CN112990544A - 一种高速公路交织区交通事故预测方法 - Google Patents

一种高速公路交织区交通事故预测方法 Download PDF

Info

Publication number
CN112990544A
CN112990544A CN202110170986.7A CN202110170986A CN112990544A CN 112990544 A CN112990544 A CN 112990544A CN 202110170986 A CN202110170986 A CN 202110170986A CN 112990544 A CN112990544 A CN 112990544A
Authority
CN
China
Prior art keywords
traffic flow
road
area
data
accident
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
Application number
CN202110170986.7A
Other languages
English (en)
Other versions
CN112990544B (zh
Inventor
郭延永
赵晶娅
刘攀
欧阳鹏瑛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110170986.7A priority Critical patent/CN112990544B/zh
Publication of CN112990544A publication Critical patent/CN112990544A/zh
Application granted granted Critical
Publication of CN112990544B publication Critical patent/CN112990544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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

Abstract

本发明公开了一种高速公路交织区交通事故预测方法，该方法选择高速公路交织区作为研究对象，利用Logistic分层回归模型，建立道路几何设计、交通流与交织区事故风险的关联关系，建立事故风险模型。本发明通过定量分析道路几何设计对事故风险的影响，有效、准确地预测交织区交通事故风险。

Description

一种高速公路交织区交通事故预测方法
技术领域
本发明涉及一种高速公路交织区交通事故预测方法，属于高速公路交通安全技术领域。
背景技术
作为高速公路主要事故黑点的交织区一直是交通运行与安全的研究重点。已有的研究大多选择建立交织区事故频次模型来探究影响交织区事故的主要影响因素。但考虑到事故具有高度随机性，在利用传统统计方法在构建事故频次预测模型时需要对解释变量做集计处理，从而导致事故频次对道路几何设计的变化不敏感，无法通过事故频次模型建立道路几何设计和事故频次的关联关系。
随着道路智能监测系统的飞速发展，部分研究开始利用实时交通流数据来建立交织区事故风险模型，但这些模型主要关注事故风险前的交通流运行状态，通过探究事故发生前的危险交通运行状态以达到事故风险的主动辨识和预警，忽略了道路几何设计特征对事故风险的影响，使得模型预测结果存在偏差。
发明内容
