CN112419709B - 一种基于路段异质性的快速路事故风险实时预测方法 - Google Patents

Abstract

本发明涉及一种基于路段异质性的快速路事故风险实时预测方法，具体包括以下步骤：S1.获取目标快速路的道路几何数据，以此划分相应的路段类型，并获取历史事故数据，提取事故发生时间；S2.根据路段类型和事故发生时间，结合显著性检验和随机森林算法，计算得到快速路事故风险的主要来源；S3.基于快速路事故风险的主要来源建立事故风险预测模型，实时获取交通流数据和天气数据，结合道路几何数据输入事故风险预测模型，输出获得事故风险预测结果；S4.根据事故风险预测结果，判断是否需要采取交通管控措施，若是则实施相应的交通管控策略，否则返回步骤S3。与现有技术相比，本发明具有实时性较好、提高事故风险预测模型的准确度与可移植性等优点。

Description

一种基于路段异质性的快速路事故风险实时预测方法

技术领域

本发明涉及快速路交通安全预测技术领域，尤其是涉及一种基于路段异质性的快速路事故风险实时预测方法。

背景技术

城市快速路是现代化交通体系的重要组成部分，其一旦发生交通事故，极易诱发长距离交通拥堵，造成大面积的出行延误情况。在降低快速路事故发生频率的各类措施中，主动安全管控是其关键所在，而精准的事故风险预测则是主动安全管控的前提。事故风险预测结果可作为主动安全管控的输入，从而确定主动安全管控措施的类型与等级。

事故风险实时预测技术在近年来飞速发展，取得了喜人的成果，但仍存在着一定缺陷，具体如下：

一、现有的预测技术不考虑各路段类型之间在事故机理上的差异，或针对特定路段类型开发预测模型，导致预测准确度低、可移植性差；

二、现有预测技术中输入数据的时空维度无法满足网联车辆的实时管控需求，该领域亟需更新频率快的风险预测技术的出现；

三、现有预测技术无法体现各路段类型之间在事故机理上的相同与差异。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种动态性佳、准确度高、可移植性好的基于路段异质性的快速路事故风险实时预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于路段异质性的快速路事故风险实时预测方法，具体包括以下步骤：

S1.获取目标快速路的道路几何数据，根据所述道路几何数据划分目标快速路的路段类型，获取历史事故数据，根据所述历史事故数据提取事故发生时间；

S2.根据所述路段类型和事故发生时间，结合显著性检验和随机森林算法，计算得到快速路事故的风险主要来源；

S3.基于所述快速路事故的风险主要来源建立事故风险预测模型，实时获取目标快速路的交通流数据和天气数据，所述道路几何数据、交通流数据和天气数据输入事故风险预测模型，输出获得事故风险预测结果；

S4.根据所述事故风险预测结果，实施相应的交通管控策略。

所述路段类型包括合流段、分流段、交织段和基本路段，所述道路几何数据包括匝道布设数量、中央分隔带宽度、路肩宽度、限速值、辅助车道建设情况、快速路车道数量和路段长度。

所述目标快速路的道路几何数据和路段类型通过ArcGIS软件收集得到。

所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据。

进一步地，所述步骤S1中提取事故发生时间的具体过程为提取路段上游距离所述事故发生坐标最近的检测器所收集到的数据，根据检测器收集到的数据绘制速度曲线，以速度曲线中速度急剧下降的时刻作为事故准确发生时间。

所述检测器收集到的数据包括预设时间范围内每条车道的速度曲线。

所述步骤S2中由显著性分析和随机森林算法对各个时空位置上显著变量的重要度进行计算。

所述事故风险预测模型为基于巢式Logit理论的预测模型，具体如下所示：

Logit(p_i)＝1.62·Surface-0.122·Visibility+ln(IV)

IV＝exp[α_1，i·(-2.48-0.039m_0MVR+0.174m_0occ_up1

+0.035m_0str.rat_up1+0.34m_2diff.occ_dw1)-999(1-α_1，i)]

