CN108550263B - 一种基于故障树模型的高速公路交通事故成因分析方法 - Google Patents
一种基于故障树模型的高速公路交通事故成因分析方法 Download PDFInfo
- Publication number
- CN108550263B CN108550263B CN201810558983.9A CN201810558983A CN108550263B CN 108550263 B CN108550263 B CN 108550263B CN 201810558983 A CN201810558983 A CN 201810558983A CN 108550263 B CN108550263 B CN 108550263B
- Authority
- CN
- China
- Prior art keywords
- traffic accident
- highway
- event
- accident
- fault tree
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于故障树模型的高速公路交通事故成因分析方法,本发明涉及基于故障树模型的高速公路交通事故成因分析方法。本发明的目的是为了解决高速公路交通事故的成因分析尚多局限于事故原因的定性分析,还不能很好地确定各事故影响因素权重的大小等缺陷,导致高速公路交通事故的成因分析准确率低的问题。过程为:一、收集并分类整理交通事故数据;二、建立高速公路交通事故故障树模型;三、确定顶上事件所有的事故链;四、得到高速公路交通事故发生的主要原因链;五、得到驾驶员、车辆、道路、交通环境四个因素在交通事故发生中占的的比例。本发明用于高速公路交通事故成因分析技术领域。
Description
技术领域
本发明涉及基于故障树模型的高速公路交通事故成因分析方法。
背景技术
近年来,我国的高速公路取得了迅猛发展,通车里程已达13.1万公里,位居世界第一,为人们的生活提供了极大的便利。随着高速公路里程的增加及基础设施的完善,其单位里程事故率和亿车公里死亡率趋于下降,但事故总量仍然居高不下,且事故的严重程度逐年上升,安全形势依然严峻,严重影响人民生命财产安全。因此,对高速公路交通事故进行成因分析,剖析交通事故的发生机理,并提出相应的安全改善措施,从源头上改善其交通安全状况,是十分有意义的。
国外对交通事故进行成因分析的研究有:P.Kuzminski等对汽车事故的因果结构进行建模,从驾驶员、车辆、道路与环境三个方面分析了事故发生的可能途经;NopadonKronprasert等将证据理论应用于故障树分析模型中,提出了一种基于道路安全检测的信息故障树模型,用于识别道路基础设施缺陷,预防事故的发生;Ute Christine Ehlersa等构建了适用于智能交通环境的蝴蝶结模型,并从事故成因和结果两个方面对比分析了传统交通环境和智能交通环境的安全状况。
国内对交通事故进行成因分析的研究有:邵春福等根据事故多发点的统计数据,建立基于粗糙集理论的决策表,对路段上的交通事故进行成因分析;过秀成等运用模糊c—划分空间法对事故黑点成因进行空间划分,采用模糊聚类ISODATA方法进行事故黑点成因聚类分析;李铁洪等根据小半径曲线路段的各种交通事故形态,对事故的成因作了分析,指出现行相关规范的不足,并结合事故实例分析,进一步提出了相应的预防措施;王迎等提出了基于FCM聚类的山区高速公路事故多发点成因分析方法,并以京珠高速公路为例进行了验证。
综上所述,国内外学者在交通事故成因分析方面已经开展了大量的研究工作,并取得了一定的成果。事故成因分析原理主要包括单事件原理、事件链原理、决定因素原理、多事件链原理和多线性事件序列原理等。随着研究的深入,交通事故的成因分析已由早期的单事件原理逐渐发展到综合考虑多个因素的多事件链原理。故障树分析法(Fault TreeAnalysis,FTA)就是一种基于多事件链原理的事故成因分析方法。FTA技术通过分析可能造成事故的各方面原因,并画出逻辑关系图,从而判明事故发生的原因、原因的组合及事故发生概率,是一种具有广阔应用前景的系统安全分析方法。目前,FTA技术已涉及到核能、机械、化工、电子、交通、矿业等多个领域。
发明内容
本发明的目的是为了解决高速公路交通事故的成因分析尚多局限于事故原因的定性分析,还不能很好地确定各事故影响因素权重的大小等缺陷,导致高速公路交通事故的成因分析准确率低的问题,而提出一种基于故障树模型的高速公路交通事故成因分析方法。
一种基于故障树模型的高速公路交通事故成因分析方法具体过程为:
步骤一、收集并分类整理交通事故数据;
步骤二、根据步骤一的交通事故数据信息,建立高速公路交通事故故障树模型;
步骤三、对高速公路交通事故故障树模型进行定性分析,求解最小割集,确定顶上事件所有的事故链;
步骤四、对高速公路交通事故故障树模型进行自顶上事件至基本事件的定量分析,得到高速公路交通事故发生的主要原因链;
步骤五、对高速公路交通事故故障树模型进行自基本事件至顶上事件的定量分析,得到驾驶员、车辆、道路、交通环境四个因素在交通事故发生中占的比例。
本发明的有益效果为:
1、利用故障树模型对高速公路交通事故进行成因分析,过程简便易懂,结果可靠有效,提高了高速公路交通事故的成因分析准确率;
2、确定了事故发生的可能途经,即事故链,并定量计算了每条事故链的概率,不仅找出事故发生原因,更确定了各因素的权重大小,提高了高速公路交通事故的成因分析准确率;
3、由底层事件的发生概率确定出人、车、路、环境在原因构成中的占比大小,提高了高速公路交通事故的成因分析准确率。
本发明通过采取合理的安全措施建立安全屏障,如图4中的剪刀所示,剪断这六条事故链,使其不发生,则可预防约50%伤亡事故,安全效果显著。
附图说明
图1为本发明的流程图;
图2为故障树模型结构示意图;
图3为故障树山区高速公路伤亡事故故障树;
X1为年老体弱,X2为判断错误,X3为缺乏经验,X4为急躁激进,X5为未保持安全距离,X6为制动不当,X7为其他操作不当,X8为倒车、掉头,X9为违规变道,X10为违规停车,X11为无证驾驶,X12为机件不符合标准,X13为安全设施不全,X14为制动失效,X15为大型车,X16为超载,X17为小半径平曲线路段,X18为陡坡路段,X19为弯坡组合路段,X20为长大下坡坡底,X21为路表潮湿,X22为雾天,X23为雨天,X24为夜间无照明,X25为能见度低于200m,M1为判断错误;
X1~X11以及M1为驾驶员的,X12~X16为车辆的,X17~X21为道路的,X22~X25为环境的;
图4为故障树各事件的条件概率,i为1、2、3、4、5或6,i/j为第1或第3,*为小数点位数;