技术问题：本发明所要解决的技术问题是：提供一种高速公路交织区事故风险预测方法，该方法以高速公路交织区为研究对象，利用Logistic分层模型建立交织区事故风险模型，分析道路几何设计和交通流变量对事故风险的影响机理，建立交织区事故风险模型，为改善交织区交通运行安全提供一定的理论依据。
技术方案：本发明的高速公路交织区事故风险预测的方法，包括以下步骤：
步骤1)采集交织区的实时交通流数据，获取该交织区的道路几何数据；
步骤2)获取该交织区内的若干历史事故数据，每条事故数据包含事故发生的时间、地点以及事故发生前设定时间段内的交通流数据；
步骤3)针对步骤2)中的每条事故数据，随机获取M条该交织区内无事故发生时设定时间段内的交通流数据；
步骤4)以步骤2)和步骤3)中获取的交通流数据为自变量、交织区事故风险为因变量，建立Logistic回归模型，并根据设定显著性水平阈值，剔除交通流数据中与事故风险不相关的交通流变量；
步骤5)以交织区事故风险为因变量、道路几何数据和交通流数据作为解释变量，建立包括以交通流数据为解释变量的个体层和交织区层的Logistic分层模型：
Figure BDA0002938922520000021
其中，pi代表对应第i条交通流数据发生事故的概率；wt代表道路几何数据中第t个道路几何设计变量；γ00代表Logistic分层模型截距；γ0t代表对应wt的回归系数；T代表道路几何数据中的道路几何设计变量个数；xni代表第i条交通流数据中的第n个交通流变量；N代表交通流数据中的交通流变量个数；γn0代表对应交通流变量xni的回归系数；wt×xni代表wt和xni的交互效应；/nt代表对应wt×xni的回归系数；u0为表示道路几何数据对事故风险的独特作用的残差；un为表示道路几何数据在xni对事故风险回归系数上的独特作用的残差；ei代表个体层的模型残差；
步骤6)基于步骤1)中的道路几何数据和步骤4)中得到的交通流数据，采用最大似然估计方法获取Logistic分层模型的参数，得到事故风险模型；
步骤7)基于步骤6)中的事故风险模型以及步骤1中的实时交通流数据、该交织区的道路几何数据，预测该交织区的事故风险。
进一步的，本发明方法中，步骤1中，通过安装在交织区主路进口处、出口处和上下匝道上的四个交通流监测设备采集交织区的实时交通流数据。
进一步的，本发明方法中，步骤1中，交织区的道路几何数据包括以下道路几何设计变量：
(1)基于交织类型的指示变量TB1、TB2和TC
交织类型为Type B1时TB1＝1，否则TB1＝0；
交织类型为Type B2时TB2＝1，否则TB2＝0；
交织类型为Type C时TC＝1，否则TC＝0；
交织类型为Type A时，TB1＝TB2＝TC＝0；
其中，Type A表示分流和合流车辆均需要变换一次车道，Type B1表示合流车辆不需要变换车道、分流车辆最多需要变换一次车道，Type B2表示分流车辆不需要变换车道、合流车辆最多需要变换一次车道，Type C表示一组交织车流不需要变换车道、另一组交织车流至少需要变换两次车道；
(2)基本车道数的指示变量N3、N4和N＞4
基本车道数为3时，N3＝1，否则，N3＝0；
基本车道数为4时，N4＝1，否则，N4＝0；
基本车道数大于4时，N＞4＝1，否则，N＞4＝0；
基本车道数为2时，N3＝N4＝N＞4＝0；
(3)交织区长度Lw；
(4)分道角区的特征变量LRgon和LRgoff，其中：LRgon＝Lgon/Lw代表交织区进口处分道角区沿行车方向标线长度和交织区长度的比值；Lgon代表进口匝道附近沿主路行车方向的分道角区标线长度；LRgoff＝Lgoff/Lw代表交织区出口处分道角区沿行车方向标线长度和交织区长度的比值；Lgoff代表出口匝道附近沿主路行车方向的分道角区标线长度；
(5)交织区上下游匝道分布变量Rup：
