CN110264724A - 一种交互式高速公路交通事故预测方法 - Google Patents
一种交互式高速公路交通事故预测方法 Download PDFInfo
- Publication number
- CN110264724A CN110264724A CN201910615709.5A CN201910615709A CN110264724A CN 110264724 A CN110264724 A CN 110264724A CN 201910615709 A CN201910615709 A CN 201910615709A CN 110264724 A CN110264724 A CN 110264724A
- Authority
- CN
- China
- Prior art keywords
- accident
- section
- traffic
- prediction model
- data
- 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.)
- Granted
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 21
- 238000013461 design Methods 0.000 claims abstract description 32
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 41
- 241000209094 Oryza Species 0.000 claims description 23
- 235000007164 Oryza sativa Nutrition 0.000 claims description 23
- 235000009566 rice Nutrition 0.000 claims description 23
- 230000002411 adverse Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000003252 repetitive effect Effects 0.000 abstract 1
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 208000004221 Multiple Trauma Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一种交互式高速公路交通事故预测方法,它属于交通安全技术领域。本发明解决了目前在高速公路的设计以及施工阶段,没有进行事前型交通事故预测的问题。本发明的实现过程为:一、确定交通事故预测所需基本参数,提取相关数据;二、将高速公路划分为具有单一特性的多个区段;三、确定各区段基准事故预测模型;四、确定不同类型的事故预测模型;五、确定综合交通事故预测模型,预测各区段总事故数;六、计算各区段的百万车公里事故率,确定可接受的临界事故率值Q;七、对高出Q的区段进行设计数据调整;八、对设计数据调整后的区段进行再次预测,给出交互反馈结果;九、重复过程七与八,直至各区段的事故率低于Q。本发明可应用于交通安全技术领域。
Description
技术领域
本发明属于交通安全技术领域,具体涉及一种交通事故预测方法,可对设计和施工阶段的高速公路进行交通事故预测,并根据预测结果调整设计数据。
背景技术
近年来,我国高速公路建设发展迅速,高速公路作为国民经济的"动脉"和"助推器",对我国经济的发展起到了异常重要的作用。同时,高速公路的交通安全问题也凸显出来,据资料统计,我国高速公路交通事故率约是普通公路的300%,是交通事故的重灾区。如何在设计及施工阶段对高速公路进行交通事故预测,发现可能存在交通安全隐患的地点,对于保障高速公路行车安全至关重要。
专利CN106530720A公开了一种高速公路交通安全黑点路段识别与预警方法,该方法基于高速公路交通事故历史数据,分析路段发生交通事故的影响因素,判断高速公路路段在不同道路、交通、环境下的交通安全因子,结合驾驶员的行为特性、车辆性能特征、道路状况以及交通环境,对高速公路运行交通流进行动态预警。
专利CN106127408A公开了一种高速公路事故多发点鉴别系统及方法,基于地理信息系统,整合高速公路条件、交通条件以及历年事故数据,提出安全服务水平的分级方法,将不同车道数、不同设计速度的高速公路路段划分为四个安全等级,提出综合安全服务水平及质量控制法的事故多发点鉴别方法。
综上,现有的高速公路事故预测方法可以对已通车高速公路进行评价,统计一定时段内的历史事故数据,整合道路、交通条件,找出事故原因,以此鉴定事故多发点。
目前大多数高速公路交通安全管理属于事后型处理,事后型处理主要是在发生事故后分析原因,寻找事故黑点,并没有进行事前型交通事故预测。
发明内容
本发明的目的是为解决目前在高速公路的设计以及施工阶段,没有进行事前型交通事故预测的问题,提出了一种交互式高速公路交通事故预测方法,从高速公路设计和施工阶段就预测存在安全隐患的地点,并对相关设计数据进行调整。
本发明为解决上述问题采取的技术方案是:一种交互式高速公路交通事故预测方法,该方法包括以下步骤:
步骤一、确定高速公路交通事故预测所需的基本参数;
步骤二、提取高速公路交通事故预测所需的设计几何数据、交通设施数据及其他交通数据;
