CN112767697B - 基于交通冲突预测的交通安全评价方法、系统及装置 - Google Patents
基于交通冲突预测的交通安全评价方法、系统及装置 Download PDFInfo
- Publication number
- CN112767697B CN112767697B CN202110068738.1A CN202110068738A CN112767697B CN 112767697 B CN112767697 B CN 112767697B CN 202110068738 A CN202110068738 A CN 202110068738A CN 112767697 B CN112767697 B CN 112767697B
- Authority
- CN
- China
- Prior art keywords
- traffic
- group
- reconstruction
- collision
- subgroup
- 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
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
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通冲突预测的交通安全评价方法、系统及装置，包括获取限定区域范围内交通道路的对应改造集合组和非改造集合组，在历史时间范围内，获得各个集合组对应的预设周期内的数据，对分组中的持续碰撞时长进行筛选，获得极值碰撞时长分布，并对获取数据、以及极值碰撞时长分布进行应用，得到构建好的交通安全评价模型，应用交通安全评价模型获得交通安全评价结果。通过本发明中对交通道路进行分组评价，降低交通安全评价结果偏差，大幅提高交通安全评价的准确性和可靠性。
Description
技术领域
本发明涉及交通安全管理领域，具体而言涉及一种基于交通冲突预测的交通安全评价方法、系统及装置。
背景技术
交通安全评价是道路交通安全管理的重要组成部分，可以直观的为交通安全改造以及改善措施提供科学的支撑，为交通安全审计提供依据，传统交通安全评价是采用交通事故数据进行评价，交通事故数据的收集需要漫长的过程，因此数据质量不稳定，得到的安全评价结果的可信度和可靠性不高，另外，利用交通事故数据进行安全评价时，交通事故已经发生，是一种被动的评价方法，不具有实时性，对于一些没有交通事故记录的新建交通设施，无法进行传统的交通安全评价；
相对比交通事故，交通冲突的发生更为普遍，并且交通冲突避险行为失败后才会导致交通事故的发生，现有交通安全评价通过观测一段时间内的交通事故的变化得到安全评价结果，但是存在一定的不足：在进行交通设施改造后，仅通过交通事故发生的数量降低或增加表明交通安全效果的提升或降低，对于安全评价结果的定性无法量化，也无法判断影响安全评价结果的因素是否与外界因素的影响有关，而随机性的交通事故的发生，采集到的信息的数据质量具有不稳定性，因此，在现有技术中，仅依靠一段时间内交通事故发生的数量，对交通安全进行评价，获得的评价结果不稳定，也缺乏精确度。
发明内容
本发明的目的在于提供一种基于交通冲突预测的交通安全评价方法、系统及装置，以解决现有技术中的问题。
为实现上述目的，本发明的第一方面提出一种基于交通冲突预测的交通安全评价方法，通过以下步骤1至步骤4构建交通冲突预测模型，以及应用交通冲突预测模型，通过以下步骤A至步骤D，对交通安全进行评价：
步骤1、在限定区域范围内随机选取预设数量条交通道路，根据各条交通道路所对应指定属性之间的相似度，对交通道路进行划分，构成各个待评价组，并分别针对各个待评价组，根据交通道路是否进行过预设交通改造措施，对待评价组中的各条交通道路进行划分，构成该待评价组中的改造子组和非改造子组，进而，分别来自各待评价组的改造子组构成改造集合组，以及分别来自各待评价组的非改造子组组成非改造集合组，随后进入步骤2；
步骤2、在历史时间范围内，分别获得改造子组和非改造子组中各条交通道路对应的预设周期内的数据，所述数据包括交通冲突发生的次数、以及每次交通冲突发生时交通冲突的持续碰撞时长，随后进入步骤3；
步骤3、分别针对各个改造子组和非改造子组，通过预设持续碰撞阈值与各次交通冲突的持续碰撞时长进行比较筛选，筛选出各子组中大于预设持续碰撞阈值的各个持续碰撞时长，作为各子组对应的交通冲突的极值碰撞时长，进而获得各改造子组和各非改造子组分别对应的极值碰撞时长的分布，随后进入步骤4；
