CN111105156B - 一种基于证据推理的公路路侧安全风险评价方法 - Google Patents

一种基于证据推理的公路路侧安全风险评价方法 Download PDF

Info

Publication number
CN111105156B
CN111105156B CN201911313799.9A CN201911313799A CN111105156B CN 111105156 B CN111105156 B CN 111105156B CN 201911313799 A CN201911313799 A CN 201911313799A CN 111105156 B CN111105156 B CN 111105156B
Authority
CN
China
Prior art keywords
evaluation
road
road side
risk
safety risk
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.)
Active
Application number
CN201911313799.9A
Other languages
English (en)
Other versions
CN111105156A (zh
Inventor
徐思源
汤天培
陶阳晨
王海波
沈强儒
朱森来
曹志超
曹阳
许霆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN201911313799.9A priority Critical patent/CN111105156B/zh
Publication of CN111105156A publication Critical patent/CN111105156A/zh
Application granted granted Critical
Publication of CN111105156B publication Critical patent/CN111105156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于证据推理的公路路侧安全风险评价方法，相较其他评价方法，可以在没有历史交通事故数据的情况下，克服路侧安全风险评价中存在的主观性和不确定性问题，实现在不确定信息条件下对公路路侧安全风险的有效评价，为新建道路和改造道路提供安防设施的设置依据。本发明方法简单易操作，评价获取的公路路侧安全风险水平，可作为公路安防设计的依据，优化安防工程资金使用，节约工程成本。

