CN113066287A - 一种高速公路交通事故现场风险主动防控方法及系统 - Google Patents
一种高速公路交通事故现场风险主动防控方法及系统 Download PDFInfo
- Publication number
- CN113066287A CN113066287A CN202110315140.8A CN202110315140A CN113066287A CN 113066287 A CN113066287 A CN 113066287A CN 202110315140 A CN202110315140 A CN 202110315140A CN 113066287 A CN113066287 A CN 113066287A
- Authority
- CN
- China
- Prior art keywords
- risk
- early warning
- accident
- traffic flow
- data
- 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
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
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种高速公路交通事故现场风险主动防控方法，其可以提前报警，防止车辆闯入事故现场，同时给出更有针对性的警示方法，极大的降低了二次事故的发生概率。本专利技术方案中，基于交通流风险预判模型，对事故现场的发生二次事故的风险进行预测；通过事故现场所在路段的车流量的历史交通数据，计算得到交通流特征要素数据对应的阈值，通过交通流特征要素数据对应的阈值训练交通流风险预判模型；通过获取事故现场的环境要素数据、交通流特征要素数据，输入到训练好的交通流风险预判模型进行风险预判；根据不同的风险等级实施不同的预警措施，基于更有针对性的警示方法。同时，本专利还公开了一种高速公路交通事故现场风险主动防控系统。
Description
技术领域
本发明涉及智能交通控制技术领域，具体为一种高速公路交通事故现场风险主动防控方法及系统。
背景技术
道路交通事故现场一般位于行车道内，处在交通流包围之中，特别是高速公路上，高车速再叠加驾驶人疲劳驾驶、酒后驾驶、分心驾驶等严重违法行为，经常发生二次事故。按照公安部门道路交通事故处理现场安全防护的要求，在高速公路事故现场应设置预警区和警戒区。警戒区是指在事故现场上、下游一定范围内划定的，禁止无关车辆和人员进入的区域。预警区是指处于道路交通事故现场来车方向的上游位置，对来车示警并限速行驶的区域。根据事故现场区域划分的不同，目前的高速公路事故现场防护主要常用两种方法：一种是发光警示，在事故现场预警区设置路侧文字或闪光警示装置，警示来车前方事故、谨慎驾驶；另一种是被动警示，相关装置通常设置在事故现场警戒区的边缘，当车辆闯入事故现场警戒区时，会碰撞防护装置并触发报警。
然而，被动警示方法时效性差，当车辆已经闯入事故现场警戒区再触发报警，仍然会危及现场人员人身安全；同时，发光警示针对性差，特别是驾驶人处于疲劳或分心驾驶状态时，发光警示装置近乎失效，也无法有效的降低二次事故的发生概率。
发明内容
为了解决现有技术中交通事故现场防护方法存在时效性差、警示效果差的问题，本发明提供一种高速公路交通事故现场风险主动防控方法，其可以提前报警，防止车辆闯入事故现场，同时给出更有针对性的警示方法，极大的降低了二次事故的发生概率。同时，本专利还公开了一种高速公路交通事故现场风险主动防控系统。
本发明的技术方案是这样的：一种高速公路交通事故现场风险主动防控方法，其特征在于，其包括以下步骤：
S1：构建交通流风险预判模型；
所述交通流风险预判模型输入为事故现场的风险预警数据；所述交通流风险预判模型基于所述风险预警数据，对所述事故现场的二次事故发生风险进行计算，输出所述风险预警数据对应的风险预测等级；
所述风险预警数据包括：交通流特征要素数据、环境要素数据、道路线形数据；
所述交通流特征要素数据为进入所述事故现场来车方向的预警区的交通流信息数据，包括：预警区车流量、大车比例、车速、车速标准差；
所述环境要素数据为所述事故现场当下的天气状况，包括：正常天气、不良天气；
所述道路线形数据为所述事故现场所处的路段情况，包括：平直路段、危险路段；
S2：获取所述事故现场所在路段的历史交通数据；
基于历史交通数据中的所述风险预警数据和事故数据的关系，计算得到所述事故现场中所述交通流特征要素数据对应的阈值；
S3：将所述交通流特征要素数据对应的阈值输入到所述交通流风险预判模型中，获得所述事故现场所在路段对应的训练好的所述交通流风险预判模型；
S4：实时地获取所述事故现场的所述环境要素数据、所述交通流特征要素数据，输入到训练好的所述交通流风险预判模型中；所述交通流风险预判模型输出对应的风险预测等级；
S5：根据所述风险预测等级，在所述预警区中实施不同的预警措施；
所述预警措施包括：声音警示、文字警示、灯光警示；
S6：循环执行步骤S4～S5，直至交通事故处理完毕。
其进一步特征在于：
所述交通流风险预判模型输出的所述风险预测等级包括：A类风险、B类风险、C类风险、D类风险，由A类～D类，风险等级逐渐降低；所述D类风险为无需处理的低风险；