步骤4、分别针对改造集合组和非改造集合组，针对集合组中各个子组，以子组所对应的发生交通冲突的次数、每次交通冲突发生时的持续碰撞时长、极值碰撞时长为输入，以子组所对应的极值碰撞时长的分布为输出，针对交通冲突预测模型进行构建，获得集合组所对应的交通冲突预测模型，进而获得改造集合组和非改造集合组分别所对应交通冲突预测模型；
步骤A、按照步骤1至步骤3中的方法，对限定区域范围内的各目标交通道路进行分组，获得各个改造组和各个非改造组，进一步获得各个改造组和非改造组对应的发生交通冲突的次数、每次交通冲突发生时对应的持续碰撞时长、极值碰撞时长，随后进入步骤B；
步骤B、分别针对各改造组和各非改造组，应用其对应的交通冲突预测模型，获得极值碰撞时长的分布，基于极值碰撞时长的分布进一步得到分布的形状参数、以及尺度参数，其中，形状参数、尺度参数用于预测在当前预设周期内的交通事故发生的数量，随后进入步骤C；
步骤C、分别预测各改造组和各非改造组在预设周期内交通事故发生的数量，计算交通安全评价参数，对应更新交通安全评价参数。
优选地，所述步骤B中根据以下公式获得极值碰撞时长分布的形状参数、以及尺度参数：
其中，FTr(y)、FCo(y)分别为改造组Tr、非改造组Co对应的极值碰撞时长的分布，y为大于预设持续碰撞阈值的持续碰撞时长的相反数，αTr、αCo分别为极值碰撞时长分布的形状参数，βTr、βCo分别为极值碰撞时长分布的尺度参数。
优选地，所述步骤C中，分别预测各改造组、各非改造组在预设周期内交通事故发生的数量，根据公式：
其中，T为预设周期，tTr、tCo分别为交通冲突持续碰撞时长，u为进行交通冲突筛选的预设持续碰撞阈值，CRTr、CRCo分别为改造组Tr、非改造组Co对应的在T时间内交通事故发生的数量。
优选地，所述步骤C中计算交通安全评价参数，根据公式：
其中，OR为交通安全评价参数；
当OR<1时，交通安全措施具有正面效果，更新交通安全评价参数为1-OR；
当OR>1时，交通安全措施具有负面效果，更新交通安全评价参数为OR-1。
根据本发明公开的第二方面还提出一种基于交通冲突预测的交通安全评价系统，包括：
一个或多个处理器；
存储器，存储可被执行的指令，所述指令在通过一个或多个处理器执行时，一个或多个处理器执行操作，所述操作包括前述任意步骤中的所述交通安全评价方法的过程。
根据本发明公开的第三方面还提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时，执行如任意一项所述交通安全评价方法的操作。
本发明公开的第四方面还提出一种基于交通冲突预测的交通安全评价装置，包括用于构建交通冲突预测模型的模块、以及用于应用交通冲突预测模型，对交通安全进行评价的模块；
用于构建交通冲突预测模型的模块包括：
用于在限定区域范围内随机选取预设数量条交通道路，根据各条交通道路所对应指定属性之间的相似度，对交通道路进行划分，构成各个待评价组，并分别针对各个待评价组，根据交通道路是否进行过预设交通改造措施，对待评价组中的各条交通道路进行划分，构成该待评价组中的改造子组和非改造子组，进而，分别来自各待评价组的改造子组构成改造集合组，以及分别来自各待评价组的非改造子组组成非改造集合组的模块；
用于在历史时间范围内，分别获得改造子组和非改造子组中各条交通道路对应的预设周期内的数据，所述数据包括交通冲突发生的次数、以及每次交通冲突发生时交通冲突的持续碰撞时长的模块；
用于分别针对各个改造子组和非改造子组，通过预设持续碰撞阈值与各次交通冲突的持续碰撞时长进行比较筛选，筛选出各子组中大于预设持续碰撞阈值的各个持续碰撞时长，作为各子组对应的交通冲突的极值碰撞时长，进而获得各改造子组和各非改造子组分别对应的极值碰撞时长的分布的模块；
用于分别针对改造集合组和非改造集合组，针对集合组中各个子组，以子组所对应的发生交通冲突的次数、每次交通冲突发生时的持续碰撞时长、极值碰撞时长为输入，以子组所对应的极值碰撞时长的分布为输出，针对交通冲突预测模型进行构建，获得集合组所对应的交通冲突预测模型，进而获得改造集合组和非改造集合组分别所对应交通冲突预测模型的模块；
用于应用交通冲突预测模型，对交通安全进行评价的模块包括：
用于对限定区域范围内的各目标交通道路进行分组，获得各个改造组和各个非改造组，进一步获得各个改造组和非改造组对应的发生交通冲突的次数、每次交通冲突发生时对应的持续碰撞时长、极值碰撞时长的模块；
