CN110867076A

CN110867076A - 一种交通事故预测方法及装置

Info

Publication number: CN110867076A
Application number: CN201911070378.8A
Authority: CN
Inventors: 赵菲; 傅立平; 钟鸣
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2019-11-05
Filing date: 2019-11-05
Publication date: 2020-03-06
Anticipated expiration: 2039-11-05
Also published as: CN110867076B

Abstract

本发明涉及交通事故预测技术领域，公开了一种交通事故预测方法及装置，其中方法包括以下步骤：收集待预测道路上发生的交通事故的事故信息；将所述待预测道路划分为多个路段，根据所述事故信息筛选出发生过交通事故的路段作为高危路段；提取所述高危路段的事故信息以及路况信息建立参数标定数据库；根据所述参数标定数据库中数据进行拟合操作得到路段的安全性能函数；根据待预测路段的实际路段信息设置修正系数，通过所述修正系数修正所述安全性能函数得到待预测路段的交通事故预测模型；根据所述交通事故预测模型预测所述待预测路段的事故频次。本发明具有交通事故预测考虑实际路况以及路段特征，预测精度高的技术效果。

Description

一种交通事故预测方法及装置

技术领域

本发明涉及交通事故预测技术领域，具体涉及一种交通事故预测方法及装置。

背景技术

近年来，我国经济的迅速发展大力推动了城乡道路发展进程。城市道路交通系统日渐趋于完善，然而我国在乡村道路和省级公路上的监管力度不够，导致了乡村道路和省级公路的安全设施不完善，部分道路和路口设计不合理，使得省级公路和乡村道路上交通事故频发，人们的生命财产受到了严重的威胁。因此，对于交通事故的预测显得尤为重要。目前对于交通事故的预测存在预测精度低，预测时未结合实际路况以及路段特征的问题。

发明内容

本发明的目的在于克服上述技术不足，提供一种交通事故预测方法及装置，解决现有技术中交通事故预测精度低，没有结合实际路况以及路段特征进行预测的技术问题。

为达到上述技术目的，本发明的技术方案提供一种交通事故预测方法，包括以下步骤：

收集待预测道路上发生的交通事故的事故信息；

将所述待预测道路划分为多个路段，根据所述事故信息筛选出发生过交通事故的路段作为高危路段；

提取所述高危路段的事故信息以及路况信息建立参数标定数据库；

根据所述参数标定数据库中数据进行拟合操作得到路段的安全性能函数；

根据待预测路段的实际路段信息设置修正系数，通过所述修正系数修正所述安全性能函数得到待预测路段的交通事故预测模型；

根据所述交通事故预测模型预测所述待预测路段的事故频次。

本发明还提供一种交通事故预测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述交通事故预测方法。

与现有技术相比，本发明的有益效果包括：本发明首先收集实际发生的交通事故的事故信息，作为预测的基础数据，根据发生过交通事故的高危路段的事故信息以及路况信息，建立关于路段的路况信息与交通事故概率的安全性能函数。安全性能函数描述了不考虑路段特征的交通事故概率与路况信息的关系。然后根据待预测路段的实际路段信息对安全性能函数进行修正，得到交通事故预测模型，使得交通事故预测模型更加符合待预测路段的实际路段特征，预测精度更高。

附图说明

图1是本发明提供的交通事故预测方法一实施方式的流程图；

图2是本发明中交叉口路段A类事故的安全性能函数一实施方式的拟合效果图；

图3是本发明中交叉口路段B类事故的安全性能函数一实施方式的拟合效果图；

图4是本发明中交叉口路段C类事故的安全性能函数一实施方式的拟合效果图；

图5是本发明中交叉口路段D类事故的安全性能函数一实施方式的拟合效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本发明的实施例1提供了交通事故预测方法，包括以下步骤：

S1、收集待预测道路上发生的交通事故的所有事故信息；

S2、将所述待预测道路划分为多个路段，根据所述事故信息筛选出发生过交通事故的路段作为高危路段；

S3、提取所述高危路段的事故信息以及路况信息建立参数标定数据库；

S4、根据所述参数标定数据库中数据进行拟合操作得到路段的安全性能函数；

S5、根据待预测路段的实际路段信息设置修正系数，通过所述修正系数修正所述安全性能函数得到待预测路段的交通事故预测模型；

S6、根据所述交通事故预测模型预测所述待预测路段的事故频次。

本发明实施例利用实际的事故信息，分析事故致因、提取事故路况特征，建立描述路况信息与交通事故频次之间关系的安全性能函数，在此基础上结合根据待预测路段的实际路段信息设置的修正系数，对安全性能函数进行修正，得到最后的交通事故预测模型，实际路段信息描述了路段的几何特征，因此修正后得到的交通事故预测模型更贴近待预测路段的集合特征，预测准确度更高。

