CN104751642B - 一种高等级道路交通流运行风险实时预估方法 - Google Patents

Abstract

本发明属于交通安全和智能交通管理控制领域，具体涉及一种高等级道路交通流运行风险的实时预估方法。考虑在缺少交通流定点采集设施的高等级道路上，无法获取道路交通流的流量、占有率等交通参数时，本发明方法能够使用不同的交通信息采集技术获取的交通流速度数据建立实时事故预测模型，并且使用动态贝叶斯网络模型考虑多个时间段的速度状态数据，建立交通流状态与事故风险的关系，对事故进行实时预估，进而可以对车辆进行预警或调控，避免事故发生。本方法仅利用速度数据对预测高等级道路事故发生风险具有较好的预测精度，有广泛的实际应用价值。

Description

一种高等级道路交通流运行风险实时预估方法

技术领域

本发明属于交通安全和智能交通管理控制领域，具体涉及一种高等级道路交通流运行风险的实时预估方法。

背景技术

高等级道路（包括高速公路、城市快速路）作为交通系统的主骨架，承担着大量的机动化交通。据统计，北京城市快速路系统总长度约380 km，只占城市路网总长度的8%，但却承担了城市日机动车出行量的50%以上；上海中心城区近8%的快速道路承担超过30%以上的车公里出行。而在交通繁忙的高等级道路上，更是交通事故频发。据上海交通管理部门的资料统计，上海快速路主线基本路段上每天发生的事故数多达80多起。在城市高等级道路上发生的偶发性交通事故不仅会造成人员及财产损失，同时亦是交通拥堵的重要致因。尤其是在高峰时段，虽然事故严重程度低，但是由此引起的交通拥堵和延误会极大的浪费社会成本。因此，对交通流运行的风险进行实时预估以防止事故的发生具有重要的经济价值和实际意义。

随着智能交通系统（ITS）的发展，交通流数据的实时采集技术越来越多样化，存储以及分析大量的实时交通流数据的能力得到增强，这同时也促进了大规模的交通数据的收集和存储，以供应用到ITS中。这些信息采集技术包括：环形线圈、视频检测、微波雷达以及浮动车等。现有研究利用交通流检测设备获取的交通流数据已经建立了许多交通事故实时预测模型。实时事故预测模型能够通过计算短时间内的交通流运行状态以预测未来一段时间内事故发生的可能性，进而提前做出应对措施，例如对驾驶员进行预警，或者对车辆进行速度引导。

然而，大部分现有的实时交通事故预测模型只能使用定点交通流交通检测设备采集的交通流（包括流量、速度、占有率等）数据进行建模，在面对缺少定点交通流检测设施的高等级道路时，此类模型便无法发挥作用。因此使用一个具有较广适用性的事故预测模型，可以降低事故预测对定点设备的依赖。随着安装GPS的浮动车采集技术及具备定位功能的智能手机采集技术的发展，大部分路段都具备速度信息采集能力，因此通过不同的交通数据采集技术获取的速度数据，对交通流运行风险进行实时预估具有更广阔的实际价值。

发明内容

本发明的目的是考虑在缺少定点交通流检测设备的高等级道路上，无法获取道路交通流的流量、占有率等交通参数时，提出一种高等级道路交通流运行风险实时预估方法。

本发明提出的一种高等级道路交通流运行风险实时预估方法，所述方法基于动态贝叶斯网络（DBN），具体步骤如下：

（1）获取实施路段的交通事故信息和事故发生前的速度数据：

通过在高等级道路上安装的视频监控系统获取实施路段发生的交通事故；若该实施路段安装交通流检测设备，则通过每起事故发生地点上游和下游安装的交通流检测设备采集事故发生前两个时间段内检测的所有车辆平均速度；若该路段未安装交通流检测设备，则通过安装在车辆上的GPS设备或车辆内的智能手机采集事故发生前两个时间段内、事故地点上游和下游一定范围D内经过车辆的采样的实时速度数据；其中：所述事故发生前两个时间段分别为事故发生前t时段和事故发生前t-1时段；

（2）获取实施路段在未发生事故时的速度数据：

针对采集的每起交通事故，按1:n(n>2)的比例选取正常交通状态下的速度数据，选取规则为筛选出与事故发生地点相同、与事故发生在同一月内的同一时间且一小时前无事故发生的交通条件，采集该正常交通条件下的速度数据，采集方法与步骤（1）中采集事故发生前的速度数据的采集方法相同；