用于分别针对各改造组和各非改造组，应用其对应的交通冲突预测模型，获得极值碰撞时长的分布，基于极值碰撞时长的分布进一步得到分布的形状参数、以及尺度参数，其中，形状参数、尺度参数用于预测在当前预设周期内的交通事故发生的数量的模块；
用于分别预测各改造组和各非改造组在预设周期内交通事故发生的数量，计算交通安全评价参数，对应更新交通安全评价参数的模块。
本发明所述一种基于交通冲突预测的交通安全评价方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明利用交通冲突对交通事故的发生数量进行预测，有效地克服交通事故数据无法获取和可信度低的问题，同时，通过对交通道路进行分组，将交通道路分为改造集合组和非改造集合组，分别对改造集合组、以及非改造集合组进行安全评价，克服其他干扰因素对安全评价结果的影响，可以有效降低交通安全评价结果偏差，大幅提高交通安全评价的准确性和可靠性。
附图说明
图1为本发明示例性实施例的交通安全评价方法的流程图；
图2为本发明示例性实施例的构建交通冲突预测模型的流程图；
图3为本发明示例性实施例的对交通道路进行安全评价的流程图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1所示的本发明示例性实施例交通安全评价方法的流程，基于现有的交通评价方法是基于对交通事故发生的数量进行评价的，由于交通事故需要漫长的数据收集过程，数据质量不稳定，在进行安全评价是也存在偏差，本发明采用设置分组，并对分组进行安全评价的方式，进一步获得交通道路的安全评价结果，下面结合附图1-附图3所述，更加具体的描述本发明的实现。
如图1所示的示例性流程表示的交通安全评价方法，通过以下步骤1至步骤4构建交通冲突预测模型，以及应用交通冲突预测模型，通过以下步骤A至步骤D，对交通安全进行评价：
步骤1、结合图2在限定区域范围内随机选取预设数量条交通道路，根据各条交通道路所对应指定属性之间的相似度，例如通过交通设计方法或者交通道路上的交通量的相似度，对交通道路进行划分，构成各个待评价组，并分别针对各个待评价组，根据交通道路是否进行过预设交通改造措施，预设交通改造措施包括但不仅限于信号交叉口增加左转车道、增加车辆专用道等，对待评价组中的各条交通道路进行划分，构成该待评价组中的改造子组和非改造子组，进而，分别来自各待评价组的改造子组构成改造集合组，以及分别来自各待评价组的非改造子组组成非改造集合组，随后进入步骤2；
步骤2、在历史时间范围内，分别获得改造子组和非改造子组中各条交通道路对应的预设周期内的数据，历史时间范围以当前时间为时间节点，往前推的某一预设周期，所述数据包括交通冲突发生的次数、以及每次交通冲突发生时交通冲突的持续碰撞时长，随后进入步骤3；
步骤3、分别针对各个改造子组和非改造子组，通过预设持续碰撞阈值与各次交通冲突的持续碰撞时长进行比较筛选，筛选出各子组中大于预设持续碰撞阈值的各个持续碰撞时长，作为各子组对应的交通冲突的极值碰撞时长，进而获得各改造子组和各非改造子组分别对应的极值碰撞时长的分布，随后进入步骤4；
步骤4、分别针对改造集合组和非改造集合组，针对集合组中各个子组、，以子组所对应的发生交通冲突的次数、每次交通冲突发生时的持续碰撞时长、极值碰撞时长为输入，以子组所对应的极值碰撞时长的分布为输出，针对交通冲突预测模型进行构建，获得集合组所对应的交通冲突预测模型，进而获得改造集合组和非改造集合组分别所对应交通冲突预测模型；
步骤A、结合图3，按照步骤1至步骤3中的方法，对限定区域范围内的各目标交通道路进行分组，获得各个改造组和各个非改造组，进一步获得各个改造组和非改造组对应的发生交通冲突的次数、每次交通冲突发生时对应的持续碰撞时长、极值碰撞时长，随后进入步骤B；
步骤B、分别针对各改造组和各非改造组，应用其对应的交通冲突预测模型，获得极值碰撞时长的分布，基于极值碰撞时长的分布进一步得到分布的形状参数、以及尺度参数，其中，形状参数、尺度参数用于预测在当前预设周期内的交通事故发生的数量，通过以下公式获得极值碰撞时长分布的形状参数、以及尺度参数：
其中，FTr(y)、FCo(y)分别为改造组Tr、非改造组Co对应的极值碰撞时长的分布，y为大于预设持续碰撞阈值的持续碰撞时长的相反数，αTr、αCo分别为极值碰撞时长分布的形状参数，βTr、βCo分别为极值碰撞时长分布的尺度参数，随后进入步骤C；
步骤C、根据以下公式分别预测各改造组和各非改造组在预设周期内交通事故发生的数量：
其中，T为预设周期，tTr、tCo分别为交通冲突持续碰撞时长，u为进行交通冲突筛选的预设持续碰撞阈值，在本实施例中，u＝-1，CRTr、CRCo分别为改造组Tr、非改造组Co对应的在T时间内交通事故发生的数量；
