CN104835318A - 一种基于贝叶斯联合模型量化径路安全水平的方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯联合模型量化径路安全水平的方法，利用路口-路段分严重性事故频率贝叶斯联合预测模型，估计出行路径中各道路实体分严重性的事故率，并以各严重性事故损失比重加权求和，获得整条路径的安全评价指标。该方法可以方便嵌入路径导航、出行信息服务平台等系统中，从而为旅客出行的安全性提供智能分析手段。

Description

一种基于贝叶斯联合模型量化径路安全水平的方法

技术领域

本发明涉及一种量化径路安全水平的方法，特别涉及一种基于贝叶斯联合模型量化径路安全水平的方法。

背景技术

径路是指交通网络上任意一OD点对之间，从发生点到吸引点一串连通的路口、路段的有序排列。在现实生活中，当驾车从一个地方出发到另一地方去，通常存在许多不同的出行路径。在选择路径时，主要考虑路径的出行距离、旅行时间等因素。然而，随着我国城市化、机动化水平的不断提升，道路上的事故发生几率也在随之提升，道路交通安全成为了一项十分重要的社会、经济问题。同时，在出行过程中，对于所选路径的安全水平，也受到了人们越来越多的重视，尤其是在偏远山区等道路条件非常复杂的地区更是如此。

对于道路实体的事故预测研究已经开展了数十年，最基本的模型是泊松模型，其假定各个观测是相互独立的且事故数均值等于方差。为了处理观测中通常存在的过度离散、时空关联和异质性等问题，先后提出了负二项、泊松-对数正态、零膨胀模型、马尔科夫转换模型、随机效应、随机参数和多层模型等。另外，一些人工智能模型如神经网络、贝叶斯神经网络和支持向量机等具有更好的非线性拟合的特点。

对于路网中各路段、交叉口的事故频率预测，已有研究表明，解释相邻道路实体事故数据间的空间相关性可以获得更好的安全评价结果。但现有模 型则以总事故数为预测对象，忽略了对事故严重性的考虑。除事故频率外，事故严重性是评价道路交通安全水平的另一重要指标。在对事故严重性和事故频率联合建模时，解释各严重性事故频率间的相关性同样可显著地提高模型的拟合、预测性能。

发明内容

为了解决目前道路事故预测不准确的技术问题，本发明根据道路交通安全分析的基本思想，针对出行道路交通网络中各道路实体的事故数据特点，构建了路口-路段分严重性事故频率联合预测模型，并以此计算评价出行路径安全性的量化指标。

为了实现上述技术目的，本发明的技术方案是，

一种基于贝叶斯联合模型量化径路安全水平的方法，包括以下步骤：

步骤一：搜集路网上各路段、交叉口的历史事故数据，以及路网上各路段、交叉口交通、道路特征属性；

步骤二：将步骤一中得到的数据代入至路口-路段不同严重性事故频率贝叶斯联合预测模型中，

$P(Y_{\mathrm{ikt}}=y_{\mathrm{ikt}})={\mathrm{\λ}}_{\mathrm{ikt}}^{y_{\mathrm{ikt}}}\frac{e^{-{\mathrm{\λ}}_{\mathrm{ikt}}}}{y_{\mathrm{ikt}}!},i=\mathrm{1,2},\·\·\·,M,t=\mathrm{1,2},\·\·\·,T,k=\mathrm{1,2},\·\·\·,K,y_{\mathrm{ikt}}=\mathrm{0,1,2,3},\·\·\·,$

$\begin{array}{c}\log {\mathrm{\λ}}_{\mathrm{ikt}}=\log (z_i\×e_{\mathrm{it}}^I+(1-z_i)\×e_{\mathrm{it}}^S)+z_i\×{\mathrm{\μ}}_{\mathrm{ikt}}^I+(1-z_i)\×{\mathrm{\μ}}_{\mathrm{ikt}}^S+{\mathrm{\θ}}_{\mathrm{ik}}+{\mathrm{\φ}}_i\\ =\log (z_i\×e_{\mathrm{it}}^I+(1-z_i)\×e_{\mathrm{it}}^S)+z_i\×X_{\mathrm{it}}^{I^{\′}}{\mathrm{\β}}_k^I+(1-z_i)\×X_{\mathrm{it}}^{S^{\′}}{\mathrm{\β}}_k^S+{\mathrm{\θ}}_{\mathrm{ik}}+{\mathrm{\φ}}_i\end{array},$