上游Lu距离内是否有匝道Rup，Rup＝1表示上游Lu距离内有匝道，否则Rup＝0；
下游Ld距离内是否有匝道Rdown，Rdown＝1表示下游Ld距离内有匝道，否则Rdown＝0；
(6)进口匝道车道数Non，出口匝道车道数Noff，内路肩宽度Win，外路肩宽度Wout和中央分隔带宽度Wm。
进一步的，本发明方法中，步骤2中，交织区长度为入口匝道与主路标线的汇合点和出口匝道与主路标线分离点之间的距离。
进一步的，本发明方法中，步骤2中，Lu＝450m，Ld＝450m。
进一步的，本发明方法中，步骤2中，交通流数据包括进口处主路所有车道总的交通流量、进口匝道上总的交通流量、出口匝道上总的交通流量、进口处内部车道与最右侧车道的占有率差值的绝对值、平均速度差值的绝对值、出口处内部车道与最右侧车道的占有率差值的绝对值、平均速度差值的绝对值、进口处与出口处最右侧车道的速度差值及进口处与出口处内部车道的速度差值。
进一步的，本发明方法中，步骤2和3中，设定时间段为事故发生前5-10分钟。
进一步的，本发明方法中，步骤3中，M＝10；
进一步的，本发明方法中，步骤4中，显著性水平阈值α设为0.1。
有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：
(1)本发明建立道路几何设计-交通流-事故风险关联机制分析，不仅考虑了道路几何设计变量对事故风险的直接影响，还分析了道路几何设计作为调节变量对事故风险和交通流变量之间关系的影响，因此本发明的模型可以涵盖更为全面的道路几何设计因素；同时，根据本发明开展的事故风险对道路几何设计变量的敏感性分析，以及不同道路几何设计下交通流变量对事故风险边际效应的对比分析，可以得到事故风险较低的道路几何设计组合，为优化交织区的道路几何设计提供一定的理论依据；
(2)本发明以交织区为研究对象，同时探究道路几何设计和交通流对事故风险的影响机理，建立更为完善的交织区事故风险预测模型，能更准确地反映道路几何设计、交通流和事故风险之间的关系，因此建立的交织区事故风险预测模型具有更高的预测精度，可以为实时监测高速公路交织区事故发生，改善交织区交通安全提供一定的理论基础。
附图说明
图1是本发明的流程框图；
图2是交织区长度和分道角区长度示意图；
图3是两个模型的ROC曲线。
具体实施方式
下面结合附图和实施例，对本发明作进一步详细说明。
本发明的高速公路交织区事故风险预测的方法，如图1所示，包括以下步骤：
步骤1)采集交织区的实时交通流数据，获取该交织区的道路几何数据；
步骤2)获取该交织区内的若干历史事故数据，每条事故数据包含事故发生的时间、地点以及事故发生前设定时间段内的交通流数据；
步骤3)针对步骤2)中的每条事故数据，随机获取M条该交织区内无事故发生时设定时间段内的交通流数据；
步骤4)以步骤2)和步骤3)中获取的交通流数据为自变量、交织区事故风险为因变量，建立Logistic回归模型，并根据设定显著性水平阈值，剔除交通流数据中与事故风险不相关的交通流变量；
步骤5)以交织区事故风险为因变量、道路几何数据和交通流数据作为解释变量，建立包括以交通流数据为解释变量的个体层和交织区层的Logistic分层模型：
Figure BDA0002938922520000041
其中，pi代表对应第i条交通流数据发生事故的概率；wt代表道路几何数据中第t个道路几何设计变量；γ00代表Logistic分层模型截距；γ0t代表对应wt的回归系数；T代表道路几何数据中的道路几何设计变量个数；xni代表第i条交通流数据中的第n个交通流变量；N代表交通流数据中的交通流变量个数；γn0代表对应交通流变量xni的回归系数；wt×xni代表wt和xni的交互效应；γnt为对应wt×xni的回归系数；u0代表道路几何数据对事故风险的独特作用，表示残差；un代表道路几何数据在第n个交通流变量对事故风险回归系数上的独特作用，表示残差；ei代表个体层的模型残差；