（3）建立实施路段的事故-非事故交通信息样本集：

(3.1)针对采集的所有实施路段的事故信息和非事故信息，通过获取的事故和非事故地点上游和下游在事故发生前两个时间段内的速度数据，计算事故和非事故地点发生前的上游和下游的交通状态（如包括畅通、拥堵及堵塞等）；

(3.2)计算事故或非事故发生前每个时间段内上游和下游之间的平均速度之差；

(3.3)将步骤(3.1)所有采集的事故信息和非事故信息与其上游和下游交通状态以及步骤(3.2)事故或非事故发生每个个时间段内上游和下游之间的平均速度之差对应，由此建立一个事故-非事故交通信息样本集；

（4）建立DBN交通事故预测模型:

(4.1)确定DBN模型的结构，即指定各节点和节点间的关系：整个DBN模型有两个时间片t∈{1,2}，对应事故发生前的两个时间段，时间片1对应事故发生前t-1时段，时间片2对应事故发生前t时段；每个时间片分别有一个隐藏节点和三个可观测节点, j∈{1,2,3}，隐藏节点表示当前交通状态是否可能会导致事故的发生，三个可观测节点分别表示事故或非事故发生前单个时间段内上游的交通状态、下游的交通状态以及上游和下游间平均速度之差；隐藏节点和可观测节点之间的结构关系可见图2；

(4.2)使用最大期望（EM）算法和步骤(3)得到的事故-非事故交通信息样本集对DBN进行参数学习，即计算各节点之间的条件概率分布;令θ为DBN模型所有未知参数的集合，通过迭代找到一组能使输入数据的极大似然值(可观测数据边际概率的对数)最大的参数:；首先初始化一个θ的分布并定义一个分布，由此计算DBN每个时间片内的条件概率分布，并且由Jensen不等式可知：

，然后由计算的条件概率分布得到一组新的优化参数集使；再通过多次重复上述步骤，得到最优的参数集；其中：H表示所有隐藏状态的值，E表示所有可观测变量的值；

(4.3)利用步骤(4.2)计算得到的最优参数集，从而可计算DBN内所有节点的条件概率分布，并且通过计算推出不同时间片中隐藏状态的概率值；通过对时间片2的隐藏状态的概率值进行的分析，可以对基于DBN的事故预测模型进行标定，确定合适的概率阈值P，当隐藏状态属于可能发生事故的状态的概率值大于某个阈值时，认为该交通状态对应会发生事故，反之，则认为其对应不会发生事故；从而建立DBN交通事故预测模型；

（5）使用DBN交通事故预测模型进行预测：

利用可用的交通流检测设备采集待检测路段的速度数据；根据步骤（3）的方法连续在t时段时间间隔内分别计算路段上游和下游的交通状态和上游和下游间的平均速度之差；将当前t时段和上一个t-1时段共两个时间段的3个交通参数代入标定好的DBN交通事故预测模型，根据DBN交通事故预测模型中的最优的参数集计算出时间片2中隐藏状态的概率值，若该条概率值大于阈值P，则认为t+1时段内可能会发生事故，需要对该路段上的车辆提供预警信息或采取调控措施；反之，则认为是正常交通状态，无需发出预警；每t时段进行一次计算，预估事故发生的可能性，直至检测结束。

与现有技术相比，本发明的技术方案具有以下有益效果：

1. 与传统的高等级道路上的交通事故预测方法不同，本发明在缺少定点交通流采集设施的高等级道路上，无法获取道路交通流的流量、占有率等交通参数时，可以使用不同的交通信息采集手段获得的速度数据对道路的交通流运行风险进行实时预估。

2. 本发明建立的基于DBN的实时事故预测模型考虑了多个时间段的交通数据，这样交通事故与交通状态的深层关系能得以体现，因为事故的发生不仅与交通状态有关，更与交通状态的变化有关。

3. 交通事故预测准确率高。利用建立的事故预测模型实时对交通流运行风险进行预估，预测的准确率能保持较高水平，进而对路段车辆进行预警或进行调控，可以有效降低交通事故，提高行车安全。

附图说明

图1为本发明的速度采集方法的示意图。

图2为DBN模型的结构示意图。

图3为本发明的流程图。

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详细说明。本实施例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施例。

