CN111369062B - 车辆动力学指标提取方法和事故风险值预测方法 - Google Patents
车辆动力学指标提取方法和事故风险值预测方法 Download PDFInfo
- Publication number
- CN111369062B CN111369062B CN202010152866.XA CN202010152866A CN111369062B CN 111369062 B CN111369062 B CN 111369062B CN 202010152866 A CN202010152866 A CN 202010152866A CN 111369062 B CN111369062 B CN 111369062B
- Authority
- CN
- China
- Prior art keywords
- flat curve
- accident
- data
- vehicle dynamics
- section
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000000556 factor analysis Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 3
- 208000027418 Wounds and injury Diseases 0.000 claims description 14
- 230000006378 damage Effects 0.000 claims description 14
- 208000014674 injury Diseases 0.000 claims description 14
- 238000013058 risk prediction model Methods 0.000 claims description 7
- 206010039203 Road traffic accident Diseases 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 101150038410 atx-3 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
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
- G06Q10/04—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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于高速公路平曲线路段事故风险识别的车辆动力学指标提取方法以及事故风险值预测方法,其中车辆动力学指标提取方法包括:1、将目标高速公路按长度等分为多个路段单元并筛选平曲线路段;2、计算各平曲线路段真实事故风险值Ri;3、采集车辆正常行驶中L类动力学响应数据,并计算其变化率xi,l(t);构建异常数据集Yl并分级,统计xi,l(t)的异常数据分级数据计算与Ri的相关性,选取相关度最大的异常值等级作为显著性变量;4、基于因子分析方法从显著性变量中提取车辆动力学指标,作为目标高速公路平曲线路段事故风险识别的指标。该方法考虑了车辆所受各个方向动力学响应的综合影响,具有较高的识别精度,且整个方法操作简单,可移植性强,易于推广应用。
Description
技术领域
本发明属于高速公路交通安全领域,具体涉及一种用于高速公路平曲线路段事故风险识别的车辆动力学指标提取方法,以及事故风险值预测方法。
背景技术
中国的高速公路承担着近50%的日均交通行驶量,巨大的交通量和高速的车流为高速公路行车安全带了极大的隐患。除此之外,与直线段相比,平曲线路段具有更高的事故率,因此准确识别高速公路平曲线路段的事故风险,以及影响事故风险值的因素将成为高速公路交通安全管理的一项重要工作。目前国内外有关路段事故风险识别的研究主要分为三类:
第一类是建立在历史交通事故数据上,直接运用历史事故数据,基于直接事故数/率法、当量事故数/率法等鉴别某条道路的高风险位置,或以历史数据为基础,构建回归模型、计数模型等预测事故发展趋势,进而筛选出高风险路段,这一类方法的缺点在于鉴别的指标比较单一,无法深入挖掘交通事故的致因,难以有针对性地进行道路安全改善工作,且事故数据采集周期长、采集难度大。
第二类是运用交通冲突分析技术,通过分析车辆运行轨迹判断可能存在的交通冲突点,高风险路段即为轨迹交织严重的冲突点位置。交通冲突分析方法可以克服交通事故数据采集周期长、采集难度大的缺点,但却勿略了事故致因中的道路、车辆、基础设施环境等因素的影响,并且交通冲突分析方法工作量较大。
第三类是利用车载数据采集设备,获取车辆正常行驶时的某一类运动学或动力学数据,通过分析数据集的特点,寻找与事故存在高度关联的“自然驾驶事件”,然后利用“自然驾驶事件”作为解释变量构建泊松回归模型、logit模型、负二项回归等计数模型,对高风险路段进行预测和识别。这种方法很好的克服了基于历史事故数据的分析方法和基于交通冲突技术的分析方法的不足,但现有研究往往只利用了某一类可观测的车辆运动/动力学参数,然而现实中事故往往是多方面因素耦合作用的结果,单一类别的评判指标容易使研究结果具有一定的片面性。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种用于高速公路平曲线路段事故风险识别的车辆动力学指标提取方法,该方法考虑了车辆所受各个方向动力学响应的综合影响,具有较高的识别精度,且整个方法操作简单,可移植性强,易于推广应用。