本发明结合实际事故信息建立的参数标定数据库和描述路段几何特征的路段信息建立经过修正的交通事故预测模型，提高了交通事故预测的准确性，为分析事故产生原因以及制定交通改善方案提供科学的决策支持，对于道路事故的提前预测和道路交通设施的改善具有广泛的实践意义。

优选的，将所述待预测道路划分为多个路段，根据所述事故信息筛选出发生过交通事故的路段作为高危路段，具体为：

从所述事故信息中提取交通事故的事故位置信息；

根据所述事故位置信息在道路地图上标注各所述交通事故的位置；

根据道路地图将所述待预测道路划分为多个路段；

筛选出标注有交通事故的路段作为所述高危路段。

从事故信息数据库中提取所有事故的位置信息，在地图上标定事故位置，每一个事故位置点关联对应的属性表，属性表中添加对应事故的所有事故信息。在地图上划分出路段，路段的划分可以根据事故分布情况，并结合道路的车道数、道路的纵坡度以及道路的平曲线半径四个方面进行划分。例如将事故发生密度较大的路段划分为同一路段，将车道数相同的路段划分为同一路段，将上坡路段划分为同一路段，将下坡路段划分为同一路段，将转弯路段划分为同一路段，将直行路段划分为同一路段。划分为路段后，即可筛选出发生过交通事故的路段得到高危路段了，高危路段对于交通事故的预测具有指导意义，因此提取高危路段的事故信息以及路况信息建立参数标定数据库，用于拟合安全性能函数。

优选的，提取所述高危路段的事故信息以及路况信息建立参数标定数据库，具体为：

所述路段包括非交叉口路段以及交叉口路段，发生过交通事故的非交叉口路段为高危非交叉口路段，发生过交通事故的交叉口路段为高危交叉口路段；

提取所述高危非交叉口路段的事故信息以及路况信息，建立非交叉口路段的参数标定数据库，非交叉口路段的参数标定数据库用于建立非交叉口路段的交通事故预测模型；

提取所述高危交叉口路段的事故信息以及路况信息，建立交叉口路段的参数标定数据库，交叉口路段的参数标定数据库用于建立交叉口路段的交通事故预测模型。

由于交叉口路段和非交叉口路段往往具有不同的路况信息以及不同的路段特征，因此需要分别进行建模预测。根据地图将待预测道路划分为多个交叉口路段和多个非交叉口路段，根据交叉口路段上发生的事故信息以及路况信息建立交叉口路段的参数标定数据库，用于建立交叉口路段的安全性能函数，进而建立交叉口路段的交通事故预测模型；根据非交叉口路段上发生的事故信息以及路况信息建立非交叉口路段的参数标定数据库，用于建立非交叉口路段的安全性能函数，进而建立非交叉口路段的交通事故预测模型。通过交叉口路段和非交叉口路段的分别建模，实现具有针对性的精准预测。

具体的，事故信息可以包括人、车、路和环境四个方面。人的方面包括肇事方司机性别与年龄、受害方司机性别与年龄、死亡人数、重伤人数以及轻伤人数，车的方面包括肇事车辆类型、受害方车辆类型以及车辆撞击类型，路的方面包括交通事故发生的位置、事故发生位置的道路路况和线形设计，环境方面包括事故发生时的天气状况、路面条件(干燥或者湿滑，是否雨雪)以及道路照明条件，同时还有交通事故致因等。

这里主要按交通事故的严重程度对数据进行分类编号，将所有信息提取后构建参数标定数据库，如图2所示，A类事故编号A0102_20111005指的是2011年10月5日发生了一起死亡事故，事故涉及总人数2人而事故中死亡1人；B类事故编号

_20100227指的是2010年2月27日发生了一起重伤事故，事故涉及人数2人而事故中重伤人数1人；C类事故编号C0202_20101201指的是2010年12月1日发生了一起轻伤事故，事故涉及人数2人而事故中轻伤人数2人；D类事故编号D0101_20100630指的是2010年6月30日发生了一起财产损失事故，事故涉及人数1人。

设置交通事故严重程度划分标准，根据所述交通事故严重程度划分标准将所述高危路段的事故信息以及路况信息划分为不同严重级别，建立不同严重级别的参数标定数据库，不同严重程度级别的参数标定数据库用于建立不同严重程度级别的交通事故预测模型。