+exp[α_2，i·(-7.92+0.966RC2+0.809log(m_0vol_up1)

+0.799m_1btruck_up4+0.209m_2cha.occ_up4

+0.175m_2std_spd_up4)-999(1-α_2，i)]

+exp[α_3，i·(-6.72+0.234m_0cha.std_spd_dw1

+0.278m_0diff.occ_up1+0.042m_0str.rat_up1

+0.288m_2cha.occ_up3+1.16log(m_3vol_up2))-999(1-α_3，i)]

+exp[α_4，i·(-2.4-0.077Length+0.076RC4-0.04m_0spd_up2

+0.1m_0std_spd_up3+0.109m_1cha.occ_up2

+0.302m_1diff.occ_up4+0.516log(m_3vol_up5))-999(1

-α_4，i)]

其中，Surface为路面湿滑程度，Visibility为目标能被驾驶员清楚辨认的最远距离，α_1，i为合流段的类型判断值，α_2，i为分流段的类型判断值，α_3，i为交织段的类型判断值，α_4，i为基本路段的类型判断值，m_0MVR为合流段在第一预设时间内匝道与主线流量的比例，m_0occ_up1为合流段的上游第一个检测器在第一预设时间内的占有率，m_0str.rat_up1为合流段的上游第一个检测器在第一预设时间内的中型车流量比例，m_2diff.occ_dw1为合流段的下游第一个检测器第三预设时间内与第四预设时间内的占有率差的绝对值，RC2为分流段的量化后上游匝道数量及其布设位置的影响大小，log(m_0vol_up1)为分流段的上游第一个检测器第一预设时间内的流量的对数值，m_1btruck_up4为分流段的上游第4个检测器在第二预设时间内的大型车流量，m_2cha.occ_up4为分流段的上游第4个、第5个检测器在第三预设时间内占有率差的绝对值，m_2std_spd_up4为分流段的上游第4个检测器在第三预设时间内的速度标准差，m_0cha.std_spd_dw1为交织段的上游第1个、下游第1个检测器在第一预设时间内速度标准差的差的绝对值，m_0diff.occ_up1为交织段的上游第1个检测器在第一预设时间内与第二预设时间内的占有率差的绝对值，m_0str.rat_up1为交织段的上游第1个检测器在第一预设时间内的中型车比例，m_2cha.occ_up3为交织段的上游第3个、第4个检测器在第三预设时间内占有率差的绝对值，log(m_3vol_up2)为交织段的上游第2个检测器在第四预设时间内的流量的对数值，Length为路段长度，RC4为基本路段的量化后上游匝道布设的影响大小，m_0spd_up2为基本路段的上游第2个检测器在第一预设时间内的速度，m_0std_spd_up3为基本路段的上游第3个检测器在第一预设时间内的速度标准差，m_1cha.occ_up2为基本路段的上游第2个、第3个检测器在第二预设时间内的占有率差的绝对值，m_1diff.occ_up4为基本路段的上游第4个检测器在第二预设时间内与第三预设时间内的占有率差的绝对值，log(m_3vol_up5)为基本路段的上游第5个检测器在第四预设时间内的流量的对数值。

进一步地，所述基于巢式Logit理论的预测模型中的自变量在快速路事故风险的主要来源的解析结果、相关性分析结果、Logistic回归结果与随机森林算法结果中筛选获得。

步骤S4中根据所述事故风险预测结果，判断是否需要采取交通管控措施，若是则实施相应的交通管控策略，实现动态调节，否则返回步骤S3。

所述交通流数据和天气数据根据预设的时间粒度进行更新。

所述事故风险预测模型根据预设的时间间隔实时更新所述事故风险预测结果。

所述交通管控策略包括路侧管控策略和车载管控策略，路侧管控策略包括可变限速控制和匝道控制，车载管控策略包括速度协调控制。

新的事故发生后，所述事故风险预测模型根据新的事故进行更新。

与现有技术相比，本发明具有以下有益效果：

1.本发明根据目标快速路的道路几何数据划分道路类型，以此建立事故风险预测模型，覆盖了现有的多种道路类型，充分考虑了不同路段类型之间在事故机理上的相同与差异，提高了事故风险预测模型的准确度与可移植性。

