CN112508392A - 一种山区双车道公路隐患路段交通冲突风险动态评估方法 - Google Patents
一种山区双车道公路隐患路段交通冲突风险动态评估方法 Download PDFInfo
- Publication number
- CN112508392A CN112508392A CN202011402478.9A CN202011402478A CN112508392A CN 112508392 A CN112508392 A CN 112508392A CN 202011402478 A CN202011402478 A CN 202011402478A CN 112508392 A CN112508392 A CN 112508392A
- Authority
- CN
- China
- Prior art keywords
- conflict
- traffic
- evaluation
- risk
- road 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 82
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 19
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 8
- 238000012502 risk assessment Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 13
- 206010039203 Road traffic accident Diseases 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000012549 training Methods 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
- G06Q10/06—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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
Abstract
本发明涉及一种山区双车道公路隐患路段交通冲突风险动态评估方法,该方法首先获取当前实施路段的车辆行驶轨迹数据及交通流数据,根据轨迹数据计算得到严重冲突判别阈值,提取严重交通冲突发生时刻前5min的交通流数据;选取山区双车道公路交通冲突风险动态可能性评价指标及冲突严重度评价指标,建立公路冲突风险评估模型,确定冲突风险可能性及冲突严重度分级;结合冲突风险可能性分级和冲突严重度分级,构建山区双车道公路交通冲突风险动态评估综合矩阵,确定当前实施路段各交通冲突的冲突风险等级。本方法利用采集的高精度时空轨迹数据和交通流数据对山区双车道公路交通冲突风险动态进行评估,数据易获取且所构建的模型具有较好的预测精度。
Description
技术领域
本发明属于道路交通安全技术领域,具体涉及一种山区双车道公路隐患路段交通冲突风险动态评估方法。
背景技术
面临严峻的山区公路交通安全形势,通过对山区公路安全评估的研究,有效地提高与改善山区公路的整体安全水平已成为一项紧迫任务。当前,交通安全改善主要侧重于发生交通事故可能性显著较高的地点,即侧重事故多发点的整治,属于事后补救措施。然而,在公路网中还存在一些交通事故隐患点,可能因为设计、运营阶段的道路环境等方面存在着某种诱发交通事故的隐患,很有可能转变成事故多发点,但由于这些点尚未发生交通事故,往往不被交通管理部门所重视。因此,有必要对道路交通环境进行科学全面的分析,从而识别路段的事故隐患点,加以整治,变事后补救为主动预防,以降低山区双车道公路的事故率及其严重程度,改善交通安全状况。如何科学评估山区双车道公路隐患路段的冲突风险,进而动态预测事故风险,实现交通事故及时预防预警,从源头实现道路交通事故主动防控和安全水平提升,以减少山区双车道公路交通事故是一个亟需解决的现实难题。
目前,已有一些评估公路冲突风险的方法,一般分为2种:一种是集计方法,即以各种统计模型方法为主,建立某一位置和区段内特定时段内的冲突个数模型,并建立冲突与事故之间的关系;另一种是非集计个体的方法,它以单个交通冲突为研究对象,划分交通冲突的严重程度以及分析造成交通冲突的人、车、路和环境的原因;国内外应用比较广泛的交通冲突评估模型主要参照交通事故预测模型建立,主要有广义线性模型(泊松分布、负二项分布、零堆积概率分布)、BP神经网络、时间序列、概率模型等。而发明人发现,这些方法大多是理论方面的探索研究,模型设计过于理想化,在实际情况中难以实现,在实际的交通管理中可操作性并不是很强。
综上,目前急需一种适用于山区双车道公路实际环境的冲突风险评估方法。
发明内容
本发明的目的是为解决现有技术的不足,提供一种山区双车道公路隐患路段交通冲突风险动态评估方法,该方法通过建立适用于山区双车道公路实际环境的冲突风险评估模型,利用该模型能够对山区双车道公路的冲突风险进行有效评估,具有较强的可操作性。
为实现上述目的,本发明采用的技术方案如下:
一种山区双车道公路隐患路段交通冲突风险动态评估方法,包括如下步骤:
步骤(1),获取当前实施路段的含有交通冲突的轨迹数据及交通流数据,根据轨迹数据计算得到严重冲突判别阈值,继而提取严重交通冲突发生时刻前5min的交通流数据;选取山区双车道公路交通冲突风险动态可能性评估指标及冲突严重度评价指标;
步骤(2),建立公路冲突风险评估模型,所述的公路冲突风险评估模型包括基于二元logit回归模型的冲突风险可能性评估模型及基于模糊综合评价的冲突严重度评估模型;根据模型结果确定冲突可能性及冲突严重度分级;
步骤(3),结合冲突风险可能性分级和冲突严重度分级,构建山区双车道公路交通冲突风险动态评估综合矩阵,确定当前实施路段各交通冲突的综合风险等级。
进一步,优选的是,步骤(1)中,获取当前实施路段的至少174条含有交通冲突的轨迹数据及交通流数据,根据轨迹数据计算得到严重冲突判别阈值,继而提取严重交通冲突发生时刻前5min的交通流数据,其具体方法为:
(1)采用无人机高空录像进行原始视频数据采集;
(2)采用MetroCount MC5600气压管式车辆分型统计系统进行交通流数据采集;
(3)采用视频处理软件George2.1提取高精度的车辆行驶轨迹数据,包括时间、位置坐标、速度、加速度,根据轨迹数据自动提取交通冲突指标TTC,继而确定山区双车道公路严重冲突TTC上限阈值,当TTC小于2.3s时为严重冲突;以严重冲突发生概率表征山区双车道公路冲突可能性,提取交通冲突发生时刻前5min的交通流数据、道路线形数据以及行车环境数据。
进一步,优选的是,步骤(1)中,选取的山区双车道公路交通冲突风险动态可能性评估指标为:TTC、路段平均车头时距、路段平均车头间距、货车混入率、摩托车混入率、进弯断面流量、冲突位置平均速度;
选取的冲突严重度评价指标为:TTC、车速变异系数、路段交通流密度、大型车混入率、非机动车混入率、路段平均车头时距、平曲线曲率、纵坡坡度、是否有接入口。
进一步,优选的是,步骤(2)中,基于二元logit回归模型的冲突风险可能性评估模型为:
其中:P(yi=严重冲突|xi)为第i起交通冲突为严重冲突的概率,Ci表示第i起交通冲突前5min路段平均车头时距;Di表示第i起交通冲突前5min路段平均车头间距;Ei表示第i起交通冲突前5min货车混入率;Fi表示第i起交通冲突前5min摩托车混入率;Gi表示第i起交通冲突前5min进弯断面流量;Hi表示第i起交通冲突前5min冲突位置平均速度;β1,β2,β3,β4,β5,β6分别为路段平均车头时距、路段平均车头间距、货车混入率、摩托车混入率、进弯断面流量、冲突位置平均速度6个指标所对应的回归系数。