在训练好的所述交通流风险预判模型中，依次执行以下步骤对所述风险预测等级进行判断：
设：实时地输入到所述交通流风险预判模型中的预警区车流量为Qt，车速为V，大车比例为TP，车速标准差表示为σ；
b1：当所述环境要素数据为正常天气，所述道路线形数据为平直路段时，执行以下计算；
否则执行步骤b2；
设，在输入的所述交通流特征要素数据中，所述事故现场的预警区车流量的阈值为BS11、BS12，且BS11＜BS12，车速的阈值为VS1，大车比例的阈值为CS1，车速标准差的阈值为DS1；
当Qt＜BS11且Vi≤VS1，二次事故风险低；所述风险预测等级标记为：D类风险；
当Qt＜BS11且Vi＞VS1，二次事故风险高，所述风险预测等级标记为：A类风险；
当BS11≤Qt≤BS12且TP≤CS1，二次事故风险低；所述风险预测等级标记为：D类风险；
当BS11≤Qt≤BS12且TP＞CS1，二次事故风险高，所述风险预测等级标记为：B类风险；
当Qt＞BS12且σ≤DS1，二次事故风险低；所述风险预测等级标记为：D类风险；
当Qt＞BS12且σ＞DS1，二次事故风险高，所述风险预测等级标记为：C类风险；
b2：当所述环境要素数据为正常天气，所述道路线形数据为危险路段时，执行以下计算；
否则执行步骤b3；
设，在输入的所述交通流特征要素数据中，预警区车流量的阈值为BC11、BC12，且BC11＜BC12，车速的阈值为VC1，大车比例的阈值为CC1，车速标准差的阈值为DC1；
当Qt＜BC11且Vi≤VC1，二次事故风险低；所述风险预测等级标记为：D类风险；
当Qt＜BC11且Vi＞VC1，二次事故风险高，所述风险预测等级标记为：A类风险；
当BC11≤Qt≤BC12且TP≤CC1，二次事故风险低；所述风险预测等级标记为：D类风险；
当BC11≤Qt≤BC12且TP＞CC1，二次事故风险高，所述风险预测等级标记为：B类风险；
当Qt＞BC12且σ≤DC1，二次事故风险低；所述风险预测等级标记为：D类风险；
当Qt＞BC12且σ＞DC1，二次事故风险高，所述风险预测等级标记为：C类风险；
b3：当所述环境要素数据为不良天气，所述道路线形数据为平直路段时，执行以下计算；
否则执行步骤b4；
设，在输入的所述交通流特征要素数据中，预警区车流量的阈值为BS21、BS22，且BS21＜BS22，车速的阈值为VS2，大车比例的阈值为CS2，车速标准差的阈值为DS2；
Qt＜BS21且Vi≤VS2，二次事故风险低；所述风险预测等级标记为：D类风险；
Qt＜BS21且Vi＞VS2，二次事故风险高，所述风险预测等级标记为：A类风险；
BS21≤Qt≤BS22且TP≤CS2，二次事故风险低；所述风险预测等级标记为：D类风险；
BS21≤Qt≤BS22且TP＞CS2，二次事故风险高，所述风险预测等级标记为：B类风险；
Qt＞BS22且σ≤DS2，二次事故风险低；所述风险预测等级标记为：D类风险；
Qt＞BS22且σ＞DS2，二次事故风险高，所述风险预测等级标记为：C类风险；
b4：当所述环境要素数据为不良天气，所述道路线形数据为危险路段；
设，预警区车流量的阈值为BC21、BC22，且BC21＜BC21，车速的阈值为VC2，大车比例的阈值为CC2，车速标准差的阈值为DC2；
Qt＜BC21且Vi≤VC2，二次事故风险低；所述风险预测等级标记为：D类风险；
Qt＜BC21且Vi＞VC2，二次事故风险高，所述风险预测等级标记为：A类风险；
BC21≤Qt≤BC22且TP≤CC2，二次事故风险低；所述风险预测等级标记为：D类风险；
BC21≤Qt≤BC22且TP＞CC2，二次事故风险高，所述风险预测等级标记为：B类风险；
Qt＞BC22且σ≤DC2，二次事故风险低；所述风险预测等级标记为：D类风险；
Qt＞BC22且σ＞DC2，二次事故风险高，所述风险预测等级标记为：C类风险；
所述交通流特征要素数据中的预警区车流量、大车比例、车速、车速标准差的获得方法，详细如下所示：
所述预警区车流量为：单位时间内通过所述预警区的车辆数；基于来车方向进入所述预警区内车辆数目统计获得；
所述大车比例为：实时计算出预警区内所有车辆中车型为大车的车辆数目与总车辆数的比例；
所述车速为：进入所述预警区的每一辆车的车速；
所述车速标准差：基于每一辆车的车速，实时计算出当下在所述预警区内，所有的车量的车速标准差σ，计算方法如下：
其中，M为所述预警区的实时车辆总数，Vi表示第i辆车的车速，
表示所述预警区的实时平均车速；
步骤S2中，所述事故现场中所述交通流特征要素数据对应的阈值包括：
预警区车流量的阈值、车速的阈值、大车比例的阈值、车速标准差的阈值；
计算得到所述交通流特征要素数据对应的阈值的方法，具体包括以下步骤：
a1：获取所述事故现场所在路段的历史交通数据；
a2：获取所述历史交通数据中所有的道路交通事故数据中的预警区车流量、车速、大车比例、车速标准差，记做交通流特征要素历史数据；
a3：将所述交通流特征要素历史数据按照事故发生条件中的环境要素，得到分组数据；
a4：对每一组所述分组数据以小时为统计单位，计算得到交通事故率TAR：
其中，交通事故率TAR的单位为百万车事故次数/小时/公里；N为小时事故数，单位为起/小时；L表示路线长度，单位公里；Q表示小时交通量，单位为自然量/小时；