2.本发明交通流数据和天气数据根据预设的时间粒度进行更新，具有较好的数据实时性，使得事故风险预测结果能够将准确的事故风险实时反映，从而更好地实现事故风险的动态更新，方便管理人员进行实时管控，提高系统服务质量。

附图说明

图1为本发明的流程示意图；

图2为本发明的路段类型划分的示意图，其中图2(1)为合流段的示意图，图2(2)为分流段的示意图，图2(3)为交织段的示意图；

图3(a)为本发明的实施例一中第368起事故的事故发生时间的示意图；

图3(b)为本发明的实施例一中第370起事故的事故发生时间的示意图；

图4为本发明的事故风险来源解析图，图中每一个数据均代表着各个时空位置上的变量重要度；

图5为本发明的预测模型中的输入变量的选取流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

快速路交通事故的发生是交通流状态、道路几何因素、天气条件联合作用的结果，但不同的路段类型由于其几何构造、交通功能的不同，其事故的关键致因种类及其影响大小也不尽相同。在此基础上，为提高该领域技术的准确度与可移植性，本发明进行了基于路段异质性的快速路事故风险实时预测方法。

实施例一

如图1所示，一种基于路段异质性的快速路事故风险实时预测方法，具体包括以下步骤：

步骤S1：获取目标快速路的道路几何数据，根据道路几何数据划分目标快速路的路段类型，获取历史事故数据，根据历史事故数据提取事故发生时间；

步骤S2：根据路段类型和事故发生时间，结合显著性检验和随机森林算法，计算得到快速路事故风险的主要来源；

步骤S3：基于快速路事故风险的主要来源建立事故风险预测模型，实时获取目标快速路的交通流数据和天气数据，道路几何数据、交通流数据和天气数据输入事故风险预测模型，输出获得事故风险预测结果；

步骤S4：根据事故风险预测结果，判断是否需要采取交通管控措施，若是则采取相应合适的管控措施，实现动态调节，否则返回步骤S3。

步骤S4中通过设置风险阈值来确定是否进行协调控制，本实施例中，风险阈值具体为0.8。

如图2所示，路段类型包括合流段、分流段、交织段和基本路段。若路段类型认定不符合图2所示的3类评定规则，则认定其为基本路段。

道路几何数据包括匝道布设数量、中央分隔带宽度、路肩宽度、限速值、辅助车道建设情况、快速路车道数量和路段长度。

目标快速路的道路几何数据和路段类型通过ArcGIS软件收集得到。

历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据。

步骤S1中提取事故发生时间的具体过程为提取路段上游距离事故发生坐标最近的检测器所收集到的数据，根据检测器收集到的数据绘制速度曲线，以速度曲线中速度急剧下降的时刻作为事故准确发生时间，检测器收集到的数据包括预设时间范围内每条车道的速度曲线，本实施例中，预设时间范围为30min。

如图3(a)所示，第368起事故中可观测到明显的速度急剧下降，而记录事故发生时刻晚于速度明显下降时刻，因此将事故发生时间修正为速度明显下降的时刻；如图3(b)所示，第370起事故被观测到了速度的明显下降，同时速度明显下降的时间与记录事故时间相同，则事故发生时间无需变更。

如图4所示，步骤S2中由显著性分析和随机森林算法对各个时空位置上显著变量的重要度进行计算，图4的结果显示，合流段和交织段的事故风险更多地来源于路段；分流段和基本路段的事故风险更多地来源于上游车队。

