CN112562337A - 一种基于深度学习的高速公路实时交通事故风险评估方法 - Google Patents
一种基于深度学习的高速公路实时交通事故风险评估方法 Download PDFInfo
- Publication number
- CN112562337A CN112562337A CN202011455350.9A CN202011455350A CN112562337A CN 112562337 A CN112562337 A CN 112562337A CN 202011455350 A CN202011455350 A CN 202011455350A CN 112562337 A CN112562337 A CN 112562337A
- Authority
- CN
- China
- Prior art keywords
- accident
- road
- road section
- traffic
- time
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012502 risk assessment Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于深度学习的高速公路实时交通事故风险评估方法,该方法首先使用ETC门架、高速互通、收费站的基础信息,为高速公路划分路段,并建立路段间的上下游关联关系;并分别计算各路段的车流量、车流速度与车流密度,获取道路信息、气象信息和事故信息,并将其转换为独热编码,然后对事故发生点的上下游路段对应的四类信息进行数据融合、数据重采样和标准化;再根据获取的数据,区分其中的时序特征和非时序特征,构建并训练深度学习模型;最后根据训练好的深度学习模型,对高速公路各路段发生交通事故的风险水平进行实时评估,计算获得事故风险水平指标。本发明可及时准确地对高速公路交通事故风险水平进行评估。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种基于深度学习的高速公路实时交通事故风险评估方法。
背景技术
高速公路作为连接重要城市和地区的骨干公路,在公路运输中发挥着不可替代的重要作用。交通事故是高速公路中导致道路拥堵,降低道路通行效率与安全性的根本原因,如何降低交通事故数是全球高速公路管理者面临的重大安全挑战。实时快速评估各道路的交通事故风险可以帮助预防交通事故的发生,提升道路安全水平,提高道路通行效率。当前,高速公路事故风险评估通常使用人工评估。然而,使用人工评估无法做到对不同路段的实时评估,人工评估存在时延较长与部分路段漏报现象。
目前,随着交通检测和信息技术的快速发展,ETC门架与高清视频卡口的全面覆盖,实时、准确、大量的交通流、天气以及事故数据越来越容易采集和获取。近年来,深度学习的快速发展也提供了拟合能力更强、准确性更高的模型。因此,使用包含道路信息、交通流、天气及历史事故数据,利用深度学习进行高速公路交通事故风险评估能够满足准确性和实时性的需求。本发明提出一种基于深度学习的高速公路实时交通事故风险评估方法,解决快速准确地评估高速公路事故风险水平的问题。
发明内容
针对高速公路的特点以及现有技术的不足,本发明提出一种基于深度学习的高速公路实时交通事故风险评估方法,旨在解决现有技术中高速公路交通事故风险评估一般通过人工评估,评估结果不及时、不准确,而且不能实现全路段实时交通事故风险评估的技术问题。
一种基于深度学习的高速公路实时交通事故风险评估方法,该方法具体包括如下步骤:
S1:根据高速公路中的ETC门架、高速互通、收费站,将高速公路划分为L个路段,并建立路段间的上下游关联关系;
S2:根据S1划分的路段,分别计算或者获取如下四类信息:
(1)获取高速公路上ETC门架与收费站的车辆通行数据,包括ETC门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间,并计算得到各路段的车流量、车流速度与车流密度;
(2)根据高速公路拓扑信息获取各路段的道路信息,包括路段类型、限速信息,并转化为独热编码;
(3)获取高速公路各路段的气象信息,包括天气类型、可见程度、湿度等级,并转化为独热编码;
(4)获取各路段历史发生的事故信息,包括事故等级、发生时间、发生地点,并将事故等级转化为独热编码;
S3:对事故发生点的上下游路段对应的四类信息进行数据融合、数据重采样和标准化;
S4:根据S3获得的数据,区分其中的时序特征和非时序特征,构建并训练深度学习模型;
S5:根据S4训练好的深度学习模型,对高速公路各路段发生交通事故的风险水平进行实时评估,计算获得事故风险水平指标。
进一步地,所述的S1具体通过以下步骤来实现:
对于高速公路中的ETC门架集合V,其中的ETC门架uv∈V,若对于两个ETC门架uα与uβ,车量可以从uα出发到达uβ且不经过其他门架,则构成一个路段(uα,uβ)∈A,若路段中包含高速互通,则路段为(uα,uβ,cαβ)∈A,cαβ表示uα与uβ之间的高速互通;若路段中包含收费站,则路段为(uα,uβ,sαβ)∈A,sαβ表示uα与uβ之间的收费站;其中A为路段的集合,最终构成有向图D=(V,A)。
进一步地,所述的S2中的各路段的车流量、车流速度与车流密度计算方式如下:
获取高速公路上ETC门架与收费站的车辆通行数据,包括门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间,设定时间窗口t以及步长a,t≥a,获取路段距离d(uα,uβ),车道数为L(uα,uβ),每经过一个步长,对路段的车流量、车速、车流密度进行一次计算:
车速计算如下:
车流量与车流密度计算如下:
若路段间不包含高速互通及收费站,则计算t时间窗口内经过uα但不经过uβ的车辆数qt,令车流量q=qt,令车流密度k=q/L(uα,uβ);
若路段间包含高速互通,则计算t*10时间段内经过uα的车辆数qα,以及同时经过uα,uβ的车辆数qα,β;再计算t时间窗口内经过uα但不经过以uα为起点的其他路段的车辆数qt,令车流量令车流密度k=q/L(uα,uβ);
若路段间包含收费站,则计算t*10时间段内经过收费站sαβ的车辆数qs,以及同时经过sαβ、uβ的车辆数qs,β;再计算t时间窗口内经过uα但不经过以uβ以及sαβ的车辆数qt,以及经过sαβ但不经过包含sαβ的所有路段中其他节点的车辆数qe,令车流量令车流密度k=q/L(uα,uβ)。
进一步地,所述的S3具体通过以下子步骤来实现:
S3.1:根据S1,获取事故发生点的上游n个路段、下游m个路段在事故发生前i个步长的车流量、车速和密度,记为:
S3.2:根据S2,获取事故发生点上游n个路段、下游m个路段在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码并整合,记为:
其中,Cj表示路段j在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码,其他依次类推,并将所有路段数据组合成为一个向量C;
S3.3:融合向量S和向量C作为特征,以该路段发生事故的数据为正样本,未发生事故的数据为负样本,构建融合数据集;
S3.4:利用随机过采样,将所述的融合数据集作为总样本,从M个总样本中,随机的复制、重复正样本,最终取出N个样本,使得正样本和负样本的个数相同;
S3.5:对样本中的向量S的部分按如下公式进行标准化,得到均值为0,方差为1的数据
xnorm=(x-μ)/σ
其中,μ为均值,σ为方差。
进一步地,所述的S4具体通过以下子步骤来实现:
S4.1:将S3中的特征区分为时序特征和非时序特征,时序特征为S3.5中标准化后的向量S,非时序特征为S3.2中的向量C;
S4.2:分别构建基于GRU的时序模块、全连接模块FC1、全连接模块FC2,设计模型损失函数为L2损失函数,优化器为Adam优化器;
所述的基于GRU的时序模块包括两层GRU模型,输入维度为H1,输出维度为O1,且该模块的输入为数据集中的向量S部分;
所述的全连接模块FC1包含2个全连接层,输入维度为H2,输出维度为O1,该模块的输入为数据集中的向量C部分;
所述的全连接模块FC2的模型层数为4层,隐藏层个数为2层,输入维度为2*O1,输出维度为2;所述的基于GRU的时序模块和全连接模块FC1的输出的向量合并后作为所述的全连接模块FC2的输入;
S4.3:将S4.1中的时序特征输入基于GRU的时序模块,非时序特征输入全连接模块FC1,并训练深度学习模型使得损失函数最小,反复迭代直至模型收敛。
进一步地,所述的S5具体通过以下子步骤来实现:
S5.1:实时获取高速公路各个路段的车流量、车流速度、车流密度、天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级,构建各路段的数据向量D;
S5.2:将向量D输入S4中训练好的深度学习模型,并获得不同路段发生事故的概率p(uα,uβ),p(uα,uβ)∈[0,1],(uα,uβ)∈A;
当p(uα,uβ)∈[0,Thlow)时,定义风险程度为低风险,风险等级为零级;
当p(uα,uβ)∈[Thlow,Thmedian)时,定义风险程度为中风险,风险等级为一级;
当p(uα,uβ)∈[Thmedian,Thhigh)时,定义风险程度为高风险,风险等级为二级;
当p(uα,uβ)∈[Thhigh,1]时,定义风险程度为极高风险,风险等级为三级;
其中,Thlow∈[0,1],Thmedian∈[0,1],Thhigh∈[0,1],Thlow≤Thmedian≤Thhigh。
本发明的有益效果如下:
本发明的方法基于现有的高速公路道路拓扑数据、交通流数据、天气数据以及高速公路事故数据,无需安装新的设备,构建深度学习模型,实现及时准确地对高速公路事故风险水平进行评估,为道路安全管控、交通事故预防提供新的支撑手段,有效地提升道路安全水平和通行效率。
附图说明
图1为本发明方法的总体流程图。
图2为本发明涉及的道路路段分布示意图。
图3为本发明涉及的神经网络模型示意图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的基于深度学习的高速公路实时交通事故风险评估方法,包括如下步骤:
S1:根据高速公路中的ETC门架、高速互通、收费站,将其划分为L个路段,并建立路段间的上下游关联关系;
S2:根据S1所划分的路段,分别计算或者获取如下四类信息:
(1)获取高速公路上ETC门架与收费站的车辆通行数据,包括门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间,设定时间窗口t以及步长a,t≥a,获取路段距离d(uα,uβ),车道数为L(uα,uβ),每经过一个步长,对路段的车流量,车速,车流密度进行一次计算:
车速计算如下:
令车流量与车流密度计算如下:
若路段间不包含高速互通及收费站,则计算t时间窗口内经过uα但不经过uβ的车辆数qt,令车流量q=qt,令车流密度k=q/L(uα,uβ);
若路段间包含高速互通,则计算t*10时间段内经过uα的车辆数qα,以及同时经过uα,uβ的车辆数qα,β;再计算t时间窗口内经过vα但不经过以vα为起点的其他路段的车辆数qt,令车流量令车流密度k=q/L(uα,uβ);
若路段间包含收费站,则计算t*10时间段内经过收费站sαβ的车辆数qs,以及同时经过sαβ,uβ的车辆数qs,β;再计算t时间窗口内经过uα但不经过以vβ以及sαβ的车辆数qt,以及经过sαβ但不经过包含sαβ的所有路段中其他节点的车辆数qe,令车流量令车流密度k=q/L(uα,uβ);
(2)根据高速公路拓扑信息获取道路信息,包括路段类型、限速信息,并转化为独热编码(one-hot);所述的高速公路拓扑信息中,包含A种不同的路段类型、B种不同的限速类型,则将某路段的路段类型和限速类型分别转化为长度为A和B的独热编码,即,只有一位是1,其余都是零值。然后将两个独热编码合并为长度为A+B的向量。
以图2作为一个实施例,发生事故的区域,路段类型为A3,限速类型为B5,则转化后的独热编码分别为
[0,0,1,0,…,0],长度为A;
[0,0,0,0,1,0,…,0],长度为B;
合并后的向量为[0,0,1,0,…,0,0,0,0,0,1,0,…,0],长度为A+B;
(3)获取高速公路气象信息,包括天气类型、可见程度、湿度等级,并转化为独热编码(one-hot);所述的高速公路气象信息中,包含A种不同的天气类型、B种不同的可见程度以及C种不同的湿度等级,则将某路段的天气类型、可见长度和湿度分别转化为长度为A、B和C的独热编码,即,只有一位是1,其余都是零值。然后将两个独热编码合并为长度为A+B+C的向量。
以图2作为一个实施例,发生事故的区域,天气类型为A1,可见程度为B3,湿度等级为C2,则转化后的独热编码分别为
[1,0,0,…,0],长度为A;
[0,0,1,0,…,0],长度为B;
[0,1,0,0,…,0],长度为C;
合并后的向量为[1,0,0,…,0,0,1,0,…,0,1,0,0,…,0],长度为A+B+C。
(4)获取历史发生的事故信息,包括事故等级,发生时间,发生地点等信息,并将事故等级转化为独热编码(one-hot);所述的历史发生的事故信息中,包含A种不同的事故等级(包含无事故)、将某路段的事故等级分别转化为长度为A的独热编码,即,只有一位是1,其余都是零值。
以图2作为一个实施例,发生事故的区域,事故等级为A2,则转化后的独热编码分别为[0,1,0,0,…,0],长度为A。
S3:对事故发生点的上下游路段对应的四类信息进行数据融合、数据重采样和标准化;具体通过如下的子步骤来实现:
S3.1:根据S2,获取事故发生点的上游n个路段、下游m个路段在事故发生前i个步长的车流量、车流速度和车流密度,记为:
S3.2:根据S2,获取事故发生点上游n个路段、下游m个路段在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码并整合,记为:
其中,Cj表示路段j在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码,其他依次类推,并将所有路段数据组合成为一个向量C;
S3.3:融合向量S和向量C作为特征,以该路段发生事故的数据为正样本,未发生事故的数据为负样本,构建融合数据集;
S3.4:利用随机过采样,将所述的融合数据集作为总样本,从M个总样本中,随机的复制、重复正样本,最终取出N个样本,使得正样本和负样本的个数相同;
S3.5:对样本中的向量S的部分按如下公式进行标准化,得到均值为0,方差为1的数据
xnorm=(x-μ)/σ
其中,μ为均值,σ为方差。
S4:根据S3获得的数据,区分其中的时序特征和非时序特征,构建并训练深度学习模型;具体如下:
S4.1:将S3中的特征区分为时序特征和非时序特征,时序特征为S3.5中标准化后的向量S,非时序特征为S3.2中的向量C
S4.2:分别构建基于GRU的时序模块、全连接模块FC1、全连接模块FC2,设计模型损失函数为L2损失函数,优化器为Adam优化器;如图3所示。
所述的基于GRU的时序模块包括两层GRU模型,输入维度为H1,输出维度为128,且该模块的输入为数据集中的向量S部分;
所述的全连接模块FC1包含2个全连接层,输入维度为H2,输出维度为128,该模块的输入为数据集中的向量C部分;
所述的全连接模块FC2的模型层数为4层,隐藏层个数为2层,输入维度为256,输出维度为2;所述的基于GRU的时序模块和全连接模块FC1的输出的向量合并后作为所述的全连接模块FC2的输入;
S4.3:训练深度学习模型使得损失函数最小,反复迭代直至模型收敛。
S5:根据S4训练好的深度学习模型,对高速公路各路段发生交通事故的风险水平进行实时评估,计算获得事故风险水平指标。具体通过以下子步骤来实现:
S5.1:实时获取高速公路各个路段的车流量、车流速度、车流密度、天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级,构建各路段的数据向量D;