a5：将事故率与交通流量的数据进行拟合，做成交通量-交通事故发生率曲线图，横坐标为所述分组数据中的预警区车流量，纵坐标为交通事故率TAR；
a6：根据曲线线型，找到所述交通量-交通事故发生率曲线图的三个阶段状态：快速变化、缓慢变化、趋于平稳；
a7：横坐标上对应区分三个阶段状态的两个预警区车流量，即为预警区车流量阈值；
a8：将所述交通量-交通事故发生率曲线图中位于两个所述预警区车流量阈值之间的数据提取出来，将流量转换成对应的大车比例，做成大车比例-事故率曲线图，所述大车比例-事故率曲线图横坐标为大车比例的值，纵坐标为交通事故率；
根据所述大车比例-事故率曲线图的曲线线型，找到曲线两个阶段状态：快速变化、趋于平缓；横坐标上区分两个阶段状态的大车比例值，即为大车比例阈值；
a9：统计每一组所述分组数据中事故发生时的所有的车速标准差，按照密度聚类法确定车速标准差阈值；
a10：所述事故现场的预警区的车速阈值采用事故现场所在路段的道路限速值或事故现场临时通行车道限速值；
步骤S5中，根据所述风险预测等级，实施不同的预警措施，详细包括以下内容：
针对A类风险实施声音警示，针对B类风险实施文字警示，针对C类风险实施灯光警示，D类风险无需实施预警措施。
一种高速公路交通事故现场风险主动防控系统，其特征在于，其包括：信息处理装置、通讯装置、后置预警装置；
事故现场的进车方向的上游方向设置预警区，所述后置预警装置设置在所述预警区和所述事故现场的交界处；
所述后置预警装置包含后置车辆感知模块、警示模块，所述后置车辆感知模块、所述警示模块分别与基于所述通讯装置与所述信息处理装置通信连接；所述后置车辆感知模块实时的采集进入所述预警区的车辆的实时交通流特征要素数据的基础数据，同时将所述交通流特征要素数据的基础数据实时地传送给所述信息处理装置；
所述信息处理装置中包括中心处理模块、交通流风险预判模型；
所述中心处理模块获得所述事故现场的路段信息、实时的环境要素数据；根据所述事故现场的路段信息采集所述事故现场的预警区车流量的历史交通数据；基于历史数据中的所述风险预警数据，计算得到所述事故现场的所述交通流特征要素数据对应的阈值；基于所述后置车辆感知模块实时传入的所述交通流特征要素数据的基础数据，计算得到实时的所述交通流特征要素数据；
所述中心处理模块将所有的阈值、所述环境要素数据、所述交通流特征要素数据传入到所述交通流风险预判模型中；
所述交通流风险预判模型，根据所述中心处理模块输入的所述事故现场的所述交通流特征要素数据对应的阈值构建所述事故现场对应的预判模型；基于输入的所述环境要素数据、所述交通流特征要素数据对事故发生现场的二次事故作出风险预测等级判断，并将所风险预测等级传回给所述中心处理模块；
所述中心处理模块根据所述风险预测等级，作出预警措施判断，并将所述预警措施实时地发往所述后置预警装置中的所述警示模块；
所述警示模块实时的对进入所述预警区的车辆进行预警。
其进一步特征在于：
所述后置车辆感知模块基于雷达实现，包括雷达和安装雷达的移动安装架；所述警示模块包括：后置文字预警模块、后置灯光预警模块、后置声音预警模块，所述后置文字预警模块基于显示屏实现，所述后置灯光预警模块基于闪光灯实现，所述后置声音预警模块基于声音功放装置实现；
其还包括前置预警装置，所述前置预警装置包括：前置车辆感知模块、前置声音预警模块；
所述前置车辆感知模块设置于所述预警区的驶入方向的上游起始段，所述前置声音预警模块安装于所有驶入所述预警区的车辆驾驶室内；所述前置车辆感知模块、所述前置声音预警模块之间基于DSRC技术或C-V2X技术通信连接；所述前置车辆感知模块检测到所述前置声音预警模块，即发送触发信号给所述前置声音预警模块；所述前置声音预警模块接收到触发信号后，发出警告音；
所述中心处理模块获得所述事故现场的路段信息后，通过联网方式访问交管数据库，采集所述事故现场的预警区车流量的历史交通数据；通过访问实时气象服务接口，获取所述事故现场的实时的环境要素数据。
本发明提供的一种高速公路交通事故现场风险主动防控方法，基于交通流风险预判模型，对事故现场的发生二次事故的风险进行预测，提前报警，能够防止车辆闯入事故现场，极大的降低了二次事故发生的概率，本专利中的风险预警是提前预警，确保了风险预警的时效性；通过事故现场所在路段的车流量的历史交通数据，计算得到交通流特征要素数据对应的阈值，通过交通流特征要素数据对应的阈值训练交通流风险预判模型，确保交通流风险预判模型是符合事故现场的实际情况构建的；通过获取事故现场的环境要素数据、交通流特征要素数据，输入到训练好的交通流风险预判模型进行风险预判，确保交通流风险预判模型输出的风险等级是符合事故现场实时环境因素的，确保了模型对风险预测的准确性，确保能够有效的降低二次事故的概率；根据不同的风险等级实施不同的预警措施，基于更有针对性的警示方法，进一步降低了二次事故的发生概率。
附图说明
图1为本专利高速公路交通事故现场风险主动防控方法的流程示意图；
图2为在平直路段的交通事故处理现场设置本专利防控系统中装置的实施例；
图3为本专利的高速公路交通事故现场风险主动防控系统模块结构示意图；
图4为交通量与交通事故率拟合曲线实施例。
具体实施方式
如图1所示，为本发明提供一种高速公路交通事故现场风险主动防控方法，其具体包括以下步骤。
S1：构建交通流风险预判模型14；
