CN106600950A - 一种基于交通流数据的二次交通事故预测方法 - Google Patents

Abstract

本发明公开了一种基于交通流数据的二次交通事故预测方法，首先获取交通事故数据；将原始交通事故划分为主事故、二次事故和普通事故；获取原始交通事故的上下游交通,道路，天气，时间信息；建立二次交通事故发生频率模型；检测二次事故发生概率；本发明可以用实时交通流来判断二次事故发生的概率，从而能使用动态交通控制的方法，主动实时预测二次交通事故频率。

Description

一种基于交通流数据的二次交通事故预测方法

技术领域

本发明涉及一种利用实时交通流数据预测二次交通事故发生概率，并通过高速公路主线控制、匝道控制和信息调控预防二次事故的方法，属于预防高速公路二次事故发生的主动调控领域。

背景技术

高速公路、快速路的快速发展使交通安全形势越发严峻。特别是由一次交通事故引起的，重特大二次交通事故屡屡发生，严重威胁人民群众的生命财产安全，增大道路交通安全管理的工作压力。导致二次事故的因素不胜枚举，比如没有迅速在事故现场后方设置危险警告标志，或者是在一次事故发生后，交通管理部门没有及时疏导异常交通流等。二次事故除了有交通事故的共性之外，还具有一定的特殊性。高速公路、快速路车流量大，事故多发，若对事故的处理不当容易引发二次事故。二次事故与主事故有一定相关性，而范围更广影响更大。因此，探究高速公路和快速路发生二次交通事故的原因，同时根据发生原理预测二次交通事故的发生频率，对预防高速公路二次事故有非常重大的作用。

已有的二次事故预测方法研究主要集中在：一次事故的发生时间、事故类型、天气以及道路几何特征对二次事故发生概率的影响等方面。但是，相对较少的研究认为实时交通流状况对二次事故的风险有影响，与一次事故相关的危险交通流状况也可能促使二次事故的发生。

除此之外，在二次事故的防范方面，以往都是一些被动、静态的方法，如果用实时采集的交通流来判断二次事故发生的概率，就有希望通过使用动态交通控制的方法，主动实时预测二次交通事故，采取实时的交通控制策略来防范二次事故的发生。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于高精度交通流数据的二次交通事故预测方法，该方法可以用实时交通流来判断二次事故发生的概率，从而能使用动态交通控制的方法，主动实时预测二次交通事故频率。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于交通流数据的二次交通事故预测方法，包括以下步骤：

步骤10)获取历史交通事故数据，

步骤20)根据步骤10)得到的历史交通事故数据将交通事故分类，分别为主事故、二次事故和普通交通事故。这一步可以利用速度等值线图进行二次交通事故的分类，速度等值线图可以清晰地观察到一起事故发生后产生的交通堵塞和排队形成。利用Python语言把事故以白点的形式标在速度等位图上，可直观便利的呈现事故。再通过人工分类的方式根据事故的拥堵范围、时间差、距离差进行分类。

步骤30)根据步骤10)得到的历史交通事故数据以及步骤20)的交通事故分类获取三种事故的上下游交通信息。

步骤40)根据步骤20)的交通事故分类以及步骤30)分别获取的三类事故的上下游交通信息准备模型变量。

步骤50)根据步骤40)准备的模型变量建立二次交通事故预测模型：

Y^*＝βX+ε，

其中，由于无法观测到Y^*的具体值，将Y^*称为潜变量，但Y是可观测、有5个取值{0，1，2，3，4}的随机变量；X为解释变量的集合；β为待估计的回归系数，表示各个解释变量对Y影响程度；ε为随机干扰项，代表对被解释变量产生影响的其他因素的总和，与X相互独立；

设α_i(i＝1，2，3，4)为阈值，取α₁＜a₂＜a₃＜α₄，则有：

Y_i＝0，1，2，3，≥4的概论分别为：

y_i＝a+b₁x₁+b₂x₂+…+b_kx_k 式(1)

步骤60)当公路上发生了一起事故，获取实时交通流数据，并将这些交通流数据带入步骤50)二次交通事故预测模型中，来判断是否会发生二次交通事故。

进一步地：所述步骤60)中若检测结果不安全，调控交通流并重复步骤60)，若检测结果安全，结束检测。检测结果不安全是指检测结果表示可能发生二次事故，可采用主线控制、动态信息调控和匝道控制等方法调控交通流。