进一步,优选的是,步骤(2)中,基于模糊综合评价的冲突严重度评估模型为:首先采用主客观相结合的层次分析法-熵权法确定指标权重,然后运用K-means聚类分析方法确定山区双车道公路隐患路段交通冲突严重度指标与评价等级的对应准则,再基于隶属度函数确定模糊关系矩阵R,最终将权重向量W与模糊关系矩阵R进行合成,得到某起交通冲突严重度的模糊综合评价结果向量B,根据最大隶属度原则确定冲突严重度等级。
进一步,优选的是,基于模糊综合评价的冲突严重度评估模型具体的构建方法为:
(1)采用主客观相结合的层次分析法-熵权法确定指标权重:先分别运用熵权法和层次分析法确定指标权重,然后将熵权法确定的权重与层次分析法确定的权重按式(2)进行组合计算,得到较为合理的权重系数Wj;
Wj=ρωj+(1-ρ)θj (2)
(2)运用K-means聚类分析方法确定指标与评价等级的对应准则:运用K-means聚类分析方法,对冲突发生5min内交通流状况进行聚类分析,确定冲突严重度指标体系中车速变异系数、交通流密度、路段平均车头时距、大型车混入率、非机动车混入率5个交通流特征指标的评价等级阈值;再结合交通运输部发布的《公路项目安全性评价规范》(JTG B05-2015)关于公路分析单元划分原则,最终确定平曲线曲率、纵坡坡度、是否有接入口等指标与评价等级的对应关系;
(3)基于隶属度函数确定模糊关系矩阵R:由j个评价指标的评价向量构成的模糊关系矩阵记为:
式中,r为相应指标对应风险等级的隶属度值;
(4)确定冲突严重度等级:将权重向量W与隶属度矩阵R进行合成,得到某交通冲突严重度的模糊综合评价结果向量B,即:
式中,r为相应指标对应风险等级的隶属度值,wj为熵权法确定的第j个指标的权重;
根据模糊模型识别的最大隶属度原则,即bj=max{bj:1≤j≤5},模糊综合评价的结果相对隶属于bj。
进一步,优选的是,ρ为0.5。
进一步,优选的是,步骤(3)的具体方法为:
将严重交通冲突发生的可能性划分为5级,分别表示为:
①当严重交通冲突发生概率在(0,0.010]时,则表明严重冲突发生的可能性等级为“小”用“1”表示;
②当严重交通冲突发生概率在(0.010,0.040],则表明严重冲突发生的可能性等级为“中等”用“2”表示;
③当严重交通冲突发生概率在(0.00,0.200],则表明严重冲突发生的可能性等级为“稍大”用“3”表示;
④当严重交通冲突发生概率在(0.200,0.500],则表明严重冲突发生的可能性等级为“大”用“4”表示;
⑤当严重交通冲突发生概率在(0.500,1.000],则表明严重冲突发生的可能性等级为“很大”用“5”表示;
将山区双车道公路冲突严重度等级分为以下五类:
①轻微冲突:整个隐患路段内车辆之间存在交通冲突,但冲突轻微,各自都能安全驶过,事故极少发生,用数字“1”表示;
②较轻微冲突:整个隐患路段内数个车辆之间存在交通冲突,但冲突程度较轻微,各自都能安全驶过,事故很少发生,用数字“2”表示;
③一般冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度一般,车辆之间都能及时避让,事故偶尔发生,用数字“3”表示;
④较严重冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度有轻微也有严重的,但整体都能及时避让,事故偶尔发生,用数字“4”表示;
⑤严重冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度比较严重,驾驶人员面临较大的环境压力,属于事故多发路段,用数字“5”表示;
最后,根据确定的冲突可能性等级及冲突严重度等级,建立综合评价矩阵,确定交通冲突最终风险等级。
本发明中获取当前实施路段的至少174条含有交通冲突的轨迹数据及交通流数据,是因为174条能满足最小样本量。
通过累计频率分布曲线得到严重冲突与一般冲突之间的界限是TTC=2.3s,当TTC小于2.3s时为严重冲突。
本发明与现有技术相比,其有益效果为:
本发明提供的山区双车道公路交通冲突风险动态评估方法中,通过选取实时交通流参数、道路线形数据、环境数据进行计算,数据易获取且模型简单,能够对山区双车道公路的冲突风险进行有效评估,具有较强的可操作性。传统的统计模型方法基于历史事故数据及交通流数据,建立某一位置和区段内特定时段的冲突个数预测模型,无法实现交通冲突风险的动态评估及预警。本发明中提出的方法可通过实时交通流数据、视频数据、道路线形数据、环境数据的采集与处理,对冲突风险进行动态评估,从而实现风险预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为数据提取与处理流程图;
图2为隐患路段交通流数据采集的断面布设图;
图3为车辆运行轨迹图;
图4为本发明山区双车道公路交通冲突风险动态评估方法的流程示意图;
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
下面将结合本发明实施例(云南省典型山区双车道公路—元双公路采集的数据)中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
1.山区双车道公路交通冲突风险动态评估方法的详细步骤
步骤一、获取当前实施路段的至少174(174满足最小样本量)条含有交通冲突的轨迹数据及MetroCount MC5600气压管式车辆分型统计系统检测交通数据,根据轨迹数据计算出交通冲突碰撞时间TTC,采用累积频率分布曲线得到严重冲突判别标准,继而提取严重交通冲突发生时刻前5min的交通流数据;数据提取与处理流程如图1所示。
(1)数据采集
本发明以实施例为对象,收集主要包括道路线形数据、行车环境数据、高空录像视频数据及MetroCount MC5600气压管式车辆分型统计系统检测交通数据。事故资料和道路线形数据主要来自交警与公路管理部门。行车环境数据可由实地数据采集获取。
采用高空录像和MetroCount MC5600气压管式车辆分型统计系统进行原始视频数据及交通流数据采集,采集时间为天气晴朗的工作日。为准确反映山区双车道公路隐患路段的交通冲突特性,避开穿村镇路段、长大下坡路段和交叉口的影响。高空录像时将视频分辨率调至1080P以上,拍摄高度控制在200米至250米,尽量避免树木、建筑对已经车辆的遮挡,以保证航拍录像画面效果。MC橡胶气压管传感器分别在隐患路段的五个关键断面(直缓断面ZH、缓圆断面HY、曲中断面QZ、圆缓断面YH、缓直断面HZ)进行车辆行驶速度数据采集,隐患路段上交通流数据采集的断面布设示意如图2所示。
(2)数据处理与提取
1)基于轨迹数据的冲突参数提取
由受训的观察者通过对航拍视频后期处理,根据山区双车道公路危险驾驶行为(车辆存在急减速、急转弯、超车)提取可能发生交通冲突的视频片段,并初步判定预先处理的交通冲突严重程度,分为一般冲突和严重冲突,对于某些意见不统一的片段采取重复观察,并通过讨论直至观点一致,否则,剔除该片段。再采用视频处理软件George2.1对视频中运动车辆进行识别和追踪,提取高精度的车辆行驶轨迹数据,图3为某车辆走形轨迹图。获取的轨迹数据包括时间、位置坐标、速度、加速度。
考虑到航拍调查方式调查时间上的局限性以及经济因素,以最小的成本获取足够的样本满足研究要求。保障研究数据的典型性和代表性,需保证一定的样本量,最小样本量计算公式为:
式中:n表示最小样本量;s为样本标准差;δ为容许误差值;Z表示常数,当置信度为90%时,Z=1.645。
根据轨迹数据自动提取交通冲突指标TTC,继而将TTC值以0.2s为间隔进行均等分组处理,计算每组数据的频率及累积频率,并选定85%位累积频率对应的TTC值作为不同严重程度的TTC上限阈值。本发明以实施例轨迹数据提取的TTC值进行计算,得到山区双车道公路交通冲突指标TTC阈值如表1所示。当TTC小于2.3s时为严重冲突,当TTC介于2.3s至5.3s之间时为一般冲突,当TTC大于5.3s时视为不发生冲突。
表1山区双车道公路交通冲突指标TTC阈值
2)交通流数据及道路环境特征提取
本发明以严重冲突发生概率评估山区双车道公路冲突可能性。基于提取的时空连续车流轨迹、冲突参数和MetroCount MC5600气压管式车辆分型统计系统检测的交通流数据,提取严重冲突发生时刻前5min的交通流数据、道路线形数据以及行车环境数据,建立基础数据库。
步骤二、选取山区双车道公路冲突可能性及严重度评估指标;
(1)冲突风险可能性评估指标体系
1)交通冲突指标
依据山区双车道公路隐患路段交通冲突特性选取TTC为交通冲突判别指标。TTC计算公式为:
式中:TTCn为第n辆车碰撞前车(即n-1车)的碰撞时间(s);xn-1(t)为t时刻n-1车在道路上的位置坐标;xn(t)为t时刻n车在道路上的位置坐标;Vn-1(t)为t时刻n-1车的地点速度;Vn(t)为t时刻n车的地点速度;ln-1为前车的车长。
2)交通流指标
结合山区双车道公路交通流特征,在交通流数据中选取路段平均车头时距、路段平均车头间距、货车混入率、摩托车混入率、进弯断面流量、冲突位置车辆速度6个参数作为冲突风险可能性评估模型对应的交通流指标(表2)。
表2交通流指标
自变量符号 | 变量含义 | 单位 |
AHD | 路段平均车头时距 | s |
AHS | 路段平均车头间距 | m |
TMR | 货车混入率 | % |
MMR | 摩托车混入率 | % |
QIC | 进弯断面流量 | 辆·5min<sup>-1</sup> |
V | 冲突位置车辆速度 | km·h<sup>-1</sup> |
(2)冲突严重度评估指标体系
综合国内外现有研究冲突严重性度量指标,并结合发明人前期针对山区公路事故严重程度的研究成果和山区公路的道路线形复杂、大货车比例高、非机动车混入的特征,选取车速变异系数、交通流密度、路段平均车头时距、大型车混入率、非机动车混入率、平曲线曲率、纵坡坡度、是否有接入口,建立山区双车道公路交通冲突严重度指标体系,见表3。
表3山区双车道公路交通冲突严重度评估体系
步骤三、建立基于二元logit回归模型的冲突风险可能性评估模型:根据轨迹数据计算出交通冲突指标碰撞时间(TTC),采用累积频率分布曲线得到严重冲突判别标准;再将严重冲突发生前5min的交通流特征参数作为自变量,是否发生严重冲突作为因变量,选择二元logit回归模型进行模型构建,评估不同交通流状态下的双车道隐患路段发生冲突风险概率,并评估其风险可能性等级;建立基于模糊综合评价的冲突严重度评估模型:首先采用主客观相结合的层次分析法-熵权法确定指标权重,然后运用K-means聚类分析方法确定山区双车道公路交通冲突严重度指标与评价等级的对应准则,基于隶属度函数确定模糊关系矩阵R,最终将权重向量W与模糊关系矩阵R进行合成,得到某交通冲突严重度的模糊综合评价结果向量B,根据最大隶属度原则确定冲突严重度等级。
(1)基于二元logit模型的冲突风险可能性评估模型
建立基于二元logit模型的冲突风险可能性评估模型,如图4所示,首先需要根据轨迹数据提取冲突碰撞时间TTC值,然后采用累计频率分布曲线确定严重冲突阈值。再匹配严重冲突发生前5min的交通流特征参数作为冲突可能性评估模型的自变量,是否发生严重冲突作为因变量,选用二元logit模型作为评估冲突风险概率的底层模型,通过所选取的交通冲突可能性评价指标数据集计算出每一个指标在二元logit模型中的系数,建立冲突风险可能性评估模型,即可得到每一起交通冲突的冲突风险可能性等级。
Logit模型的应用广泛性主要是因为其概率表达式的显性特点,模型的求解速度快,应用方便,被广泛应用到交通冲突分析中。基本原理是当被解释变量为二分类变量时,如两类交通冲突严重程度时(严重冲突为1、一般冲突为0),可以使用logit分布作为二分类被解释变量的分布函数。其中,Logit函数和logit回归模型分别如下所示:
式中:α为截距项;β为回归系数向量;xi'为第i次交通冲突的解释变量向量。
假设第i起交通冲突为严重冲突的概率为P(yi=1|xi)=pi,则相同条件下发生一般冲突的概率为P(yi=0|xi)=1-pi。由此可得yi起冲突为严重冲突的概率为:
通过对二元logit模型的α(截距项)、β(回归系数向量)进行确定,建立冲突风险可能性评估模型:
其中:P(yi=严重冲突|xi)为第i起交通冲突为严重冲突的概率,Ci表示第i起交通冲突前5min路段平均车头时距;Di表示第i起交通冲突前5min路段平均车头间距;Ei表示第i起交通冲突前5min货车混入率;Fi表示第i起交通冲突前5min摩托车混入率;Gi表示第i起交通冲突前5min进弯断面流量;Hi表示第i起交通冲突前5min冲突位置平均速度;β1,β2,β3,β4,β5,β6分别为路段平均车头时距、路段平均车头间距、货车混入率、摩托车混入率、进弯断面流量、冲突位置平均速度指标所对应的回归系数。
(2)基于模糊综合评价法的冲突严重度评估模型
模糊综合评价法用精确的数学方法处理无法精确描述的模糊事物,熵权法能挖掘与指标相关的数值信息得到指标权重,客观性强。基于模糊综合评价法的交通冲突严重度评价流程如图4所示。模糊综合评价法的第一步就是确定评价指标体系,即对影响评价对象的因素进行梳理,形成一个递阶层次矩阵,交通冲突严重度指标体系见步骤二。同时确定评价等级,本发明根据云南山区公路交通特性将冲突严重度划分为五个等级,V={1级,2级3级,4级,5级}={低,较低,中,较高,高},则记为V={v1,v2,v3,v4,v5}。
1)基于组合赋权法确定指标权重
层次分析法虽然在指标权重确定过程中主观性过强,但好处在于部分主观因素是来自于评价者对于评价对象的了解与分析,这是指标权重确定过程中必不可少的依据;熵权法则是客观性很强,是通过对实际数据的处理计算确定权重大小,不融入主观导向因素。因此,为了客观准确地获得指标权重,本发明提出了层次分析法、熵权法相结合的指标权重确定方法。先分别运用熵权法和层次分析法确定指标权重,然后将熵权法确定的权重与层次分析法确定的权重按式(4)进行组合计算,得到较为合理的权重系数Wj。Wj为第j个指标的综合权重;ρ为计算指标最终权重时两种方法的侧重比例,通常取0.5;为熵权法确定的第j个指标的权重;θj为层次分析法确定的第j个指标的权重。
Wj=ρωj+(1-ρ)θj (5)
熵值法赋权是根据指标本身所提供出来的信息量来确定指标的权重。通常情况下,某项指标值的变异程度越大,其信息熵越小,那么这一指标的权重就越高,反之越低。由于熵值法是基于各个指标原始数据的关联性来确定不同指标的权重值,因而在一定程度上能够避免主观因素的影响偏差。
运用熵权法确定各项指标的权重值,计算公式如下:
dj=1-ej (8)
式中,x'ij为第i个研究单元的第j个指标值;pij为第i个研究单元第j个指标的归一化值;k为系数;m为研究单元总数;ej为指标j的熵值;dj为指标j的熵值冗余度;ωj为指标j的权重。
层次分析法确定权重步骤如下:
(1)构建判断矩阵。根据评价指标体系,使用9标度法对指标间的重要度进行分析,构建判断矩阵。