图5为故障树各基本事件的概率。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的基于故障树模型的高速公路交通事故成因分析方法具体过程为:
步骤一、收集并分类整理交通事故数据;
步骤二、根据步骤一的交通事故数据信息,建立高速公路交通事故故障树模型;
步骤三、对高速公路交通事故故障树模型进行定性分析,求解最小割集,确定顶上事件所有的事故链;
步骤四、对高速公路交通事故故障树模型进行自顶上事件至基本事件的定量分析,得到高速公路交通事故发生的主要原因链;
步骤五、对高速公路交通事故故障树模型进行自基本事件至顶上事件的定量分析,得到驾驶员、车辆、道路、交通环境四个因素在交通事故发生中占的比例。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中收集并分类整理交通事故数据;具体过程为:
收集高速公路近年来的交通事故数据,交通事故数据总量至少300起,且数据量越多,结果越可靠。事故数据的收集可向公安交通管理部门和高速公路路产部门求助。
将收集的高速公路交通事故数据进行筛选,由于高速公路专供汽车行驶、全部控制出入的特殊性,行人禁止闯入高速公路,故剔除机动车与行人之间的事故,仅分析机动车之间的事故,然后对高速公路交通事故按照驾驶员、车辆、道路、环境(天气)四个方面进行分类整理,统计各方面类别属性信息(比如驾驶员的年龄、性别、操作不当行为;车辆的车辆类型、是否超载;道路的几何线形、路表情况;天气情况、照明条件等)及对应事故数。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中根据步骤一的交通事故数据信息,建立高速公路交通事故故障树模型;具体过程为:
故障树的结构如图2所示,由多层事件构成。树的顶端表示某类事故,称为顶上事件;树的底部表示事故发生的最基本原因,称为基本事件;树的中部表示事故发生的中间原因,称为中间事件。另外,不能或者不需要再往下分析的事件,称为省略事件。各类事件的因果关系用“与”门、“或”门两种逻辑门表示。
道路交通系统是由人、车、路与环境共同构成的动态系统,交通事故的发生正是这四个要素相互作用的结果,对于高速公路也不例外。
对步骤一的交通事故数据提取交通事故原因信息,将高速公路交通事故作为顶上事件,驾驶员因素、车辆因素、道路因素和交通环境因素四方面因素作为中间事件,具体的交通事故原因作为基本事件,由上而下层层分析事故发生原因,构建高速公路交通事故故障树模型。
构建高速公路交通事故故障树模型的过程中可将一些数据信息进行一定的抽象化处理,如数据中一般提供有驾驶员年龄信息,但由于其不是造成事故的原因,而年老体弱则可为事故原因,故筛选出年龄大于等于60岁的驾驶员人群,抽象化为事故原因,列为基本事件。
若是有道路几何线形数据,即各里程桩号对应的平曲线类型、平曲线半径、竖曲线类型、竖曲线半径、纵坡坡度等,借鉴《公路项目安全性评价规范》(JTG B05)中高速公路运行速度分析单元的划分方法,将高速公路线形条件划分为平直路段、小半径平曲线路段、陡坡路段及弯坡组合路段四种,具体划分依据见表1。处于不同地形条件的高速公路可以有不同的线形条件划分方法,如平原区高速公路线形条件划分为以上四种即可,而山岭重丘区高速公路的线形划分还可引入长大下坡坡底路段,这是因为山区高速公路路线高差大,往往存在坡度大、坡道长的连续长大下坡路段,而车辆在下坡路段长时间的频繁制动,易导致刹车失灵,引发交通事故。目前,还未有高速公路长大下坡路段明确的界定标准,参照《全国和省级督办公路危险路段标准》中省级长大下坡的规定标准,界定高速公路平均纵坡在3%以上、连续下坡坡长大于5km的路段是长大下坡路段。五种线形条件中,除平直路段外,其余路段均属于线形不良的情况,是导致事故发生的原因之一,故列为基本事件。
表1山区高速公路线形条件划分原则
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述高速公路交通事故故障树模型道路因素中包括不良线形因素,对于平原区高速公路,不良线形因素为小半径平曲线路段、陡坡路段和弯坡组合路段;
具体划分标准为:
当平原区高速公路圆曲线半径>1000m,坡度≤-3%或坡度≥3%,平原区高速公路线形为陡坡路段;
当平原区高速公路圆曲线半径≤1000m,-3%<坡度<3%,平原区高速公路线形为小半径平曲线路段;
当平原区高速公路圆曲线半径≤1000m,坡度≤-3%或坡度≥3%,平原区高速公路线形为弯坡组合路段;
对于山区高速公路,不良线形因素为小半径平曲线路段、陡坡路段、弯坡组合路段和长大下坡坡底路段;
具体划分标准为:
当山区高速公路圆曲线半径>1000m,坡度≤-3%或坡度≥3%,山区高速公路线形为陡坡路段;
当山区高速公路圆曲线半径≤1000m,-3%<坡度<3%,山区高速公路线形为小半径平曲线路段;
当山区高速公路圆曲线半径≤1000m,坡度≤-3%或坡度≥3%,山区高速公路线形为弯坡组合路段;
当高速公路平均纵坡在3%以上、连续下坡坡长大于5km,山区高速公路线形为长大下坡路段。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤三中对高速公路交通事故故障树模型进行定性分析,求解最小割集,确定顶上事件所有的事故链;具体过程为:
列出高速公路交通事故故障树模型的结构函数:
假设高速公路交通事故故障树有n个相互独立的基本事件,Xi为第i个基本事件,Yi是Xi状态变量,仅取1值或0值,分别表示基本事件Xi发生或不发生;各基本事件取不同的状态,顶上事件的状态也随之变化,即顶上事件的发生与否由各基本事件的状态所决定;若取尽所有基本事件的所有状态Yi,则含有n个相互独立的基本事件的高速公路交通事故故障树模型的结构函数表示为:
式中:φ(X)为高速公路交通事故故障树模型的结构函数;p为基本事件的状态组合序号,p=20,21,…,2n;φp(X)为第p个基本事件的状态组合所对应的顶上事件的状态值,取1值或0值;X为由n个相互独立的基本事件组成的向量,X=(X1,X2,…,Xn);n取值为正整数;
采用布尔代数化简法对含有n个相互独立的基本事件的高速公路交通事故故障树模型的结构函数进行化简,得到高速公路交通事故故障树的最小割集,即确定顶上事件所有的事故链(每个最小割集对应一条事故链),完成高速公路交通事故故障树模型的定性分析;
所述最小割集为导致顶上事件发生的最低限度的基本事件的集合。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤四中对高速公路交通事故故障树模型进行自顶上事件至基本事件的定量分析,得到高速公路交通事故发生的主要原因链;具体过程为:
自顶上事件至基本事件的定量分析即计算每条事故链的概率,也就是每个最小割集的发生概率;通过高速公路交通事故故障树模型每层事件的发生机率以及故障树的连接关系,确定每个最小割集的概率,具体计算公式为:
式中:qr为最小割集r的发生概率;为高速公路交通事故故障树模型第j层第m个事件对最小割集r的影响概率(顶上事件、中间事件、基本事件3个的总层数的第j层第m个事件);h为最小割集r中包含的高速公路交通事故故障树模型事件总层数(顶上事件、中间事件、基本事件3个的总层数);lj为最小割集r包含的高速公路交通事故故障树模型第j层事件总数(中间事件或基本事件中的一个的总数)。
按概率从大到小进行排序,筛选出概率前50%大的事故链,作为高速公路交通事故发生的主要原因链。
由公式可知,每条事故链概率的确定需要每层事件的概率值,且每层事件的概率属于条件概率,即满足其上层事件发生的情况。因此,对于某一中间事件,其下层事件的概率加和为1。
其它步骤及参数与具体实施方式一至五之一相同。
根据步骤一的交通事故数据,对每个交通事故查找造成交通事故所有的不利条件,判断所有的不利条件属于驾驶员、车辆、道路、环境因素中的一个或N个方面因素,则不利条件对应方面因素计一次事故数;然后根据各方面因素对应的事故数,除以总事故数(步骤一的交通事故数据)得驾驶员、车辆、道路、环境各方面因素的概率;
N取值为二、三或四;
总事故数为步骤一收集并分类整理的交通事故数据;
需要确定每项因素导致的事故数量,由于数据信息中不会明确给出每一事故的发生属于哪一方面的因素,且某一交通事故的发生,往往不仅仅是人、车、路、环境中某一因素单独所致,而是各因素相互作用的结果,故需重新定义各事件的原因。具体判定原则如下:根据交通事故对应的各方面信息,若其中某一或某几方面不利条件可能为造成事故的原因,则对应方面因素计一次。如一个事故中既有人为操作失误,又受大雾天气干扰,则驾驶员因素、环境因素各加1次。然后根据各因素对应的事故数,除以总事故数得驾驶员、车辆、道路、环境各因素的条件概率。
筛选出B中某一原因事件或X中某一原因事件(B中一个或X中一个)的上层事件(直接对应)对应的所有事故,并在这些事故中统计由于该原因事件导致的事故次数,除以上层事件对应的事故总数,计算得到该原因事件的概率值。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:所述步骤五中对高速公路交通事故故障树模型进行自基本事件至顶上事件的定量分析,得到驾驶员、车辆、道路、交通环境因素的概率;具体过程为:
自基本事件至顶上事件的定量分析是在已知基本事件发生概率的前提下,推算顶上事件的发生概率;
如果最小割集间没有重复的基本事件,则顶上事件的概率为:
式中:g为顶上事件的概率;qi为第i个基本事件的概率;r为最小割集的序数;k为最小割集的个数;Kr为第r个最小割集;
如果最小割集间有重复的基本事件,则需消去每个概率积中的重复因子,则顶上事件的概率为:
式中:s为最小割集的序数;Ks为第s个最小割集;s、r取值为正整数;
顶上事件的概率为第二层事件的概率,即驾驶员、车辆、道路、交通环境因素各自的概率。
由于数据信息中仅包含交通事故数据,故顶上事件(即某类事故)的概率必为1,自基本事件至顶上事件的定量分析方法可推算至第二层事件的概率,即驾驶员、车辆、道路、交通环境因素各自的占比;不同于自顶上事件至基本事件的定量分析中各事件的概率是条件概率,此处基本事件的概率应为其实际发生概率,即每项事件对应的事故数在总事故数中的占比。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是:所述第i个基本事件的概率qi为基本事件Xi对应的事故数在总事故数(步骤一中收集并分类整理交通事故数据)中的占比;
总事故数为步骤一收集并分类整理的交通事故数据。
其它步骤及参数与具体实施方式一至八之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种基于故障树模型的高速公路交通事故的成因分析方法具体是按照以下步骤制备的:
具体实施方式以某山区高速公路的伤亡事故成因分析为例。从公安交通管理部门收集到该高速公路2006年1月至2013年6月发生的伤亡事故512起,并剔除机动车与行人之间的事故32起,对余下480起机动车之间的伤亡事故进行分析。
伤亡事故及关联因素数据主要包含驾驶员、车辆、道路、环境四方面信息,具体数据汇总见表2~表5。
表2驾驶员信息汇总表
表3车辆信息汇总表
表4道路信息汇总表
表5环境信息汇总表
基于上述事故数据,将山区高速公路伤亡事故作为顶上事件,驾驶员、车辆、道路、交通环境四方面因素作为中间事件,构建山区高速公路伤亡事故故障树模型,见图3。模型中,年老体弱对应于数据中驾驶员年龄大于等于60岁,缺乏经验指驾龄小于等于1年,急躁激进对应前方排队或缓慢行驶时强行超车的行为。由于该高速公路属于山区高速公路,故在线形划分中,将高速公路划分为五种线形条件,其中,小半径平曲线路段、陡坡路段、弯坡组合路段、长大下坡坡底路段均列为基本事件。
对山区高速公路伤亡事故故障树模型进行定性分析,求得其结构函数为:
φ(X)=(X1+X2+X3+X4+M1)(X5+X6+X7+X8+X9+X10+X11)+X12+X13+X14+X15·X16+X17+X18+X19+X20+X21+(X22+X23+X24)·X25
利用布尔代数法化简得山区高速公路伤亡事故故障树的最小割集有:{X1,X5}、{X1,X6}、{X1,X7}、{X1,X8}、{X1,X9}、{X1,X10}、{X1,X11}、{X2,X5}、{X2,X6}、{X2,X7}、{X2,X8}、{X2,X9}、{X2,X10}、{X2,X11}、{X3,X5}、{X3,X6}、{X3,X7}、{X3,X8}、{X3,X9}、{X3,X10}、{X3,X11}、{X4,X5}、{X4,X6}、{X4,X7}、{X4,X8}、{X4,X9}、{X4,X10}、{X4,X11}、{M1,X5}、{M1,X6}、{M1,X7}、{M1,X8}、{M1,X9}、{M1,X10}、{M1,X11}、{X12}、{X13}、{X14}、{X15,X16}、{X17}、{X18}、{X19}、{X20}、{X21}、{X22,X25}、{X23,X25}、{X24,X25}。
由此可见,最小割集共有47个,即山区高速公路交通伤亡事故的发生途经(即事故链)有47个,且最小割集中基本事件的个数较少,说明事故较易发生,风险较大。
对故障树进行从顶上事件至基本事件的定量分析,计算每层事件的条件概率值,结果见图4。
由各层事件的条件概率值及事件间的连接关系,计算山区高速公路伤亡事故各条事故链的概率,并从大到小排序,结果见表6。
表6山区高速公路伤亡事故的事故链及其概率
序号 | 事故链 | 概率 | 序号 | 事故链 | 概率 |