实施例1

利用上海市快速路上的真实交通事故信息和交通数据，测试本发明在交通事故预测方面的性能，包括以下详细步骤：

（1）获取实施路段的交通事故信息和事故发生前的速度数据：

通过上海市快速路视频监控系统获取延安高架上4个路段共411起交通事故；由于延安高架上全部装有线圈检测设备，则通过每起事故发生地点上游和下游各两个交通流检测器采集事故发生前两个时间段内检测的所有车辆平均速度，这两个时间段分别为事故发生前t时段（该实施例为事故发生前5~10分钟）和事故发生前t-1时段（该实施例为事故发生前10~15分钟）；

（2）获取实施路段在未发生事故时的速度数据：

针对采集的每起交通事故，按1:5的比例选取正常交通状态下的速度数据，共计2055条非事故数据，选取规则为筛选出与事故发生地点相同、与事故发生在同一月内的同一时间且一小时前无事故发生的交通条件，再采集该交通条件下的速度数据，采集方法与步骤（1）中采集事故发生前的速度数据的方法相同；

（3）建立实施路段的事故-非事故速度数据样本集：

对所有采集的事故和非事故信息：

1)通过获取的事故和非事故地点上游和下游在事故发生前两个时间段内的速度数据，计算事故和非事故发生前的上游和下游的交通状态；计算方法为：事故上游或下游每个时间段内的车辆平均速度大于45km/h时，交通状态为畅通，平均速度介于45-20km/h之间时，交通状态为拥堵，平均速度小于20km/h时，交通状态为堵塞；

2)计算每个时间段内上游和下游之间的平均速度之差；

3)将所有采集的事故信息和非事故信息与事故或非事故发生前两个时间段内上游和下游交通状态和平均速度之差对应，由此建立一个事故-非事故速度数据样本集；

4)现有411条事故数据和2055条数据组成的事故-非事故数据样本集，由于测试原因，先从整个样本集中随机选取训练样本集和测试样本集，为保证模型测试的可靠性，训练样本和测试样本的比例为1:1；先使用训练样本集建立事故预测模型，再使用测试样本集对模型的预测效果进行测试。

（4）使用训练样本集建立交通事故预测模型:

1)确定DBN模型的结构，即指定各节点和节点间的关系：整个DBN模型有两个时间片t∈{1,2}，对应事故发生前的两个时间段，时间片1对应事故发生前10~15分钟，时间片2对应事故发生前5~10分钟；每个时间片分别有一个隐藏节点和三个可观测节点, j∈{1,2,3}，隐藏节点表示当前交通状态是否可能会导致事故的发生，三个可观测节点分别表示事故或非事故发生前单个时间段内上游的交通状态、下游的交通状态以及上游和下游间平均速度之差；隐藏节点和可观测节点之间的结构关系可见图2；

2)使用最大期望（EM）算法和训练样本集对DBN进行参数学习，即计算各节点之间的条件概率分布;令θ为DBN模型所有未知参数的集合，通过迭代找到一组能使输入数据的极大似然值(可观测数据边际概率的对数)最大的参数:；首先初始化一个θ的分布并定义一个分布，由此计算DBN每个时间片内的条件概率分布，并且由Jensen不等式可知：

，然后由计算的条件概率分布来优化参数集；再通过多次重复上述步骤，得到最优的参数集；

3)利用计算的最优参数集，从而可以计算DBN内所有节点的条件概率分布，并且通过计算推出不同时间片中隐藏状态的概率值；通过对时间片2的隐藏状态的概率值进行的分析，可以对基于DBN的事故预测模型进行标定，确定合适的概率阈值P=0.35，当隐藏状态属于可能发生事故的状态的概率值大于某个阈值时，认为该交通状态对应会发生事故，反之，则认为其对应不会发生事故；

（5）使用测试样本集对事故预测模型进行测试：

将测试样本集中的数据带入DBN模型，根据DBN模型的最优参数集计算出时间片2中隐藏状态的概率值，若该条数据的概率值大于阈值0.35，则认为t+1时段（即5分钟后）可能会发生事故；反之，则认为是正常交通状态。根据测试样本集中每条数据的真实信息与预测结果进行对比，可以得出事故预测模型的预测准确率。最后得到的结果为在误报率为23.7%的情况下能够成功预测出76.4%的事故，总的检测准确率为76.3%。

由此可知，本发明的方法利用待检测路段的速度数据对交通事故进行预测，对车辆进行预警或调控，能够有效降低事故的发生。本发明的方法具有实际的工程运用价值。

Claims (1)