技术方案:本发明一方面公开了一种用于高速公路平曲线路段事故风险识别的车辆动力学指标提取方法,包括:
(1)将目标高速公路按长度等分为多个路段单元,以缓和曲线长度和平曲线半径的比值小于预设阈值ξ为依据筛选出平曲线路段;
(2)采集所述目标高速公路Y年的公路交通事故数据,统计每个平曲线路段的绝对事故数N、死亡事故数N1、重伤事故数N2、轻伤事故数N3,计算各平曲线路段当量事故数Nei,计算各平曲线路段真实事故风险值,第i个平曲线路段真实事故风险值Ri为:
其中Nei第i个路段的当量事故数;Ln为取对数运算;round为对参数四舍五入取值,并保留d位小数,i=1,2,…,M,M为步骤(1)中筛选出的平曲线路段数量;
(3)车辆在目标高速公路正常行驶过程中,以时间T为间隔采集L类动力学响应数据,计算每个平曲线路段中每类车辆动力学响应的变化率xi,l(t),l=1,2,…,L;
将所有平曲线路段中每类车辆动力学响应变化率值最大的前f%作为异常数据集Yl;
(4)采用因子分析,以累积方差贡献率大于S%为依据,方法从步骤(3)选取显著性变量中提取车辆动力学指标,作为目标高速公路平曲线路段事故风险识别的指标。
平曲线路段当量事故数Ne的计算为:
Ne=N+αN1+βN2+γN3
其中α、β、γ分别为死亡、重伤、轻伤事故的加权系数。
所述步骤(3)中第i个平曲线路段中第l类车辆动力学响应的变化率xi,l(t)计算式为:
xi,l(t)=|datai,l(t+1)-datai,l(t)|
其中datai,l(t)为第i个平曲线路段中第l类动力学响应的第t个采样值,t=1,2,…,sumi,sumi为第i个平曲线路段中的采样个数。
作为一种优化,第i个平曲线路段中第l类车辆动力学响应的变化率xi,l(t)也可以采用下式计算:
对异常数据集Yl进行分级,根据Yl中元素的最小值ymin,l和最大值ymax,l分为三级,具体为:
ym,l是第l类车辆动力学响应变化率。
本发明中,L=7,7类动力学响应数据为:纵向力、横向力、垂向力、翻转力矩、滚动力矩、回正力矩、速度。
另一方面,本发明还公开了应用上述方法提取车辆动力学指标,并进行事故风险值预测的方法,包括:
根据上述车辆动力学指标提取方法,对目标高速公路提取事故风险识别的车辆动力学指标;
采用负二项回归模型建立风险预测模型;
根据风险预测模型对目标高速公路各平曲线路段进行风险预测。
有益效果:本发明公开的一种用于高速公路平曲线路段事故风险识别的车辆动力学指标提取方法,具有以下优点:1、用于事故风险识别的指标耦合了多类车辆动力学响应的作用,同时也能反映道路线形、交通环境对车辆行驶的影响,是一类高效的、复合型、非可观测的指标;2、本发明通过建模的手段充分证明了车辆正常行驶时的动力学异常数据与路段事故风险的显著相关性,即针对缺乏历史事故统计的路段,可以通过计算路段异常动力学数据的多少定性判断风险高低,缓解了事故数据采集周期长、采集难度大的问题;3、为后续从车辆动力学数据中量化并提取能够替代历史事故数据的统计量奠定基础,为新建及其他缺乏事故统计路段的安全性研究工作提供理论支撑。
附图说明
图1为本发明公开的车辆动力学指标提取方法的流程图;
图2为实施例中温丽高速K117~K189研究路段位置示意图;
图3为实车实验中的动力学数据采集设备。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种用于高速公路平曲线路段事故风险识别的车辆动力学指标提取方法,流程如图1所示。本实施例以温丽高速公路为例,详细说明此方法。
温丽高速公路位于浙江省境内,是连接温州和丽水的重要交通线路。温丽高速通车里程116km,其中桥梁和隧道长度占比达90%以上,地理环境复杂,线形组合变化明显。本实施例所选取的研究路段范围为K117~K189,全长72km,如图2所示。
本实施例提取温丽高速公路中平曲线路段事故风险识别的车辆动力学指标,包括如下主要步骤:
步骤1、考虑到温丽高速(K117~K189)两侧公路线形组合特征不同,故将温丽高速(K117~K189)右线(温州方向)和左线(丽水方向)以1km为单位长度共划分为144个路段单元,并以缓和曲线长度与平曲线半径的比值小于预设阈值ξ为依据筛选出108个平曲线路段。阈值ξ通常设置为一个较小的数,本实施例中ξ=0.01。由于实验时车辆在K117~K189路段共行驶2个循环,得到108×2=216个平曲线路段的动力学响应数据,去除其中的直线路段、临时施工路段、短暂降雨时的湿滑路段后确定其中186个平曲线路段为有效路段;各路段序号i=1,2,…186。
步骤2、统计出2006~2013年每个路段单元的绝对事故数N、死亡事故数N1、重伤事故数N2、轻伤事故数N3,进而计算各路段当量事故数Ne,公式如下:
Ne=N+αN1+βN2+γN3
其中,Ne、N、N1、N2、N3分别为当量事故数、绝对事故数、死亡事故数、重伤事故数和轻伤事故数;α、β、γ分别为死亡、重伤、轻伤事故的加权系数。参照廖志高等人的《基于信息分配的道路黑点鉴别方法》,取α=2.0,β=1.5,γ=1.2。
以路段的当量事故数为基础,分别计算186个平曲线路段的真实事故风险值,第i个平曲线路段真实事故风险值Ri为:
其中Nei为第i个路段的当量事故数;Ln为取对数运算;round为对参数四舍五入取值,并保留d位小数,本实施例中取d=1。
186个路段的当量事故数和真实事故风险值如表1所示。
表1研究路段当量事故数和真实事故风险值
路段 | 当量事故数/起 | 真实事故风险值 |
1 | 7 | 0.7 |
2 | 14 | 1.0 |
3 | 26.1 | 1.2 |
4 | 13.2 | 1.0 |
5 | 14.4 | 1.0 |
… | … | … |
182 | 23 | 1.4 |
183 | 8 | 1.1 |
184 | 4 | 0.7 |
185 | 10.2 | 1.1 |
186 | 7 | 1 |
标准差 | 14.13 | 0.27 |
均值 | 18.60 | 1.00 |
步骤3、如图3所示,实验车辆装载六分力仪,在温丽高速K117~K189路段正常行驶,以T=0.01s为间隔采集7类车辆动力学响应数据,分别为:纵向力Fx、横向力Fy、垂向力Fz、翻转力矩Tx、滚动力矩Ty、回正力矩Tz、速度V。部分采集数据如表2所示。
表2实车实验采集数据展示(部分)
以每一类动力学响应数据的绝对大小为基础,计算186个路段上车辆动力学响应数据的变化率。第i个平曲线路段中第l类车辆动力学响应的变化率xi,l(t)可以采用下式计算:
xi,l(t)=|datai,l(t+1)-datai,l(t)|
其中datai,l(t)为第i个平曲线路段中第l类动力学响应的第t个采样值,t=1,2,…,sumi,sumi为第i个平曲线路段中的采样个数。
考虑到以0.01s时间间隔采集的原始数据过于密集,因此针对每一类车辆动力学响应的数据,以WT时间段内的均值作为计算车辆动力学响应的变化率的基础数据,采用下式计算:
如果取W=10,即计算出每0.1s内车辆动力学响应数据的平均值,来计算xi,l(t)。本实施例中,取W=10,即计算出每0.1秒内每类车辆动力学响应数据变化率,为进一步简化数据集,求出每1s内每类车辆动力学数据变化率的平均值,来计算所需的7类动力学响应的变化率作为原始变量。这7类动力学响应变化率的命名规则见表4,变量数据集信息如表5。
表4变量命名规则
变量 | 命名 | 单位 |
纵向力变化率 | aFx | N/(0.1s) |
侧向力变化率 | aFy | N/(0.1s) |
垂向力变化率 | aFz | N/(0.1s) |
翻转力矩变化率 | aTx | (N·m)/(0.1s) |
滚动力矩变化率 | aTy | (N·m)/(0.1s) |
回正力矩变化率 | aTz | (N·m)/(0.1s) |
速度变化率 | a | (km/h)/(0.1s) |
表5原始变量数据信息
原始变量 | 数据个数 | 平均值 | 标准差 | 最小值 | 最大值 |
aFx | 6871 | 339.678 | 109.421 | 65.2 | 1316.4 |
aFy | 6871 | 263.968 | 97.023 | 55.6 | 1108 |
aFz | 6871 | 1209.561 | 674.303 | 244 | 6785.6 |
aTx | 6871 | 0.08 | 0.034 | 0.015 | 0.393 |
aTy | 6871 | 0.033 | 0.026 | 0.007 | 0.454 |
aTz | 6871 | 0.029 | 0.009 | 0.007 | 0.088 |
a | 6871 | 0.785 | 0.365 | 0.15 | 7.741 |
实验车辆在温丽高速(K117~K189)右线和左线的平曲线路段正常行驶共耗时6871秒,计算得到的每类动力学响应变化率有6871个数据。选取各类原始变量数据集中最大的10%(即令f=10)作为异常数据集Yl。
对各类车辆动力学异常数据集进行分级,本实施例中,对每类异常数据集根据其最大值与最小值,分为三级,具体为:
ym,l是第l类车辆动力学响应变化率,Yl中元素的最小值为ymin,l,最大值为ymax,l。
计算每个平曲线路段中每一类车辆动力学响应变化率3个等级的异常值数量,第i个平曲线路段的第l类动力学响应变化率异常值的等级为a的个数为a∈{I,II,III}。表6展示了部分路段III级异常值的计算结果。
表6路段动力学III级异常值
将路段各级动力学响应异常值与路段真实风险值Ri进行相关性分析,本例选取Person相关系数分析法,分析结果如表7。由于路段的III级异常值与路段真实风险值相关程度最高,因此将选取第III级的7类异常值,并删除这7类动力学响应异常值中相关系数小于0.2(z=0.2)的较弱相关变量保留 为构建模型的显著性变量。
表7路段各级异常值与真实风险值相关性分析结果
*表示在0.05显著性水平上相关
步骤4、利用因子分析的方法,从显著性变量中提取出多变量耦合的、不可观测的车辆动力学指标,即为温丽高速(K117~K189)右线和左线平曲线路段事故风险识别的指标。本实施例中,为提高预测精度,以因子的累积方差贡献率>90%为依据(S=90)。
本实施例中,提取出2个因子,包含了侧向力变化率,垂向力变化率,翻转力矩变化率,滚动力矩变化率,速度变化率5个车辆动力学变量的耦合影响(见表8),其数学表达形式如下:
因子1=0.867aFy_3+0.836aFz_3+0.899aTx_3+0.027aTy_3+0.268a_3