优选的：所述步骤50)中二次交通事故预测模型为：

Y_i＝0.2228527X₁-0.1808383X₂-0.0714166X₃-0.5255664X-0.0212277₄X₅+0.8740627X₆+0.1688458X₇+0.0044692X₈-0.1056242X₉；

α₁＝-.6295762。α₂＝.6758094。α₃＝1.365049。α₄＝1.990045。

Y_i表示二次事故发生频率，X₁表示下匝道数目，X₂表示上游速度标准差。X₃表示下游车道占有率标准差。X₄表示上下游平均交通量。X₅表示上游车道占有率平均值。X₆表示上下游交通量标准差。X₇表示上下游车道占有率标准差。X₈表示道路宽度。X₉表示上下游线圈所在位置的车道数差值。

优选的：所述步骤10)中交通事故数据包括事故的发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

优选的：所述的步骤10)中历史交通事故数据通过安置在道路上的环形检测器获得，在公路上每隔一定距离设置一个环形线圈检测器，通过环形线圈检测器采集事故发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

优选的：所述步骤30)中获取二次事故的上下游交通信息方法：首先匹配出每一个事故发生地点距离最近的上游环形线圈检测器和下游环形线圈检测器，然后提取事故发生时前25分钟和后5分钟的交通数据作为二次事故的上下游交通信息，所述二次事故的上下游交通信息包括上下游线圈的交通量、车速和车辆占有率。

优选的：所述步骤40)中模型变量包括实时交通流数据、二次事故特征、环境状况以及道路几何特征，其中：

所述实时交通流数据：将步骤30)获取的上下游交通信息以5分钟为时间间隔进行合并，之后计算出每一个事故对应的车辆数、车辆速度和车辆占有率三个变量在5分钟时间间隔内的平均值、标准差。考虑到事故报道发生时间的潜在的不准确性，最终交通流数据提取时间为事故发生之前9分钟。

所述事故特征包括事故严重程度、事故发生类型、事故发生时间段、事故发生的路段。

所述环境状况包括天气情况、道路表面状况、光线优良。

所述道路几何特征包括车道数、道路表面宽度、车道宽度、路肩宽度、道路线形、匝道数。

本发明相比现有技术，具有以下有益效果：

1.以往的研究在构建预测二次交通事故模型时，大多只考虑事故特征，很少有考虑实时交通流状况。本发明在选取变量时，综合考虑了实时交通流状况、事故特征、天气状况、道路环境状况以及道路几何特征对二次交通事故发生概率的影响，使得模型的精准率更高。

2.该车辆调控方法利用交通流检测设备获取实时交通数据，以及环境气象站获取的天气数据，实时检测道路发生二次交通事故概率，通过使用动态交通控制的方法进行调控，减少交通事故。

附图说明

图1是本发明的流程框图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于交通流数据的二次交通事故预测方法，如图1所示，包括以下步骤：

步骤10)获取历史交通事故数据，交通事故数据包括事故的发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。这些数据会被存储到数据库中，供交通研究使用。

交通事故数据通过安置在道路上的环形检测器获得，在公路上每隔一定距离(如0.5英里)设置一个环形线圈检测器，通过环形线圈检测器采集事故发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

步骤20)根据步骤10)得到的历史交通事故数据将交通事故分类，分别为主事故、二次事故和普通交通事故这一步可以利用速度等值线图进行二次交通事故的分类，速度等值线图可以清晰地观察到一起事故发生后产生的交通堵塞和排队形成。利用Python语言把事故以白点的形式标在速度等位图上，可直观便利的呈现事故。再通过人工分类的方式根据事故的拥堵范围、时间差、距离差进行分类。

步骤30)根据步骤10)得到的历史交通事故数据以及步骤20)的交通事故分类获取三种事故的上下游交通信息。获取二次事故的上下游交通信息方法：首先匹配出每一个事故发生地点距离最近的上游环形线圈检测器和下游环形线圈检测器，然后提取事故发生时前25分钟和后5分钟的交通数据作为二次事故的上下游交通信息，所述二次事故的上下游交通信息包括上下游线圈的交通量、车速和车辆占有率。

步骤40)根据步骤20)的交通事故分类以及步骤30)分别获取的三类事故的上下游交通信息准备模型变量。模型变量选取时可考虑四个方面。

(1)实时交通流数据：将步骤30)获取的上下游交通信息以5分钟为时间间隔进行合并，之后计算出每一个事故对应的车辆数、车辆速度和车辆占有率三个变量在5分钟时间间隔内的平均值、标准差(包括上游、下游以及上下游之差)。考虑到事故报道发生时间的潜在的不准确性，最终交通流数据提取时间为事故发生之前9分钟。