1 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→M<sub>1</sub>,G<sub>13</sub>→M<sub>1</sub>,X<sub>5</sub> | 0.11608 | 25 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>14</sub>→X<sub>3</sub>,X<sub>10</sub> | 0.01026 |
2 | G<sub>4</sub>→G<sub>10</sub>,X<sub>25</sub>→G<sub>16</sub>,X<sub>25</sub>→X<sub>24</sub>,X<sub>25</sub> | 0.10746 | 26 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>14</sub>→X<sub>3</sub>,X<sub>9</sub> | 0.00999 |
3 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→M<sub>1</sub>,G<sub>13</sub>→M<sub>1</sub>,X<sub>7</sub> | 0.08625 | 27 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>13</sub>→X<sub>4</sub>,X<sub>7</sub> | 0.00884 |
4 | G<sub>2</sub>→G<sub>8</sub>→X<sub>15</sub>,X<sub>16</sub> | 0.06720 | 28 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>13</sub>→X<sub>1</sub>,X<sub>6</sub> | 0.00388 |
5 | G<sub>3</sub>→G<sub>9</sub>→X<sub>18</sub> | 0.06136 | 29 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>13</sub>→X<sub>2</sub>,X<sub>6</sub> | 0.00365 |
6 | G<sub>3</sub>→G<sub>9</sub>→X<sub>20</sub> | 0.06029 | 30 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>14</sub>→X<sub>1</sub>,X<sub>10</sub> | 0.00346 |
7 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>13</sub>→X<sub>3</sub>,X<sub>5</sub> | 0.04614 | 31 | G<sub>2</sub>→G<sub>7</sub>→X<sub>13</sub> | 0.00345 |
8 | G<sub>3</sub>→X<sub>21</sub> | 0.03866 | 32 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>14</sub>→X<sub>1</sub>,X<sub>9</sub> | 0.00337 |
9 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>13</sub>→X<sub>3</sub>,X<sub>7</sub> | 0.03429 | 33 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>14</sub>→X<sub>2</sub>,X<sub>10</sub> | 0.00326 |
10 | G<sub>3</sub>→G<sub>9</sub>→X<sub>19</sub> | 0.03298 | 34 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→M<sub>1</sub>,G<sub>14</sub>→M<sub>1</sub>,X<sub>11</sub> | 0.00323 |
11 | G<sub>2</sub>→G<sub>7</sub>→X<sub>12</sub> | 0.03075 | 35 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>14</sub>→X<sub>2</sub>,X<sub>9</sub> | 0.00318 |
12 | G<sub>2</sub>→G<sub>7</sub>→X<sub>14</sub> | 0.02960 | 36 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>13</sub>→X<sub>4</sub>,X<sub>6</sub> | 0.00296 |
13 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→M<sub>1</sub>,G<sub>13</sub>→M<sub>1</sub>,X<sub>6</sub> | 0.02891 | 37 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>14</sub>→X<sub>4</sub>,X<sub>10</sub> | 0.00265 |
14 | G<sub>4</sub>→G<sub>10</sub>,X<sub>25</sub>→G<sub>15</sub>,X<sub>25</sub>→X<sub>23</sub>,X<sub>25</sub> | 0.02606 | 38 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>14</sub>→X<sub>4</sub>,X<sub>9</sub> | 0.00258 |
15 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→M<sub>1</sub>,G<sub>14</sub>→M<sub>1</sub>,X<sub>10</sub> | 0.02581 | 39 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→M<sub>1</sub>,G<sub>14</sub>→M<sub>1</sub>,X<sub>8</sub> | 0.00255 |