交通流风险预判模型14输入为事故现场1的风险预警数据；交通流风险预判模型14基于风险预警数据，对事故现场1的二次事故发生风险进行计算，输出风险预警数据对应的风险预测等级；
风险预警数据包括：交通流特征要素数据、环境要素数据、道路线形数据；
交通流特征要素数据为进入事故现场1来车方向的预警区2的交通流信息数据，包括：预警区车流量、大车比例、车速、车速标准差；
环境要素数据为事故现场1当下的天气状况，包括：正常天气、不良天气；雪、雨、雾、霾、台风等等影响交通的天气都为不良天气；
道路线形数据为事故现场1所处的路段情况，包括：平直路段、危险路段。
本专利中的交通流风险预判模型14具体为一个交通流状态矩阵，基于实时输入的事故现场1的风险预警数据，判断是否存在二次事故风险。具体如下面表1所示。
表1：交通流风险预判模型的交通流状态矩阵
表中，BS11、BS12、BC11、BC12、BS21、BS22、BC21、BC22为不同的环境要素数据、道路线形数据条件下的预警区车流量的阈值；同时，BS11＜BS12、BC11＜BC12、BS21＜BS22、BC21＜BC22；
VS1、VS2、VC1、VC2为不同的环境要素数据、道路线形数据条件下的车速的阈值；
CS1、CC1、CS2、CC2为不同的环境要素数据、道路线形数据条件下的大车比例的阈值；
DS1、DC1、DS2、DC2为不同的环境要素数据、道路线形数据条件下的车速标准差的阈值。
本专利中的交通流风险预判模型的基本设计思想为：交通流量小的时候，事故概率与车速密切相关；交通流量中等水平时，事故概率和大车比例密切相关；交通流量大时，事故概率和车速标准差密切相关；即，获得表1中的交通流状态矩阵；本发明采用的交通流风险预判模型结构简洁、人工输入参数少、计算量少，可以实时获得对二次事故的预判结果，有效地提高了二次事故风险预判的效率和准确性，将二次事故风险扼杀在萌芽状态，防患于未然。
S2：获取事故现场1的所在路段的历史交通数据；
基于历史交通数据中的风险预警数据和事故数据的关系，计算得到事故现场1中交通流特征要素数据对应的阈值。
其中，事故现场1中交通流特征要素数据对应的阈值包括：
预警区车流量的阈值、车速的阈值、大车比例的阈值、车速标准差的阈值；
具体实现时，获取事故现场1所在路段的路段信息，进而根据路段信息，进而获得事故现场1所在路段的历史交通数据；通过事故现场1的历史交通数据，计算获得交通流特征要素数据对应的阈值，然后输入到交通流风险预判模型14中，构成训练好的事故现场1对应的交通流风险预判模型14；确保用于对二次事故风险预判的模型是基于事故现场1历史数据构建的，其判断结果符合事故现场1的实际情况，确保了交通流风险预判模型14输出的风险预测等级的准确性。
S3：将交通流特征要素数据对应的阈值输入到交通流风险预判模型14中，获得事故现场1所在路段对应的训练好的交通流风险预判模型14。
S4：实时地获取事故现场1的环境要素数据、交通流特征要素数据，输入到训练好的交通流风险预判模型14中；交通流风险预判模型14输出对应的风险预测等级；
交通流风险预判模型14输出的风险预测等级包括：A类风险、B类风险、C类风险、D类风险，由A类～D类，风险等级逐渐降低；D类风险，即无需处理的低风险。
在训练好的交通流风险预判模型14中，依次执行以下步骤对风险预测等级进行判断：
设：实时地输入到交通流风险预判模型14中的预警区车流量为Qt，车速为Vi，大车比例为TP，车速标准差表示为σ；
b1：当环境要素数据为正常天气，道路线形数据为平直路段时，执行以下计算；
否则执行步骤b2；
设，在输入的交通流特征要素数据中，事故现场1的预警区车流量的阈值为BS11、BS12，且BS11＜BS12，车速的阈值为VS1，大车比例的阈值为CS1，车速标准差的阈值为DS1；
当Qt＜BS11且Vi≤VS1，二次事故风险低；风险预测等级标记为：D类风险
当Qt＜BS11且Vi＞VS1，二次事故风险高，风险预测等级标记为：A类风险；
当BS11≤Qt≤BS12且TP≤CS1，二次事故风险低；风险预测等级标记为：D类风险
当BS11≤Qt≤BS12且TP＞CS1，二次事故风险高，风险预测等级标记为：B类风险；
当Qt＞BS12且σ≤DS1，二次事故风险低；风险预测等级标记为：D类风险
当Qt＞BS12且σ＞DS1，二次事故风险高，风险预测等级标记为：C类风险；
b2：当环境要素数据为正常天气，道路线形数据为危险路段时，执行以下计算；
否则执行步骤b3；
设，在输入的交通流特征要素数据中，预警区车流量的阈值为BC11、BC12，且BC11＜BC12，车速的阈值为VC1，大车比例的阈值为CC1，车速标准差的阈值为DC1；
当Qt＜BC11且Vi≤VC1，二次事故风险低；风险预测等级标记为：D类风险
当Qt＜BC11且Vi＞VC1，二次事故风险高，风险预测等级标记为：A类风险；
当BC11≤Qt≤BC12且TP≤CC1，二次事故风险低；风险预测等级标记为：D类风险
当BC11≤Qt≤BC12且TP＞CC1，二次事故风险高，风险预测等级标记为：B类风险；
当Qt＞BC12且σ≤DC1，二次事故风险低；风险预测等级标记为：D类风险
当Qt＞BC12且σ＞DC1，二次事故风险高，风险预测等级标记为：C类风险；
b3：当环境要素数据为不良天气，道路线形数据为平直路段时，执行以下计算；