${\mathrm{\θ}}_i~N_K(0,\mathrm{\Σ}),{\mathrm{\θ}}_i=\left(\begin{array}{c}{\mathrm{\θ}}_{i1}\\ {\mathrm{\θ}}_{i2}\\ \·\·\·\\ {\mathrm{\θ}}_{\mathrm{iK}}\end{array}\right),\mathrm{\Σ}=\left(\begin{array}{cccc}{\mathrm{\σ}}_{11}& {\mathrm{\σ}}_{12}& \·\·\·& {\mathrm{\σ}}_{1K}\\ {\mathrm{\σ}}_{21}& {\mathrm{\σ}}_{22}& \·\·\·& {\mathrm{\σ}}_{2K}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\σ}}_{K1}& {\mathrm{\σ}}_{K2}& \·\·\·& {\mathrm{\σ}}_{\mathrm{KK}}\end{array}\right),$

${\mathrm{\φ}}_i~N({\stackrel{\‾}{\mathrm{\φ}}}_i,1/{\mathrm{\τ}}_i),{\stackrel{\‾}{\mathrm{\φ}}}_i=\frac{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\φ}}_j{\mathrm{\ω}}_{\mathrm{ij}}}{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\ω}}_{\mathrm{ij}}},{\mathrm{\τ}}_i=\frac{{\mathrm{\τ}}_c}{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\ω}}_{\mathrm{ij}}},$

其中，Y_ikt是在时段t内发生在路段或交叉口i上的严重程度为k的事故数，λ_ikt为其潜在的泊松均值，I和S分别表示交叉口和路段，如果道路实体i为交叉口，则z_i＝1；否则，z_i＝0，和和分别表示交叉口、路段i在时段t内的事故机会和风险因素，路段和交叉口的事故机会分别用车辆行驶里程和进入交叉口的车辆数表示，和分别为交叉口、路段i在时段t内发生严重程度为k的事故的概率，β_k为风险因素对严重程度为k的事故频率的安全效应，θ_ik和φ_i分别表示路段或交叉口i的各严重程度事故频率间的相关性和空间相关性，ω_ij为邻接矩阵ω中，表示道路实体i和j间邻接关系的权重值；

得到路网上各个路段、交叉口在不同严重性下的事故模型校验结果；

步骤三：根据步骤二所得的路网上各个路段、交叉口在不同严重性下的事故模型结果，对某一路径上的各路段、交叉口分严重性的事故发生概率进行预测；

步骤四：根据路网上标准车的数量、路径上各路段长度l_s(s＝s₁,s₂,",s_n)、各严重性事故损失比重α_k(k＝1,2,…,K)，以及步骤三中得到的路径上各路段、交叉口在不同严重性下事故发生概率的预测结果即和 计算路网的安全性指标C_vp：

$C_{\mathrm{vp}}=a(\underset{i=i_1}{\overset{i_m}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_k{\mathrm{\μ}}_{\mathrm{ikt}}^I+\underset{s=s_1}{\overset{s_n}{\mathrm{\Σ}}}{l}_s\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_k{\mathrm{\μ}}_{\mathrm{skt}}^S).$

所述的一种基于贝叶斯联合模型量化径路安全水平的方法，所述的步骤一中，所述的历史事故数据为相应历史段时间内中事故的事故发生时间、精确到路段的事故发生地点和事故严重程度，其中事故严重程度按照伤害严重性划分为三个等级：无伤害、受伤及死亡事故。