步骤S4具体包括以下步骤：

步骤S41：按照案例组：对照组＝1∶5的比例进行数据抽取；

步骤S42：进行数据清洗；

步骤S43：基于时空相关性和路段类型特征进行变量重构造；

步骤S44：基于事故风险来源的解析结果，依据变量的时空位置进行变量的剔除；

步骤S45：选取与因变量显著相关、且能提供最佳预测性能的自变量；

步骤S46：利用筛选的结果建立基于巢式Logit理论的事故风险预测模型。其巢式Logit模型的具体表达如下：

Logit(p_i)＝1.62·Surface-0.122·Visibility+ln(IV)

IV＝exp[α_1，i·(-2.48-0.039m_0MVR+0.174m_0occ_up1

+0.035m_0str.rat_up1+0.34m_2diff.occ_dw1)-999(1-α_1，i)]

+exp[α_2，i·(-7.92+0.966RC2+0.809log(m_0vol_up1)

+0.799m_1btruck_up4+0.209m_2cha.occ_up4

+0.175m_2std_spd_up4)-999(₁-α_2，i)]

+exp[α_3，i·(-6.72+0.234m_0cha.std_spd_dw1

+0.278m_0diff.occ_up1+0.042m_0str.rat_up1

+0.288m_2cha.occ_up3+1.16log(m_3vol_up2))-999(1-α_3，i)]

+exp[α_4，i·(-2.4-0.077Length+0.076RC4-0.04m_0spd_up2

+0.1m_0std_spd_up3+0.109m_1cha.occ_up2

+0.302m_1diff.occ_up4+0.516log(m_3vol_up5))-999(1

-α_4，i)]

其中，Surface为路面湿滑程度，Visibility为目标能被驾驶员清楚辨认的最远距离，α_1，i为合流段的类型判断值，α_2，i为分流段的类型判断值，α_3，i为交织段的类型判断值，α_4，i为基本路段的类型判断值，m_0MVR为合流段在第一预设时间内匝道与主线流量的比例，m_0occ_up1为合流段的上游第一个检测器在第一预设时间内的占有率，m_0str.rat_up1为合流段的上游第一个检测器在第一预设时间内的中型车流量比例，m_2diff.occ_dw1为合流段的下游第一个检测器第三预设时间内与第四预设时间内的占有率差的绝对值，RC2为分流段的量化后上游匝道数量及其布设位置的影响大小，log(m_0vol_up1)为分流段的上游第一个检测器第一预设时间内的流量的对数值，m_1btruck_up4为分流段的上游第4个检测器在第二预设时间内的大型车流量，m_2cha.occ_up4为分流段的上游第4个、第5个检测器在第三预设时间内占有率差的绝对值，m_2std_spd_up4为分流段的上游第4个检测器在第三预设时间内的速度标准差，m_0cha.std_spd_dw1为交织段的上游第1个、下游第1个检测器在第一预设时间内速度标准差的差的绝对值，m_0diff.occ_up1为交织段的上游第1个检测器在第一预设时间内与第二预设时间内的占有率差的绝对值，m_0str.rat_up1为交织段的上游第1个检测器在第一预设时间内的中型车比例，m_2cha.occ_up3为交织段的上游第3个、第4个检测器在第三预设时间内占有率差的绝对值，log(m_3vol_up2)为交织段的上游第2个检测器在第四预设时间内的流量的对数值，Length为路段长度，RC4为基本路段的量化后上游匝道布设的影响大小，m_0spd_up2为基本路段的上游第2个检测器在第一预设时间内的速度，m_0std_spd_up3为基本路段的上游第3个检测器在第一预设时间内的速度标准差，m_1cha.occ_up2为基本路段的上游第2个、第3个检测器在第二预设时间内的占有率差的绝对值，m_1diff.occ_up4为基本路段的上游第4个检测器在第二预设时间内与第三预设时间内的占有率差的绝对值，log(m_3vol_up5)为基本路段的上游第5个检测器在第四预设时间内的流量的对数值。

本实施例中，第一预设时间为0-1min，第二预设时间为1-2min，第三预设时间为2-3min，第四预设时间为3-4min，Surface对应的路面湿滑程度中取值为1表示路面湿滑，取值为0表示路面干燥，路段类型的类型判断值中取值为1表示存在相应路段，取值为0表示不存在相应路段。