(2)判断矩阵的一致性检验。求出判断矩阵的特征向量θ和特征根λ。用式(9)求出判断矩阵的一致性指标CI。若判断矩阵满足一致性检验,则特征向量即为指标的权重向量。
式中,CI为一致性指标判断指标,CI值越小,表示构造的判断矩阵一致性程度越好,反之则越差;λmax为判断矩阵的最大特征根;n为矩阵的阶数。
(3)用随机一致性比率来判别判断矩阵是否具有满意的一致性。随机一致性比率是判断矩阵的一致性指标CI与同阶平均随机一致性指标RI的比值,如式(10)所示。同阶平均随机一致性指标RI的取值见表4。当计算后的CR小于0.10,则判断矩阵具有满意的一致性,否则需要调整判断矩阵,直到满足式(10)为止。
表4平均随机一致性指标
矩阵阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0.00 | 0.00 | 0.58 | 0.90 | 1.12 | 0.24 | 0.32 | 1.41 | 1.45 |
2)确定指标与评价等级对应准则
为了更准确方便的确定隶属度矩阵,首先确定评价指标与评级等级的确定关系。本发明运用K-means聚类分析方法,对实施例严重交通冲突数据(冲突发生5min内交通流状况)进行聚类分析,确定冲突严重度指标体系中车速变异系数、交通流密度、路段平均车头时距、大型车混入率、非机动车混入率5个交通流特征指标的评价等级阈值。再通过总结分析国内外关于山区公路事故严重程度相关研究,结合交通运输部发布的《公路项目安全性评价规范》(JTG B05-2015)关于公路分析单元划分原则,最终确定平曲线曲率、纵坡坡度、是否有接入口等指标与评价等级的对应关系。
K-means聚类算法即给定N个训练样本,将数据点划分为k个cluster(类别),找到这每个cluster的中心,并且最小化式(11)目标函数,使每个数据点要与它们所属cluster的中心尽量接近。
式中:N为样本数;K为样本的分类数;Sk为第k类数据簇;μk为数据簇的平均中心。
K-means聚类实质上以各样本与聚类中心的欧式距离作为样本间“相似度”,把每个数据点归类到离它最近的中心。为计算每个cluster的中心与边界,K-means迭代计算的步聚包括:
①初始化:随机初始化K个D维的向量或选取K个不同的样本点作为初始聚类中心;
②临时分类:对于每个样本都指定其为离其最近的聚类中心的cluster;
③更新聚类中心:重新计算cluster内部的数据点的平均位置;
④收敛判断:以聚类中心不再变化或各样本至其聚类中心距离之和误差很小为原则,判断聚类是否收敛,若不收敛,返回第2步。
交通冲突严重度评价指标与评价等级对应关系见表5所示,表中的①②为逻辑“与”的关系。
表5交通冲突严重度指标评价准则
3)建立基于隶属度函数的模糊关系矩阵
本发明选用较为常见的线性分布函数作为交通冲突严重度综合评价的隶属函数。其原理如下:相邻等级以等差值递减或递增,当确定某因素对某等级的隶属度为1时,该因素对其他等级的隶属度就可按照同等的相差程度来确定,本发明将冲突严重度等级划分为5级,对应的线性隶属度的等差为0.2。由j个评价指标的评价向量构成的模糊关系矩阵记为:
式中,r为相应指标对应风险等级的隶属度值。
4)合成模糊综合评价向量
将权重向量W与隶属度矩阵R进行合成,得到某交通冲突严重度的模糊综合评价结果向量B即:
根据模糊模型识别的最大隶属度原则,即bj=max{bj:1≤j≤5},模糊综合评价的结果(冲突严重度等级)相对隶属于bj。
步骤四、结合冲突风险可能性分级和冲突严重度分级,构建山区双车道公路交通冲突风险动态评估综合矩阵,确定当前实施路段的冲突风险等级。
本发明结合交通事故率及模糊C聚类法处理实施例车辆运动状态数据计算结果,结合相关研究将山区双车道公路交通冲突可能性划分为5级,分别表示为:当严重交通冲突发生概率在(0,0.010]时,则表明严重冲突发生的可能性等级为“小”用“1”表示;当严重交通冲突发生概率在(0.010,0.040],则表明严重冲突发生的可能性等级为“中等”用“2”表示;当严重交通冲突发生概率在(0.00,0.200],则表明严重冲突发生的可能性等级为“稍大”用“3”表示;当严重交通冲突发生概率在(0.200,0.500],则表明严重冲突发生的可能性等级为“大”用“4”表示;当严重交通冲突发生概率在(0.500,1.000],则表明严重冲突发生的可能性等级为“很大”用“5”表示。具体见表6。
表6交通冲突风险概率等级
可能性 | 事故风险 | 严重交通冲突风险 |
1 | 小 | (0.000,0.010] |
2 | 中等 | (0.010,0.040] |
3 | 稍大 | (0.040,0.200] |
4 | 大 | (0.200,0.500] |
5 | 很大 | (0.500,1.000] |
借助道路交通学者的冲突严重度分类判别理念,将基于模糊综合评价法的山区双车道公路冲突严重度等级分为以下五类:①轻微冲突:整个隐患路段内车辆之间存在交通冲突,但冲突轻微,各自都能安全驶过,事故极少发生,用数字“1”表示。②较轻微冲突:整个隐患路段内数个车辆之间存在交通冲突,但冲突程度较轻微,各自都能安全驶过,事故很少发生,用数字“2”表示。③一般冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度一般,车辆之间都能及时避让,事故偶尔发生,用数字“3”表示。④较严重冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度有轻微也有严重的,但整体都能及时避让,事故偶尔发生,用数字“4”表示。⑤严重冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度比较严重,驾驶人员面临较大的环境压力,属于事故多发路段,用数字“5”表示。
将冲突可能性等级和冲突严重度等级相结合,构建山区双车道公路交通冲突风险动态评估综合矩阵,获取山区双车道公路交通冲突风险动态等级,具体见下表7。
表7山区双车道公路交通冲突风险动态评估综合矩阵
2.实例结果与分析
以云南省典型山区双车道公路—元双公路为例,对高空录像和MetroCountMC5600气压管式车辆分型统计系统采集的原始视频数据及交通流数据进行处理,形成山区双车道公路交通冲突风险动态评估数据库。采用最小样本量计算公式,对所采集数据样本量进行评估,所采集的山区干线公路上车辆交通冲突样本中TTC标准差为1.7s,置信度取90%,允许误差为0.3s,得出满足研究所需的冲突数据至少为174起,研究共采集到有效交通冲突数据376起,满足所需的数据要求。
基于冲突可能性及冲突严重度指标体系,运用二元logit模型及模糊综合评价法分别进行冲突可能性及冲突严重度等级评估,然后构建山区双车道公路交通冲突风险动态评估综合矩阵,确定实施例路段的冲突风险等级。
(1)冲突风险可能性评估
1)冲突风险可能性模型构建
结合以往研究和山区双车道公路特有的交通流特性,选取路段平均车头时距、路段平均车头间距、货车混入率、摩托车混入率、进弯断面流量、冲突位置车辆速度、进弯断面流量、进弯断面平均速度、进弯断面速度标准差、曲中断面流量、曲中断面平均速度、曲中断面速度标准差、出弯断面流量、出弯断面平均速度、出弯断面速度标准差、进弯断面与曲中断面速度差、曲中断面与出弯断面速度差、进弯断面与出弯断面速度差、路段交通流密度19个指标进行分析,首先,对自变量进行多重共线性假设检验,其次,对通过共线性检验(vif<10)的指标为自变量,TTC为因变量,构建二元logit回归模型,采用混合逐步回归,结果显示,仅路段平均车头时距、路段平均车头间距、货车混入率、摩托车混入率、进弯断面流量、冲突位置平均速度6个指标为显著变量且P值均小于0.05,根据模型对6个指标的系数估计,建立交通冲突风险可能性评估模型,具体如下:
其中:P(yi=严重冲突|xi)为第i起交通冲突为严重冲突的概率,Ci表示第i起交通冲突前5min路段平均车头时距;Di表示第i起交通冲突前5min路段平均车头间距;Ei表示第i起交通冲突前5min货车混入率;Fi表示第i起交通冲突前5min摩托车混入率;Gi表示第i起交通冲突前5min进弯断面流量;Hi表示第i起交通冲突前5min冲突位置平均速度。
2)模型预测结果分析
将TTC值小于2.3s界定为严重冲突,大于2.3s界定为非严重冲突,利用冲突风险可能性模型计算出每起交通冲突为严重冲突风险概率,并根据交通冲突可能性等级确定冲突等级。选取元双公路事故高发路段进行数据采集,随机选取14起交通冲突,对其是否发生严重冲突风险概率进行预测,评估每一起交通冲突可能性等级,如表8所示。
表8测试集严重冲突风险概率及可能性等级
(2)冲突严重度评估结果
基于实施例路段交通流数据、道路线形数据和行车环境数据,对随机选取的14起交通冲突进行冲突严重度等级评估。运用熵权法和层次分析法确定交通冲突严重度评价各指标权重如表9所示。
表9交通冲突严重度评价各指标权重
对照评价指标与等级对应法则,以线性分布函数原理确定隶属度矩阵,然后将隶属度矩阵、权重向量合成模糊综合评价结果向量B,根据最大隶属度原则得到实施例路段随机选取14条严重冲突数据的冲突严重度等级。表10给出了冲突严重度评价结果部分示例。
表10实施例冲突严重度等级
(3)冲突风险评估结果
基于冲突可能性评估模型及冲突严重度评估模型输出结果,对应山区双车道公路交通冲突风险动态评估综合矩阵,对每一起交通冲突进行综合冲突风险等级评估,综合冲突风险等级见表11。
表11山区双车道公路交通冲突风险动态评估等级
综上所述,在本发明实施例提供的山区双车道公路交通冲突风险动态评估方法中,根据具体情况获取当前实施路段的交通冲突数据,建立基于二元Logit模型的山区双车道隐患路段交通冲突风险可能性预测模型,进而进行冲突可能性等级评估;同时,基于冲突严重度指标体系,采用基于模糊综合评价法的冲突严重度评估模型进行冲突严重度等级评估;最后,基于交通冲突风险可能性预测模型和冲突严重度评估模型输出结果以及山区双车道公路交通冲突风险动态评估综合矩阵,确定每一起交通冲突的冲突风险等级。基于本发明实施例提供的山区双车道公路交通冲突风险动态评估方法,能够对山区双车道公路的交通冲突风险进行有效评估,具有较强的可操作性。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件或软件系统进行完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种山区双车道公路隐患路段交通冲突风险动态评估方法,其特征在于,包括如下步骤:
步骤(1),获取当前实施路段的含有交通冲突的轨迹数据及交通流数据,根据轨迹数据计算得到严重冲突判别阈值,继而提取严重交通冲突发生时刻前5min的交通流数据;选取山区双车道公路交通冲突风险动态可能性评估指标及冲突严重度评价指标;
步骤(2),建立公路冲突风险评估模型,所述的公路冲突风险评估模型包括基于二元logit回归模型的冲突风险可能性评估模型及基于模糊综合评价的冲突严重度评估模型;根据模型结果确定冲突可能性及冲突严重度分级;
步骤(3),结合冲突风险可能性分级和冲突严重度分级,构建山区双车道公路交通冲突风险动态评估综合矩阵,确定当前实施路段各交通冲突的综合风险等级。
2.根据权利要求1所述的山区双车道公路隐患路段交通冲突风险动态评估方法,其特征在于,步骤(1)中,获取当前实施路段的至少174条含有交通冲突的轨迹数据及交通流数据,根据轨迹数据计算得到严重冲突判别阈值,继而提取严重交通冲突发生时刻前5min的交通流数据,其具体方法为:
(1)采用无人机高空录像进行原始视频数据采集;
(2)采用MetroCount MC5600气压管式车辆分型统计系统进行交通流数据采集;
(3)采用视频处理软件George2.1提取高精度的车辆行驶轨迹数据,包括时间、位置坐标、速度、加速度,根据轨迹数据自动提取交通冲突指标TTC,继而确定山区双车道公路严重冲突TTC上限阈值,当TTC小于2.3s时为严重冲突;以严重冲突发生概率表征山区双车道公路冲突可能性,提取交通冲突发生时刻前5min的交通流数据、道路线形数据以及行车环境数据。
3.根据权利要求1所述的山区双车道公路隐患路段交通冲突风险动态评估方法,其特征在于,步骤(1)中,选取的山区双车道公路交通冲突风险动态可能性评估指标为:TTC、路段平均车头时距、路段平均车头间距、货车混入率、摩托车混入率、进弯断面流量、冲突位置平均速度;
选取的冲突严重度评价指标为:TTC、车速变异系数、路段交通流密度、大型车混入率、非机动车混入率、路段平均车头时距、平曲线曲率、纵坡坡度、是否有接入口。
4.根据权利要求1所述的山区双车道公路隐患路段交通冲突风险动态评估方法,其特征在于,步骤(2)中,基于二元logit回归模型的冲突风险可能性评估模型为:
其中:P(yi=严重冲突|xi)为第i起交通冲突为严重冲突的概率,Ci表示第i起交通冲突前5min路段平均车头时距;Di表示第i起交通冲突前5min路段平均车头间距;Ei表示第i起交通冲突前5min货车混入率;Fi表示第i起交通冲突前5min摩托车混入率;Gi表示第i起交通冲突前5min进弯断面流量;Hi表示第i起交通冲突前5min冲突位置平均速度;β1,β2,β3,β4,β5,β6分别为路段平均车头时距、路段平均车头间距、货车混入率、摩托车混入率、进弯断面流量、冲突位置平均速度6个指标所对应的回归系数。
5.根据权利要求1所述的山区双车道公路隐患路段交通冲突风险动态评估方法,其特征在于,步骤(2)中,基于模糊综合评价的冲突严重度评估模型为:首先采用主客观相结合的层次分析法-熵权法确定指标权重,然后运用K-means聚类分析方法确定山区双车道公路隐患路段交通冲突严重度指标与评价等级的对应准则,再基于隶属度函数确定模糊关系矩阵R,最终将权重向量W与模糊关系矩阵R进行合成,得到某起交通冲突严重度的模糊综合评价结果向量B,根据最大隶属度原则确定冲突严重度等级。
6.根据权利要求5所述的山区双车道公路隐患路段交通冲突风险动态评估方法,其特征在于,基于模糊综合评价的冲突严重度评估模型具体的构建方法为:
(1)采用主客观相结合的层次分析法-熵权法确定指标权重:先分别运用熵权法和层次分析法确定指标权重,然后将熵权法确定的权重与层次分析法确定的权重按式(2)进行组合计算,得到较为合理的权重系数Wj;
Wj=ρωj+(1-ρ)θj (2)
(2)运用K-means聚类分析方法确定指标与评价等级的对应准则:运用K-means聚类分析方法,对冲突发生5min内交通流状况进行聚类分析,确定冲突严重度指标体系中车速变异系数、交通流密度、路段平均车头时距、大型车混入率、非机动车混入率5个交通流特征指标的评价等级阈值;再结合交通运输部发布的《公路项目安全性评价规范》(JTG B05-2015)关于公路分析单元划分原则,最终确定平曲线曲率、纵坡坡度、是否有接入口等指标与评价等级的对应关系;
(3)基于隶属度函数确定模糊关系矩阵R:由j个评价指标的评价向量构成的模糊关系矩阵记为:
式中,r为相应指标对应风险等级的隶属度值;
(4)确定冲突严重度等级:将权重向量W与隶属度矩阵R进行合成,得到某交通冲突严重度的模糊综合评价结果向量B,即:
式中,r为相应指标对应风险等级的隶属度值,wj为熵权法确定的第j个指标的权重;
根据模糊模型识别的最大隶属度原则,即bj=max{bj:1≤j≤5},模糊综合评价的结果相对隶属于bj。
7.根据权利要求6所述的山区双车道公路隐患路段交通冲突风险动态评估方法,其特征在于,ρ为0.5。
8.根据权利要求1所述的山区双车道公路隐患路段交通冲突风险动态评估方法,其特征在于,步骤(3)的具体方法为:
将严重交通冲突发生的可能性划分为5级,分别表示为:
①当严重交通冲突发生概率在(0,0.010]时,则表明严重冲突发生的可能性等级为“小”用“1”表示;
②当严重交通冲突发生概率在(0.010,0.040],则表明严重冲突发生的可能性等级为“中等”用“2”表示;
③当严重交通冲突发生概率在(0.00,0.200],则表明严重冲突发生的可能性等级为“稍大”用“3”表示;
④当严重交通冲突发生概率在(0.200,0.500],则表明严重冲突发生的可能性等级为“大”用“4”表示;
⑤当严重交通冲突发生概率在(0.500,1.000],则表明严重冲突发生的可能性等级为“很大”用“5”表示;
将山区双车道公路冲突严重度等级分为以下五类:
①轻微冲突:整个隐患路段内车辆之间存在交通冲突,但冲突轻微,各自都能安全驶过,事故极少发生,用数字“1”表示;
②较轻微冲突:整个隐患路段内数个车辆之间存在交通冲突,但冲突程度较轻微,各自都能安全驶过,事故很少发生,用数字“2”表示;
③一般冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度一般,车辆之间都能及时避让,事故偶尔发生,用数字“3”表示;
④较严重冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度有轻微也有严重的,但整体都能及时避让,事故偶尔发生,用数字“4”表示;
⑤严重冲突:整个隐患路段内存在多个车辆之间的冲突,冲突的程度比较严重,驾驶人员面临较大的环境压力,属于事故多发路段,用数字“5”表示;
最后,根据确定的冲突可能性等级及冲突严重度等级,建立综合评价矩阵,确定交通冲突最终风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402478.9A CN112508392B (zh) | 2020-12-02 | 2020-12-02 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402478.9A CN112508392B (zh) | 2020-12-02 | 2020-12-02 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508392A true CN112508392A (zh) | 2021-03-16 |
CN112508392B CN112508392B (zh) | 2021-11-02 |
Family
ID=74968386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011402478.9A Active CN112508392B (zh) | 2020-12-02 | 2020-12-02 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508392B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095387A (zh) * | 2021-04-01 | 2021-07-09 | 武汉理工大学 | 基于联网车载adas的道路风险识别方法 |
CN113095584A (zh) * | 2021-04-23 | 2021-07-09 | 中南大学 | 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质 |
CN113128847A (zh) * | 2021-03-30 | 2021-07-16 | 同济大学 | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 |
CN113192331A (zh) * | 2021-04-26 | 2021-07-30 | 吉林大学 | 一种网联环境下面向骑行安全的智能预警系统及预警方法 |
CN113570852A (zh) * | 2021-06-17 | 2021-10-29 | 长安大学 | 基于安全替代评价指标的高风险路段风险防控手段评估 |
CN113592221A (zh) * | 2021-06-17 | 2021-11-02 | 长安大学 | 基于安全替代评价指标的道路路段风险动态评估方法 |
CN113942526A (zh) * | 2021-11-23 | 2022-01-18 | 同济大学 | 一种基于可接受风险的自动驾驶超车轨迹规划方法 |
CN114299754A (zh) * | 2021-12-14 | 2022-04-08 | 安徽理工大学 | 一种交叉口机非冲突安全预警方法 |
CN114566051A (zh) * | 2022-03-18 | 2022-05-31 | 武汉理工大学 | 基于logistic模型的高速公路转换区严重冲突识别方法 |
CN114613127A (zh) * | 2022-02-10 | 2022-06-10 | 江苏大学 | 一种基于多层面多维度指标体系的行车风险预测方法 |
CN114926984A (zh) * | 2022-05-17 | 2022-08-19 | 华南理工大学 | 一种实时交通冲突收集与道路安全评价方法 |
CN115063970A (zh) * | 2022-04-24 | 2022-09-16 | 长安大学 | 一种隧道与互通出入口小净距路段行车风险评价方法 |
CN115148026A (zh) * | 2022-06-28 | 2022-10-04 | 云控智行(上海)汽车科技有限公司 | 一种数据驱动的交通安全风险评估与可变限速管控算法及系统 |
CN115359663A (zh) * | 2022-10-21 | 2022-11-18 | 四川省公路规划勘察设计研究院有限公司 | 山区公路灾害路段抗灾韧性计算方法、装置以及电子设备 |
CN115497293A (zh) * | 2022-09-21 | 2022-12-20 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
CN115795083A (zh) * | 2022-11-17 | 2023-03-14 | 北京百度网讯科技有限公司 | 确定道路设施完备性的方法、装置、电子设备和介质 |
CN116189477A (zh) * | 2023-02-17 | 2023-05-30 | 东南大学 | 一种智能网联汽车数据异常环境的安全控制方法及设备 |
CN116485284A (zh) * | 2023-06-21 | 2023-07-25 | 南京地铁运营咨询科技发展有限公司 | 轨道交通综合联调评估系统及方法 |
CN116957345A (zh) * | 2023-09-21 | 2023-10-27 | 上海伯镭智能科技有限公司 | 用于无人驾驶系统中的数据处理方法 |
CN116978233A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向事故多发区的主动可变限速方法 |