因子2=0.056aFy_3+0.127aFz_3+0.144aTx_3+0.658aTy_3+0.669a_3
依据每个因子的高载荷变量的分布情况,将提取出的2个因子分别命名为横向稳定性指标和纵向稳定性指标,如表9。
表8因子分析结果
原始动力学变量 | 因子1 | 因子2 |
aFy_3 | 0.867 | 0.056 |
aFz_3 | 0.836 | 0.127 |
aTx_3 | 0.899 | 0.144 |
aTy_3 | 0.027 | 0.658 |
a_3 | 0.268 | 0.669 |
表9动力学指标命名结果
上述步骤1-4提取出2个车辆动力学指标——横向和纵向稳定性指标,作为温丽高速公路识别事故风险的指标。本发明还公开了利用提取出的指标预测事故风险值的方法,具体包括步骤:
S1:根据步骤1-4对目标高速公路提取事故风险识别的车辆动力学指标;
S2:基于横向、纵向稳定性指标构建风险预测模型;本实施例中使用负二项回归模型建立风险预测模型;模型公式如下:
λi为第i个平曲线路段的预测当量事故数,Fsum为提取出的因子数量,在本例中Fsum=2,βn为待估系数,ε为扰动项。令λi=Ri,采用Stata软件拟合,得到β1=0.097,β2=0.223,ε=2.898。
本实施例中对温丽高速公路的186个路段预测的风险值如表10所示。
本实施例中,选取|预测风险值|-|真实风险值|≤C=0.3作为判定阈值,评价预测结果的准确度。如表10所示,经计算,利用本发明提取的车辆动力学指标进行路段事故风险识别,识别的准确率达到了78.5%。
表10预测结果
路段 | 真实风险值 | 预测风险值 | 是否满足精度要求 |
1 | 0.7 | 1.1 | 否 |
2 | 1.0 | 0.9 | 是 |
3 | 1.2 | 1.0 | 是 |
4 | 1.0 | 1.0 | 是 |
5 | 1.0 | 1.1 | 是 |
… | … | … | |
182 | 1.0 | 0.9 | 是 |
183 | 1.4 | 0.9 | 否 |
184 | 1.1 | 1.0 | 是 |
185 | 0.7 | 0.9 | 是 |
186 | 1.1 | 1.0 | 是 |
Claims (7)
1.车辆动力学指标提取方法,其特征在于,包括:
(1)将目标高速公路按长度等分为多个路段单元,以缓和曲线长度和平曲线半径的比值小于预设阈值ξ为依据筛选出平曲线路段;
(2)采集所述目标高速公路Y年的公路交通事故数据,统计每个平曲线路段的绝对事故数N、死亡事故数N1、重伤事故数N2、轻伤事故数N3,计算各平曲线路段当量事故数Nei,计算各平曲线路段真实事故风险值,第i个平曲线路段真实事故风险值Ri为:
其中Nei为第i个路段的当量事故数;Ln为取对数运算;round为对参数四舍五入取值,并保留d位小数,i=1,2,…,M,M为步骤(1)中筛选出的平曲线路段数量;
(3)车辆在目标高速公路正常行驶过程中,以时间T为间隔采集L类动力学响应数据,计算每个平曲线路段中每类车辆动力学响应的变化率xi,l(t),l=1,2,…,L;
将所有平曲线路段中每类车辆动力学响应变化率值最大的前f%作为异常数据集Yl;
(4)采用因子分析方法,以累积方差贡献率大于S%为依据,从步骤(3)选取显著性变量中提取车辆动力学指标,作为目标高速公路平曲线路段事故风险识别的指标。
2.根据权利要求1所述的车辆动力学指标提取方法,其特征在于,平曲线路段当量事故数Ne的计算为:
Ne=N+αN1+βN2+γN3
其中α、β、γ分别为死亡、重伤、轻伤事故的加权系数。
3.根据权利要求1所述的车辆动力学指标提取方法,其特征在于,所述步骤(3)中第i个平曲线路段中第l类车辆动力学响应的变化率xi,l(t)计算式为:
xi,l(t)=|datai,l(t+1)-datai,l(t)|
其中datai,l(t)为第i个平曲线路段中第l类动力学响应的第t个采样值,t=1,2,…,sumi,sumi为第i个平曲线路段中的采样个数。
6.根据权利要求1所述的车辆动力学指标提取方法,其特征在于,L=7,所述7类动力学响应数据为:纵向力、横向力、垂向力、翻转力矩、滚动力矩、回正力矩、速度。
7.事故风险值预测方法,其特征在于,包括:
根据权利要求1-6任一项所述的车辆动力学指标提取方法,对目标高速公路提取事故风险识别的车辆动力学指标;
采用负二项回归模型建立风险预测模型;
根据风险预测模型对目标高速公路各平曲线路段进行风险预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152866.XA CN111369062B (zh) | 2020-03-06 | 2020-03-06 | 车辆动力学指标提取方法和事故风险值预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152866.XA CN111369062B (zh) | 2020-03-06 | 2020-03-06 | 车辆动力学指标提取方法和事故风险值预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369062A CN111369062A (zh) | 2020-07-03 |
CN111369062B true CN111369062B (zh) | 2023-05-12 |
Family