Description

一种基于证据推理的公路路侧安全风险评价方法
技术领域
本发明属于公路安全评价领域，具体涉及指标赋权、指标分布式评估、解析证据推理算法、效用函数等的一种基于证据推理的公路路侧安全风险评价方法。
背景技术
现有公路路侧安全评价研究中，主要采用的方法包括事故数据分析、贝叶斯、物元分析、集对分析、熵权法等评价方法。其中事故数据分析法要求事故数据详实，包括事故类型、事故位置、事故原因、事故严重程度、事故对象，以及发生事故时的交通环境等。再通过数据分析方法和数学模型研究公路路侧特征因素与事故严重程度之间的关系，评价和预测公路路侧的安全风险。该方法对历史交通事故数据依赖性高，评价模型和评价结果的可靠性取决于大量的事故数据。但现阶段国内大部分地区的交通事故数据较难获取，导致上述方法的实操性变弱，不易推广应用。为克服交通事故数据缺失的不足，在其他评价方法中，大部分考虑由评估专家根据描述的指标条件评定具体的风险指标值，但是主观判断产生的不确定性是无法避免的，即无法处理风险评价中的不确定信息问题。
发明内容
为克服现阶段公路路侧安全评价存在的局限性，本发明提出一种基于证据推理的公路路侧安全风险评价方法。在没有历史交通事故数据的情况下，克服路侧安全风险评价中存在的主观性和不确定性问题，实现在不确定信息条件下对公路路侧安全风险的有效评价，为新建道路和改造道路提供安防设施的设置依据。
为实现上述目的，本发明采用如下技术方案：
一种基于证据推理的公路路侧安全风险评价方法，包括如下步骤：
步骤1：确定影响公路路侧安全风险的K个安全风险因素Fi(i＝1，2，…，K)，W＝(w1，w2，…，wK)为K个风险因素的相对权重，满足以下条件：i＝1，2，…，K；每个风险因素Fi对应Li个具体指标，各指标的相对权重为/>满足以下条件：/>wi，j≥0，i＝1，2，…，K，j＝1，2，…，Li；
步骤2：分别对安全风险因素和指标进行相对权重计算；
步骤3：由风险评估人员在分布式评估模型框架下对指标Fi，j的分布式评估结果S(Fi，j)进行判断，G＝{G1，G2，…，GN}为第n个评价等级，N是评估等级的数量，βn，i，j为指标Fi，j被评为等级Gn的置信度；βn，i，j满足βn，i，j≥0，若/>则本次评估为完全评估，否则即为非完全评估；若/>则本次评估被忽略；每个风险因素对应的指标评价结果用分布式评价矩阵表示：/>i＝1，…，K，j＝1，…，Li；
步骤4：基于分布式评估矩阵Di中的数据，采用解析证据推理算法计算第i个风险因素的分布式评估结果；
步骤5：根据路侧预期安全风险程度对M个路段的公路路侧安全风险进行排序。
优选的，步骤1中，所述影响公路路侧安全风险的因素包括路侧边坡、路侧交叉口/支路、路侧障碍物、路侧沟渠；路侧边坡因素包括边坡坡度、路堤高度、边坡综合；路侧交叉口/支路因素包括交叉口/支路密度、交叉口/支路视距、交叉口/支路角度；路侧障碍物因素包括横向距离、离散障碍物、连续障碍物、路侧净区条件；路侧沟渠因素包括横向距离、沟渠类型。
优选的，步骤2中，采用COWA算子分别对安全风险因素和指标进行相对权重计算，具体步骤如下：
(1)因素Fi的决策数据集结数列ci＝(ci1，ci2，…，cie)，e为专家人数，按照从大到小对数据重新排序，并以1开始编号形成新集结数列di＝(di1，di2，…，die)；
(2)采用组合数计算di的权重，求加权向量：
其中，表示在e-1个数据里任意f个数据的排列组合数；
(3)采用w为Fi进行加权，计算Fi的绝对权重
(4)计算Fi的相对权重wi：
优选的，步骤4的具体步骤包括：将分布式评估矩阵Di中的置信度转换为概率质量，具体公式如下：
mn，i，j＝wi，jβn，i，j(n＝1，2，…，N，j＝1，2，…，Li) (5)