否则执行步骤b4；
设，在输入的交通流特征要素数据中，预警区车流量的阈值为BS21、BS22，且BS21＜BS22，车速的阈值为VS2，大车比例的阈值为CS2，车速标准差的阈值为DS2；
Qt＜BS21且Vi≤VS2，二次事故风险低；风险预测等级标记为：D类风险
Qt＜BS21且Vi＞VS2，二次事故风险高，风险预测等级标记为：A类风险；
BS21≤Qt≤BS22且TP≤CS2，二次事故风险低；风险预测等级标记为：D类风险
BS21≤Qt≤BS22且TP＞CS2，二次事故风险高，风险预测等级标记为：B类风险；
Qt＞BS22且σ≤DS2，二次事故风险低；风险预测等级标记为：D类风险
Qt＞BS22且σ＞DS2，二次事故风险高，风险预测等级标记为：C类风险；
b4：当环境要素数据为不良天气，道路线形数据为危险路段；
设，预警区车流量的阈值为BC21、BC22，且BC21＜BC21，车速的阈值为VC2，大车比例的阈值为CC2，车速标准差的阈值为DC2；
Qt＜BC21且Vi≤VC2，二次事故风险低；风险预测等级标记为：D类风险
Qt＜BC21且Vi＞VC2，二次事故风险高，风险预测等级标记为：A类风险；
BC21≤Qt≤BC22且TP≤CC2，二次事故风险低；风险预测等级标记为：D类风险
BC21≤Qt≤BC22且TP＞CC2，二次事故风险高，风险预测等级标记为：B类风险；
Qt＞BC22且σ≤DC2，二次事故风险低；风险预测等级标记为：D类风险
Qt＞BC22且σ＞DC2，二次事故风险高，风险预测等级标记为：C类风险。
根据技术人员对交通事故历史数据中二次事故发生的各种因素的分析研究，可知交通事故率与进入预警区的车流量有关，可以得到如图4所示的交通量-交通事故发生率曲线图；根据曲线中交通事故的变化情况，可以对应得到两个车流量的阈值，如图4中的两个车流量阈值为400veh/h、1600veh/h；由交通量-交通事故发生率曲线图可知：
当交通自然量小于较小的车流量阈值时，交通事故率明显较高(快速变化段)：根据历史交通事故的事故原因调查分析可知，此时事故原因主要与车辆速度有关；所以，交通流风险预判模型14中当预警区车流量Qt小于等于预警区车流量的阈值中较小的那个阈值时，对于二次事故的风险判断，通过车速Vi与车速的阈值的比较进行判断；
当交通自然量大于较大的车流量阈值时，交通事故率维持较低状态(趋于平稳段)；经事故调查分析可知，此时事故原因主要与车速差异性有关；所以，交通流风险预判模型14中，当预警区车流量Qt大于等于预警区车流量的阈值中较大的那个阈值时，对于二次事故的风险判断，通过车速标准差σ与车速标准差的阈值的比较进行判断；
当交通自然量位于两个车流量阈值之间时，交通事故率变化趋缓(缓慢变化段)；经事故调查分析可知，此时事故原因主要与大车比例较高引起变道增多的现象有关；所以，交通流风险预判模型14中，当预警区车流量Qt位于两个预警区车流量的阈值之间时，对于二次事故的风险判断，通过大车比例TP与大车比例的阈值的比较进行判断；
即，本专利技术方案中的交通流风险预判模型，根据对于二次事故的历史数据分析后设计而得，其对于二次事故的风险预警结果符合事故现场的二次事故的发生规律，确保了模型风险研判效果的科学性和准确性。
S5：根据风险预测等级，在预警区2中实施不同的预警措施；
预警措施包括：声音警示、文字警示、灯光警示。
S6：循环执行步骤S4～S5，直至交通事故处理完毕；
本专利技术方案中，只要交通事故还没有处理完毕，基于交通流风险预判模型14的二次事故风险预测就不会停止，确保能够在整个事故处理过程中都能够实时监控事故现场1中的二次事故发生风险，确保事故处理人员的人身安全。
如：事故现场1处于某平直路段上，环境因素为雨雪等不良天气；
当预警区车流量Qt小于400veh/h时，关注预警区2内每一辆车的车速Vi，当车速不超过车速阈值VS2(假设40km/h)，认为二次事故风险低；当车速超过车速阈值VS2，认为二次事故风险高，标记为A类风险，实施声音警示。
当预警区车流量Qt位于400-1200veh/h时，关注预警区2内大车比例TP，当大车比例TP不超过阈值CS2(假设12％)，认为二次事故风险低；当大车比例TP超过阈值CS2，二次事故风险高，标记为B类风险，实施文字警示。
当预警区车流量Qt大于1200veh/h时，关注预警区2所有车辆的车速标准差σ，当车速标准差不超过阈值DS2(假设10km/h)，认为二次事故风险低；当车速标准差超过阈值DS2，认为二次事故风险高，实施灯光警示。
本专利还包括实现一种高速公路交通事故现场风险主动防控方法的防控系统，如图3所示，其包括：信息处理装置7、通讯装置8、后置预警装置3、前置预警装置；前置预警装置包括：前置车辆感知模块4、前置声音预警模块6。
如图2所示，事故处理人员到达事故现场1之后，在事故现场1的进车方向的上游方向设置预警区2，后置预警装置3设置在预警区2和事故现场1的交界处；前置车辆感知模块4设置于预警区2的驶入方向的上游起始段。本专利中，防控系统的装置整体采用模块化设计，模块间无线通讯，布设简单方便，有效满足事故现场处置快速高效的应用需求，实用性强。