步骤三、根据步骤一确定的基本参数和步骤二确定的数据,将整段高速公路划分为若干个区段,每个区段均具有单一特性;
步骤四、确定各区段基准条件下的事故预测模型;
步骤五、选择预测模型修正系数,利用修正系数分别确定修正后的不同事故类型、不同事故严重度的事故预测模型;
步骤六、将步骤五确定的修正后不同事故类型、不同事故严重度的事故预测模型进行叠加,最终确定各区段的综合交通事故预测模型;
步骤七、根据综合交通事故预测模型确定高速公路各区段的总事故数;
步骤八、根据各区段的总事故数、区段长度及预测的AADT(Annual Average DailyTraffic,年平均日交通流量)计算各区段的百万车公里事故率,对各区段的百万车公里事故率进行排序,并确定可接受的临界事故率值Q;
步骤九、对百万车公里事故率高出临界事故率值Q的区段进行设计数据的调整;
步骤十、计算设计数据调整后的区段的百万车公里事故率,给出交互反馈结果;
步骤十一、重复步骤九与步骤十,直至出现正反馈结果,即:各区段的百万车公里事故率低于等于临界事故率值Q。
本发明的有益效果是:本发明提出了一种交互式高速公路交通事故预测方法,本发明根据高速公路的几何线形设计和交通特点,估计高速公路上可能发生的碰撞事故频率和严重程度。本发明的事故预测方法结合了基准模型和事故修正系数,通过在事前对交通事故进行预测,发现可能存在的安全隐患位置,进而对高速公路的设计方案给出改善建议,既可以提高高速公路交通安全水平,又能降低高速公路开通后事故成本,减少高速公路改建完善的经济费用和运营管理费用。
本发明方法主要体现在对高速公路设计及施工阶段所存安全隐患的反馈作用上,进而有效地预防交通事故。
附图说明
图1是本发明的一种交互式高速公路交通事故预测方法的流程图;
图2是本发明的设计几何数据、交通设施数据及其他交通数据的数据库图;
图3为实施例中高速公路的横断面图。
具体实施方式
具体实施方式一:如图1所示,本实施方式所述的一种交互式高速公路交通事故预测方法,该方法包括以下步骤:
步骤一、确定高速公路交通事故预测所需的基本参数;
步骤二、提取高速公路交通事故预测所需的设计几何数据、交通设施数据及其他交通数据;
步骤三、根据步骤一确定的基本参数和步骤二确定的数据,将整段高速公路划分为若干个区段,每个区段均具有单一特性;
步骤四、确定各区段基准条件下的事故预测模型(记为spf);
步骤五、选择预测模型修正系数,利用修正系数分别确定修正后的不同事故类型、不同事故严重度的事故预测模型;
步骤六、将步骤五确定的修正后不同事故类型、不同事故严重度的事故预测模型进行叠加,最终确定各区段的综合交通事故预测模型;
步骤五、选择预测模型修正系数,利用修正系数分别确定修正后的不同事故类型、不同事故严重度的事故预测模型;
步骤六、将步骤五确定的修正后不同事故类型、不同事故严重度的事故预测模型进行叠加,最终确定各区段的综合交通事故预测模型;
步骤七、根据综合交通事故预测模型确定高速公路各区段的总事故数;
步骤八、根据各区段的总事故数、区段长度及预测的AADT计算各区段的百万车公里事故率,对各区段的百万车公里事故率进行排序,并确定可接受的临界事故率值Q;
步骤九、对百万车公里事故率高出临界事故率值Q的区段进行设计数据的调整;
步骤十、计算设计数据调整后的区段的百万车公里事故率(即对设计数据调整后的区段进行预测),给出交互反馈结果;
交互式反馈是指:预测——反馈——设计数据调整——再预测的过程;
步骤十一、重复步骤九与步骤十,直至出现正反馈结果,即:各区段的百万车公里事故率低于等于临界事故率值Q。
本实施方式的交互式交通事故预测方法可以进行事前型交通事故预测,找出可能存在安全隐患的地点,调整高速公路事故多发路段的设计数据,对调整后的高速公路进行再预测,直到交通事故率低于临界事故率。该事故预测方法能有效预防交通事故、提高交通安全,同时也可减少因交通事故带来的人员伤亡和财产损失。在设计及施工阶段,对高速公路进行事故预测是一项尤为重要的工作。
本发明是一种对设计及施工阶段的高速公路进行交通事故预测的方法,从高速公路的设计和建设阶段就对其交通安全特性进行研究,评价其运行安全性,对危险路段进行改善,对高速公路线形设计、交通安全及节约事故成本具有重要的意义。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述高速公路交通事故预测所需的基本参数包括:确定交通事故预测的区间范围、区域类型以及预测时间;
可以根据研究目的确定高速公路交通事故预测的区间范围、区域类型及预测时间;
若进行交通事故预测的区间范围的功能是连接城市,则进行交通事故预测的区间范围的区域类型为城市,若进行交通事故预测的区间范围的功能是连接城市近郊,则进行交通事故预测的区间范围的区域类型为郊区,若进行交通事故预测的区间范围的功能是连接村镇,则进行交通事故预测的区间范围的区域类型为乡村。
具体实施方式三:如图2所示,本实施方式与具体实施方式二不同的是:所述步骤二中的设计几何数据包括平曲线数据、竖曲线数据和横断面数据;
所述横断面数据包含车道、中间带、路肩及匝道连接数据;
车道数据包括车道起终点桩号、车道宽度及车道类型;中间带数据包括中间带的起终点桩号和中间带宽度;路肩数据包括路肩起终点桩号、路肩起终点坡度和路肩起终点宽度;匝道连接数据包括匝道类型、分/合流点桩号、分/合流点与渐变点距离;
所述的车道类型包括行车道、超车车道、爬坡车道及变速车道。
所述的匝道类型包括入口匝道和出口匝道。
所述平曲线数据包括平曲线起终点桩号、圆曲线半径以及路线走向;