不同严重程度的交通事故，其事故致因往往是不同的，因此不同严重程度的交通事故的安全性能函数以及交通事故预测模型也就不一样，如果采用统一的交通事故预测模型进行所有不同严重程度的交通事故的预测，必然会存在预测精度不高的问题。

因此本实施例首先设定交通事故严重程度划分标准，死亡交通事故标记为A类事故，重伤交通事故标记为B类事故，轻伤交通事故标记为C类事故，财产损失交通事故标记为D类事故。在建立参数标定数据库时，依据事故严重程度进行分类处理，针对不同事故严重程度建立不同的参数标定数据库，进而基于不同参数标定数据库建立不同的交通事故预测模型，可以为道路安全精细化管理提供科学依据。为了便于对不同严重程度的交通事故进行划分，优选在地图上采用不同的颜色对不同严重程度的交通事故进行标注，从而便于区分。

优选的，根据所述参数标定数据库中数据进行拟合操作得到路段的安全性能函数，具体为：

S41、采用插值法对所述参数标定数据库中数据进行扩展得到扩展数据库；

S42、将所述扩展数据库中数据分为拟合数据以及验证数据两部分；

S43、对所述拟合数据进行拟合操作得到所述安全性能函数的回归参数，进而得到所述安全性能函数；

S44、通过所述验证数据对所述安全性能函数进行验证，判断预测值与验证值之间的相关系数是否大于预设值，如果是，则输出安全性能函数，否则采用插值法对所述扩展数据库进行再次扩展，然后转S42。

由于参数标定数据库的数据量可能不是很多，因此采用插值法对参数标定数据库进行扩展。将参数标定数据库分为两部分，取其中80％的数据作为安全性能函数的拟合数据，另外20％的数据作为安全性能函数的验证数据。将拟合数据进行拟合操作，得到安全性能函数的回归参数，根据相关系数R的值判定回归程度的大小，R越接近于1，说明回归方程越显著，设置预设值，例如0.8，如果相关系数大于0.8则认定为符合预测精度，输出当前的安全性能函数，如果相关系数不大于0.8则重新进行插值扩展，重新拟合安全性能函数，直到相关系数大于0.8。

优选的，所述待预测路段为非交叉口路段时，所述安全性能函数为：

N_{spf ru}＝exp(a+b×lnAADT+lnL)

其中，N_{spf int}为待预测非交叉口路段的安全性能函数，a、b均为回归系数，AADT为待预测非交叉口路段的平均日交通流量，L为待预测非交叉口路段的长度；

所述待预测路段为交叉口路段时，所述安全性能函数为：

N_{spf int}＝exp(c+d×lnAADT_maj+f×lnAADT_min)

其中，N_{spf int}为待预测交叉口路段的安全性能函数，c、d、f均为回归系数，AADT_maj为待预测交叉口路段的主干道平均日交通流量，AADT_min为待预测交叉口路段的次干道平均日交通流量。

安全性能函数可以理解为基准条件下的交通事故预测模型，基准条件即忽略实际路段信息的条件下。对于非交叉口路段而言，交通事故的频次与平均日交通流量以及路段的长度相关，非交叉口路段的平均日交通流量越大、长度越长，交通事故的频次越高。根据已经发生的交通事故的事故信息获取各非交叉口路段的平均日交通流量以及各非交叉口路段的长度，进而获取相应非交叉口路段发生交通事故的频次，对这些各路段的历史数据进行拟合，得到回归系数a和b。对于交叉口路段而言，交通事故的频次主要与路口处主干道与次干道的平均日交通流量相关，主干道与次干道的平均日交通流量越大，交通事故频次越高。同样的，根据已经发生的交通事故的事故信息获取各交叉口路段的平均日交通流量以及各交叉口路段的长度，进而获取相应交叉口路段发生交通事故的频次，对这些各路段的历史数据进行拟合，得到回归系数c、d和f。

以下以交叉口路段为例，对拟合过程进行详细描述。

设定交通事故严重程度划分标准，死亡交通事故标记为A类事故，重伤交通事故标记为B类事故，轻伤交通事故标记为C类事故，财产损失交通事故标记为D类事故。根据交通事故严重程度划分标准将待预测道路上发生的交通事故分为A类、B类、C类以及D类四种严重级别，分别对四种严重级别的交叉口路段的安全性能函数的回归系数进行标定，具体实现方法如下：