步骤6)基于步骤1)中的道路几何数据和步骤4)中得到的交通流数据，采用最大似然估计方法获取Logistic分层模型的参数，得到事故风险模型；
步骤7)基于步骤6)中的事故风险模型以及步骤1中的实时交通流数据、该交织区的道路几何数据，预测该交织区的事故风险。
如图2所示，步骤1)中交织区的道路几何数据包括以下道路几何设计变量：
(1)基于交织类型的指示变量TB1、TB2和TC；
(2)基本车道数的指示变量N3、N4和N＞4；
(3)交织区长度Lw；
(4)分道角区的特征变量LRgon和LRgoff；
(5)交织区上下游匝道分布变量；
(6)进口匝道车道数Non，出口匝道车道数Noff，内路肩宽度Win，外路肩宽度Wout和中央分隔带宽度Wm。
实施例：
利用美国加利福利亚州高速公路上的80个交织区，测试本发明在评价道路几何设计对事故风险影响方面的性能。共获取了1009起交通事故和9265个非事故样本的交通流数据。每条样本的交通流数据包括了进口处主路所有车道总的交通流量Vol、进口匝道上总的交通流量Von、出口匝道上总的交通流量Voff、进口处内部车道(除最右侧车道外的其余主路车道)与最右侧车道的占有率差值的绝对值DifOccb、平均速度差值的绝对值DifSpdb、出口处内部车道(除最右侧车道外的其余主路车道)与最右侧车道的占有率差值的绝对值DifOcce、平均速度差值的绝对值DifSpde、进口处与出口处最右侧车道的速度差值DifSpdb_e_r及内部车道的速度差值DifSpdb_e_in；道路几何设计变量主要包括步骤2)中的交织类型(实测样本中只包含了Type A、Type B1和Type B2三种类型)、主路基本车道数(实测样本中最小车道数为3)、交织区长度、上下游匝道分布情况，进出口匝道车道数、内外路肩宽度和中央分隔带宽度。
最终，根据本发明的步骤7)，以交织区事故风险为因变量，步骤6)中的交通流变量为个体层解释变量，道路几何变量为交织区层解释变量，最终模型保罗的解释变量和各解释变量关系系数标定结果如表1所示。为了对比分析本发明模型的有效性，同时建立常规logistic回归模型，该模型只考虑交通流和道路几何设计对事故风险的直接作用，结果见表1(其中，**,*分别表示显著性水平为95％和百分之90％)。
表1分层Logistic回归模型
Figure BDA0002938922520000061
对比两个模型结果可知，在只考虑道路几何设计对事故风险的直接影响的模型中，只有交织区长度、出口处分道角区标线长度与交织区长度比值、内路肩宽度与交织区事故风险相关，但本发明的分层模型结果表明，交织区类型、基本车道数、交织区长度、出口处分道角区沿行车方向标线长度与交织区长度的比值以及内路肩宽度均对交织区事故风险存在显著影响。其中，除内路肩宽度外，其余几何变量与交通流变量的交互项均在模型中显著。这一结果表明，道路几何设计更多地是作为调和变量影响事故风险与交通流变量之间的关系，若只采用常规的Logistic回归模型无法诠释道路几何设计、交通流与事故风险之间的关联机制。与此同时，图3显示了两个模型的ROC曲线。ROC曲线可以对比分析不同模型的预测精度，曲线下的面积(AUC)越大表明模型的精度越高。图3中分层模型的AUC值为0.799，显著大于常规Logistic模型的AUC值(＝0.725)，因此本发明的分层模型能显著提高交织区事故风险的预测精度，具有一定的实用价值。