所述竖曲线数据包括竖曲线起终点桩号、变坡点桩号、前坡坡度及坡长、后坡坡度及坡长。
具体实施方式四:如图2所示,本实施方式与具体实施方式三不同的是:所述步骤二中的交通设施数据包括中央护栏和外侧护栏数据;
所述中央护栏数据包括中央护栏桩号、中央护栏距内侧车道的距离;所述外侧护栏数据包括外侧护栏桩号、外侧护栏距外侧车道的距离。
具体实施方式五:如图2所示,本实施方式与具体实施方式四不同的是:所述步骤二中的其他交通数据包括年平均日交通量、净空区和高交通量区段数据;
所述年平均日交通量数据包括每一区段(是指将整段高速公路划分为若干个区段中的每一区段)的起终点桩号、年份及每一区段的年平均日交通量;所述净空区数据包括净空区起终点桩号及净空区宽度;所述高交通量区段是指在该区段内,每小时每车道的交通量大于1000辆,所述高交通量区段数据包括高交通量区段桩号、年份及高交通量区段内的交通量占整条高速公路年平均日交通量的比例。
确定高速公路的设计几何数据、交通设施数据及其他交通数据时,需对上述数据进行筛选,根据具体情况选择适用于各类型设施的相应数据。
具体实施方式六:本实施方式与具体实施方式五不同的是:所述步骤四的具体过程为:
Nspf,fs,n,y,z=aLe(AADTfs)b
其中:Nspf,fs,n,y,z为基准条件下预测的事故数,单位是事故数/年,n表示车道数,fs表示高速公路基本路段,y表示单车或多车事故类型,z表示事故严重度(分为死伤事故和财产损失事故);AADTfs为高速公路各区段的年平均日交通量,单位是辆/天;a和b均为回归参数;Le为高速公路各区段的有效长度,单位是米;
进一步的,所述的高速公路基准条件为:车道宽度为3.75m,路肩起终点宽度为5m,路边危险等级为3,前坡及后坡坡度为2%,平曲线数据的圆曲线半径为2000m。
则按照上述实施方式,spf基准事故预测模型中回归参数的确定见表1和表2。
表1 spf多车事故预测模型回归参数表
其中:t为区域类型,8.4936E-8代表8.4936×10-8。
表2 spf单车事故预测模型回归参数表
具体实施方式七:本实施方式与具体实施方式六不同的是:所述步骤五中选择事故预测模型修正系数的具体过程为:
根据美国道路安全手册,并且结合我国高速公路设计的特点,对基准事故模型进行修正。
记平曲线数据对基准事故预测模型的修正系数为CMF1,fs,y,z:
其中:Rk为每一区段中第k个圆曲线的半径,单位为米,k=1,2,…,m,m为每一区段中圆曲线的个数;Pc,k为各区段内平曲线长度占区段总长度的比例,α1为回归参数;
记车道宽度对基准事故预测模型的修正系数为CMF2,fs,y,z:
其中:W2为车道宽度;α2和β2均为回归参数;
记路肩起终点宽度对基准事故预测模型的修正系数为CMF3,fs,y,z:
CMF3,fs,y,z=exp[α3(W3-5)]
其中:W3为路肩起终点宽度,单位是米,α3为回归参数;
记中间带对基准事故预测模型的修正系数为CMF4,fs,y,z:
CMF4,fs,y,z=(1-Pib)×exp[α4(W4-2wi-3)]+Pib×exp[α4(2wib-2)]
其中:W4为中间带宽度,单位为米;wi为路缘带宽度,单位为米;wib为路缘带边缘到中央护栏的距离,单位为米;Pib为每一区段内具有中央护栏的路段所占比例;α4为回归参数;
记前坡坡度及后坡坡度对基准事故预测模型的修正系数为CMF5,fs,y,z,记前坡坡度及后坡坡度的和为G,则:
记中央护栏对基准事故预测模型的修正系数为CMF6,fs,y,z:
CMF6,fs,y,z=(1-Pib)×1+Pib×exp(α6/wib)
其中:α6为回归参数;
记外侧护栏对基准事故预测模型的修正系数为CMF7,fs,y,z,则:
CMF7,fs,y,z=(1-Pob)×1+Pob×exp(α7/wo)
其中:Pob为每一区段内具有外侧护栏的路段所占比例;wo为路肩外边缘到外侧护栏的距离,单位为米;α7为回归参数;
记净空区对基准事故预测模型的修正系数为CMF8,fs,y,z:
CMF8,fs,y,z=(1-Pob)×exp[-0.00451(whc-ws-6)]+Pob×exp[-0.00451(wo-6)]
其中:whc为净空区宽度,单位是米,ws为右侧路肩宽度,单位是米;
记高交通量区段对基准事故预测模型的修正系数为CMF9,fs,y,z:
CMF9,fs,y,z=exp(α9Phv)
其中:Phv为高交通量区段内的交通量占整条高速公路年平均日交通量的比例,α9为回归参数;
入口匝道主要对变速车道事故有影响,记入口匝道对基准事故预测模型的修正系数为CMF10,fs,y,z:
其中:Ll为匝道方向系数(若匝道在行车道左侧,取1,反之取0);Len为入口匝道长度,单位为米;AADTr为入口匝道的年平均日交通量,单位是辆/天;α10、β10、λ10和均为回归参数;
记出口匝道对基准事故预测模型的修正系数为CMF11,fs,y,z:
CMF11,fs,y,z=exp[α11Ll+β11/Lex)
其中:Lex为出口匝道长度,单位为米;α11和β11均为回归参数。
具体实施方式八:本实施方式与具体实施方式七不同的是:所述步骤五中利用事故预测模型修正系数来分别确定不同事故类型、不同事故严重度的事故预测模型,具体过程为:
Np,fs,n,mv,fi=Nspf,fs,n,mv,fi×C1
Np,fs,n,sv,fi=Nspf,fs,n,sv,fi×C2
Np,fs,n,mv,pdo=Nspf,fs,n,mv,pdo×C3
Np,fs,n,sv,pdo=Nspf,fs,n,sv,pdo×C4