1)将交叉口路段不同严重级别的事故信息利用插值法进行扩展，得到各自相应的扩展数据库，每种严重级别的虚拟数据库分别包括了400行，将虚拟数据库的数据分为两部分，取其中80％的数据作为安全性能函数拟合数据，另外20％的数据作为验证数据；

2)根据拟合数据在matlab中进行拟合操作，得到交叉口路段不同严重级别交通事故的安全性能函数所对应的回归系数；

交叉口路段的A类交通事故的拟合操作的程序如下：

交叉口路段的A类交通事故的安全性能函数如图2所示。

交叉口路段的B类交通事故的拟合操作的程序如下：

交叉口路段的B类交通事故的安全性能函数如图3所示。

交叉口路段的C类交通事故的拟合操作的程序如下：

交叉口路段的C类交通事故的安全性能函数如图4所示。

交叉口路段的D类交通事故的拟合操作的程序如下：

交叉口路段的D类交通事故的安全性能函数如图5所示。

图2、图3、图4以及图5中，X即上述matlab程序中X，X代表待预测交叉口路段的主干道平均日交通流量AADT_maj；Y即上述matlab程序中Y，Y代表待预测交叉口路段的次干道平均日交通流量AADT_min；N即上述matlab程序中f(X,Y)，N/f(X,Y)代表待预测交叉口路段的安全性能函数N_{spf int}的函数值，图中圆点即拟合点。

3)根据相关系数R的值判定回归程度的大小，R越接近于1，回归方程越显著。

根据路口的A类、B类、C类、D类事故的函数拟合情况整理出了各自的安全性能函数以及相关系数R如表1所示：

表1交叉口各类事故安全性能函数及相关系数分布表

以0.8的预设值来判断，上述四类事故的安全性能函数均符合要求。

优选的，所述待预测路段为非交叉口路段时，根据待预测路段的实际路段信息设置修正系数，具体包括：

根据待预测非交叉口路段的车道宽度设置车道宽度修正系数CMF1ru；

根据待预测非交叉口路段的路肩宽度设置路肩宽度修正系数CMF2ru；

根据待预测非交叉口路段的边坡坡度设置边坡修正系数CMF3ru；

根据待预测非交叉口路段的照明情况设置照明修正系数CMF4ru；

根据待预测非交叉口路段的自动速度检测情况设置自动速度修正系数CMF5ru；

所述待预测路段为交叉口路段时，根据待预测路段的实际路段信息设置修正系数，具体包括：

根据待预测交叉口路段的交叉口夹角设置交叉口修正系数CMF1int；

根据待预测交叉口路段的左转专用道数量设置左转修正系数CMF2int；

根据待预测交叉口路段的右转专用道数量设置右转修正系数CMF3int；

根据待预测交叉口路段的照明情况设置照明修正系数CMF4int。

对于非交叉口路段来说，实际路段信息包括：路段的车道数量、车道宽度、边坡坡度、照明情况、自动速度检测情况；对于交叉口路段来说，交叉口路段即存在交叉口，实际路段信息包括：交叉口夹角、交叉口的左转专用道的事故频次、交叉口的右转专用道的事故频次、交叉口处是否有视距阻碍。

具体的，以下以交叉口路段为例，对修正系数的设置进行说明。

1)交叉口路段的交叉口修正系数CMF1int是根据交叉口斜交夹角的大小来进行赋值的，具体如下：

其中：skew为交叉口的斜交夹角角度(°)，即交叉口夹角与直角之差的绝对值。

2)交叉口路段的左转修正系数CMF2int是根据交叉口是否设有左转车道以及左转车道的数量来赋值的，没有左转专用道，其取值为1，有左转专用道时左转修正系数具体如表2所示。

表2交叉口的左转修正系数表

3)交叉口路段的右转修正系数CMF3int是根据交叉口是否设有右转车道以及右转车道的数量来赋值的，没有右转专用车道，其取值为1.00，有右转专用道时右转修正系数具体如表3所示。

表3交叉口的右转修正系数表

4)交叉口路段的照明修正系数CMF4int是根据照明条件的有无以及发生在夜间的事故比例来进行赋值的。没有照明条件，其取值为1.00，有照明条件且发生在夜间，其取值为1.1，发生在白天，其取值为1.2。

优选的，所述待预测路段为非交叉口路段时，通过所述修正系数修正所述安全性能函数得到待预测路段的交通事故预测模型，具体为：

N_{predicted ru}＝N_{spf ru}×(CMF1ru×CMF2ru×CMF3ru×CMF4ru×CMF5ru)