其中，mn，i，j是指标Fi，j上等级Gn的基本概率指派函数，mG，i，j表示未指派概率，该值分为两部分：和/>其中/>反应指标j的相对重要性，/>反应对指标j的不完整评估；采用解析证据推理算法计算组合概率质量：
其中，第i个风险因素得到评估等级Gn的置信度为βn，即第i个风险因素的分布式评估为S(Fi)＝{(Gn，βn)，n＝1，2，…，N}，置信度βG是由不完整评估产生的，需满足
优选的，步骤5的具体步骤包括：
假设有M个路段，其分布式评估为S(Rm)＝{(Gn，βn(Rm))，n＝1，2，…，N}，m＝1，2，…，M，其中βn(Rm)是第m个路段Rm的评估等级Gn的置信度；引入路侧风险程度的期望值，为每个评估等级Gn(n＝1，2，…，N)分配一个度量，称为效用，用v(Gn)表示代表Gn的效用；因此，路段Rm的路侧预期安全风险程度为：
其中，βn(Rm)是路段Rm的置信度Gn的下边界，其上边界由βn(Rm)+βG(Rm)获得；在评估等级集合G中，G1和GN是最低和最高评估等级，分别具有最低和最高的负效用；由此，路段Rm的路侧预期安全风险程度的最大值、最小值和平均值计算如下：
若路段所有指标的分布式评估都是完整信息评估，则βG(Rm)＝0，E(S(Rm))＝Emax(Rm)＝Emin(Rm)＝Emean(Rm)；当且仅当E(S(Rm))＞E(S(Rl))时，路段Rm的路侧预期安全风险程度大于路段Rl；若路段中部分指标分布式评估存在不完整信息评估，则根据路侧预期安全风险程度的最大值和最小值对两个路段进行比较：
(1)若Emin(Rm)≥Emax(Rl)，则路段Rm的路侧预期安全风险大于路段Rl；
(2)若Emin(Rm)＝Emin(Rl)且Emax(Rm)＝Emax(Rl)，则路段Rm的路侧预期安全风险接近于路段Rl；
(3)其他情况，使用以下公式进行比较：
若P(Rm＞Rl)＞0.5，则路段Rm的路侧预期安全风险大于路段Rl；
若P(Rm＞Rl)＝0.5，则路段Rm的路侧预期安全风险和路段Rl无区别；
若P(Rm＞Rl)＜0.5，则路段Rm的路侧预期安全风险小于路段Rl。
优选的，在效用取值的相关文献中，根据评估等级的大小关系，可直接给出效用值，效用值之和为1，本发明取v(Gn)＝{0，0.05，0.15，0.30，0.50}。
有益效果：与现有技术相比，本发明提供的一种基于证据推理的公路路侧安全风险评价方法，相较其他评价方法，可以在没有历史交通事故数据的情况下，克服路侧安全风险评价中存在的主观性和不确定性问题，实现在不确定信息条件下对公路路侧安全风险的有效评价，为新建道路和改造道路提供安防设施的设置依据。本发明方法简单易操作，评价获取的公路路侧安全风险水平，可作为公路安防设计的依据，优化安防工程资金使用，节约工程成本。
附图说明
图1为本发明所述公路路侧安全风险评价方法的具体实施步骤。
具体实施方式
下面结合实施例对本发明的具体实施方式作进一步的说明。
基于证据推理的公路路侧安全风险评价方法，包括如下步骤：
1公路路侧安全风险评价指标与权重
1.1公路路侧安全风险评价指标体系
综合考虑引发公路路侧交通事故的多种可能因素，确定影响公路路侧安全风险的四个因素，包括路侧边坡、路侧交叉口/支路、路侧障碍物、路侧沟渠。路侧边坡因素包括边坡坡度、路堤高度、边坡综合；路侧交叉口/支路因素包括交叉口/支路密度、交叉口/支路视距、交叉口/支路角度；路侧障碍物因素包括横向距离、离散障碍物、连续障碍物、路侧净区条件；路侧沟渠因素包括横向距离、沟渠类型。采用五级评价集{低风险，较低风险，中等风险，较高风险，高风险}对指标进行评价，对应的评估等级为{1，2，3，4，5}。
1.2公路路侧安全评价指标权重