Claims (9)

1.一种高速公路交织区交通事故预测方法，其特征在于，该方法包括以下步骤：
步骤1)采集交织区的实时交通流数据，获取该交织区的道路几何数据；
步骤2)获取该交织区内的若干历史事故数据，每条事故数据包含事故发生的时间、地点以及事故发生前设定时间段内的交通流数据；
步骤3)针对步骤2)中的每条事故数据，随机获取M条该交织区内无事故发生时设定时间段内的交通流数据；
步骤4)以步骤2)和步骤3)中获取的交通流数据为自变量、交织区事故风险为因变量，建立Logistic回归模型，并根据设定显著性水平阈值，剔除交通流数据中与事故风险不相关的交通流变量；
步骤5)以交织区事故风险为因变量、道路几何数据和交通流数据作为解释变量，建立包括以交通流数据为解释变量的个体层和交织区层的Logistic分层模型：
Figure FDA0002938922510000011
其中，pi代表对应第i条交通流数据发生事故的概率；wt代表道路几何数据中第t个道路几何设计变量；γ00代表Logistic分层模型截距；γ0t代表对应wt的回归系数；T代表道路几何数据中的道路几何设计变量个数；xni代表第i条交通流数据中的第n个交通流变量；N代表交通流数据中的交通流变量个数；γn0代表对应交通流变量xni的回归系数；wt×xni代表wt和xni的交互效应；γnt代表对应wt×xni的回归系数；u0为表示道路几何数据对事故风险的独特作用的残差；un为表示道路几何数据在xni对事故风险回归系数上的独特作用的残差；ei代表个体层的模型残差；
步骤6)基于步骤1)中的道路几何数据和步骤4)中得到的交通流数据，采用最大似然估计方法获取Logistic分层模型的参数，得到事故风险模型；
步骤7)基于步骤6)中的事故风险模型以及步骤1中的实时交通流数据、该交织区的道路几何数据，预测该交织区的事故风险。
2.根据权利要求1所述的一种高速公路交织区交通事故预测方法，其特征在于，步骤1)中通过安装在交织区主路进口处、出口处和上下匝道上的四个交通流监测设备采集交织区的实时交通流数据。
3.根据权利要求1所述的一种高速公路交织区交通事故预测方法，其特征在于，步骤1)中交织区的道路几何数据包括以下道路几何设计变量：
(1)基于交织类型的指示变量TB1、TB2和TC
交织类型为Type B1时TB1＝1，否则TB1＝0；
交织类型为Type B2时TB2＝1，否则TB2＝0；
交织类型为Type C时TC＝1，否则TC＝0；
交织类型为Type A时，TB1＝TB2＝TC＝0；
其中，Type A表示分流和合流车辆均需要变换一次车道，Type B1表示合流车辆不需要变换车道、分流车辆最多需要变换一次车道，Type B2表示分流车辆不需要变换车道、合流车辆最多需要变换一次车道，Type C表示一组交织车流不需要变换车道、另一组交织车流至少需要变换两次车道；
(2)基本车道数的指示变量N3、N4和N＞4
基本车道数为3时，N3＝1，否则，N3＝0；
基本车道数为4时，N4＝1，否则，N4＝0；
基本车道数大于4时，N＞4＝1，否则，N＞4＝0；
基本车道数为2时，N3＝N4＝N＞4＝0；
(3)交织区长度Lw；
(4)分道角区的特征变量LRgon和LRgoff，其中：LRgon＝Lgon/Lw代表交织区进口处分道角区沿行车方向标线长度和交织区长度的比值；Lgon代表进口匝道附近沿主路行车方向的分道角区标线长度；LRgoff＝Lgoff/Lw代表交织区出口处分道角区沿行车方向标线长度和交织区长度的比值；Lgoff代表出口匝道附近沿主路行车方向的分道角区标线长度；
(5)交织区上下游匝道分布变量Rup：
上游Lu距离内是否有匝道Rup，Rup＝1表示上游Lu距离内有匝道，否则Rup＝0；
下游Ld距离内是否有匝道Rdown，Rdown＝1表示下游Ld距离内有匝道，否则Rdown＝0；
(6)进口匝道车道数Non，出口匝道车道数Noff，内路肩宽度Win，外路肩宽度Wout和中央分隔带宽度Wm。
4.根据权利要求3所述的一种高速公路交织区交通事故预测方法，其特征在于，步骤2中交织区长度为入口匝道与主路标线的汇合点和出口匝道与主路标线分离点之间的距离。
5.根据权利要求3所述的一种高速公路交织区交通事故预测方法，其特征在于，Lu＝450m，Ld＝450m。
6.根据权利要求1所述的一种高速公路交织区交通事故预测方法，其特征在于，交通流数据包括进口处主路所有车道总的交通流量、进口匝道上总的交通流量、出口匝道上总的交通流量、进口处内部车道与最右侧车道的占有率差值的绝对值、平均速度差值的绝对值、出口处内部车道与最右侧车道的占有率差值的绝对值、平均速度差值的绝对值、进口处与出口处最右侧车道的速度差值及进口处与出口处内部车道的速度差值。
7.根据权利要求1所述的一种高速公路交织区交通事故预测方法，其特征在于，步骤2)和3)中设定时间段为事故发生前5-10分钟。
8.根据权利要求1所述的一种高速公路交织区交通事故预测方法，其特征在于，步骤3)中M＝10。
9.根据权利要求1所述的一种高速公路交织区交通事故预测方法，其特征在于，步骤4)中显著性水平阈值α设为0.1。
CN202110170986.7A 2021-02-08 2021-02-08 一种高速公路交织区交通事故预测方法 Active CN112990544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110170986.7A CN112990544B (zh) 2021-02-08 2021-02-08 一种高速公路交织区交通事故预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110170986.7A CN112990544B (zh) 2021-02-08 2021-02-08 一种高速公路交织区交通事故预测方法