所述的一种基于贝叶斯联合模型量化径路安全水平的方法，所述的步骤一 中，所述的路网上各路段、交叉口交通、道路特征属性包括路段单位时间车辆行驶总里程、道路等级、限速值、车道数、接入口数、路面状况、是否有中央隔离带、单位时间进入交叉口的标准车数、交叉口类型、是否有信号灯，主路限速值、次路限速值，主路进口道是否有左转专用道，主路进口道是否有右转专用道，次路进口道是否有左转专用道，次路进口道是否有右转专用道。

所述的一种基于贝叶斯联合模型量化径路安全水平的方法，所述的步骤二中，M表示的是路网内交叉口数量和路段数量的总和，T表示所用单位时间数，t表示所取的单位时间的序号，例如t＝1表示第一个15分钟，那么t＝2表示第二个15分钟，t＝3表示第三个15分钟，若用这3个进行回归，则T＝3，K表示表示事故严重程度分类数目。

所述的一种基于贝叶斯联合模型量化径路安全水平的方法，所述的步骤四中，所述的标准车为PCU，即Passenger Car Unit，标准车当量数。

本发明的技术效果在于，通过对事故严重性和事故频率联合建模，解释各严重性事故频率间的相关性可显著地提高模型的拟合、预测性能。结合这两方面研究，本发明构建了路口-路段分严重性事故频率贝叶斯联合预测模型用于估计路径上各路段、交叉口的事故率，从而为准确地量化出行路径的安全性奠定基础。本发明所提供的方法可以方便嵌入路径导航、出行信息服务平台等系统中，从而为旅客出行的安全性提供智能分析手段。

下面结合附图对本发明作进一步说明。

附图说明

图1为本发明的流程示意图；

图2为某一城市道路交通出行网络及路径示意图。

具体实施方式

本发明设计的事故预测模型——路口-路段分严重性事故频率贝叶斯联合预测模型，结合了路口-路段事故联合预测和事故频率-严重性联合预测研究当前最先进的方法，以道路实体分严重性的事故频率为预测对象，假定其服从泊松分布。在泊松分布的连接函数中，分别引入了表示各严重性事故频率相关性和相邻实体的空间相关性的残差项。由于路段和交叉口必定存在不同的安全影响因素，在模型中利用一种指示变量来判定该道路实体为路段和交叉口。该联合模型的表达形式如下：

$P(Y_{\mathrm{ikt}}=y_{\mathrm{ikt}})={\mathrm{\λ}}_{\mathrm{ikt}}^{y_{\mathrm{ikt}}}\frac{e^{-{\mathrm{\λ}}_{\mathrm{ikt}}}}{y_{\mathrm{ikt}}!},i=\mathrm{1,2},\·\·\·,M,t=\mathrm{1,2},\·\·\·,T,k=\mathrm{1,2},\·\·\·,K,y_{\mathrm{ikt}}=\mathrm{0,1,2,3},\·\·\·,$

$\begin{array}{c}\log {\mathrm{\λ}}_{\mathrm{ikt}}=\log (z_i\×e_{\mathrm{it}}^I+(1-z_i)\×e_{\mathrm{it}}^S)+z_i\×{\mathrm{\μ}}_{\mathrm{ikt}}^I+(1-z_i)\×{\mathrm{\μ}}_{\mathrm{ikt}}^S+{\mathrm{\θ}}_{\mathrm{ik}}+{\mathrm{\φ}}_i\\ =\log (z_i\×e_{\mathrm{it}}^I+(1-z_i)\×e_{\mathrm{it}}^S)+z_i\×X_{\mathrm{it}}^{I^{\′}}{\mathrm{\β}}_k^I+(1-z_i)\×X_{\mathrm{it}}^{S^{\′}}{\mathrm{\β}}_k^S+{\mathrm{\θ}}_{\mathrm{ik}}+{{\mathrm{\φ}}_i}^{,}\end{array}$