计算交通安全评价参数，根据公式：
其中，OR为交通安全评价参数；
当OR<1时，交通安全措施具有正面效果，更新交通安全评价参数为1-OR；
当OR>1时，交通安全措施具有负面效果，更新交通安全评价参数为OR-1。对应更新交通安全评价参数。
根据本发明公开的实施例，还提出一种交通安全评价系统，包括：
一个或多个处理器；
存储器，存储可被执行的指令，所述指令在通过一个或多个处理器执行时，一个或多个处理器执行包括任意一项所述交通安全评价方法的过程；
尤其优选的，前述的处理器为计算机系统的处理器，包括但不限于基于ARM的嵌入式处理器、基于X86的微处理器或者基于类型的处理器。
存储器被设置成可存储数据的载体，通常包括RAM和ROM。
应当理解，计算机系统可以通过总线与各子系统进行通信，获取相应参数，实现对各子系统的运行实施控制。
在可选的实施例中，本发明还可以被配置成按照下述方式实施：
一种基于交通冲突预测的交通安全评价装置，包括用于构建交通冲突预测模型的模块、以及用于应用交通冲突预测模型，对交通安全进行评价的模块；
用于构建交通冲突预测模型的模块包括：
用于在限定区域范围内随机选取预设数量条交通道路，根据各条交通道路所对应指定属性之间的相似度，对交通道路进行划分，构成各个待评价组，并分别针对各个待评价组，根据交通道路是否进行过预设交通改造措施，对待评价组中的各条交通道路进行划分，构成该待评价组中的改造子组和非改造子组，进而，分别来自各待评价组的改造子组构成改造集合组，以及分别来自各待评价组的非改造子组组成非改造集合组的模块；
用于在历史时间范围内，分别获得改造子组和非改造子组中各条交通道路对应的预设周期内的数据，所述数据包括交通冲突发生的次数、以及每次交通冲突发生时交通冲突的持续碰撞时长的模块；
用于分别针对各个改造子组和非改造子组，通过预设持续碰撞阈值与各次交通冲突的持续碰撞时长进行比较筛选，筛选出各子组中大于预设持续碰撞阈值的各个持续碰撞时长，作为各子组对应的交通冲突的极值碰撞时长，进而获得各改造子组和各非改造子组分别对应的极值碰撞时长的分布的模块；
用于分别针对改造集合组和非改造集合组，针对集合组中各个子组，以子组所对应的发生交通冲突的次数、每次交通冲突发生时的持续碰撞时长、极值碰撞时长为输入，以子组所对应的极值碰撞时长的分布为输出，针对交通冲突预测模型进行构建，获得集合组所对应的交通冲突预测模型，进而获得改造集合组和非改造集合组分别所对应交通冲突预测模型的模块；
用于应用交通冲突预测模型，对交通安全进行评价的模块包括：
用于对限定区域范围内的各目标交通道路进行分组，获得各个改造组和各个非改造组，进一步获得各个改造组和非改造组对应的发生交通冲突的次数、每次交通冲突发生时对应的持续碰撞时长、极值碰撞时长的模块；
用于分别针对各改造组和各非改造组，应用其对应的交通冲突预测模型，获得极值碰撞时长的分布，基于极值碰撞时长的分布进一步得到分布的形状参数、以及尺度参数，其中，形状参数、尺度参数用于预测在当前预设周期内的交通事故发生的数量的模块；
用于分别预测各改造组和各非改造组在预设周期内交通事故发生的数量，计算交通安全评价参数，对应更新交通安全评价参数的模块。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种基于交通冲突预测的交通安全评价方法，其特征在于，通过以下步骤1至步骤4构建交通冲突预测模型，以及应用交通冲突预测模型，通过以下步骤A至步骤D，对交通安全进行评价：
步骤1、在限定区域范围内随机选取预设数量条交通道路，根据各条交通道路所对应指定属性之间的相似度，对交通道路进行划分，构成各个待评价组，并分别针对各个待评价组，根据交通道路是否进行过预设交通改造措施，对待评价组中的各条交通道路进行划分，构成该待评价组中的改造子组和非改造子组，进而，分别来自各待评价组的改造子组构成改造集合组，以及分别来自各待评价组的非改造子组组成非改造集合组，随后进入步骤2；
步骤2、在历史时间范围内，分别获得改造子组和非改造子组中各条交通道路对应的预设周期内的数据，所述数据包括交通冲突发生的次数、以及每次交通冲突发生时交通冲突的持续碰撞时长，随后进入步骤3；
步骤3、分别针对各个改造子组和非改造子组，通过预设持续碰撞阈值与各次交通冲突的持续碰撞时长进行比较筛选，筛选出各子组中大于预设持续碰撞阈值的各个持续碰撞时长，作为各子组对应的交通冲突的极值碰撞时长，进而获得各改造子组和各非改造子组分别对应的极值碰撞时长的分布，随后进入步骤4；