后置预警装置3包含后置车辆感知模块15、警示模块9，后置车辆感知模块15、警示模块9分别与基于通讯装置8与信息处理装置7通信连接；后置车辆感知模块15实时的采集进入预警区2的车辆5的实时交通流特征要素数据的基础数据，同时将交通流特征要素数据的基础数据实时地传送给信息处理装置7；交通流特征要素数据的基础数据包括：进入到预警区的车辆的流量、每一辆车的位置、速度、车辆长度。
具体实现时，后置车辆感知模块15基于现有技术中的雷达实现，无论是现有技术中的激光雷达，还是微波雷达都可以满足本专利技术方案的需求；后置车辆感知模块15包括雷达和安装雷达的移动安装架，雷达的探测区域设置为预警区2，通过移动安装架将雷达放置在预警区2与事故现场1的交界处，通过可以移动安装的后置车辆感知模块15确保本专利技术方案中装置安装方便，适用于各种不同的现场；基于现有的雷达测速等技术可以测算出事故现场所在路段的流量、每一辆车的车辆长度、车速、位置；然后，后置车辆感知模块15将实时监测到的预警区2的实时基础数据：预警区车流量、每一辆车的车速、车辆长度、位置送入到中心处理模块13中。本专利中，预警区2设置在事故现场1的进车方向的上游方向，即，后置车辆感知模块15采集的基础数据也是只基于事故现场1所在的单向路段。
在中心处理模块13中，对交通流特征要素数据中的预警区车流量Qt、大车比例TP、车速、车速标准差σ的计算方法，详细如下所示。
预警区车流量为：单位时间内通过预警区2的车辆数；基于来车方向进入预警区2内车的数量统计获得；
具体的预警区车流量的计算方法，可以根据现有技术、现有产品获得。也可以自行设计算法进行计算。如：设置一个单位采样时间Ct，Ct的单位为分钟；一个单位采样时间内通过的车辆数为Cr辆，则有：
预警区车流量Qt＝(Cr*60)/Ct
如果单位采样时间Ct设为5min；通过雷达采集到的一个单位采样时间内通过的车辆数Cr为20辆，则，预警区车流量Qt即为1h内通过的车辆数，即为：240veh/h；
如果单位采样时间时间Ct设置为10min，设通过雷达采集到的一个单位采样时间内通过的车辆数Cr为30辆，则：预警区车流量Qt为180veh/h。
大车比例为：实时计算出预警区2内所有车辆中车型为大车的车辆数目与总车辆数的比例；具体实现时，长度小于5.5米的，判定为小车，长度大于5.5米的，判定为大车；
车速为：进入预警区2的每一辆车的车速；
车速标准差：基于每一辆车的车速，实时计算出当下在预警区2内，所有的车量的车速标准差σ，计算方法如下：
其中，M为预警区2的实时车辆总数，Vi表示第i辆车的车速，
表示预警区2的实时平均车速；
本专利中采用标准差反应预警区内车辆车速的离散程度，预警区车速的离散程度越大，预示着二次事故风险越高，即，通过车速标准差为基础判断预警区2内的二次事故风险，可以更准确的预警出由于车速过高引起的二次事故。
中心处理模块13基于实时基础数据计算获得预警区车流量Qt、大车比例TP、车速标准差σ，结合后置车辆感知模块15采集后送入的车速V，一起送入到交通流风险预判模型14进行二次事故风险预测等级预判。
警示模块9包括：后置文字预警模块10、后置灯光预警模块11、后置声音预警模块12，后置文字预警模块10基于现有技术中的显示屏实现，后置灯光预警模块11基于现有技术中的闪光灯实现，后置声音预警模块12基于现有的声音功放装置实现；
信息处理装置7中包括中心处理模块13、交通流风险预判模型14；
中心处理模块13获得事故现场1的路段信息、实时的环境要素数据；根据事故现场1的路段信息采集事故现场1的预警区车流量的历史交通数据；基于历史数据中的风险预警数据，计算得到事故现场1的交通流特征要素数据对应的阈值；基于后置车辆感知模块15传入的实时交通流特征要素数据的基础数据计算得到预警区车流量、大车比例，车速标准差，结合后置车辆感知模块15采集后送入的车速构成实时的交通流特征要素数据。
具体实现时，中心处理模块13中定期更新城市最新地图，获得最新路段的路段信息后，通过联网方式访问交管数据库，采集历史交通数据，训练获得最新路段对应的交通流风险预判模型；定期更新交通流风险预判模型，确保城市所有的道路都被覆盖到；通过预先对所有路段的交通流风险预判模型进行训练，提高了交通事故处理中风险主动防控的效率；
一旦发生了交通事故后，到达事故现场1后，中心处理模块13基于GPS定位方式、或者交通事故处理人员手动输入的方式获得事故现场1的路段信息后，直接调用训练好的交通流风险预判模型，确保了对事故现场1二次事故主动防控的实时性。
中心处理模块13通过访问实时气象服务接口，或者通过交通事故处理人员手动输入的方式，获取事故现场1的实时的环境要素数据；确保对事故现场1的二次事故风险预测是符合事故现场1的实际情况的，提高了风险预测的准确性。
中心处理模块13将所有的阈值、实时环境要素数据、实时交通流特征要素数据传入到交通流风险预判模型14中。
其中，中心处理模块13计算得到交通流特征要素数据对应的阈值的方法，具体包括以下步骤：
a1：获取事故现场1所在路段的历史交通数据；
a2：获取历史交通数据中所有的道路交通事故数据中的预警区车流量、车速、大车比例、车速标准差，记做交通流特征要素历史数据；
a3：将交通流特征要素历史数据按照事故发生条件中的环境要素，得到分组数据；
a4：对每一组分组数据以小时为统计单位，计算得到交通事故率TAR：
其中，交通事故率TAR的单位为百万车事故次数/小时/公里；N为小时事故数，单位为起/小时；L表示路线长度，单位公里；Q表示小时交通量，单位为自然量/小时；