${\mathrm{\θ}}_i~N_K(0,\mathrm{\Σ}),{\mathrm{\θ}}_i=\left(\begin{array}{c}{\mathrm{\θ}}_{i1}\\ {\mathrm{\θ}}_{i2}\\ \·\·\·\\ {\mathrm{\θ}}_{\mathrm{iK}}\end{array}\right),\mathrm{\Σ}=\left(\begin{array}{cccc}{\mathrm{\σ}}_{11}& {\mathrm{\σ}}_{12}& \·\·\·& {\mathrm{\σ}}_{1K}\\ {\mathrm{\σ}}_{21}& {\mathrm{\σ}}_{22}& \·\·\·& {\mathrm{\σ}}_{2K}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\σ}}_{K1}& {\mathrm{\σ}}_{K2}& \·\·\·& {\mathrm{\σ}}_{\mathrm{KK}}\end{array}\right),$

${\mathrm{\φ}}_i~N({\stackrel{\‾}{\mathrm{\φ}}}_i,1/{\mathrm{\τ}}_i),{\stackrel{\‾}{\mathrm{\φ}}}_i=\frac{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\φ}}_j{\mathrm{\ω}}_{\mathrm{ij}}}{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\ω}}_{\mathrm{ij}}},{\mathrm{\τ}}_i=\frac{{\mathrm{\τ}}_c}{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\ω}}_{\mathrm{ij}}},$

其中，Y_ikt是在时段(年、月、日、小时)t内发生在路段或交叉口i上的严重程度为k的事故数，λ_ikt为其潜在的泊松均值。I和S分别表示交叉口和路段。如果道路实体i为交叉口，则z_i＝1；否则，z_i＝0。和和分别表示交叉口、路段i在时段t内的事故机会和风险因素。路段和交叉口的事故机会分别用车辆行驶里程(标准车*km)和进入交叉口的(标准)车辆数表示。 和分别为交叉口、路段i在时段t内发生严重程度为k的事故的概率。β_k为风险因素对严重程度为k的事故频率的安全效应。θ_ik和φ_i分别表示路段或交 叉口i的各严重程度事故频率间的相关性和空间相关性。ω_ij为邻接矩阵ω中，表示道路实体i和j间邻接关系的权重值。

下面对路径安全指标计算作出说明：

对于车辆v，在时段t内，从节点i₁按照路径p＝{i₁,s₁,i₂,s₂,…s_n,i_m}到达节点i_n，其安全性计算如下：

首先，根据车辆类型，确定其对应标准车的数量a；

其次，根据上述事故预测模型，估计路径上各交叉口、路段发生各严重性事故的概率，即和

最后，根据各路段长度l_s(s＝s₁,s₂,…,s_n)，各严重性事故损失比重α_k(k＝1,2,…,K)以及以上各参数，计算该路径的安全性指标C_vp：

$C_{\mathrm{vp}}=a(\underset{i=i_1}{\overset{i_m}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_k{\mathrm{\μ}}_{\mathrm{ikt}}^I+\underset{s=s_1}{\overset{s_n}{\mathrm{\Σ}}}{l}_s\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_k{\mathrm{\μ}}_{\mathrm{skt}}^S).---\left(1\right)$

下面给出一个关于短时径路安全水平预测的实施例：

参见图2，其为某一城市道路交通出行网络。该网络包含198个交叉口和346条路段。为估计路口-路段分严重性事故频率贝叶斯联合预测模型，搜集了该路网上各道路实体历年的事故数据。事故按照其伤害严重性划分为三个等级：无伤害、受伤及死亡事故。三种事故的平均事故损失比例α₁:α₂:α₃＝1:10:45。同时还收集了对应的交通、道路特征数据。其中，路段属性有：车辆行驶里程(事故机会)、道路等级、限速值、车道数、路面状况等。交叉口属性有：进入交叉口的标准车数(事故机会)、交叉口类型、是否有信号灯，主次路各自的限速值，各个进口道是否有左转专用道等。

风险因素的系数均可通过马尔科夫链-蒙特卡洛方法在WinBUGS中 进行估计，其中CAR先验通过函数car.normal来表示，以反映道路实体间的空间邻接关系；Σ^-1的先验则通过分布Wishart(P,r)表示，P和r分别赋值单位矩阵和K。其它模型参数均为无信息先验，服从正态分布(0,10⁴)。每一模型均设置了500,000次循环。在确定收敛后，再做50,000次循环以推断参数的后验分布。模型校验结果如下表1所示.