S5.2:将向量D输入S3中训练好的深度学习模型,并获得不同路段发生事故的概率p(uα,uβ),p(uα,uβ)∈[0,1],(uα,uβ)∈A;
当p(uα,uβ)∈[0,Thlow)时,定义风险程度为低风险,风险等级为零级;
当p(uα,uβ)∈[Thlow,Thmedian)时,定义风险程度为中风险,风险等级为一级;
当p(uα,uβ)∈[Thmedian,Thhigh)时,定义风险程度为高风险,风险等级为二级;
当p(uα,uβ)∈[Thhigh,1]时,定义风险程度为极高风险,风险等级为三级;
其中,Thlow∈[0,1],Thmedian∈[0,1],Thhigh∈[0,1],Thlow≤Thmedian≤Thhigh。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (6)
1.一种基于深度学习的高速公路实时交通事故风险评估方法,其特征在于,该方法具体包括如下步骤:
S1:根据高速公路中的ETC门架、高速互通、收费站,将高速公路划分为L个路段,并建立路段间的上下游关联关系。
S2:根据S1划分的路段,分别计算或者获取如下四类信息:
(1)获取高速公路上ETC门架与收费站的车辆通行数据,包括ETC门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间,并计算得到各路段的车流量、车流速度与车流密度;
(2)根据高速公路拓扑信息获取各路段的道路信息,包括路段类型、限速信息,并转化为独热编码;
(3)获取高速公路各路段的气象信息,包括天气类型、可见程度、湿度等级,并转化为独热编码;
(4)获取各路段历史发生的事故信息,包括事故等级、发生时间、发生地点,并将事故等级转化为独热编码;
S3:对事故发生点的上下游路段对应的四类信息进行数据融合、数据重采样和标准化;
S4:根据S3获得的数据,区分其中的时序特征和非时序特征,构建并训练深度学习模型;
S5:根据S4训练好的深度学习模型,对高速公路各路段发生交通事故的风险水平进行实时评估,计算获得事故风险水平指标。
2.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法,其特征在于,所述的S1具体通过以下步骤来实现:
对于高速公路中的ETC门架集合V,其中的ETC门架uv∈V,若对于两个ETC门架uα与uβ,车量可以从uα出发到达uβ且不经过其他门架,则构成一个路段(uα,uβ)∈A,若路段中包含高速互通,则路段为(uα,uβ,cαβ)∈A,cαβ表示uα与uβ之间的高速互通;若路段中包含收费站,则路段为(uα,uβ,sαβ)∈A,sαβ表示uα与uβ之间的收费站;其中A为路段的集合,最终构成有向图D=(V,A)。
3.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法,其特征在于,所述的S2中的各路段的车流量、车流速度与车流密度计算方式如下:
获取高速公路上ETC门架与收费站的车辆通行数据,包括门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间,设定时间窗口t以及步长a,t≥a,获取路段距离d(uα,uβ),车道数为L(uα,uβ),每经过一个步长,对路段的车流量、车速、车流密度进行一次计算:
车速计算如下:
车流量与车流密度计算如下:
若路段间不包含高速互通及收费站,则计算t时间窗口内经过uα但不经过uβ的车辆数qt,令车流量q=qt,令车流密度k=q/L(uα,uβ);
若路段间包含高速互通,则计算t*10时间段内经过uα的车辆数qα,以及同时经过uα,uβ的车辆数qα,β;再计算t时间窗口内经过uα但不经过以uα为起点的其他路段的车辆数qt,令车流量令车流密度k=q/L(uα,uβ);
4.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法,其特征在于,所述的S3具体通过以下子步骤来实现:
S3.1:根据S1,获取事故发生点的上游n个路段、下游m个路段在事故发生前i个步长的车流量、车速和密度,记为:
其中,分别表示路段j在事故发生前第i个步长的车流量、车流速度与车流密度,j∈{U1,...,Un,D1,...,Dn},其他依次类推,并将所有数据组成为一个向量Si,并令向量S=[S1,S2,...];
S3.2:根据S2,获取事故发生点上游n个路段、下游m个路段在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码并整合,记为:
其中,Cj表示路段j在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码,其他依次类推,并将所有路段数据组合成为一个向量C;
S3.3:融合向量S和向量C作为特征,以该路段发生事故的数据为正样本,未发生事故的数据为负样本,构建融合数据集;
S3.4:利用随机过采样,将所述的融合数据集作为总样本,从M个总样本中,随机的复制、重复正样本,最终取出N个样本,使得正样本和负样本的个数相同;
S3.5:对样本中的向量S的部分按如下公式进行标准化,得到均值为0,方差为1的数据