16 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→M<sub>1</sub>,G<sub>14</sub>→M<sub>1</sub>,X<sub>9</sub> | 0.02513 | 40 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>14</sub>→X<sub>3</sub>,X<sub>11</sub> | 0.00129 |
17 | G<sub>3</sub>→G<sub>9</sub>→X<sub>17</sub> | 0.02270 | 41 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>14</sub>→X<sub>3</sub>,X<sub>8</sub> | 0.00101 |
18 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>13</sub>→X<sub>1</sub>,X<sub>5</sub> | 0.01558 | 42 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>14</sub>→X<sub>1</sub>,X<sub>11</sub> | 0.00043 |
19 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>13</sub>→X<sub>2</sub>,X<sub>5</sub> | 0.01467 | 43 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>14</sub>→X<sub>2</sub>,X<sub>11</sub> | 0.00041 |
20 | G<sub>4</sub>→G<sub>10</sub>,X<sub>25</sub>→G<sub>15</sub>,X<sub>25</sub>→X<sub>22</sub>,X<sub>25</sub> | 0.01249 | 44 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>14</sub>→X<sub>1</sub>,X<sub>8</sub> | 0.00034 |
21 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>13</sub>→X<sub>4</sub>,X<sub>5</sub> | 0.01190 | 45 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>14</sub>→X<sub>4</sub>,X<sub>11</sub> | 0.00033 |
22 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>13</sub>→X<sub>1</sub>,X<sub>7</sub> | 0.01157 | 46 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>14</sub>→X<sub>2</sub>,X<sub>8</sub> | 0.00032 |
23 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>13</sub>→X<sub>3</sub>,X<sub>6</sub> | 0.01149 | 47 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>12</sub>,G<sub>14</sub>→X<sub>4</sub>,X<sub>8</sub> | 0.00026 |
24 | G<sub>1</sub>→G<sub>5</sub>,G<sub>6</sub>→G<sub>11</sub>,G<sub>13</sub>→X<sub>2</sub>,X<sub>7</sub> | 0.01090 |
由表6可知,47条事故链中,前6条事故链发生概率明显高于其他事故链,累计占比将近50%,是山区高速公路伤亡事故发生的主要原因。这六条事故链分别为:
事故链一:驾驶员因素→身心因素+行为因素→判断失误+操作不当→判断失误+未与前车保持安全距离;
事故链二:交通环境因素→视线不良+能见度低于200→照明设施不足+能见度低于200→夜间无照明+能见度低于200;
事故链三:驾驶员因素→身心因素+行为因素→判断失误+操作不当→判断失误+其他操作不当行为;
事故链四:车辆因素→违章车辆→大型车+超载;
事故链五:道路因素→不良线形→陡坡路段;
事故链六:道路因素→不良线形→长大下坡坡底。
若能通过采取合理的安全措施建立安全屏障,如图4中的剪刀所示,剪断这六条事故链,使其不发生,则可预防约50%伤亡事故,安全效果显著。
对故障树进行从基本事件至顶上事件的定量分析,统计得各基本事件的概率值见图5。根据各基本事件的概率值,由公式计算得人、车、路、环境四项因素各自占比分别为57.8%、43.0%、47.5%、20.4%。四者加和大于1,这是由于各项因素并不是完全独立的,而是存在交集,也印证了交通事故的发生是多个因素相互作用的结果。归一化处理后,四者占比分别为34.3%、25.5%、28.1%、12.1%。其中,人的因素占比最大,超过30%,因为除了外界条件的干扰,每次交通事故的发生往往还包含驾驶员的不当操控。值得注意的是,车辆和道路因素占比均为25%以上,影响仍然较大,究其原因,主要是大型超载车辆和长大下陡坡等不良道路线形因素贡献较大,这是山区高速公路的特殊之处,更是其安全改善需要注意的重点之处。环境因素占比相对较少,仅有12%,但也不容忽视,其中夜间无照明贡献最大,说明夜间照明条件较差是山区高速公路的一大安全隐患。
可以发现,根据自基本事件至顶上事件的定量分析方式分析的安全隐患与自顶上事件至基本事件的定量分析中得出的六条主要致因事故链大致吻合。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (1)
1.一种基于故障树模型的高速公路交通事故成因分析方法,其特征在于:所述方法具体过程为:
步骤一、收集并分类整理交通事故数据;
步骤二、根据步骤一的交通事故数据信息,建立高速公路交通事故故障树模型;
步骤三、对高速公路交通事故故障树模型进行定性分析,求解最小割集,确定顶上事件所有的事故链;