表1风险因素变量的估计参数值

一小汽车(标准车)按照如图2中浅色部分所示的路径从出发到达。该路径上的路段长度分别为0.8km、0.2km、0.5km、0.4km、0.5km、0.15km、0.5km、0.5km、0.8km、0.15km、0.5km、0.5km、1.4km、0.5km、0.6km。根据所校验的事故预测模型，估计该路径上各交叉口的无伤害事故率分别为0.12、0.13、0.15、0.06、0.10、0.14、0.08、0.07、0.09、0.15、0.06、0.10、0.12、0.16、0.04、0.07；受伤事故率分别为0.024、0.026、 0.03、0.012、0.02、0.028、0.016、0.014、0.018、0.03、0.012、0.02、0.024、0.032、0.008、0.014；死亡事故率分别为0.006、0.0065、0.0075、0.003、0.005、0.007、0.004、0.0035、0.0045、0.0075、0.003。路段的无伤害事故率分别为0.08、0.09、0.12、0.09、0.06、0.09、0.12、0.05、0.09、0.09、0.15、0.07、0.05、0.08、0.08；受伤事故率分别为0.016、0.018、0.024、0.018、0.012、0.018、0.024、0.01、0.018、0.018、0.03、0.014、0.01、0.016、0.016；死亡事故率分别为0.004、0.0045、0.006、0.0045、0.003、0.0045、0.006、0.0025、0.0045、0.0045、0.0075。根据公式(1)，可算得该路径的安全性指标C＝12.075。

Claims (5)

1.一种基于贝叶斯联合模型量化径路安全水平的方法，其特征在于，包括以下步骤：

步骤一：搜集路网上各路段、交叉口的历史事故数据，以及路网上各路段、交叉口交通、道路特征属性；

步骤二：将步骤一中得到的数据代入至路口-路段不同严重性事故频率贝叶斯联合预测模型中，

$P(Y_{\mathrm{ikt}}=y_{\mathrm{ikt}})={\mathrm{\λ}}_{\mathrm{ikt}}^{y_{\mathrm{ikt}}}\frac{e^{{-\mathrm{\λ}}_{\mathrm{ikt}}}}{y_{\mathrm{ikt}}!},i=\mathrm{1,2},...,M,t=\mathrm{1,2},...,T,k=\mathrm{1,2},...K,y_{\mathrm{ikt}}=\mathrm{0,1,2,3},...,$

$\begin{array}{c}\log {\mathrm{\λ}}_{\mathrm{ikt}}=\log (z_i\×e_{\mathrm{it}}^I+(1-z_i)\×e_{\mathrm{it}}^S)+z_i\×{\mathrm{\μ}}_{\mathrm{ikt}}^I+(1-z_i)\×{\mathrm{\μ}}_{\mathrm{ikt}}^S+{\mathrm{\θ}}_{\mathrm{ik}}+{\mathrm{\φ}}_i\\ =\log (z_i\×e_{\mathrm{it}}^I+(1-z_i)\×e_{\mathrm{it}}^S)+z_i\×X_{\mathrm{it}}^{I\′}{\mathrm{\β}}_k^I+(1-z_i)\×X_{\mathrm{it}}^{S\′}{\mathrm{\β}}_k^S+{\mathrm{\θ}}_{\mathrm{ik}}+{\mathrm{\φ}}_i\end{array},$

${\mathrm{\θ}}_i~N_K(0,\mathrm{\Σ}),{\mathrm{\θ}}_i=\left(\begin{array}{c}{\mathrm{\θ}}_{i1}\\ {\mathrm{\θ}}_{i2}\\ ...\\ {\mathrm{\θ}}_{\mathrm{iK}}\end{array}\right),\mathrm{\Σ}=\left(\begin{array}{cccc}{\mathrm{\σ}}_{11}& {\mathrm{\σ}}_{12}& ...& {\mathrm{\σ}}_{1K}\\ {\mathrm{\σ}}_{21}& {\mathrm{\σ}}_{22}& ...& {\mathrm{\σ}}_{2K}\\ ...& ...& ...& ...\\ {\mathrm{\σ}}_{K1}& {\mathrm{\σ}}_{K2}& ...& {\mathrm{\σ}}_{\mathrm{KK}}\end{array}\right),$