评价指标体系包含K个安全风险因素Fi(i＝1，2，…，K)，W＝(w1，w2，…，wK)为K个风险因素的相对权重，满足以下条件：wi≥0，i＝1，2，…，K。每个风险因素Fi对应Li个具体指标，各指标的相对权重为Wi＝(wi，1，wi，2，…，wi，Li)，满足以下条件：/>wi，j≥0，i＝1，2，…，K，j＝1，2，…，Li。
采用COWA算子分别对安全风险因素和指标进行相对权重计算，具体步骤如下：
(1)因素Fi的决策数据集结数列(由专家评定相对重要度)ci＝(ci1，ci2，…，cie)，e为专家人数，按照从大到小对数据重新排序，并以1开始编号形成新集结数列di＝(dn，di2，…，die)。
(2)采用组合数计算di的权重，求加权向量：
其中，表示在e-1个数据里任意f个数据的排列组合数。
(3)采用w为Fi进行加权，计算Fi的绝对权重
(4)计算Fi的相对权重wi：
2公路路侧安全风险评价模型
2.1指标评估方法
每个指标由风险评估人员在分布式评估模型框架下进行判断，分布式评估模型如下：
S(Fi，j)＝{(Gn，βn，i，j)，n＝1，2，…，N}，i＝1，2，…，K，j＝1，2，…，Li (4)
其中，S(Fi，j)是对指标Fi，j的分布式评估结果，G＝{G1，G2，…，GN}为第n个评价等级，N是评估等级的数量，βn，i，j为指标Fi，j被评为等级Gn的置信度。βn，ij满足βn，i，j≥0，若则本次评估为完全评估，否则即为非完全评估。若/>则本次评估被忽略。每个风险因素对应的指标评价结果用分布式评价矩阵表示：/>i＝1，…，K，j＝1，…，Li。该矩阵内的每个指标信息均为分布信息，可采用证据推理算法进行聚合。
2.2证据推理算法
基于分布式评估矩阵Di中的数据，采用解析证据推理算法计算第i个风险因素的分布式评估结果。分布式评估矩阵Di中的置信度必须转换为概率质量，具体公式如下：
mn，i，j＝wi，jβn，i，j(n＝1，2，…，N，j＝1，2，…，Li) (5)
其中，mn，i，j是指标Fi，j上等级Gn的基本概率指派函数。mG，i，j表示未指派概率。该值可以分为两部分：和/>其中/>可反应指标j的相对重要性，/>反应对指标j的不完整评估。采用解析证据推理算法计算组合概率质量：
其中，第i个指标得到评估等级Gn的置信度为βn，即第i个指标的分布式评估为S(Fi)＝{(Gn，βn)，n＝1，2，…，N}。置信度βG是由不完整评估产生的，需满足
2.3公路路侧安全风险排序
假设有M个路段，其分布式评估为S(Rm)＝{(Gn，βn(Rm))，n＝1，2，…，N}，m＝1，2，…，M，其中βn(Rm)是第m个路段Rm的评估等级Gn的置信度。分布式评估提供了路侧安全风险信息，但不能直接应用于路侧安全风险的分析和排序。为了比较M个路段并确定其优先顺序，引入路侧风险程度的期望值，为每个评估等级Gn(n＝1，2，…，N)分配一个度量，称为效用，用v(Gn)表示代表Gn的效用。因此，路段Rm的路侧预期安全风险程度为：
其中，βn(Rm)是路段Rm的置信度Gn的下边界，其上边界由βn(Rm)+βG(Rm)获得。因此，Gn为不完全评估条件提供了一定范围的置信度。在评估等级集合G中，G1和GN是最低和最高评估等级，分别具有最低和最高的负效用。由此，Rm路段的路侧预期安全风险程度的最大值、最小值和平均值计算如下：
若路段所有指标的分布式评估都是完整信息评估，则βG(Rm)＝0，E(S(Rm))＝Emax(Rm)＝Emin(Rm)＝Emean(Rm)。当且仅当E(S(Rm))＞E(S(Rl))时，路段Rm的路侧预期安全风险程度大于路段Rl。若路段中部分指标分布式评估存在不完整信息评估，则根据路侧预期安全风险程度的最大值和最小值对两个路段进行比较：
(1)若Emin(Rm)≥Emax(Rl)，则路段Rm的路侧预期安全风险大于路段Rl；