步骤4、分别针对改造集合组和非改造集合组，针对集合组中各个子组，以子组所对应的发生交通冲突的次数、每次交通冲突发生时的持续碰撞时长、极值碰撞时长为输入，以子组所对应的极值碰撞时长的分布为输出，针对交通冲突预测模型进行构建，获得集合组所对应的交通冲突预测模型，进而获得改造集合组和非改造集合组分别所对应交通冲突预测模型；
步骤A、按照步骤1至步骤3中的方法，对限定区域范围内的各目标交通道路进行分组，获得各个改造组和各个非改造组，进一步获得各个改造组和非改造组对应的发生交通冲突的次数、每次交通冲突发生时对应的持续碰撞时长、极值碰撞时长，随后进入步骤B；
步骤B、分别针对各改造组和各非改造组，应用其对应的交通冲突预测模型，获得极值碰撞时长的分布，基于极值碰撞时长的分布进一步得到分布的形状参数、以及尺度参数，其中，形状参数、尺度参数用于预测在当前预设周期内的交通事故发生的数量，根据以下公式获得极值碰撞时长分布的形状参数、以及尺度参数：
其中，FTr(y)、FCo(y)分别为改造组Tr、非改造组Co对应的极值碰撞时长的分布，y为大于预设持续碰撞阈值的持续碰撞时长的相反数，αTr、αCo分别为极值碰撞时长分布的形状参数，βTr、βCo分别为极值碰撞时长分布的尺度参数，随后进入步骤C；
步骤C、分别预测各改造组和各非改造组在预设周期内交通事故发生的数量，根据以下公式：
其中，T为预设周期，tTr、tCo分别为交通冲突持续碰撞时长，u为进行交通冲突筛选的预设持续碰撞阈值，CRTr、CRCo分别为改造组Tr、非改造组Co对应的在T时间内交通事故发生的数量，计算交通安全评价参数，对应更新交通安全评价参数。
2.根据权利要求1所述的基于交通冲突预测的交通安全评价方法，其特征在于，所述步骤C中计算交通安全评价参数，根据公式：
其中，OR为交通安全评价参数；
当OR<1时，交通安全措施具有正面效果，更新交通安全评价参数为1-OR；
当OR>1时，交通安全措施具有负面效果，更新交通安全评价参数为OR-1。
3.一种基于交通冲突预测的交通安全评价系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被执行的指令，所述指令在通过一个或多个处理器执行时，一个或多个处理器执行包括权利要求1-2中任意一项所述交通安全评价方法的过程。
4.一种存储软件的计算机可读取介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时，执行如权利要求1-2中任意一项所述交通安全评价方法的操作。
5.一种基于交通冲突预测的交通安全评价装置，其特征在于，包括用于构建交通冲突预测模型的模块、以及用于应用交通冲突预测模型，对交通安全进行评价的模块；
用于构建交通冲突预测模型的模块包括：
用于在限定区域范围内随机选取预设数量条交通道路，根据各条交通道路所对应指定属性之间的相似度，对交通道路进行划分，构成各个待评价组，并分别针对各个待评价组，根据交通道路是否进行过预设交通改造措施，对待评价组中的各条交通道路进行划分，构成该待评价组中的改造子组和非改造子组，进而，分别来自各待评价组的改造子组构成改造集合组，以及分别来自各待评价组的非改造子组组成非改造集合组的模块；
用于在历史时间范围内，分别获得改造子组和非改造子组中各条交通道路对应的预设周期内的数据，所述数据包括交通冲突发生的次数、以及每次交通冲突发生时交通冲突的持续碰撞时长的模块；
用于分别针对各个改造子组和非改造子组，通过预设持续碰撞阈值与各次交通冲突的持续碰撞时长进行比较筛选，筛选出各子组中大于预设持续碰撞阈值的各个持续碰撞时长，作为各子组对应的交通冲突的极值碰撞时长，进而获得各改造子组和各非改造子组分别对应的极值碰撞时长的分布的模块；
用于分别针对改造集合组和非改造集合组，针对集合组中各个子组，以子组所对应的发生交通冲突的次数、每次交通冲突发生时的持续碰撞时长、极值碰撞时长为输入，以子组所对应的极值碰撞时长的分布为输出，针对交通冲突预测模型进行构建，获得集合组所对应的交通冲突预测模型，进而获得改造集合组和非改造集合组分别所对应交通冲突预测模型的模块；
用于应用交通冲突预测模型，对交通安全进行评价的模块包括：
用于对限定区域范围内的各目标交通道路进行分组，获得各个改造组和各个非改造组，进一步获得各个改造组和非改造组对应的发生交通冲突的次数、每次交通冲突发生时对应的持续碰撞时长、极值碰撞时长的模块；