其中:Np,fs,n,mv,fi为利用修正后的事故预测模型预测的n车道高速公路的多车事故类型、致命或受伤的事故数(事故数/年);Np,fs,n,sv,fi为利用修正后的事故预测模型预测的n车道高速公路的单车事故类型、致命或受伤的事故数;Np,fs,n,mv,pdo为利用修正后的事故预测模型预测的n车道高速公路的多车事故类型、财产损失的事故数;Np,fs,n,sv,pdo为利用修正后的事故预测模型预测的n车道高速公路的单车事故类型、财产损失的事故数;
sv代表单车事故类型,mv代表多车事故类型,fi代表事故严重度为致命或受伤,pdo代表事故严重度为财产损失;
Nspf,fs,n,mv,fi为基准条件下预测的n车道高速公路的多车事故类型、致命或受伤的事故数;Nspf,fs,n,sv,fi为基准条件下预测的n车道高速公路的单车事故类型、致命或受伤的事故数;Nspf,fs,n,mv,pdo为基准条件下预测的n车道高速公路的多车事故类型、财产损失的事故数;Nspf,fs,n,sv,pdo为基准条件下预测的n车道高速公路的单车事故类型、财产损失的事故数;
C1为对Nspf,fs,n,mv,fi有影响的修正系数的乘积,C2为对Nspf,fs,n,sv,fi有影响的修正系数的乘积,C3为对Nspf,fs,n,mv,pdo有影响的修正系数的乘积,C4为对Nspf,fs,n,sv,pdo有影响的修正系数的乘积。
按上述实施方式,修正系数中的回归参数见表3。
表3修正系数中的回归参数表
at表示单车和多车两种情况。
具体实施方式九:本实施方式与具体实施方式八不同的是:所述步骤六的具体过程为:
各区段的综合交通事故预测模型由各区段的多车死伤事故、单车死伤事故、多车财产损失事故和单车财产损失事故四部分组成,即:
Np,fs,n,at,as=Np,fs,n,mv,fi+Np,fs,n,sv,fi+Np,fs,n,mv,pdo+Np,fs,n,sv,pdo
其中:at表示所有事故类型,as表示所有事故严重度,Np,fs,n,at,as代表根据综合交通事故预测模型预测的各区段内总事故数。
具体实施方式十:本实施方式与具体实施方式九不同的是:所述步骤八中根据各区段的事故数、区段长度及预测的AADT计算各区段的百万车公里事故率的具体过程为:
其中:RM表示各区段的百万车公里事故率,单位是事故数/(百万车·公里),Np,fs,n,at,as表示各区段的总事故数,单位是事故数/年,AADTfs表示各区段的年平均日交通量,单位是辆/天,Le表示各区段的有效长度,单位是米。
具体实施方式十一:本实施方式与具体实施方式十不同的是:所述步骤八中确定可接受的临界事故率值Q的具体过程为:
不同的高速公路可接受的临界事故率值Q有所差异,此处给出Q值的确定方法:
对各区段的百万车公里事故率进行升序排列;
计算升序排序后的各区段百万车公里事故率占各区段百万车公里事故率总和的比重;
将升序排序后的各区段百万车公里事故率占各区段百万车公里事故率总和的比重进行累加,将累加比重为90%对应的百万车公里事故率作为可接受的临界事故率值Q。
实施例
采用某双向八车道、设计速度为120km/h的高速公路的设计阶段资料进行事故预测,验证本发明的有益效果:
图3为该高速公路的横断面图,具体设计指标如下:
采用上述步骤对该高速公路2020和2021年进行交通事故预测,将大于临界交通事故率的区段情况列出,初始预测结果及设计数据调整后的预测结果见表4。
表4事故预测结果
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,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,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (11)
1.一种交互式高速公路交通事故预测方法,其特征在于,该方法包括以下步骤:
步骤一、确定高速公路交通事故预测所需的基本参数;
步骤二、提取高速公路交通事故预测所需的设计几何数据、交通设施数据及其他交通数据;
步骤三、根据步骤一确定的基本参数和步骤二确定的数据,将整段高速公路划分为若干个区段,每个区段均具有单一特性;
步骤四、确定各区段基准条件下的事故预测模型;
步骤五、选择预测模型修正系数,利用修正系数分别确定修正后的不同事故类型、不同事故严重度的事故预测模型;
步骤六、将步骤五确定的修正后不同事故类型、不同事故严重度的事故预测模型进行叠加,最终确定各区段的综合交通事故预测模型;
步骤七、根据综合交通事故预测模型确定高速公路各区段的总事故数;
步骤八、根据各区段的总事故数、区段长度及预测的AADT计算各区段的百万车公里事故率,对各区段的百万车公里事故率进行排序,并确定可接受的临界事故率值Q;
步骤九、对百万车公里事故率高出临界事故率值Q的区段进行设计数据的调整;
步骤十、计算设计数据调整后的区段的百万车公里事故率,给出交互反馈结果;
步骤十一、重复步骤九与步骤十,直至出现正反馈结果,即:各区段的百万车公里事故率低于等于临界事故率值Q。
2.根据权利要求1所述的一种交互式高速公路交通事故预测方法,其特征在于,所述高速公路交通事故预测所需的基本参数包括:确定交通事故预测的区间范围、区域类型以及预测时间。
3.根据权利要求2所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤二中的设计几何数据包括平曲线数据、竖曲线数据和横断面数据;