xnorm=(x-μ)/σ
其中,μ为均值,σ为方差。
5.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法,其特征在于,所述的S4具体通过以下子步骤来实现:
S4.1:将S3中的特征区分为时序特征和非时序特征,时序特征为S3.5中标准化后的向量S,非时序特征为S3.2中的向量C;
S4.2:分别构建基于GRU的时序模块、全连接模块FC1、全连接模块FC2,设计模型损失函数为L2损失函数,优化器为Adam优化器;
所述的基于GRU的时序模块包括两层GRU模型,输入维度为H1,输出维度为O1,且该模块的输入为数据集中的向量S部分;
所述的全连接模块FC1包含2个全连接层,输入维度为H2,输出维度为O1,该模块的输入为数据集中的向量C部分;
所述的全连接模块FC2的模型层数为4层,隐藏层个数为2层,输入维度为2*O1,输出维度为2;所述的基于GRU的时序模块和全连接模块FC1的输出的向量合并后作为所述的全连接模块FC2的输入;
S4.3:将S4.1中的时序特征输入基于GRU的时序模块,非时序特征输入全连接模块FC1,并训练深度学习模型使得损失函数最小,反复迭代直至模型收敛。
6.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法,其特征在于,所述的S5具体通过以下子步骤来实现:
S5.1:实时获取高速公路各个路段的车流量、车流速度、车流密度、天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级,构建各路段的数据向量D;
S5.2:将向量D输入S4中训练好的深度学习模型,并获得不同路段发生事故的概率p(uα,uβ),p(uα,uβ)∈[0,1],(uα,uβ)∈A;
当p(uα,uβ)∈[0,Thlow)时,定义风险程度为低风险,风险等级为零级;
当p(uα,uβ)∈[Thlow,Thmedian)时,定义风险程度为中风险,风险等级为一级;
当p(uα,uβ)∈[Thmedian,Thhigh)时,定义风险程度为高风险,风险等级为二级;
当p(uα,uβ)∈[Thhigh,1]时,定义风险程度为极高风险,风险等级为三级;
其中,Thlow∈[0,1],Thmedian∈[0,1],Thhigh∈[0,1],Thlow≤Thmedian≤Thhigh。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011455350.9A CN112562337B (zh) | 2020-12-10 | 2020-12-10 | 一种基于深度学习的高速公路实时交通事故风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011455350.9A CN112562337B (zh) | 2020-12-10 | 2020-12-10 | 一种基于深度学习的高速公路实时交通事故风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112562337A true CN112562337A (zh) | 2021-03-26 |
CN112562337B CN112562337B (zh) | 2022-05-13 |
Family
ID=75061895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011455350.9A Active CN112562337B (zh) | 2020-12-10 | 2020-12-10 | 一种基于深度学习的高速公路实时交通事故风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112562337B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283634A (zh) * | 2021-04-15 | 2021-08-20 | 招商新智科技有限公司 | 一种基于梯度提升树模型的高速公路事故预测方法及系统 |
CN113517046A (zh) * | 2021-04-15 | 2021-10-19 | 中南大学 | 一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质 |
CN114038216A (zh) * | 2021-10-08 | 2022-02-11 | 之江实验室 | 一种基于路网划分和边界流量控制的信号灯管控方法 |
CN114234995A (zh) * | 2021-12-21 | 2022-03-25 | 浙江数智交院科技股份有限公司 | 一种导航方法、装置、电子设备及存储介质 |
CN114783194A (zh) * | 2022-04-02 | 2022-07-22 | 贵州汇联通电子商务服务有限公司 | 一种基于高速龙门架获取断面流量的方法与系统 |
CN115081508A (zh) * | 2022-04-26 | 2022-09-20 | 同济大学 | 一种基于交通数字孪生的交通运行风险平行仿真系统 |