(2)若Emin(Rm)＝Emin(Rl)且Emax(Rm)＝Emax(Rl)，则路段Rm的路侧预期安全风险接近于路段Rl；
(3)其他情况，可以使用以下公式进行比较：
若P(Rm＞Rl)＞0.5，则路段Rm的路侧预期安全风险大于路段Rl；
若P(Rm＞Rl)＝0.5，则路段Rm的路侧预期安全风险和路段Rl无区别；
若P(Rm＞Rl)＜0.5，则路段Rm的路侧预期安全风险小于路段Rl。
以某三级公路为例，选取路侧事故高发路段1km进行路侧安全风险评价。从公路起点处以200m为单位长度划分为5个路段，分别进行路侧安全风险排查和评价。
(1)指标权重确定
由5名专家对安全风险因素和指标进行相对重要度评分，评分区间为0～5，以0.5的整数倍进行评分，相对重要度越高评分越高。下文仅以风险因素的相对权重计算为例进行说明，见表1。
表1安全风险因素相对重要度评分结果
以风险因素F1为例，采用COWA算子计算其相对权重，计算步骤如下：
将F1的重要度评分数值从大到小进行排序，可得d1＝(4.0，3.5，3.5，3.5，3.0)。专家人数为e＝5，由式(1)计算得加权向量(0.0625，0.2500，0.3750，0.2500，0.0625)。再由式(2)计算F1的绝对权重为：
同理可得，由式(3)计算得风险因素的相对权重W＝(0.236，0.293，0.252，0.220)。同理可得，指标的相对权重W1＝(0.322，0.401，0.277)，W2＝(0.395，0.321，0.284)，W3＝(0.345，0.179，0.202，0.274)，W4＝(0.578，0.422)。
(2)分布式评估结果
根据安全风险指标评价集和分布式评估模型，由安全风险排查人员对5个路段的每个指标进行分布式评估，见表2。
表2评价指标的安全风险分布式评估结果
由式(5)至(15)计算得5个路段的分布式评估等级结果，见表3。其中路段1，4和5由于存在不完全信息评估，产生了置信度βG。分布式评估等级结果反应的是每个路段所属的5个评估等级的概率。
表3各路段路侧安全风险分布式评估等级结果与安全风险期望值
(3)综合评估结果
量化评价集的值集v(Gn)＝{0，0.05，0.15，0.30，0.50}，由式(16)至(19)分别计算5个路段路侧安全风险期望值的最大值、最小值和平均值，见表3。其中，路段1，4和5存在不完全信息评估，其安全风险期望值的平均值、最大值、最小值有差异，而路段2和3均为完全信息评估，三者相等。然后，对5个路段进行对比排序，完全信息评估的路段直接比较Emean的大小，不完全信息评估的路段根据安全风险期望值的最大值和最小值对两个路段进行比较，其他情况下根据式(20)进行比较。由式(20)计算可得相对安全风险矩阵，见表4。其中，路段1、2和5之间，需要根据式(20)的判断条件进行排序。综合表3和表4，可得5个路段的安全风险排序，见表5。
表4路段相对安全风险矩阵
(4)评价效果验证
为验证评价效果，采用评价路段三年期间的路侧交通事故数据进行验证。将事故类型分为财产损失事故、受伤事故、死亡事故三类，采用计分法进行安全风险排序，即三类交通事故类型分别对应取值为1、2、3，由事故次数与对应分值的乘积之和反应基于事故数据的安全风险评分，并进行排序，见表5。采用Spearman等级相关分析法，验证基于证据推理的路侧安全风险评价排序与基于事故数据的评价排序之间的相关性。经计算可得，Spearman相关系数为0.900，P-value为0.037，通过了置信度为95％的显著性检验，即模型评价排序与事故数据排序没有显著差异，表明基于证据推理的路侧安全风险评价方法可靠性较高。
表5模型评价排序与事故数据排序的对比
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 (3)