用于分别针对各改造组和各非改造组，应用其对应的交通冲突预测模型，获得极值碰撞时长的分布，基于极值碰撞时长的分布进一步得到分布的形状参数、以及尺度参数的模块，其中，形状参数、尺度参数用于预测在当前预设周期内的交通事故发生的数量，根据以下公式获得极值碰撞时长分布的形状参数、以及尺度参数：
其中，FTr(y)、FCo(y)分别为改造组Tr、非改造组Co对应的极值碰撞时长的分布，y为大于预设持续碰撞阈值的持续碰撞时长的相反数，αTr、αCo分别为极值碰撞时长分布的形状参数，βTr、βCo分别为极值碰撞时长分布的尺度参数；
用于分别预测各改造组和各非改造组在预设周期内交通事故发生的数量，计算交通安全评价参数，对应更新交通安全评价参数的模块，分别预测各改造组、各非改造组在预设周期内交通事故发生的数量，根据公式：
其中，T为预设周期，tTr、tCo分别为交通冲突持续碰撞时长，u为进行交通冲突筛选的预设持续碰撞阈值，CRTr、CRCo分别为改造组Tr、非改造组Co对应的在T时间内交通事故发生的数量。
6.根据权利要求5所述的基于交通冲突预测的交通安全评价装置，其特征在于，计算交通安全评价参数，根据公式：
其中，OR为交通安全评价参数；
当OR<1时，交通安全措施具有正面效果，更新交通安全评价参数为1-OR；
当OR>1时，交通安全措施具有负面效果，更新交通安全评价参数为OR-1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110068738.1A CN112767697B (zh) | 2021-01-19 | 2021-01-19 | 基于交通冲突预测的交通安全评价方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110068738.1A CN112767697B (zh) | 2021-01-19 | 2021-01-19 | 基于交通冲突预测的交通安全评价方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767697A CN112767697A (zh) | 2021-05-07 |
| CN112767697B true CN112767697B (zh) | 2021-11-30 |
Family
ID=75703141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110068738.1A Active CN112767697B (zh) | 2021-01-19 | 2021-01-19 | 基于交通冲突预测的交通安全评价方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767697B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114495501B (zh) * | 2022-01-27 | 2022-11-15 | 东南大学 | 一种基于组合地理自回归匹配的道路安全分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101045433A (zh) * | 2006-03-29 | 2007-10-03 | 日产自动车株式会社 | 用于控制车辆碰撞时制动力分配的装置和方法 |
| CN101690026A (zh) * | 2007-06-04 | 2010-03-31 | 新泽西理工学院 | 用于多跳无线自组织和传感器网络中的中继的多标准优化 |
| CN102254430A (zh) * | 2011-06-03 | 2011-11-23 | 东南大学 | 一种利用交通冲突判别事故易发路段的方法 |
| CN106872180A (zh) * | 2017-01-24 | 2017-06-20 | 中国汽车技术研究中心 | 一种用于车辆正碰中判定乘员头部损伤的方法 |
| CN108597251A (zh) * | 2018-04-02 | 2018-09-28 | 昆明理工大学 | 一种基于车联网的交通路口分布式车辆碰撞预警方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4980076B2 (ja) * | 2007-01-11 | 2012-07-18 | 富士重工業株式会社 | 車両の運転支援装置 |