所述横断面数据包含车道、中间带、路肩及匝道连接数据;
车道数据包括车道起终点桩号、车道宽度及车道类型;中间带数据包括中间带的起终点桩号和中间带宽度;路肩数据包括路肩起终点桩号、路肩起终点坡度和路肩起终点宽度;匝道连接数据包括匝道类型、分/合流点桩号、分/合流点与渐变点距离;
所述的车道类型包括行车道、超车车道、爬坡车道及变速车道。
所述平曲线数据包括平曲线起终点桩号、圆曲线半径以及路线走向;
所述竖曲线数据包括竖曲线起终点桩号、变坡点桩号、前坡坡度及坡长、后坡坡度及坡长。
4.根据权利要求3所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤二中的交通设施数据包括中央护栏和外侧护栏数据;
所述中央护栏数据包括中央护栏桩号、中央护栏距内侧车道的距离;所述外侧护栏数据包括外侧护栏桩号、外侧护栏距外侧车道的距离。
5.根据权利要求4所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤二中的其他交通数据包括年平均日交通量、净空区和高交通量区段数据;
所述年平均日交通量数据包括每一区段的起终点桩号、年份及每一区段的年平均日交通量;所述净空区数据包括净空区起终点桩号及净空区宽度;所述高交通量区段是指在该区段内,每小时每车道的交通量大于1000辆,所述高交通量区段数据包括高交通量区段桩号、年份及高交通量区段内的交通量占整条高速公路年平均日交通量的比例。
6.根据权利要求5所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤四的具体过程为:
Nspf,fs,n,y,z=aLe(AADTfs)b
其中:Nspf,fs,n,y,z为基准条件下预测的事故数,单位是事故数/年,n表示车道数,fs表示高速公路基本路段,y表示单车或多车事故类型,z表示事故严重度;AADTfs为高速公路各区段的年平均日交通量,单位为辆/天;a和b均为回归参数;Le为高速公路各区段的有效长度,单位是米。
7.根据权利要求6所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤五中选择预测模型修正系数的具体过程为:
记平曲线数据对基准事故预测模型的修正系数为CMF1,fs,y,z:
其中:Rk为每一区段中第k个圆曲线的半径,单位为米,k=1,2,…,m,m为每一区段中圆曲线的个数;Pc,k为各区段内平曲线长度占区段总长度的比例,α1为回归参数;
记车道宽度对基准事故预测模型的修正系数为CMF2,fs,y,z:
其中:W2为车道宽度;α2和β2均为回归参数;
记路肩起终点宽度对基准事故预测模型的修正系数为CMF3,fs,y,z:
CMF3,fs,y,z=exp[α3(W3-5)]
其中:W3为路肩起终点宽度,单位是米,α3为回归参数;
记中间带对基准事故预测模型的修正系数为CMF4,fs,y,z:
CMF4,fs,y,z=(1-Pib)×exp[α4(W4-2wi-3)]+Pib×exp[α4(2wib-2)]
其中:W4为中间带宽度,单位为米;wi为路缘带宽度,单位为米;wib为路缘带边缘到中央护栏的距离,单位为米;Pib为每一区段内具有中央护栏的路段所占比例;α4为回归参数;
记前坡坡度及后坡坡度对基准事故预测模型的修正系数为CMF5,fs,y,z,记前坡坡度及后坡坡度的和为G,则:
记中央护栏对基准事故预测模型的修正系数为CMF6,fs,y,z:
CMF6,fs,y,z=(1-Pib)×1+Pib×exp(α6/wib)
其中:α6为回归参数;
记外侧护栏对基准事故预测模型的修正系数为CMF7,fs,y,z,则:
CMF7,fs,y,z=(1-Pob)×1+Pob×exp(α7/wo)
其中:Pob为每一区段内具有外侧护栏的路段所占比例;wo为路肩外边缘到外侧护栏的距离,单位为米;α7为回归参数;
记净空区对基准事故预测模型的修正系数为CMF8,fs,y,z:
CMF8,fs,y,z=(1-Pob)×exp[-0.00451(whc-ws-6)]+Pob×exp[-0.00451(wo-6)]
其中:whc为净空区宽度,单位是米,ws为右侧路肩宽度,单位是米;
记高交通量区段对基准事故预测模型的修正系数为CMF9,fs,y,z:
CMF9,fs,y,z=exp(α9Phv)
其中:Phv为高交通量区段内的交通量占整条高速公路年平均日交通量的比例,α9为回归参数;
记入口匝道对基准事故预测模型的修正系数为CMF10,fs,y,z:
其中:Ll为匝道方向系数;Len为入口匝道长度,单位为米;AADTr为入口匝道的年平均日交通量,单位是辆/天;α10、β10、λ10和均为回归参数;
记出口匝道对基准事故预测模型的修正系数为CMF11,fs,y,z:
CMF11,fs,y,z=exp[α11Ll+β11/Lex)
其中:Lex为出口匝道长度,单位为米;α11和β11均为回归参数。
8.根据权利要求7所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤五中利用修正系数分别确定修正后的不同事故类型、不同事故严重度的事故预测模型,其具体过程为:
Np,fs,n,mv,fi=Nspf,fs,n,mv,fi×C1
Np,fs,n,sv,fi=Nspf,fs,n,sv,fi×C2
Np,fs,n,mv,pdo=Nspf,fs,n,mv,pdo×C3
Np,fs,n,sv,pdo=Nspf,fs,n,sv,pdo×C4