1.一种高等级道路交通流运行风险实时预估方法，所述方法基于动态贝叶斯网络，其特征在于具体步骤如下：

（1）获取实施路段的交通事故信息和事故发生前的速度数据：

通过在高等级道路上安装的视频监控系统获取实施路段发生的交通事故；若该实施路段安装交通流检测设备，则通过每起事故发生地点上游和下游安装的交通流检测设备采集事故发生前两个时间段内检测的所有车辆平均速度；若该路段未安装交通流检测设备，则通过安装在车辆上的GPS设备或车辆内的智能手机采集事故发生前两个时间段内、事故地点上游和下游一定范围D内经过车辆的采样的实时速度数据；其中：所述事故发生前两个时间段分别为事故发生前t时段和事故发生前t-1时段；

（2）获取实施路段在未发生事故时的速度数据：

针对采集的每起交通事故，按1:n的比例选取正常交通状态下的速度数据，n>2，选取规则为筛选出与事故发生地点相同、与事故发生在同一月内的同一时间且一小时前无事故发生的交通条件，采集该正常交通条件下的速度数据，采集方法与步骤（1）中采集事故发生前的速度数据的采集方法相同；

（3）建立实施路段的事故-非事故交通信息样本集：

(3.1)针对采集的所有实施路段的事故信息和非事故信息，通过获取的事故和非事故地点上游和下游在事故发生前两个时间段内的速度数据，计算事故和非事故地点发生前的上游和下游的交通状态；

(3.2)计算事故或非事故发生前每个时间段内上游和下游之间的平均速度之差；

(3.3)将步骤(3.1)所有采集的事故信息和非事故信息与其上游和下游交通状态以及步骤(3.2)事故或非事故发生每时间段内平均速度之差对应，由此建立一个事故-非事故交通信息样本集；

（4）建立DBN交通事故预测模型:

(4.1)确定DBN模型的结构，即指定各节点和节点间的关系：整个DBN模型有两个时间片t∈{1,2}，对应事故发生前的两个时间段，时间片1对应事故发生前t-1时段，时间片2对应事故发生前t时段；每个时间片分别有一个隐藏节点 和三个可观测节点, j∈{1,2,3}，隐藏节点表示当前交通状态是否可能会导致事故的发生，三个可观测节点分别表示事故或非事故发生前单个时间段内上游的交通状态、下游的交通状态以及上游和下游间平均速度之差；

(4.2)使用最大期望（EM）算法和步骤(3)得到的事故-非事故交通信息样本集对DBN进行参数学习，即计算各节点之间的条件概率分布;令θ为DBN模型所有未知参数的集合，通过迭代找到一组能使输入数据的极大似然值最大的参数:

；

极大似然值为可观测数据边际概率的对数，首先初始化一个θ的分布并定义一个分布，由此计算DBN每个时间片内的条件概率分布，并且由Jensen不等式可知：，然后由计算的条件概率分布得到一组新的优化参数集使；再通过重复上述步骤，得到最优的参数集；其中：H 表示所有隐藏状态的值，E 表示所有可观测变量的值；

(4.3)利用步骤(4.2)计算得到的最优参数集，从而可计算DBN内所有节点的条件概率分布，并且通过计算推出不同时间片中隐藏状态的概率值；通过对时间片2的隐藏状态的概率值进行的分析，可以对基于DBN的事故预测模型进行标定，确定合适的概率阈值P，当隐藏状态属于可能发生事故的状态的概率值大于某个阈值时，认为该隐藏状态对应会发生事故，反之，则认为其对应不会发生事故；从而建立DBN交通事故预测模型；

（5）使用DBN交通事故预测模型进行预测：

利用可用的交通流检测设备采集待检测路段的速度数据；根据步骤（3）的方法连续在t时段时间间隔内分别计算路段上游和下游的交通状态和上游和下游间的平均速度之差；将当前t时段和上一个t-1时段共两个时间段的3个交通参数代入标定好的DBN交通事故预测模型，根据DBN交通事故预测模型中的最优的参数集计算出时间片2中隐藏状态的概率值，若该条概率值大于阈值P，则认为t+1时段内可能会发生事故，需要对该路段上的车辆提供预警信息或采取调控措施；反之，则认为是正常交通状态，无需发出预警；每t时段进行一次计算，预估事故发生的可能性，直至检测结束。