a5：将事故率与交通流量的数据进行拟合，做成交通量-交通事故发生率曲线图，横坐标为分组数据中的预警区车流量，单位为自然量/小时，纵坐标为交通事故率TAR，单位为百万车事故次数/小时/公里；
a6：根据曲线线型，找到交通量-交通事故发生率曲线图的三个阶段状态：快速变化、缓慢变化、趋于平稳；
a7：横坐标上对应区分三个阶段状态的两个预警区车流量，即为预警区车流量阈值；
a8：将交通量-交通事故发生率曲线图中位于两个预警区车流量阈值之间的数据提取出来，将流量转换成对应的大车比例，做成大车比例-事故率曲线图，大车比例-事故率曲线图横坐标为大车比例的值，纵坐标为交通事故率；
根据大车比例-事故率曲线图的曲线线型，找到曲线两个阶段状态：快速变化、趋于平缓；横坐标上区分两个阶段状态的大车比例值，即为大车比例阈值；
a9：统计每一组分组数据中事故发生时的所有的车速标准差，按照密度聚类法确定车速标准差阈值；
a10：事故现场的预警区的车速阈值，采用事故现场所在路段的道路限速值或事故现场临时通行车道限速值；现实生活中，每一段路的道路限速值是唯一的；如果在事故现场设置了临时通行车道，临时通行车道的限速值也是唯一的。
如图4所示，为环境要素为正常天气的条件下，某绕城高速交通量-交通事故发生率曲线图，图中曲线为采用交通自然量计算后拟合的曲线；由曲线可知，以交通自然量400veh/h、1600veh/h两个阈值可大致将拟合曲线分成快速变化段、缓慢变化段、趋于平稳段三段；即，某绕城高速的预警区车流量阈值为400veh/h、1600veh/h。
以密度聚类法确定车速标准差阈值的计算方法，举例如下。
以正常天气、平直路段为例，统计辖区高速公路正常天气、平直路段的二次事故数据，分析事故发生时事故现场1的上游路段车辆的车速标准差。假设基于事故现场1所在路段的历史交通数据中事故发生时的所有车速标准差共有P个车速标准差；
可以找到车速标准差范围[σ1、σ2]，使P个车速标准差数据中落在[σ1、σ2]以内的数据不少于80％，同时满足[σ1、σ2]的范围最小，则对应的σ1、σ2的平均值作为车速标准差的阈值；
用这种方法找到正常天气、平直路段，正常天气、危险路段，不良天气、平直路段，不良天气、危险路段四种情况下的四个车速标准差阈值DS1、DC1、DS2、DC2。
交通流风险预判模型14根据中心处理模块13输入的事故现场的交通流特征要素数据对应的阈值构建事故现场对应的预判模型；基于输入的环境要素数据、交通流特征要素数据对事故发生现场的二次事故作出风险预测等级判断，并将风险预测等级传回给中心处理模块13。
中心处理模块13根据风险预测等级，作出预警措施判断，并将预警措施实时地发往后置预警装置3中的警示模块9；警示模块9实时的对进入预警区2的车辆5进行预警。中心处理模块13中，根据风险预测等级，实施不同的预警措施：交通流风险预判模型14回传的风险预测等级为A类风险，则中心处理模块13驱动警示模块9中后置声音预警模块12实施声音警示；如果风险预测等级是B类风险，则通过后置文字预警模块10实施文字警示；如果风险预测等级是C类风险，则通过后置灯光预警模块11实施灯光警示；如果风险预测等级是D类风险，无需实施预警措施。本专利技术方案中，针对不同的风险等级，实施不同的警示，从声音、灯光、文字几个方面实施预警措施，有效的避免了单一警示方法针对性差的问题发生，针对性强，警示效果明显，同时对周边环境影响小。
本专利中的前置声音预警模块6安装于所有驶入预警区2的车辆5的驾驶室内；前置车辆感知模块4、前置声音预警模块6之间基于DSRC技术或C-V2X技术通信连接；前置车辆感知模块4检测到前置声音预警模块6，即发送触发信号给前置声音预警模块6；前置声音预警模块6接收到触发信号后，发出警告音。具体实现时，前置声音预警模块6可以集成在车载单元(On board Unit,OBU)中，前置车辆感知模块4基于可移动式的路侧单元(Road SideUnit,RSU)实现。本发明采用前置来车主动预警和后置针对性主动预警相结合的系统性主动预警方式，有效提高对事故现场上游来车的警示效果，降低二次事故风险，安全防护效果突出；前置声音预警模块6安装在驾驶室内，采用语音警示驾驶人，车内语音对驾驶人的警示效果更好，可更有效地降低驾驶人闯入事故现场的风险。
Claims (9)
1.一种高速公路交通事故现场风险主动防控方法，其特征在于，其包括以下步骤：
S1：构建交通流风险预判模型；
所述交通流风险预判模型输入为事故现场的风险预警数据；所述交通流风险预判模型基于所述风险预警数据，对所述事故现场的二次事故发生风险进行计算，输出所述风险预警数据对应的风险预测等级；
所述风险预警数据包括：交通流特征要素数据、环境要素数据、道路线形数据；
所述交通流特征要素数据为进入所述事故现场来车方向的预警区的交通流信息数据，包括：预警区车流量、大车比例、车速、车速标准差；
所述环境要素数据为所述事故现场当下的天气状况，包括：正常天气、不良天气；
所述道路线形数据为所述事故现场所处的路段情况，包括：平直路段、危险路段；
S2：获取所述事故现场所在路段的历史交通数据；
基于历史交通数据中的所述风险预警数据和事故数据的关系，计算得到所述事故现场中所述交通流特征要素数据对应的阈值；
S3：将所述交通流特征要素数据对应的阈值输入到所述交通流风险预判模型中，获得所述事故现场所在路段对应的训练好的所述交通流风险预判模型；