其中:Np,fs,n,mv,fi为利用修正后的事故预测模型预测的n车道高速公路的多车事故类型、致命或受伤的事故数;Np,fs,n,sv,fi为利用修正后的事故预测模型预测的n车道高速公路的单车事故类型、致命或受伤的事故数;Np,fs,n,mv,pdo为利用修正后的事故预测模型预测的n车道高速公路的多车事故类型、财产损失的事故数;Np,fs,n,sv,pdo为利用修正后的事故预测模型预测的n车道高速公路的单车事故类型、财产损失的事故数;
Nspf,fs,n,mv,fi为基准条件下预测的n车道高速公路的多车事故类型、致命或受伤的事故数;Nspf,fs,n,sv,fi为基准条件下预测的n车道高速公路的单车事故类型、致命或受伤的事故数;Nspf,fs,n,mv,pdo为基准条件下预测的n车道高速公路的多车事故类型、财产损失的事故数;Nspf,fs,n,sv,pdo为基准条件下预测的n车道高速公路的单车事故类型、财产损失的事故数;
C1为对Nspf,fs,n,mv,fi有影响的修正系数的乘积,C2为对Nspf,fs,n,sv,fi有影响的修正系数的乘积,C3为对Nspf,fs,n,mv,pdo有影响的修正系数的乘积,C4为对Nspf,fs,n,sv,pdo有影响的修正系数的乘积。
9.根据权利要求8所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤六的具体过程为:
Np,fs,n,at,as=Np,fs,n,mv,fi+Np,fs,n,sv,fi+Np,fs,n,mv,pdo+Np,fs,n,sv,pdo
其中:at表示所有事故类型,as表示所有事故严重度,Np,fs,n,at,as代表根据综合交通事故预测模型预测的各区段内总事故数。
10.根据权利要求1所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤八中计算各区段的百万车公里事故率的具体过程为:
其中:RM表示各区段的百万车公里事故率。
11.根据权利要求10所述的一种交互式高速公路交通事故预测方法,其特征在于,所述步骤八中确定可接受的临界事故率值Q的具体过程为:
对各区段的百万车公里事故率进行升序排列;
计算升序排序后的各区段百万车公里事故率占各区段百万车公里事故率总和的比重;
将升序排序后的各区段百万车公里事故率占各区段百万车公里事故率总和的比重进行累加,将累加比重为90%对应的百万车公里事故率作为可接受的临界事故率值Q。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615709.5A CN110264724B (zh) | 2019-07-09 | 2019-07-09 | 一种交互式高速公路交通事故预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615709.5A CN110264724B (zh) | 2019-07-09 | 2019-07-09 | 一种交互式高速公路交通事故预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264724A true CN110264724A (zh) | 2019-09-20 |
CN110264724B CN110264724B (zh) | 2020-08-25 |
Family
ID=67925164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910615709.5A Active CN110264724B (zh) | 2019-07-09 | 2019-07-09 | 一种交互式高速公路交通事故预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264724B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110867076A (zh) * | 2019-11-05 | 2020-03-06 | 武汉理工大学 | 一种交通事故预测方法及装置 |
CN110956335A (zh) * | 2019-12-10 | 2020-04-03 | 黑龙江省公路勘察设计院 | 一种基于预测事故率分级的公路安全评价系统及评价方法 |
CN111210604A (zh) * | 2019-10-22 | 2020-05-29 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN112767697A (zh) * | 2021-01-19 | 2021-05-07 | 东南大学 | 基于交通冲突预测的交通安全评价方法、系统及装置 |
CN113920738A (zh) * | 2021-10-26 | 2022-01-11 | 北京工业大学 | 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法 |
CN114037268A (zh) * | 2021-11-08 | 2022-02-11 | 哈尔滨工业大学 | 一种适用于设计阶段的高速公路事前安全性评价系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826258A (zh) * | 2010-04-09 | 2010-09-08 | 北京工业大学 | 高速公路简约事故预测方法 |