Publications (2)

Publication Number Publication Date
CN112990544A true CN112990544A (zh) 2021-06-18
CN112990544B CN112990544B (zh) 2022-11-18

Family

ID=76349233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110170986.7A Active CN112990544B (zh) 2021-02-08 2021-02-08 一种高速公路交织区交通事故预测方法

Country Status (1)

Country Link
CN (1) CN112990544B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870560A (zh) * 2021-09-27 2021-12-31 公安部道路交通安全研究中心 基于多源数据的高速公路画像评价与安全风险研判系统
CN114241754A (zh) * 2021-12-03 2022-03-25 东南大学 基于高速公路合流影响区事故前兆特征的实时控制方法
CN115206088A (zh) * 2022-06-06 2022-10-18 合肥工业大学 考虑动态交通流的城市快速路交通事故风险量化评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN106504533A (zh) * 2016-11-28 2017-03-15 东南大学 基于交通事故风险仿真分析的高速公路交织区确定方法
CN106600950A (zh) * 2016-12-21 2017-04-26 东南大学 一种基于交通流数据的二次交通事故预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN106504533A (zh) * 2016-11-28 2017-03-15 东南大学 基于交通事故风险仿真分析的高速公路交织区确定方法
CN106600950A (zh) * 2016-12-21 2017-04-26 东南大学 一种基于交通流数据的二次交通事故预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870560A (zh) * 2021-09-27 2021-12-31 公安部道路交通安全研究中心 基于多源数据的高速公路画像评价与安全风险研判系统
CN113870560B (zh) * 2021-09-27 2022-10-04 公安部道路交通安全研究中心 基于多源数据的高速公路画像评价与安全风险研判系统
CN114241754A (zh) * 2021-12-03 2022-03-25 东南大学 基于高速公路合流影响区事故前兆特征的实时控制方法
CN114241754B (zh) * 2021-12-03 2023-01-03 东南大学 基于高速公路合流影响区事故前兆特征的实时控制方法
CN115206088A (zh) * 2022-06-06 2022-10-18 合肥工业大学 考虑动态交通流的城市快速路交通事故风险量化评估方法
CN115206088B (zh) * 2022-06-06 2023-05-02 合肥工业大学 考虑动态交通流的城市快速路交通事故风险量化评估方法

Also Published As

Publication number Publication date
CN112990544B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN112990544B (zh) 一种高速公路交织区交通事故预测方法
CN109448369B (zh) 高速公路实时运行风险计算方法
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
CN112085947B (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN101739814B (zh) 基于scats线圈数据的交通状态在线定量评价与预测方法
CN110728842A (zh) 基于路口车辆合理行驶范围的异常行驶预警方法
CN108091132B (zh) 一种交通流量预测方法及装置
CN112990545B (zh) 一种高速公路交织区交通安全状态预测方法
CN102592451B (zh) 一种基于双截面环形线圈检测器的道路交通事件检测方法
CN108550263A (zh) 一种基于故障树模型的高速公路交通事故成因分析方法
CN108922168B (zh) 一种中观层面事故多发道路判别的方法
CN109345832B (zh) 一种基于深度递归神经网络的城市道路超车预测方法
CN114783183A (zh) 一种基于交通态势算法的监控方法与系统
CN113436432A (zh) 一种利用路侧观测数据进行路段短时交通风险预测的方法
Wang et al. Crash prediction for freeway work zones in real time: A comparison between Convolutional Neural Network and Binary Logistic Regression model
CN100481153C (zh) 基于偏最小二乘原理的高速公路交通事件自动检测方法
CN105513362A (zh) 一种公交站台毗邻区公交车运行状态评价验证方法
CN114999181A (zh) 一种基于etc系统数据的高速公路车辆速度异常识别方法
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN111915880A (zh) 一种高速公路异常事件事发点有效通行能力估计方法
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
Chen et al. The impact of truck proportion on traffic safety using surrogate safety measures in China
CN110047167A (zh) 车辆急转弯次数等效统计方法
CN112989530B (zh) 一种高速公路交织区确定方法
Xu et al. Evaluating the combined effects of weather and real-time traffic conditions on freeway crash risks

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