步骤四、对高速公路交通事故故障树模型进行自顶上事件至基本事件的定量分析,得到高速公路交通事故发生的主要原因链;
步骤五、对高速公路交通事故故障树模型进行自基本事件至顶上事件的定量分析,得到驾驶员、车辆、道路、交通环境四个因素在交通事故发生中占的比例;
所述步骤一中收集并分类整理交通事故数据;具体过程为:
收集高速公路交通事故数据,交通事故数据总量至少300起;
将收集的高速公路交通事故数据进行筛选,剔除机动车与行人之间的事故,仅分析机动车之间的事故,然后对高速公路交通事故按照驾驶员、车辆、道路、环境四个方面进行分类整理,统计各方面类别属性信息及对应事故数;
所述步骤二中根据步骤一的交通事故数据信息,建立高速公路交通事故故障树模型;具体过程为:
对步骤一的交通事故数据提取交通事故原因信息,将高速公路交通事故作为顶上事件,驾驶员因素、车辆因素、道路因素和交通环境因素四方面因素作为中间事件,具体的交通事故原因作为基本事件,构建高速公路交通事故故障树模型;
所述高速公路交通事故故障树模型道路因素中包括不良线形因素,对于平原区高速公路,不良线形因素为小半径平曲线路段、陡坡路段和弯坡组合路段;
具体划分标准为:
当平原区高速公路圆曲线半径>1000m,坡度≤-3%或坡度≥3%,平原区高速公路线形为陡坡路段;
当平原区高速公路圆曲线半径≤1000m,-3%<坡度<3%,平原区高速公路线形为小半径平曲线路段;
当平原区高速公路圆曲线半径≤1000m,坡度≤-3%或坡度≥3%,平原区高速公路线形为弯坡组合路段;
对于山区高速公路,不良线形因素为小半径平曲线路段、陡坡路段、弯坡组合路段和长大下坡坡底路段;
具体划分标准为:
当山区高速公路圆曲线半径>1000m,坡度≤-3%或坡度≥3%,山区高速公路线形为陡坡路段;
当山区高速公路圆曲线半径≤1000m,-3%<坡度<3%,山区高速公路线形为小半径平曲线路段;
当山区高速公路圆曲线半径≤1000m,坡度≤-3%或坡度≥3%,山区高速公路线形为弯坡组合路段;
当高速公路平均纵坡在3%以上、连续下坡坡长大于5km,山区高速公路线形为长大下坡路段;
所述步骤三中对高速公路交通事故故障树模型进行定性分析,求解最小割集,确定顶上事件所有的事故链;具体过程为:
列出高速公路交通事故故障树模型的结构函数:
假设高速公路交通事故故障树有n个相互独立的基本事件,Xi为第i个基本事件,Yi是Xi状态变量,仅取1值或0值,分别表示基本事件Xi发生或不发生;若取尽所有基本事件的所有状态Yi,则含有n个相互独立的基本事件的高速公路交通事故故障树模型的结构函数表示为:
式中:φ(X)为高速公路交通事故故障树模型的结构函数;p为基本事件的状态组合序号,p=20,21,…,2n;φp(X)为第p个基本事件的状态组合所对应的顶上事件的状态值,取1值或0值;X为由n个相互独立的基本事件组成的向量,X=(X1,X2,…,Xn);n取值为正整数;
采用布尔代数化简法对含有n个相互独立的基本事件的高速公路交通事故故障树模型的结构函数进行化简,得到高速公路交通事故故障树的最小割集,即确定顶上事件所有的事故链,完成高速公路交通事故故障树模型的定性分析;
所述最小割集为导致顶上事件发生的最低限度的基本事件的集合;
所述步骤四中对高速公路交通事故故障树模型进行自顶上事件至基本事件的定量分析,得到高速公路交通事故发生的主要原因链;具体过程为:
自顶上事件至基本事件的定量分析即计算每条事故链的概率,也就是每个最小割集的发生概率;具体计算公式为:
式中:qr为最小割集r的发生概率;为高速公路交通事故故障树模型第j层第m个事件对最小割集r的影响概率;h为最小割集r中包含的高速公路交通事故故障树模型事件总层数;lj为最小割集r包含的高速公路交通事故故障树模型第j层事件总数;
按概率从大到小进行排序,筛选出概率前50%大的事故链,作为高速公路交通事故发生的主要原因链;
根据步骤一的交通事故数据,对每个交通事故查找造成交通事故所有的不利条件,判断所有的不利条件属于驾驶员、车辆、道路、环境因素中的一个或N个方面因素,则不利条件对应方面因素计一次事故数;然后根据各方面因素对应的事故数除以总事故数,得驾驶员、车辆、道路、环境各方面因素的概率;
N取值为二、三或四;
总事故数为步骤一收集并分类整理的交通事故数据;
筛选出B中某一原因事件或X中某一原因事件的上层事件对应的所有事故,并在这些事故中统计由于该原因事件导致的事故次数,除以上层事件对应的事故总数,计算得到该原因事件的概率值;
所述步骤五中对高速公路交通事故故障树模型进行自基本事件至顶上事件的定量分析,得到驾驶员、车辆、道路、交通环境因素的概率;具体过程为:
如果最小割集间没有重复的基本事件,则顶上事件的概率为:
式中:g为顶上事件的概率;qi为第i个基本事件的概率;r为最小割集的序数;k为最小割集的个数;Kr为第r个最小割集;
如果最小割集间有重复的基本事件,则顶上事件的概率为:
式中:s为最小割集的序数;Ks为第s个最小割集;s、r取值为正整数;
顶上事件的概率为第二层事件的概率,即驾驶员、车辆、道路、交通环境因素各自的概率;
所述第i个基本事件的概率qi为基本事件Xi对应的事故数在总事故数中的占比;
总事故数为步骤一收集并分类整理的交通事故数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810558983.9A CN108550263B (zh) | 2018-06-01 | 2018-06-01 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810558983.9A CN108550263B (zh) | 2018-06-01 | 2018-06-01 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108550263A CN108550263A (zh) | 2018-09-18 |
CN108550263B true CN108550263B (zh) | 2021-03-23 |
Family
ID=63511698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810558983.9A Expired - Fee Related CN108550263B (zh) | 2018-06-01 | 2018-06-01 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108550263B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523786A (zh) * | 2018-11-30 | 2019-03-26 | 哈尔滨工业大学 | 一种高速公路交通事故成因分析方法 |