步骤S41中采用随机抽样的方式进行对照组数据的抽取，即无需控制对照组的样本采样空间，案例组和对照组抽取的每一条案例数据均包含上下游各5个检测器上事故发生前0-10min内、集计为1min粒度的交通数据、道路几何数据、天气数据和事故详细信息。

步骤S42中数据清洗操作包括无效样本的剔除、缺失值检测与填补、异常值检测与填补。

步骤S43中在现有变量的基础上构造了能够反映交通流状态在时间上差异、在空间上差异的变量，构造了能够反映非基本路段特质的变量，包括匝道和主线的流量比。

步骤S44中对于合流段和交织段仅保留空间位置靠近事发路段的变量，对于分流段和基本路段仅保留空间位置靠近上游车群轨迹的变量。

步骤S45中如图5所示，选取与因变量显著相关、且能提供最佳预测性能的自变量。该步骤既克服了模型中多重共线性的问题，又克服了建模过程中的维数较多的问题，在本实施例中，筛选并保留了21个建模变量。

基于巢式Logit理论的预测模型中的自变量在快速路事故风险的主要来源的解析结果、相关性分析结果、Logistic回归结果与随机森林算法结果中筛选获得。

天气数据包括路面湿滑情况和能见度，基于多种数据源实时获取，根据预设的时间粒度进行更新，本实施例中，天气数据对应的时间粒度为1min。

交通流数据基于感应线圈和网联车实时获取，并进行变量构造，得到模型输入所需变量信息，根据预设的时间粒度进行更新，发送到事故风险预测模型，本实施例中，交通流数据对应的时间粒度为1min。

事故风险预测模型根据预设的时间间隔实时更新事故风险预测结果，本实施例中，预设的时间间隔为1min。

交通管控策略包括路侧管控策略和车载管控策略，路侧管控策略包括可变限速控制和匝道控制，车载管控策略包括速度协调控制。若导致事故风险预测值上升的原因主要是交通量大、占有率高，则采用可变限速控制和匝道控制，减少短期交通量；若导致事故风险预测值上升的原因主要是车辆速度差大，则采取基于车载的交通管控措施，给予每个智能网联车辆(CAV)相对应的建议速度，对智能网联车辆进行速度协调控制。对于多种场景，结合路侧管控策略和车载管控策略来有效降低碰撞风险。

新的事故发生后，事故风险预测模型根据新的事故进行更新。

此外，需要说明的是，本说明书中所描述的具体实施例子，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，具体包括以下步骤：

S1.获取目标快速路的道路几何数据，根据所述道路几何数据划分目标快速路的路段类型，获取历史事故数据，根据所述历史事故数据提取事故发生时间；

S2.根据所述路段类型和事故发生时间，结合显著性检验和随机森林算法，计算得到快速路事故风险的主要来源；

S3.基于所述快速路事故风险的主要来源建立事故风险预测模型，实时获取目标快速路的交通流数据和天气数据，所述道路几何数据、交通流数据和天气数据输入事故风险预测模型，输出获得事故风险预测结果；

S4.根据所述事故风险预测结果，判断是否需要采取交通管控措施，若是则实施相应的交通管控策略，实现动态调节，否则返回步骤S3；所述路段类型包括合流段、分流段、交织段和基本路段，所述道路几何数据包括匝道布设数量、中央分隔带宽度、路肩宽度、限速值、辅助车道建设情况、快速路车道数量和路段长度；

所述事故风险预测模型为基于巢式Logit理论的预测模型，具体如下所示：

Logit(p_i)＝1.62·Surface-0.122·Visibility+ln(IV)