| CN101436345B (zh) * | 2008-12-19 | 2010-08-18 | 天津市市政工程设计研究院 | 基于TransCAD宏观仿真平台的港区道路交通需求预测系统 |
| CN101853575A (zh) * | 2010-05-31 | 2010-10-06 | 北京航空航天大学 | 基于二维激光扫描仪的路口交通冲突检测及安全评价方法 |
| CN102157069A (zh) * | 2011-04-01 | 2011-08-17 | 北京航空航天大学 | 一种基于视频融合的平面交叉口交通冲突检测方法 |
| US20180032891A1 (en) * | 2016-07-29 | 2018-02-01 | International Business Machines Corporation | Adaptive architecture for crash prediction in vehicle collision avoidance systems |
| CN106530171A (zh) * | 2016-10-12 | 2017-03-22 | 长安大学 | 一种互通式立交安全性估计方法 |
| CN108109378A (zh) * | 2018-01-24 | 2018-06-01 | 哈尔滨工业大学 | 一种对路网规划方案进行交通安全评价的方法 |
| CN108986542B (zh) * | 2018-07-26 | 2021-03-30 | 华南理工大学 | 一种城市交叉路口事故隐患黑点的自动判别方法 |
| CN110264724B (zh) * | 2019-07-09 | 2020-08-25 | 哈尔滨工业大学 | 一种交互式高速公路交通事故预测方法 |
| CN110930700A (zh) * | 2019-11-21 | 2020-03-27 | 南通大学 | 一种基于正态分布理论的交通冲突预测模型建立的方法 |
| CN110956335B (zh) * | 2019-12-10 | 2020-10-02 | 黑龙江省公路勘察设计院 | 一种基于预测事故率分级的公路安全评价系统及评价方法 |
| CN112150046A (zh) * | 2020-11-06 | 2020-12-29 | 上海交通大学 | 一种道路交叉口安全风险指数计算方法 |
-
2021
- 2021-01-19 CN CN202110068738.1A patent/CN112767697B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101045433A (zh) * | 2006-03-29 | 2007-10-03 | 日产自动车株式会社 | 用于控制车辆碰撞时制动力分配的装置和方法 |
| CN101690026A (zh) * | 2007-06-04 | 2010-03-31 | 新泽西理工学院 | 用于多跳无线自组织和传感器网络中的中继的多标准优化 |
| CN102254430A (zh) * | 2011-06-03 | 2011-11-23 | 东南大学 | 一种利用交通冲突判别事故易发路段的方法 |
| CN106872180A (zh) * | 2017-01-24 | 2017-06-20 | 中国汽车技术研究中心 | 一种用于车辆正碰中判定乘员头部损伤的方法 |
| CN108597251A (zh) * | 2018-04-02 | 2018-09-28 | 昆明理工大学 | 一种基于车联网的交通路口分布式车辆碰撞预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《信号交叉口黄灯两难区边界建模及风险评估方法研究》;付川云;《中国优秀博硕士学位论文全文数据库（博士）》;20170215;全文 * |
| A new collision model for ellipsoidal particles in shear flow;N.Saini;《Journal of Computational Physics》;20181012;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767697A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022121510A1 (zh) | 基于随机策略梯度的交通信号控制方法、系统及电子设备 | |