CN117809458A (zh) * | 2024-03-01 | 2024-04-02 | 山东大学 | 一种交通事故风险实时评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875747A (zh) * | 2017-02-28 | 2017-06-20 | 同济大学 | 一种基于高精度定位和车车协同的实时交通冲突预警方法 |
US20170364821A1 (en) * | 2016-06-21 | 2017-12-21 | Tata Consultancy Services Limited | Method and system for analyzing driver behaviour based on telematics data |
CN107909247A (zh) * | 2017-10-26 | 2018-04-13 | 东南大学 | 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法 |
CN108960636A (zh) * | 2018-07-08 | 2018-12-07 | 江苏金海星导航科技有限公司 | 一种基于物元模型的货车交叉口运行安全评价方法 |
CN110782125A (zh) * | 2019-09-23 | 2020-02-11 | 同济大学 | 一种面向自动驾驶汽车的道路安全风险度评估方法 |
CN111582368A (zh) * | 2020-05-07 | 2020-08-25 | 中南大学 | 基于事故统计数据的乘用车辆安全性能综合评价方法 |
CN111785023A (zh) * | 2020-07-14 | 2020-10-16 | 山东派蒙机电技术有限公司 | 一种车辆碰撞风险预警方法及系统 |
-
2020
- 2020-12-02 CN CN202011402478.9A patent/CN112508392B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364821A1 (en) * | 2016-06-21 | 2017-12-21 | Tata Consultancy Services Limited | Method and system for analyzing driver behaviour based on telematics data |
CN106875747A (zh) * | 2017-02-28 | 2017-06-20 | 同济大学 | 一种基于高精度定位和车车协同的实时交通冲突预警方法 |
CN107909247A (zh) * | 2017-10-26 | 2018-04-13 | 东南大学 | 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法 |
CN108960636A (zh) * | 2018-07-08 | 2018-12-07 | 江苏金海星导航科技有限公司 | 一种基于物元模型的货车交叉口运行安全评价方法 |
CN110782125A (zh) * | 2019-09-23 | 2020-02-11 | 同济大学 | 一种面向自动驾驶汽车的道路安全风险度评估方法 |
CN111582368A (zh) * | 2020-05-07 | 2020-08-25 | 中南大学 | 基于事故统计数据的乘用车辆安全性能综合评价方法 |
CN111785023A (zh) * | 2020-07-14 | 2020-10-16 | 山东派蒙机电技术有限公司 | 一种车辆碰撞风险预警方法及系统 |
Non-Patent Citations (4)
Title |
---|
ELKE H ETAL.: "Road safety risk evaluation by means of ordered weighted averaging operators and expert knowledge", 《KNOWLEDGE- BASED SYSTEMS》 * |
戢晓峰 等: "基于轨迹数据的山区危险性弯道路段交通事故风险动态预测", 《中国公路学报》 * |
李林超: "高速公路隧道出入口段交通安全分析与改善措施", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
褚端峰 等: "基于Logistic 回归的高速公路车-车碰撞事故深度分析", 《中国安全科学学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128847A (zh) * | 2021-03-30 | 2021-07-16 | 同济大学 | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 |
CN113095387A (zh) * | 2021-04-01 | 2021-07-09 | 武汉理工大学 | 基于联网车载adas的道路风险识别方法 |
CN113095387B (zh) * | 2021-04-01 | 2024-02-27 | 武汉理工大学 | 基于联网车载adas的道路风险识别方法 |
CN113095584A (zh) * | 2021-04-23 | 2021-07-09 | 中南大学 | 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质 |
CN113095584B (zh) * | 2021-04-23 | 2023-08-15 | 中南大学 | 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质 |
CN113192331A (zh) * | 2021-04-26 | 2021-07-30 | 吉林大学 | 一种网联环境下面向骑行安全的智能预警系统及预警方法 |
CN113192331B (zh) * | 2021-04-26 | 2022-04-15 | 吉林大学 | 一种网联环境下面向骑行安全的智能预警系统及预警方法 |
CN113592221B (zh) * | 2021-06-17 | 2023-10-17 | 长安大学 | 基于安全替代评价指标的道路路段风险动态评估方法 |
CN113570852A (zh) * | 2021-06-17 | 2021-10-29 | 长安大学 | 基于安全替代评价指标的高风险路段风险防控手段评估 |
CN113592221A (zh) * | 2021-06-17 | 2021-11-02 | 长安大学 | 基于安全替代评价指标的道路路段风险动态评估方法 |
CN113942526A (zh) * | 2021-11-23 | 2022-01-18 | 同济大学 | 一种基于可接受风险的自动驾驶超车轨迹规划方法 |
CN113942526B (zh) * | 2021-11-23 | 2023-11-03 | 同济大学 | 一种基于可接受风险的自动驾驶超车轨迹规划方法 |
CN114299754A (zh) * | 2021-12-14 | 2022-04-08 | 安徽理工大学 | 一种交叉口机非冲突安全预警方法 |
CN114613127A (zh) * | 2022-02-10 | 2022-06-10 | 江苏大学 | 一种基于多层面多维度指标体系的行车风险预测方法 |