${\mathrm{\φ}}_i~N(\stackrel{\‾}{{\mathrm{\φ}}_i},1/{\mathrm{\τ}}_i),{\stackrel{\‾}{\mathrm{\φ}}}_i=\frac{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\φ}}_j{\mathrm{\ω}}_{\mathrm{ij}}}{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\ω}}_{\mathrm{ij}}},{\mathrm{\τ}}_i=\frac{{\mathrm{\τ}}_c}{{\mathrm{\Σ}}_{i\≠j}{\mathrm{\ω}}_{\mathrm{ij}}},$

其中，Y_ikt是在时段t内发生在路段或交叉口i上的严重程度为k的事故数，λ_ikt为其潜在的泊松均值，I和S分别表示交叉口和路段，如果道路实体i为交叉口，则z_i＝1；否则，z_i＝0，和和分别表示交叉口、路段i在时段t内的事故机会和风险因素，路段和交叉口的事故机会分别用车辆行驶里程和进入交叉口的车辆数表示，和分别为交叉口、路段i在时段t内发生严重程度为k的事故的概率，β_k为风险因素对严重程度为k的事故频率的安全效应，θ_ik和φ_i分别表示路段或交叉口i的各严重程度事故频率间的相关性和空间相关性，ω_ij为邻接矩阵ω中，表示道路实体i和j间邻接关系的权重值；

得到路网上各个路段、交叉口在不同严重性下的事故模型校验结果；

步骤三：根据步骤二所得的路网上各个路段、交叉口在不同严重性下的事故模型结果，对某一路径上的各路段、交叉口分严重性的事故发生概率进行预测；

步骤四：根据路网上标准车的数量、路径上各路段长度l_s(s＝s₁,s₂,…,s_n)、各严重性事故损失比重α_k(k＝1,2,…,K)，以及步骤三中得到的路径上各路段、交叉口在不同严重性下事故发生概率的预测结果即和计算路网的安全性指标C_vp：

$C_{\mathrm{vp}}=a(\underset{i=i_1}{\overset{i_m}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_k{\mathrm{\μ}}_{\mathrm{ikt}}^I+\underset{s=s_1}{\overset{s_n}{\mathrm{\Σ}}}{l}_s\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_k{\mathrm{\μ}}_{\mathrm{skt}}^S).$

2.根据权利要求1所述的一种基于贝叶斯联合模型量化径路安全水平的方法，其特征在于，所述的步骤一中，所述的历史事故数据为相应历史段时间内中事故的事故发生时间、精确到路段的事故发生地点和事故严重程度，其中事故严重程度按照伤害严重性划分为三个等级：无伤害、受伤及死亡事故。

3.根据权利要求1所述的一种基于贝叶斯联合模型量化径路安全水平的方法，其特征在于，所述的步骤一中，所述的路网上各路段、交叉口交通、道路特征属性包括路段单位时间车辆行驶总里程、道路等级、限速值、车道数、接入口数、路面状况、是否有中央隔离带、单位时间进入交叉口的标准车数、交叉口类型、是否有信号灯，主路限速值、次路限速值，主路进口道是否有左转专用道，主路进口道是否有右转专用道，次路进口道是否有左转专用道，次路进口道是否有右转专用道。

4.根据权利要求1所述的一种基于贝叶斯联合模型量化径路安全水平的方法，其特征在于，所述的步骤二中，M表示的是路网内交叉口数量和路段数量的总和，T表示所用单位时间数，t表示所取的单位时间的序号，K表示表示事故严重程度分类数目。

5.根据权利要求1所述的一种基于贝叶斯联合模型量化径路安全水平的方法，其特征在于，所述的步骤四中，所述的标准车为PCU，即Passenger CarUnit，标准车当量数。