(2)事故特征：包括事故严重程度、事故发生类型、事故发生时间段、事故发生的路段。

(3)环境状况：包括天气情况(降雨量)、道路表面状况、光线优良(能见度)。

(4)道路几何特征：包括车道数、道路表面宽度、车道宽度、路肩宽度、道路线形(是否为曲线)、匝道数。

步骤50)根据步骤40)准备的模型变量建立二次交通事故预测模型：

Y^*＝βX+ε，

其中，由于无法观测到Y^*的具体值，将Y^*称为潜变量，但Y是可观测、有5个取值{0，1，2，3，4}的随机变量；X为解释变量的集合；β为待估计的回归系数，表示各个解释变量对Y影响程度；ε为随机干扰项，代表对被解释变量产生影响的其他因素的总和，与X相互独立；

设α_i(i＝1，2，3，4)为阈值，取α₁＜a₂＜a₃＜α₄，则有：

Y_i＝0，1，2，3，≥4的概论分别为：

y_i＝a+b₁x₁+b₂x₂+…+b_kx_k 式(1)

是标准正态累积分布函数。可以利用极大似然法对系数β和阈值α_i进行估计。

步骤60)检测路段二次事故发生概率。当公路上发生了一起事故，获取实时交通流数据，并将这些交通流数据带入步骤50)二次交通事故预测模型中，来判断是否会发生二次交通事故。

步骤70)若检测结果不安全，调控交通流并重复步骤60)，若检测结果安全，结束检测。检测结果不安全是指检测结果表示可能发生二次事故，调控交通流的方法包括采用主线控制、信息调控和匝道控制调控交通流，其中，主线控制的主要指在事故发生前方提示减速行驶，或把车流分流出主线。匝道控制的主要方法是减少或关闭上游入口，或者限制入口驶入车辆数。信息调控主要指道路管理者通过广播或提示板发布信息将车辆引导至相邻路段，或在事故发生前的关键枢纽配置交警进行人工引导。

实例：

利用美国加利福尼亚州I-5高速公路上的一个34英里的路段上，从2010年到2015年间采集的数据。交通事故数据总量为20709起，其中普通事故19363起，主事故561起，二次事故785起。

通过速度等值线图法分类出来的三类事故如下表所示：

表1事故分类结果

利用Stata构建二次交通事故发生时间的预测模型：

Y_i＝0.2228527X₁-0.1808383X₂-0.0714166X₃-0.5255664X-0.0212277₄X₅+0.8740627X₆+0.1688458X₇+0.0044692X₈-0.1056242X₉；

α₁＝-.6295762；

α₂＝.6758094；

α₃＝1.365049；

α₄＝1.990045；

Y_i——二次事故发生频率；

X₁——下匝道数目；

X₂——上游速度标准差；

X₃——下游车道占有率标准差；

X₄——上下游平均交通量；

X₅——上游车道占有率平均值；

X₆——上下游交通量标准差；

X₇——上下游车道占有率标准差；

X₈——道路宽度；

X₉——上下游线圈所在位置的车道数差值；

经检验，该模型设置阈值为50％时，二次事故预报准确率为74.1％，误报率为0.18％。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于交通流数据的二次交通事故预测方法，其特征在于，包括以下步骤：

步骤10)获取历史交通事故数据；

步骤20)根据步骤10)得到的历史交通事故数据将交通事故分类，分别为主事故、二次事故和普通交通事故；

步骤30)根据步骤步骤10)得到的历史交通事故数据以及步骤20)的交通事故分类获取三种事故的上下游交通信息；

步骤40)根据步骤20)的交通事故分类以及步骤30)分别获取的三类事故的上下游交通信息准备模型变量；

步骤50)根据步骤40)准备的模型变量建立二次交通事故预测模型：

Y^*＝βX+ε，

其中，由于无法观测到Y^*的具体值，将Y^*称为潜变量，但Y是可观测、有5个取值{0，1，2，3，4}的随机变量；X为解释变量的集合；β为待估计的回归系数，表示各个解释变量对Y影响程度；ε为随机干扰项，代表对被解释变量产生影响的其他因素的总和，与X相互独立；