CN114613127B (zh) * | 2022-02-10 | 2023-04-07 | 江苏大学 | 一种基于多层面多维度指标体系的行车风险预测方法 |
CN114566051A (zh) * | 2022-03-18 | 2022-05-31 | 武汉理工大学 | 基于logistic模型的高速公路转换区严重冲突识别方法 |
CN115063970A (zh) * | 2022-04-24 | 2022-09-16 | 长安大学 | 一种隧道与互通出入口小净距路段行车风险评价方法 |
CN114926984A (zh) * | 2022-05-17 | 2022-08-19 | 华南理工大学 | 一种实时交通冲突收集与道路安全评价方法 |
CN115148026A (zh) * | 2022-06-28 | 2022-10-04 | 云控智行(上海)汽车科技有限公司 | 一种数据驱动的交通安全风险评估与可变限速管控算法及系统 |
CN115497293A (zh) * | 2022-09-21 | 2022-12-20 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
CN115497293B (zh) * | 2022-09-21 | 2024-05-14 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
CN115359663A (zh) * | 2022-10-21 | 2022-11-18 | 四川省公路规划勘察设计研究院有限公司 | 山区公路灾害路段抗灾韧性计算方法、装置以及电子设备 |
CN115795083A (zh) * | 2022-11-17 | 2023-03-14 | 北京百度网讯科技有限公司 | 确定道路设施完备性的方法、装置、电子设备和介质 |
CN115795083B (zh) * | 2022-11-17 | 2024-01-05 | 北京百度网讯科技有限公司 | 确定道路设施完备性的方法、装置、电子设备和介质 |
CN116189477B (zh) * | 2023-02-17 | 2023-11-21 | 东南大学 | 一种智能网联汽车数据异常环境的安全控制方法及设备 |
CN116189477A (zh) * | 2023-02-17 | 2023-05-30 | 东南大学 | 一种智能网联汽车数据异常环境的安全控制方法及设备 |
CN116485284B (zh) * | 2023-06-21 | 2023-09-15 | 南京地铁运营咨询科技发展有限公司 | 轨道交通综合联调评估系统及方法 |
CN116485284A (zh) * | 2023-06-21 | 2023-07-25 | 南京地铁运营咨询科技发展有限公司 | 轨道交通综合联调评估系统及方法 |
CN116957345A (zh) * | 2023-09-21 | 2023-10-27 | 上海伯镭智能科技有限公司 | 用于无人驾驶系统中的数据处理方法 |
CN116957345B (zh) * | 2023-09-21 | 2023-12-08 | 上海伯镭智能科技有限公司 | 用于无人驾驶系统中的数据处理方法 |
CN116978233A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向事故多发区的主动可变限速方法 |
CN116978233B (zh) * | 2023-09-22 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向事故多发区的主动可变限速方法 |
CN117809458A (zh) * | 2024-03-01 | 2024-04-02 | 山东大学 | 一种交通事故风险实时评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112508392B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
Ma et al. | Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry | |
CN111462488B (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
US20220196459A1 (en) | Real-time vehicle overload detection method based on convolutional neural network | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN110544373B (zh) | 一种基于北斗车联网的货车预警信息提取与风险识别方法 | |
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 | |
CN108769104B (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
CN111401414B (zh) | 一种基于自然驾驶数据的危险场景提取及分类方法 | |
Zhou et al. | Comparing factors affecting injury severity of passenger car and truck drivers | |
CN113232669B (zh) | 一种基于机器学习的驾驶风格辨识方法 | |
CN113033899B (zh) | 无人驾驶邻近车辆轨迹预测方法 | |
Zhang et al. | A proactive crash risk prediction framework for lane-changing behavior incorporating individual driving styles | |
CN110562261A (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
Ma et al. | Driving style estimation by fusing multiple driving behaviors: a case study of freeway in China | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
CN109147320B (zh) | 一种基于卡口数据的路段交通状态判别方法 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
Sumi et al. | Frame level difference (FLD) features to detect partially occluded pedestrian for ADAS | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data | |
CN113591780A (zh) | 一种驾驶员行车风险鉴定方法及系统 | |
Gong | The road traffic safety risk projection based on improved random forest. |
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 |