CN109859505B (zh) * | 2019-03-14 | 2022-05-13 | 北京百度网讯科技有限公司 | 高速站点的预警处理方法、装置、服务器和介质 |
CN110077234B (zh) * | 2019-04-19 | 2020-06-02 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆安全树更新方法和电动车辆 |
CN111489554B (zh) * | 2020-05-12 | 2021-09-07 | 哈尔滨工业大学 | 一种基于Bow-tie模型的城市道路交通事故防控分析方法 |
CN111652481A (zh) * | 2020-05-21 | 2020-09-11 | 长沙理工大学 | 一种基于故障树的超高车辆撞击桥梁上部结构事故风险分析方法 |
CN111737532B (zh) * | 2020-06-18 | 2023-06-23 | 中车长春轨道客车股份有限公司 | 一种铁路传导干扰故障树分析方法 |
CN112419719B (zh) * | 2020-11-18 | 2022-06-07 | 济南北方交通工程咨询监理有限公司 | 高速公路交通运营安全评价方法及系统 |
CN113139699A (zh) * | 2021-05-13 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 交通事故数据处理方法、装置、设备及可读存储介质 |
CN113470357B (zh) * | 2021-06-30 | 2022-09-02 | 中国汽车工程研究院股份有限公司 | 一种道路交通事故信息处理系统及处理方法 |
CN113887962B (zh) * | 2021-10-08 | 2024-05-03 | 哈尔滨工业大学 | 一种改扩建高速公路道路施工作业风险识别与防控方法 |
CN114613130B (zh) * | 2022-02-18 | 2023-05-12 | 北京理工大学 | 交通与运载系统中驾驶可信性分析方法 |
CN115830861B (zh) * | 2022-11-17 | 2023-09-05 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于智能网联汽车的事故分析与智能干预方法、系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2947080A1 (fr) * | 2009-06-22 | 2010-12-24 | Peugeot Citroen Automobiles Sa | Procede pour controler la surete de fonctionnement d'un systeme |
US8832497B2 (en) * | 2012-02-07 | 2014-09-09 | A.L.D. Advanced Logistics Development Ltd | Methods, apparatus and systems for performing dynamic fault tree analysis |
CN106127607A (zh) * | 2016-06-24 | 2016-11-16 | 广西电网有限责任公司南宁供电局 | 一种电力事故上下层级原因相关度的分析方法 |
CN106503755A (zh) * | 2016-11-17 | 2017-03-15 | 青岛科技大学 | 一种面向故障树的结构相似度匹配方法 |
CN106548415A (zh) * | 2016-11-15 | 2017-03-29 | 辽宁工程技术大学 | 一种电气故障影响因素化简方法 |
CN107608658A (zh) * | 2017-08-08 | 2018-01-19 | 青岛科技大学 | 基于隐马尔可夫的故障树结构相似度匹配方法 |
-
2018
- 2018-06-01 CN CN201810558983.9A patent/CN108550263B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2947080A1 (fr) * | 2009-06-22 | 2010-12-24 | Peugeot Citroen Automobiles Sa | Procede pour controler la surete de fonctionnement d'un systeme |
US8832497B2 (en) * | 2012-02-07 | 2014-09-09 | A.L.D. Advanced Logistics Development Ltd | Methods, apparatus and systems for performing dynamic fault tree analysis |
CN106127607A (zh) * | 2016-06-24 | 2016-11-16 | 广西电网有限责任公司南宁供电局 | 一种电力事故上下层级原因相关度的分析方法 |
CN106548415A (zh) * | 2016-11-15 | 2017-03-29 | 辽宁工程技术大学 | 一种电气故障影响因素化简方法 |
CN106503755A (zh) * | 2016-11-17 | 2017-03-15 | 青岛科技大学 | 一种面向故障树的结构相似度匹配方法 |
CN107608658A (zh) * | 2017-08-08 | 2018-01-19 | 青岛科技大学 | 基于隐马尔可夫的故障树结构相似度匹配方法 |
Non-Patent Citations (4)
Title |
---|
安全评价技术;周波,肖家平,骆大勇;《安全评价技术》;中国矿业大学出版社;20180228;第114-123页 * |
重特大交通事故特征及影响因素分析;丁雨蕾;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170331;第7-18页及第45-58页 * |
重特大道路交通事故致因机理及其风险行为研究;李方媛;《中国优秀博士学位论文全文数据库工程科技Ⅱ辑》;20140228;全文 * |
重特大道路交通事故致因研究;杜秀丽;《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑》;20161031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108550263A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108550263B (zh) | 一种基于故障树模型的高速公路交通事故成因分析方法 | |