WO2022227129A1 (zh) * | 2021-04-27 | 2022-11-03 | 山东交通学院 | 一种危化品道路运输风险评估方法及系统 |
CN118038691A (zh) * | 2024-04-12 | 2024-05-14 | 广东振声科技集团有限公司 | 一种基于物联网的智能监控指挥系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198713A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 基于交通数据和天气数据的减少交通事故的车辆调控方法 |
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
CN104751642A (zh) * | 2015-03-11 | 2015-07-01 | 同济大学 | 一种高等级道路交通流运行风险实时预估方法 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及系统 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN109117987A (zh) * | 2018-07-18 | 2019-01-01 | 厦门大学 | 基于深度学习的个性化交通事故风险预测推荐方法 |
CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN110491154A (zh) * | 2019-07-23 | 2019-11-22 | 同济大学 | 基于安全风险和距离的建议车速制定方法 |
CN112037513A (zh) * | 2020-09-01 | 2020-12-04 | 清华大学 | 一种实时交通安全指数动态综合评价系统及其构建方法 |
-
2020
- 2020-12-10 CN CN202011455350.9A patent/CN112562337B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198713A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 基于交通数据和天气数据的减少交通事故的车辆调控方法 |
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
CN104751642A (zh) * | 2015-03-11 | 2015-07-01 | 同济大学 | 一种高等级道路交通流运行风险实时预估方法 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及系统 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN109117987A (zh) * | 2018-07-18 | 2019-01-01 | 厦门大学 | 基于深度学习的个性化交通事故风险预测推荐方法 |
CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN110491154A (zh) * | 2019-07-23 | 2019-11-22 | 同济大学 | 基于安全风险和距离的建议车速制定方法 |
CN112037513A (zh) * | 2020-09-01 | 2020-12-04 | 清华大学 | 一种实时交通安全指数动态综合评价系统及其构建方法 |
Non-Patent Citations (2)
Title |
---|
VORKO-JOVIĆ A 等: "Risk factors in urban road traffic accidents", 《SAFETY RES》 * |
洪皓珏: "基于多源数据挖掘技术的道路交通安全风险评估与对策研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283634A (zh) * | 2021-04-15 | 2021-08-20 | 招商新智科技有限公司 | 一种基于梯度提升树模型的高速公路事故预测方法及系统 |
CN113517046A (zh) * | 2021-04-15 | 2021-10-19 | 中南大学 | 一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质 |
CN113517046B (zh) * | 2021-04-15 | 2023-11-07 | 中南大学 | 一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质 |
CN113283634B (zh) * | 2021-04-15 | 2024-03-26 | 招商新智科技有限公司 | 一种基于梯度提升树模型的高速公路事故预测方法及系统 |
WO2022227129A1 (zh) * | 2021-04-27 | 2022-11-03 | 山东交通学院 | 一种危化品道路运输风险评估方法及系统 |
CN114038216A (zh) * | 2021-10-08 | 2022-02-11 | 之江实验室 | 一种基于路网划分和边界流量控制的信号灯管控方法 |