CN104294720A (zh) * | 2014-09-26 | 2015-01-21 | 哈尔滨工业大学 | 一种高速公路设计方案安全性评价方法 |
CN105701579A (zh) * | 2016-03-08 | 2016-06-22 | 北京工业大学 | 高原双车道二级公路基本路段交通事故预测方法 |
CN106530171A (zh) * | 2016-10-12 | 2017-03-22 | 长安大学 | 一种互通式立交安全性估计方法 |
CN107392373A (zh) * | 2017-07-19 | 2017-11-24 | 哈尔滨工业大学 | 一种基于敏感性分析与行车安全的线形指标选择与优化方法 |
-
2019
- 2019-07-09 CN CN201910615709.5A patent/CN110264724B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826258A (zh) * | 2010-04-09 | 2010-09-08 | 北京工业大学 | 高速公路简约事故预测方法 |
CN104294720A (zh) * | 2014-09-26 | 2015-01-21 | 哈尔滨工业大学 | 一种高速公路设计方案安全性评价方法 |
CN105701579A (zh) * | 2016-03-08 | 2016-06-22 | 北京工业大学 | 高原双车道二级公路基本路段交通事故预测方法 |
CN106530171A (zh) * | 2016-10-12 | 2017-03-22 | 长安大学 | 一种互通式立交安全性估计方法 |
CN107392373A (zh) * | 2017-07-19 | 2017-11-24 | 哈尔滨工业大学 | 一种基于敏感性分析与行车安全的线形指标选择与优化方法 |
Non-Patent Citations (2)
Title |
---|
侯芹忠: "基于IHSDM框架的高速公路交通事故预测模型", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
武海鹏: "基于IHSDM模型的高速公路安全性评价", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210604A (zh) * | 2019-10-22 | 2020-05-29 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN111210604B (zh) * | 2019-10-22 | 2021-06-15 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN110867076A (zh) * | 2019-11-05 | 2020-03-06 | 武汉理工大学 | 一种交通事故预测方法及装置 |
CN110956335A (zh) * | 2019-12-10 | 2020-04-03 | 黑龙江省公路勘察设计院 | 一种基于预测事故率分级的公路安全评价系统及评价方法 |
CN110956335B (zh) * | 2019-12-10 | 2020-10-02 | 黑龙江省公路勘察设计院 | 一种基于预测事故率分级的公路安全评价系统及评价方法 |
CN112767697A (zh) * | 2021-01-19 | 2021-05-07 | 东南大学 | 基于交通冲突预测的交通安全评价方法、系统及装置 |
CN113920738A (zh) * | 2021-10-26 | 2022-01-11 | 北京工业大学 | 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法 |
CN113920738B (zh) * | 2021-10-26 | 2023-04-21 | 北京工业大学 | 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法 |
CN114037268A (zh) * | 2021-11-08 | 2022-02-11 | 哈尔滨工业大学 | 一种适用于设计阶段的高速公路事前安全性评价系统 |
CN114037268B (zh) * | 2021-11-08 | 2022-08-19 | 哈尔滨工业大学 | 一种适用于设计阶段的高速公路事前安全性评价系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110264724B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264724A (zh) | 一种交互式高速公路交通事故预测方法 | |
Li et al. | Day-of-the-week variations and temporal instability of factors influencing pedestrian injury severity in pedestrian-vehicle crashes: A random parameters logit approach with heterogeneity in means and variances | |