其中，N_{predicted ru}为交通事故预测概率；

所述待预测路段为交叉口路段时，通过所述修正系数修正所述安全性能函数得到待预测路段的交通事故预测模型，具体为：

N_{predicted int}＝N_{spf int}×(CMF1int×CMF2int×CMF3int×CMF4int)

其中，N_{predicted int}为交通事故预测概率。

优选的，根据所述交通事故预测模型对所述待预测道路进行历史时间段的预测，得到历史时间段待预测道路所有路段预测的事故次数，根据所述事故信息获取历史时间段待预测道路所有路段实际发生的事故次数，并设置标定系数：

其中，C为所述标定系数；

根据所述标定系数对所述交通事故预测模型进行修正。

交叉口路段标定系数获取的方法与非交叉口路段相同，以交叉口路段为例，标定系数的设定如下：

根据交叉口路段的A类、B类、C类、D类事故的参数标定数据库计算各自的标定系数，计算结果如表4所示。

表4交叉口各类事故的标定系数分布表

注：交叉口即交叉口路段。

实施例2

本发明的实施例2提供了交通事故预测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现以上实施例提供的交通事故预测方法。

交通事故预测方法具体包括以下步骤：

收集待预测道路上发生的交通事故的事故信息；

根据待预测路段的实际路段信息设置修正系数，通过所述修正系数修正所述安全性能函数得到待预测路段的交通事故预测模型。

本发明实施例提供的交通事故预测装置，用于实现交通事故预测方法，因此，上述交通事故预测方法所具备的技术效果，交通事故预测装置同样具备，在此不再赘述。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims

1.一种交通事故预测方法，其特征在于，包括以下步骤：

收集待预测道路上发生的交通事故的事故信息；

2.根据权利要求1所述的交通事故预测方法，其特征在于，将所述待预测道路划分为多个路段，根据所述事故信息筛选出发生过交通事故的路段作为高危路段，具体为：

从所述事故信息中提取交通事故的事故位置信息；

根据道路地图将所述待预测道路划分为多个路段；

筛选出标注有交通事故的路段作为所述高危路段。

3.根据权利要求1所述的交通事故预测方法，其特征在于，提取所述高危路段的事故信息以及路况信息建立参数标定数据库，具体为：

4.根据权利要求1所述的交通事故预测方法，其特征在于，提取所述高危路段的事故信息以及路况信息建立参数标定数据库，具体为：

5.根据权利要求1所述的交通事故预测方法，其特征在于，根据所述参数标定数据库中数据进行拟合操作得到路段的安全性能函数，具体为：

6.根据权利要求5所述的交通事故预测方法，其特征在于，所述待预测路段为非交叉口路段时，所述安全性能函数为：

N_{spf ru}＝exp(a+b×ln AADT+ln L)

其中，N_{spf ru}为待预测非交叉口路段的安全性能函数，a、b均为回归系数，AADT为待预测非交叉口路段的平均日交通流量，L为待预测非交叉口路段的长度；

所述待预测路段为交叉口路段时，所述安全性能函数为：

N_{spf int}＝exp(c+d×ln AADT_maj+f×ln AADT_min)

7.根据权利要求1所述的交通事故预测方法，其特征在于，所述待预测路段为非交叉口路段时，根据待预测路段的实际路段信息设置修正系数，具体包括：

根据待预测交叉口路段的照明情况设置照明修正系数CMF4int。

8.根据权利要求7所述的交通事故预测方法，其特征在于，所述待预测路段为非交叉口路段时，通过所述修正系数修正所述安全性能函数得到待预测路段的交通事故预测模型，具体为：

N_{predicted ru}＝N_{spf ru}×(CMF1ru×CMF2ru×CMF3ru×CMF4ru×CMF5ru)

其中，N_{predicted ru}为交通事故预测概率；

N_{predicted int}＝N_{spf int}×(CMF1int×CMF2int×CMF3int×CMF4int)

其中，N_{predicted int}为交通事故预测概率。

9.根据权利要求1所述的交通事故预测方法，其特征在于，还包括：

根据所述交通事故预测模型对所述待预测道路进行历史时间段的预测，得到历史时间段待预测道路所有路段预测的事故次数，根据所述事故信息获取历史时间段待预测道路所有路段实际发生的事故次数，并设置标定系数：

其中，C为所述标定系数；

根据所述标定系数对所述交通事故预测模型进行修正。

10.一种交通事故预测装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-9任一所述的交通事故预测方法。