1.一种基于证据推理的公路路侧安全风险评价方法，其特征在于，包括如下步骤：
步骤1：确定影响公路路侧安全风险的K个安全风险因素Fi，W＝(w1,w2,…,wK)为K个风险因素的相对权重，满足以下条件：每个风险因素Fi对应Li个具体指标，各指标的相对权重为/>满足以下条件：/>wi,j≥0，i＝1,2,…,K,j＝1,2,…,Li；
步骤2：由风险评估人员在分布式评估模型框架下对指标Fi,j的分布式评估结果S(Fi)＝{(Gn,βn),n＝1,2,…,N}进行判断，G＝{G1,G2,…,GN}为第n个评价等级，N是评估等级的数量，βn,i,j为指标Fi,j被评为等级Gn的置信度；每个风险因素对应的指标评价结果用分布式评价矩阵表示：
步骤3：基于分布式评估矩阵Di中的数据，采用解析证据推理算法计算第i个风险因素的分布式评估结果；
步骤4：根据路侧预期安全风险程度对M个路段的公路路侧安全风险进行排序；
步骤1中，采用COWA算子分别对安全风险因素进行相对权重计算，具体步骤如下：
(1)由e个专家对风险因素Fi的相对重要度进行打分，得到相对重要度数列ci＝(ci1,ci2,…,cie)，将相对重要度数列按照从大到小对数据重新排序，并以1开始编号形成新集结数列di＝(di1,di2,…,die)；
(2)采用组合数计算di的权重，求加权向量：
其中，表示在e-1个数据里任意f个数据的排列组合数；
(3)采用w为Fi进行加权，计算Fi的绝对权重
(4)计算Fi的相对权重wi：
步骤2中，βn,i,j满足若/>则本次评估为完全评估，否则即为非完全评估；若/>则本次评估被忽略；
步骤3的具体步骤包括：
步骤3.1：将分布式评估矩阵Di中的置信度转换为概率质量，具体公式如下：
mn,i,j＝wi,jβn,i,j (5)
其中，mn,i,j是指标Fi,j上等级Gn的基本概率指派函数，mG,i,j表示未指派概率，该值分为两部分：和/>其中/>反应指标j的相对重要性，/>反应对指标j的不完整评估；
步骤3.2：采用解析证据推理算法计算组合概率质量：
其中，第i个风险因素得到评估等级Gn的置信度为βn，即第i个风险因素的分布式评估为S(Fi)＝{(Gn,βn),n＝1,2,…,N}，置信度βG是由不完整评估产生的，需满足
步骤4的具体步骤包括：
假设有M个路段，其分布式评估为S(Rm)＝{(Gn,βn(Rm)),n＝1,2,…,N}，m＝1,2,…,M，其中βn(Rm)是第m个路段Rm的评估等级Gn的置信度；引入路侧风险程度的期望值，为每个评估等级Gn分配一个度量，称为效用，用v(Gn)表示代表Gn的效用；因此，路段Rm的路侧预期安全风险程度为：
其中，βn(Rm)是路段Rm的置信度Gn的下边界，其上边界由βn(Rm)+βG(Rm)获得；在评估等级集合G中，G1和GN是最低和最高评估等级，分别具有最低和最高的负效用；由此，路段Rm的路侧预期安全风险程度的最大值、最小值和平均值计算如下：
若路段所有指标的分布式评估都是完整信息评估，则βG(Rm)＝0，E(S(Rm))＝Emax(Rm)＝Emin(Rm)＝Emean(Rm)；当且仅当E(S(Rm))＞E(S(Rl))时，路段Rm的路侧预期安全风险程度大于路段Rl；若路段中部分指标分布式评估存在不完整信息评估，则根据路侧预期安全风险程度的最大值和最小值对两个路段进行比较：
(1)若Emin(Rm)≤Emax(Rl)，则路段Rm的路侧预期安全风险大于路段Rl；
(2)若Emin(Rm)＝Emin(Rl)且Emax(Rm)＝Emax(Rl)，则路段Rm的路侧预期安全风险接近于路段Rl；
(3)其他情况，使用以下公式进行比较：
若P(Rm＞Rl)＞0.5，则路段Rm的路侧预期安全风险大于路段Rl；
若P(Rm＞Rl)＝0.5，则路段Rm的路侧预期安全风险和路段Rl无区别；
若P(Rm＞Rl)＜0.5，则路段Rm的路侧预期安全风险小于路段Rl。
2.根据权利要求1所述的一种基于证据推理的公路路侧安全风险评价方法，其特征在于，步骤1中，所述影响公路路侧安全风险的因素包括路侧边坡、路侧交叉口/支路、路侧障碍物、路侧沟渠；路侧边坡因素包括边坡坡度、路堤高度、边坡综合；路侧交叉口/支路因素包括交叉口/支路密度、交叉口/支路视距、交叉口/支路角度；路侧障碍物因素包括横向距离、离散障碍物、连续障碍物、路侧净区条件；路侧沟渠因素包括横向距离、沟渠类型。
3.根据权利要求1所述的一种基于证据推理的公路路侧安全风险评价方法，其特征在于，v(Gn)＝{0,0.05,0.15,0.30,0.50}。
CN201911313799.9A 2019-12-19 2019-12-19 一种基于证据推理的公路路侧安全风险评价方法 Active CN111105156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911313799.9A CN111105156B (zh) 2019-12-19 2019-12-19 一种基于证据推理的公路路侧安全风险评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911313799.9A CN111105156B (zh) 2019-12-19 2019-12-19 一种基于证据推理的公路路侧安全风险评价方法