Zou et al. | Effectiveness of cable barriers, guardrails, and concrete barrier walls in reducing the risk of injury | |
La Torre et al. | Effects of stationary work zones on motorway crashes | |
CA2245185A1 (en) | Traffic safety prediction model | |
Pilko et al. | Study of vehicle speed in the design of roundabouts | |
Claros et al. | When driving on the left side is safe: Safety of the diverging diamond interchange ramp terminals | |
Wang et al. | Safety performance audit for roadside and median barriers using freeway crash records: Case study in Jiangxi, China | |
Dash et al. | Factors impacting bike crash severity in urban areas | |
Shamsashtiany et al. | Road accidents prediction with multilayer perceptron MLP modelling case study: roads of Qazvin, Zanjan and Hamadan | |
CN107331152B (zh) | 一种次路停车控制交叉口行人过街设施多目标优选方法 | |
Hasanat-E-Rabbi et al. | Pedestrian injury outcomes in the developing urban metropolis: Econometric models for assessing risk factors | |
Archer et al. | The traffic safety problem in urban areas | |
Leuhery et al. | Determination of black site area based on equivalent accident number analysis: Case study national roads in ambon city | |
Janson et al. | Feasibility of Exclusive Facilities for Cars and Trucks | |
Sharma et al. | Access density and standard deviation of speed as contributing factors for accident of high speed cars | |
Tarko et al. | Statistical Analysis of Safety Improvements and Integration into Project Design Process | |
Torre et al. | Development of a guideline for the selection of Vehicle Restraint Systems–identification of the key selection parameters | |
Gandupalli et al. | Prediction of fatal crashes based on various victim types on national highways passing through urban areas of developing countries | |
Walden | Evaluation of photographic traffic signal enforcement systems in Texas | |
Allaby | An evaluation of the safety and operational impacts of a candidate variable speed limit control strategy on an urban freeway | |
Javier et al. | Hazard exposure of bicyclists at urban intersections | |
Polidori et al. | Safety prevention manual for secondary roads | |
Shankar et al. | Two-lane rural highways safety performance functions. | |
Agusiobo | Developing Criteria for the Provision of Alabama Service Assistance Program (ASAP) Service |
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 |