法 |
| CN112037513B (zh) * | 2020-09-01 | 2023-04-18 | 清华大学 | 一种实时交通安全指数动态综合评价系统及其构建方法 |
| CN112419709B (zh) * | 2020-10-16 | 2021-11-09 | 同济大学 | 一种基于路段异质性的快速路事故风险实时预测方法 |
| CN112434075B (zh) * | 2020-10-23 | 2024-06-14 | 北京千方科技股份有限公司 | 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 |
| CN113379187B (zh) * | 2021-04-29 | 2023-01-10 | 武汉理工大学 | 一种交通气象灾害评估方法、装置及计算机可读存储介质 |
| CN114944055B (zh) * | 2022-03-29 | 2023-04-18 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于电子收费门架的高速公路碰撞风险动态预测方法 |
| CN116978236B (zh) * | 2023-09-25 | 2023-12-15 | 南京隼眼电子科技有限公司 | 交通事故预警方法、装置和存储介质 |
| CN118397847B (zh) * | 2024-07-01 | 2024-09-24 | 山东远东保险公估有限公司 | 基于大数据的交通数据智能化分析方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599217A (zh) * | 2009-07-17 | 2009-12-09 | 北京交通大学 | 一种快速路交通状态判别方法 |
| CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
| CN104050809A (zh) * | 2014-06-03 | 2014-09-17 | 北京航天福道高技术股份有限公司 | 交通状况自动分析预测方法 |
| CN104318780A (zh) * | 2014-10-31 | 2015-01-28 | 重庆大学 | 考虑气象因素、道路线形因素的高速公路事件检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040064450A1 (en) * | 2002-09-30 | 2004-04-01 | Kabushiki Kaisha Toshiba | Method for preparing data to be analyzed, data analysis method, data analysis device, data preparation program, data analysis program, data prediction device, data prediction method, data prediction program and computer |
-
2015
- 2015-03-06 CN CN201510100505.XA patent/CN104732075B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599217A (zh) * | 2009-07-17 | 2009-12-09 | 北京交通大学 | 一种快速路交通状态判别方法 |
| CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
| CN104050809A (zh) * | 2014-06-03 | 2014-09-17 | 北京航天福道高技术股份有限公司 | 交通状况自动分析预测方法 |
| CN104318780A (zh) * | 2014-10-31 | 2015-01-28 | 重庆大学 | 考虑气象因素、道路线形因素的高速公路事件检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104732075A (zh) | 2015-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104732075B (zh) | 一种城市道路交通事故风险实时预测方法 | |
| CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
| CN103985250B (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
| Anand et al. | Traffic density estimation under heterogeneous traffic conditions using data fusion | |
| CN105405293B (zh) | 一种道路旅行时间短期预测方法和系统 | |
| CN104294720B (zh) | 一种高速公路设计方案安全性评价方法 | |
| Qiao et al. | Short-term travel time prediction considering the effects of weather | |
| CN107657813A (zh) | 基于行车轨迹的高速公路交通执法判别方法 | |
| Lu et al. | Using taxi GPS data for macroscopic traffic monitoring in large scale urban networks: calibration and MFD derivation | |
| CN103839409A (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
| Kim et al. | Likelihood and duration of flow breakdown: Modeling the effect of weather | |
| CN101923778A (zh) | 一种基于视频的高速公路交通拥堵状态检测方法 | |
| Rao et al. | Free speed modeling for urban arterials-A case study on Delhi | |
| CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
| CN109598930A (zh) | 一种自动检测高架封闭系统 | |
| Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
| Luo et al. | Hydroplaning on sloping pavements based on inertial measurement unit (imu) and 1mm 3d laser imaging data | |
| CN106530714A (zh) | 一种基于交通流数据的二次交通事故时间预测方法 | |
| Gazzarri et al. | Gap acceptance parameters for HCM 2010 roundabout capacity model applications in Italy | |
| Jin et al. | Determining the breakpoints of fundamental diagrams | |
| CN111986483A (zh) | 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质 | |
| Sharma et al. | Study on heterogeneous traffic flow characteristics of a two-lane road | |
| CN105489016B (zh) | 一种城市道路运行情况评估方法 | |
| CN105551241B (zh) | 一种基于fcd及ep多源数据的实时拥堵分析方法 | |
| Salim et al. | Estimation of average space headway under heterogeneous traffic conditions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into 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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170707 |