| Delis et al. | Macroscopic traffic flow modeling with adaptive cruise control: Development and numerical solution | |
| CN111009153B (zh) | 一种轨迹预测模型的训练方法、装置和设备 | |
| Jonasson et al. | Internal validation of near-crashes in naturalistic driving studies: A continuous and multivariate approach | |
| CN104504460A (zh) | 预测叫车平台的用户流失的方法和装置 | |
| Chen et al. | Investigating the long-and short-term driving characteristics and incorporating them into car-following models | |
| CN112466119B (zh) | 一种利用车路协同数据的汽车跟车车速预测方法及系统 | |
| CN109360421B (zh) | 一种基于机器学习的交通信息预测方法及装置、电子终端 | |
| Huang et al. | Evaluation of automated vehicles in the frontal cut-in scenario—An enhanced approach using piecewise mixture models | |
| Yu et al. | A modified full velocity difference model with acceleration and deceleration confinement: Calibrations, validations, and scenario analyses | |
| CN110782706B (zh) | 智能车辆驾驶风险的预警方法和装置 | |
| CN112767697B (zh) | 基于交通冲突预测的交通安全评价方法、系统及装置 | |
| US11151475B2 (en) | Method and device for generating a machine learning system and virtual sensor device | |
| CN113705074B (zh) | 一种化工事故风险预测方法及装置 | |
| CN112651172B (zh) | 一种降雨峰值类型划分方法、装置、设备和存储介质 | |
| Imran et al. | Macroscopic modeling of connected, autonomous and human-driven vehicles: A pragmatic perspective | |
| CN113570004B (zh) | 一种乘车热点区域预测方法、装置、设备及可读存储介质 | |
| US20240037296A1 (en) | Comparison of digital representations of driving situations of a vehicle | |
| Ros-Roca et al. | Notes on using simulation-optimization techniques in traffic simulation | |
| CN114327557A (zh) | 一种车辆ota升级时间评估方法及装置 | |
| CN109711054B (zh) | 一种基于学习的用于车辆通信的车辆轨迹生成方法 | |
| CN112863175B (zh) | 汽车道路监测数据处理方法、装置、设备及存储介质 | |
| CN111191692B (zh) | 基于决策树的数据计算方法、装置和计算机设备 | |
| DE102022132922A1 (de) | Verfahren und System zur virtuellen Verifikation von automatisierten Fahrfunktionen | |
| CN110077234B (zh) | 一种电动车辆安全树更新方法和电动车辆 |
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 |