IV＝exp[α_1，i·(-2.48-0.039m_0MVR+0.174m_0occ_up1+0.035m_0str.rat_up1+0.34m_2diff.occ_dw1)-999(1-α_1，i)]+exp[α_2，i·(-7.92+0.966RC2+0.809log(m_0vol_up1)+0.799m_1btruck_up4+0.209m_2cha.occ_up4+0.175m_2std_spd_up4)-999(1-α_2，i)]+exp[α_3，i·(-6.72+0.234m_0cha.std_spd_dw1+0.278m_0diff.occ_up1+0.042m_0str.rat_up1+0.288m_2cha.occ_up3+1.16log(m_3vol_up2))-999(1-α_3，i)]+exp[α_4，i·(-2.4-0.077Length+0.076RC4-0.04m_0spd_up2+0.1m_0std_spd_up3+0·109m_1cha.occ_up2+0.302m_1diff.occ_up4+0.516log(m_3vol_up5))-999(1-α_4，i)]

其中，Surface为路面湿滑程度，Visibility为目标能被驾驶员清楚辨认的最远距离，α_1，i为合流段的类型判断值，α_2，i为分流段的类型判断值，α_3，i为交织段的类型判断值，α_4，i为基本路段的类型判断值，m_0MVR为合流段在第一预设时间内匝道与主线流量的比例，m_0occ_up1为合流段的上游第一个检测器在第一预设时间内的占有率，m_0str.rat_up1为合流段的上游第一个检测器在第一预设时间内的中型车流量比例，m_2diff.occ_dw1合流段的下游第一个检测器第三预设时间内与第四预设时间内的占有率差的绝对值，RC2为分流段的量化后上游匝道数量及其布设位置的影响大小，log(m_0vol_up1)为分流段的上游第一个检测器第一预设时间内的流量的对数值，m_1btruck_up4为分流段的上游第4个检测器在第二预设时间内的大型车流量，m_2cha.occ_up4为分流段的上游第4个、第5个检测器在第三预设时间内占有率差的绝对值，m_2std_spd_up4为分流段的上游第4个检测器在第三预设时间内的速度标准差，m_0cha.std_spd_dw1为交织段的上游第1个、下游第1个检测器在第一预设时间内速度标准差的差的绝对值，m_0diff.occ_up1为交织段的上游第1个检测器在第一预设时间内与第二预设时间内的占有率差的绝对值，m_0str.rat_up1为交织段的上游第1个检测器在第一预设时间内的中型车比例，m_2cha.occ_up3为交织段的上游第3个、第4个检测器在第三预设时间内占有率差的绝对值，log(m_3vol_up2)为交织段的上游第2个检测器在第四预设时间内的流量的对数值，Length为路段长度，RC4为基本路段的量化后上游匝道布设的影响大小，m_0spd_up2为基本路段的上游第2个检测器在第一预设时间内的速度，m_0std_spd_up3为基本路段的上游第3个检测器在第一预设时间内的速度标准差，m_1cha.occ_up2为基本路段的上游第2个、第3个检测器在第二预设时间内的占有率差的绝对值，m_1diff.occ_up4为基本路段的上游第4个检测器在第二预设时间内与第三预设时间内的占有率差的绝对值，log(m_3vol_up5)为基本路段的上游第5个检测器在第四预设时间内的流量的对数值。

2.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据。

3.根据权利要求2所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述步骤S1中提取事故发生时间的具体过程为提取路段上游距离所述事故发生坐标最近的检测器所收集到的数据，根据检测器收集到的数据绘制速度曲线，以速度曲线中速度急剧下降的时刻作为事故准确发生时间。

4.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述步骤S2中由显著性分析和随机森林算法对各个时空位置上显著变量的重要度进行计算。

5.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述基于巢式Logit理论的预测模型中的自变量在快速路事故风险的主要来源的解析结果、相关性分析结果、Logistic回归结果与随机森林算法结果中筛选获得。

6.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述交通流数据和天气数据根据预设的时间粒度进行更新。

7.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述事故风险预测模型根据预设的时间间隔实时更新所述事故风险预测结果。

8.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述交通管控策略包括路侧管控策略和车载管控策略。

Images