CN114038216B (zh) * | 2021-10-08 | 2022-12-23 | 之江实验室 | 一种基于路网划分和边界流量控制的信号灯管控方法 |
CN114234995A (zh) * | 2021-12-21 | 2022-03-25 | 浙江数智交院科技股份有限公司 | 一种导航方法、装置、电子设备及存储介质 |
CN114783194A (zh) * | 2022-04-02 | 2022-07-22 | 贵州汇联通电子商务服务有限公司 | 一种基于高速龙门架获取断面流量的方法与系统 |
CN115081508A (zh) * | 2022-04-26 | 2022-09-20 | 同济大学 | 一种基于交通数字孪生的交通运行风险平行仿真系统 |
CN115081508B (zh) * | 2022-04-26 | 2024-04-16 | 同济大学 | 一种基于交通数字孪生的交通运行风险平行仿真系统 |
CN118038691A (zh) * | 2024-04-12 | 2024-05-14 | 广东振声科技集团有限公司 | 一种基于物联网的智能监控指挥系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112562337B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112562337B (zh) | 一种基于深度学习的高速公路实时交通事故风险评估方法 | |
CN109272745B (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN102881162A (zh) | 大规模交通信息的数据处理及融合方法 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN111667204A (zh) | 自动驾驶开放测试道路环境风险度确定、分级方法及系统 | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
Kaysi et al. | Driver behavior and traffic stream interactions at unsignalized intersections | |
Vijayalakshmi et al. | Multivariate Congestion Prediction using Stacked LSTM Autoencoder based Bidirectional LSTM Model. | |
Lee | Freeway travel time forecast using artifical neural networks with cluster method | |
CN116564551B (zh) | 一种数据-知识驱动的城市轨道交通风险辨识方法 | |
CN110796301B (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 | |
CN116386020A (zh) | 多源数据融合的高速公路收费站出口流量预测方法及系统 | |
CN115796030A (zh) | 一种基于图卷积的交通流量预测方法 | |
CN105118289A (zh) | 一种交通态势评估方法 | |
CN114091772A (zh) | 基于编码器解码器的多角度融合道路交通流量预测方法 | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
Eisele et al. | Estimating the impacts of access management with micro-simulation: Lessons learned | |
Kim | Simultaneous calibration of a microscopic traffic simulation model and OD matrix | |
CN112183597A (zh) | 一种基于谱聚类的非均衡交通事故严重程度分析方法 | |
Yang et al. | Car travel time estimation near a bus stop with non-motorized vehicles | |
CN114283575B (zh) | 基于视频监控数据的信号灯交叉路口排队长度估计方法 | |
Şerban et al. | Statistical analysis using machine learning algorithms in traffic control | |
Zhao et al. | A Parking Utilization Prediction Approach Based on NARNN Model | |
Rosas et al. | Neural network delay estimation with inclusion of heavy goods vehicular data |
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 |