Nitsche et al. | Pre-crash scenarios at road junctions: A clustering method for car crash data | |
Geurts et al. | Understanding spatial concentrations of road accidents using frequent item sets | |
Jiang et al. | Analysis of motorcycle accidents using association rule mining-based framework with parameter optimization and GIS technology | |
CN109523786A (zh) | 一种高速公路交通事故成因分析方法 | |
Park et al. | Analysis of injury severity in traffic crashes: a case study of Korean expressways | |
Ramiani et al. | Ranking and determining the factors affecting the road freight accidents model | |
Banerjee et al. | Factors influencing injury severity in alcohol-related crashes: a neural network approach using HSIS crash Data | |
Sun et al. | A hybrid approach of random forest and random parameters logit model of injury severity modeling of vulnerable road users involved crashes | |
Joni et al. | Analysis of traffic accident severity in Baghdad city using Binary Logistic Regression Model | |
Wong et al. | Analyzing heterogeneous accident data from the perspective of accident occurrence | |
Wei et al. | Analysis of roadside accident severity on rural and urban roadways | |
Saheli | Understanding the Factors Affecting Urban Vehicle-to-Vehicle Crash Severity with Focus on Drivers' Route Familiarity | |
Wang et al. | Factors contributing to the severity of heavy truck crashes: a comparative study of Jiangxi and Shaanxi, China | |
Chen et al. | The impact of truck proportion on traffic safety using surrogate safety measures in China | |
CN116153063A (zh) | 一种交通安全隐患预警方法及系统 | |
Khabiri et al. | Application of data mining algorithm to investigate the effect of intelligent transportation systems on road accidents reduction by decision tree | |
Nazeri et al. | Analysis of road accident data and determining affecting factors by using regression models and decision trees | |
Li et al. | Using LightGBM with SHAP for predicting and analyzing traffic accidents severity | |
Rezaein et al. | Clustering and Classification of Road Accidents in Iran Using Data Mining Techniques. | |
Li et al. | Scene Identification of Single-Motorcycle Death Accidents Based on Binary Logistic Regression and Association Rules | |
Chen et al. | Vehicle on Shoulder and Crash—Correlation or Causation? | |
Liu et al. | What can we learn from the AV crashes?–An association rule analysis for identifying the contributing risky factors | |
Liu et al. | Understanding the Influence Factors for CAV Crash Severity Based on CatBoost and SHAP Analysis | |
Li¹ et al. | Investigating the characteristics of fatal crashes in the highway construction zones |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 |
Granted publication date: 20210323 |
|
CF01 | Termination of patent right due to non-payment of annual fee |