Publications (2)

Publication Number Publication Date
CN111105156A CN111105156A (zh) 2020-05-05
CN111105156B true CN111105156B (zh) 2023-12-26

Family

ID=70422551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911313799.9A Active CN111105156B (zh) 2019-12-19 2019-12-19 一种基于证据推理的公路路侧安全风险评价方法

Country Status (1)

Country Link
CN (1) CN111105156B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819360A (zh) * 2021-02-20 2021-05-18 中国公路工程咨询集团有限公司 一种高速公路路侧感知设备布设方案评估方法及系统
CN113780653A (zh) * 2021-09-07 2021-12-10 上海电力大学 一种基于云物元的输电线路路径方案优选方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920040A (zh) * 2017-03-01 2017-07-04 西南交通大学 基于模糊层次分析的高速公路隧道交通事故风险评估方法
CN107886235A (zh) * 2017-11-08 2018-04-06 重庆科技学院 一种耦合确定性与不确定分析的火灾风险评估方法
CN109671274A (zh) * 2019-01-24 2019-04-23 交通运输部公路科学研究所 一种基于特征构造和融合的公路风险自动评估方法
CN109902971A (zh) * 2019-03-26 2019-06-18 南通大学 一种公路路侧安全风险评价与分级方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376420A (zh) * 2014-11-20 2015-02-25 中国石油天然气股份有限公司 有水气藏气井见水风险评价方法及评价装置
CN107515970A (zh) * 2017-08-09 2017-12-26 中国科学院、水利部成都山地灾害与环境研究所 一种滑坡段电网杆塔危险性三维多点位多指标的预警方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920040A (zh) * 2017-03-01 2017-07-04 西南交通大学 基于模糊层次分析的高速公路隧道交通事故风险评估方法
CN107886235A (zh) * 2017-11-08 2018-04-06 重庆科技学院 一种耦合确定性与不确定分析的火灾风险评估方法
CN109671274A (zh) * 2019-01-24 2019-04-23 交通运输部公路科学研究所 一种基于特征构造和融合的公路风险自动评估方法
CN109902971A (zh) * 2019-03-26 2019-06-18 南通大学 一种公路路侧安全风险评价与分级方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汤天培 等.基于风险分级的农村公路路测安全生命防护工程方案设计.南通大学学报（自然科学版）.2018,第第17卷卷(第第17卷期),22-29. *

Also Published As

Publication number Publication date
CN111105156A (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
Li et al. Application of analytic hierarchy process in network level pavement maintenance decision-making
CN111105156B (zh) 一种基于证据推理的公路路侧安全风险评价方法
Thube Artificial neural network (ANN) based pavement deterioration models for low volume roads in India
CN111507586A (zh) 通航水域水上施工安全风险预警分级方法及系统
CN113496359B (zh) 一种多组合主客观均匀优化赋权风险评价方法
CN111737916A (zh) 一种基于大数据的道路桥梁病害分析与养护决策方法
CN114912635A (zh) 一种公路养护决策方法、系统、存储介质和电子设备
CN105718658A (zh) 大型桥梁在线评估体系
CN106780266B (zh) 基于主成分贡献度参数的事故热点内特性分析及行车指导方法
CN114329748B (zh) 一种管廊复合式衬砌结构安全评价方法
KR101502539B1 (ko) 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치
Wu et al. Safety evaluation model of highway construction based on fuzzy grey theory
CN110705005B (zh) 一种自动驾驶事故测试场景筛选方法
Arabani et al. Rough-set theory in solving road pavement management problems (case study: Ahwaz-Shush highway)
CN116596346A (zh) 一种高速公路隧道运营安全性评价方法
CN111160719A (zh) 两网融合的多指标评估方法
Habibian et al. Ranking of hazardous road locations in two-lane two-way rural roads with no crash record
CN113393144B (zh) 地质滑坡静态要素风险分级的评估方法及评估装置
CN112686396B (zh) 基于病害数量的路面养护性质的选取方法、介质及系统
CN115829206A (zh) 一种供排水管道引发地面塌陷的风险评估方法
CN112712284A (zh) 基于ahp-熵权法的城市燃气管道风险评价系统及方法
CN114118688A (zh) 基于序关系分析的电网工程造价风险预警方法
CN113298409A (zh) 一种基于道路管养的预警机制的养护方法
Sutradhar et al. Assessment of pavement shoulder condition in rural roads
CN111882180A (zh) 一种基于owa算子的输电线路抗冰风能力状态评估方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Tang Tianpei

Inventor after: Xu Siyuan

Inventor after: Tao Yangchen

Inventor after: Wang Haibo

Inventor after: Shen Qiangru

Inventor after: Zhu Senlai

Inventor after: Cao Zhichao

Inventor after: Cao Yang

Inventor after: Xu Ting

Inventor before: Xu Siyuan

Inventor before: Tang Tianpei

Inventor before: Tao Yangchen

Inventor before: Wang Haibo

Inventor before: Shen Qiangru

Inventor before: Zhu Senlai

Inventor before: Cao Zhichao

Inventor before: Cao Yang

Inventor before: Xu Ting