设α_i(i＝1，2，3，4)为阈值，取α₁＜a₂＜a₃＜α₄，则有：

$Y_i=\left\{\begin{array}{cc}0,if& Y_i^{*}\&le;{\mathrm{\&alpha;}}_1\\ 1,if& {\mathrm{\&alpha;}}_1<Y_i^{*}\&le;{\mathrm{\&alpha;}}_2\\ 2,if& {\mathrm{\&alpha;}}_2<Y_i^{*}\&le;{\mathrm{\&alpha;}}_3\\ 3,if& {\mathrm{\&alpha;}}_3<Y_i^{*}\&le;{\mathrm{\&alpha;}}_4\\ \&GreaterEqual;4,if& Y_i^{*}\&GreaterEqual;{\mathrm{\&alpha;}}_4\end{array}\right.$

Y_i＝0，1，2，3，≥4的概率分别为：

y_i＝a+b₁x₁+b₂x₂+…+b_kx_k 式(1)

步骤60)当公路上发生了一起事故，获取实时交通流数据，并将这些交通流数据带入步骤50)二次交通事故预测模型中，来判断是否会发生二次交通事故。

2.根据权利要求1所述基于交通流数据的二次交通事故预测方法，其特征在于：所述步骤60)中若检测结果不安全，调控交通流并重复步骤60)，若检测结果安全，结束检测；检测结果不安全是指检测结果表示可能发生二次事故，可采用主线控制、动态信息调控和匝道控制等方法调控交通流。

3.根据权利要求1所述基于交通流数据的二次交通事故预测方法，其特征在于：所述步骤50)中二次交通事故预测模型为：

Y_i＝0.2228527X₁-0.1808383X₂-0.0714166X₃-0.5255664X-0.0212277₄X₅+0.8740627X₆+0.1688458X₇+0.0044692X₈-0.1056242X₉；

α₁＝-.6295762；α₂＝.6758094；α₃＝1.365049；α₄＝1.990045；

Y_i表示二次事故发生频率，X₁表示下匝道数目，X₂表示上游速度标准差；X₃表示下游车道占有率标准差；X₄表示上下游平均交通量；X₅表示上游车道占有率平均值；X₆表示上下游交通量标准差；X₇表示上下游车道占有率标准差；X₈表示道路宽度；X₉表示上下游线圈所在位置的车道数差值。

4.根据权利要求1所述基于交通流数据的二次交通事故预测方法，其特征在于：所述步骤10)中交通事故数据包括事故的发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

5.根据权利要求1所述基于交通流数据的二次交通事故预测方法，其特征在于：所述的步骤10)中历史交通事故数据通过安置在道路上的环形检测器获得，在公路上每隔一定距离设置一个环形线圈检测器，通过环形线圈检测器采集事故发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

6.根据权利要求1所述基于交通流数据的二次交通事故预测方法，其特征在于：所述步骤20)中分类时可以利用速度等值线图进行二次交通事故的分类，速度等值线图可以清晰地观察到一起事故发生后产生的交通堵塞和排队形成。利用Python语言把事故以白点的形式标在速度等位图上，可直观便利的呈现事故。再通过人工分类的方式根据事故的拥堵范围、时间差、距离差进行分类。

7.根据权利要求1所述基于交通流数据的二次交通事故预测方法，其特征在于：所述步骤30)中获取二次事故的上下游交通信息方法：首先匹配出每一个事故发生地点距离最近的上游环形线圈检测器和下游环形线圈检测器，然后提取事故发生时前25分钟和后5分钟的交通数据作为二次事故的上下游交通信息，所述二次事故的上下游交通信息包括上下游线圈的交通量、车速和车辆占有率。

8.根据权利要求1所述基于交通流数据的二次交通事故预测方法，其特征在于：所述步骤40)中模型变量包括实时交通流数据、二次事故特征、环境状况以及道路几何特征，其中：

所述实时交通流数据：将步骤30)获取的上下游交通信息以5分钟为时间间隔进行合并，之后计算出每一个事故对应的车辆数、车辆速度和车辆占有率三个变量在5分钟时间间隔内的平均值、标准差；考虑到事故报道发生时间的潜在的不准确性，最终交通流数据提取时间为事故发生之前9分钟；

所述事故特征包括事故严重程度、事故发生类型、事故发生时间段、事故发生的路段；

所述环境状况包括天气情况、道路表面状况、光线优良；

所述道路几何特征包括车道数、道路表面宽度、车道宽度、路肩宽度、道路线形、匝道数。