ID=71211781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152866.XA Active CN111369062B (zh) | 2020-03-06 | 2020-03-06 | 车辆动力学指标提取方法和事故风险值预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369062B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048242B (zh) * | 2021-09-10 | 2024-09-06 | 同济大学 | 一种基于5m事故数据挖掘的交通信号系统安全分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650057A (zh) * | 2016-12-07 | 2017-05-10 | 东南大学 | 基于车辆侧翻侧滑虚拟试验的公路平曲线半径设计方案安全性评价方法 |
CN108682149A (zh) * | 2018-05-21 | 2018-10-19 | 东南大学 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
-
2020
- 2020-03-06 CN CN202010152866.XA patent/CN111369062B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650057A (zh) * | 2016-12-07 | 2017-05-10 | 东南大学 | 基于车辆侧翻侧滑虚拟试验的公路平曲线半径设计方案安全性评价方法 |
CN108682149A (zh) * | 2018-05-21 | 2018-10-19 | 东南大学 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
Non-Patent Citations (1)
Title |
---|
游克思等.基于车辆动力学仿真模拟和风险分析的道路危险路段识别.《东南大学学报(自然科学版)》.2012,第42卷(第1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111369062A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN103971523B (zh) | 一种山区道路交通安全动态预警系统 | |
CN107330217B (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN108682149B (zh) | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 | |
CN104408925B (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN104164829A (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统 | |
CN106446208A (zh) | 一种考虑路网契合度的智能手机出行方式识别方法 | |
CN102081846A (zh) | 基于高速公路收费数据轨迹匹配的交通状态识别方法 | |
CN110807919A (zh) | 基于过车数据的城市路网交通运行态势评价方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN108922168B (zh) | 一种中观层面事故多发道路判别的方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN112396320A (zh) | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 | |
CN110555565A (zh) | 基于决策树模型的高速路出口匝道事故严重程度预测方法 | |
WO2017107790A1 (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN114596700A (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN113638294A (zh) | 道路养护病害智慧检测系统技术 | |
CN114707035A (zh) | 一种可视化交通起始点分析系统 | |
CN111369062B (zh) | 车辆动力学指标提取方法和事故风险值预测方法 | |
CN116658246A (zh) | 一种煤矿水害监测预警系统及方法 | |
CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
CN110567662B (zh) | 一种基于工程比拟的桥梁短期监测评估方法 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 |
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 |