S4：实时地获取所述事故现场的所述环境要素数据、所述交通流特征要素数据，输入到训练好的所述交通流风险预判模型中；所述交通流风险预判模型输出对应的风险预测等级；
S5：根据所述风险预测等级，在所述预警区中实施不同的预警措施；
所述预警措施包括：声音警示、文字警示、灯光警示；
S6：循环执行步骤S4～S5，直至交通事故处理完毕。
2.根据权利要求1所述一种高速公路交通事故现场风险主动防控方法，其特征在于：所述交通流风险预判模型输出的所述风险预测等级包括：A类风险、B类风险、C类风险、D类风险，由A类～D类，风险等级逐渐降低；所述D类风险为无需处理的低风险；
在训练好的所述交通流风险预判模型中，依次执行以下步骤对所述风险预测等级进行判断：
设：实时地输入到所述交通流风险预判模型中的预警区车流量为Qt，车速为V，大车比例为TP，车速标准差表示为σ；
b1：当所述环境要素数据为正常天气，所述道路线形数据为平直路段时，执行以下计算；
否则执行步骤b2；
设，在输入的所述交通流特征要素数据中，所述事故现场的预警区车流量的阈值为BS11、BS12，且BS11＜BS12，车速的阈值为VS1，大车比例的阈值为CS1，车速标准差的阈值为DS1；
当Qt＜BS11且Vi≤VS1，二次事故风险低；所述风险预测等级标记为：D类风险；
当Qt＜BS11且Vi＞VS1，二次事故风险高，所述风险预测等级标记为：A类风险；
当BS11≤Qt≤BS12且TP≤CS1，二次事故风险低；所述风险预测等级标记为：D类风险；
当BS11≤Qt≤BS12且TP＞CS1，二次事故风险高，所述风险预测等级标记为：B类风险；
当Qt＞BS12且σ≤DS1，二次事故风险低；所述风险预测等级标记为：D类风险；
当Qt＞BS12且σ＞DS1，二次事故风险高，所述风险预测等级标记为：C类风险；
b2：当所述环境要素数据为正常天气，所述道路线形数据为危险路段时，执行以下计算；
否则执行步骤b3；
设，在输入的所述交通流特征要素数据中，预警区车流量的阈值为BC11、BC12，且BC11＜BC12，车速的阈值为VC1，大车比例的阈值为CC1，车速标准差的阈值为DC1；
当Qt＜BC11且Vi≤VC1，二次事故风险低；所述风险预测等级标记为：D类风险；
当Qt＜BC11且Vi＞VC1，二次事故风险高，所述风险预测等级标记为：A类风险；
当BC11≤Qt≤BC12且TP≤CC1，二次事故风险低；所述风险预测等级标记为：D类风险；
当BC11≤Qt≤BC12且TP＞CC1，二次事故风险高，所述风险预测等级标记为：B类风险；
当Qt＞BC12且σ≤DC1，二次事故风险低；所述风险预测等级标记为：D类风险；
当Qt＞BC12且σ＞DC1，二次事故风险高，所述风险预测等级标记为：C类风险；
b3：当所述环境要素数据为不良天气，所述道路线形数据为平直路段时，执行以下计算；
否则执行步骤b4；
设，在输入的所述交通流特征要素数据中，预警区车流量的阈值为BS21、BS22，且BS21＜BS22，车速的阈值为VS2，大车比例的阈值为CS2，车速标准差的阈值为DS2；
Qt＜BS21且Vi≤VS2，二次事故风险低；所述风险预测等级标记为：D类风险；
Qt＜BS21且Vi＞VS2，二次事故风险高，所述风险预测等级标记为：A类风险；
BS21≤Qt≤BS22且TP≤CS2，二次事故风险低；所述风险预测等级标记为：D类风险；
BS21≤Qt≤BS22且TP＞CS2，二次事故风险高，所述风险预测等级标记为：B类风险；
Qt＞BS22且σ≤DS2，二次事故风险低；所述风险预测等级标记为：D类风险；
Qt＞BS22且σ＞DS2，二次事故风险高，所述风险预测等级标记为：C类风险；
b4：当所述环境要素数据为不良天气，所述道路线形数据为危险路段；
设，预警区车流量的阈值为BC21、BC22，且BC21＜BC21，车速的阈值为VC2，大车比例的阈值为CC2，车速标准差的阈值为DC2；
Qt＜BC21且Vi≤VC2，二次事故风险低；所述风险预测等级标记为：D类风险；
Qt＜BC21且Vi＞VC2，二次事故风险高，所述风险预测等级标记为：A类风险；
BC21≤Qt≤BC22且TP≤CC2，二次事故风险低；所述风险预测等级标记为：D类风险；
BC21≤Qt≤BC22且TP＞CC2，二次事故风险高，所述风险预测等级标记为：B类风险；
Qt＞BC22且σ≤DC2，二次事故风险低；所述风险预测等级标记为：D类风险；
Qt＞BC22且σ＞DC2，二次事故风险高，所述风险预测等级标记为：C类风险。
3.根据权利要求1所述一种高速公路交通事故现场风险主动防控方法，其特征在于：所述交通流特征要素数据中的预警区车流量、大车比例、车速、车速标准差的获得方法，详细如下所示：
所述预警区车流量为：单位时间内通过所述预警区的车辆数；基于来车方向进入所述预警区内车辆数目统计获得；
所述大车比例为：实时计算出预警区内所有车辆中车型为大车的车辆数目与总车辆数的比例；
所述车速为：进入所述预警区的每一辆车的车速；
所述车速标准差：基于每一辆车的车速，实时计算出当下在所述预警区内，所有的车量的车速标准差σ，计算方法如下：
其中，M为所述预警区的实时车辆总数，Vi表示第i辆车的车速，
表示所述预警区的实时平均车速。
4.根据权利要求1所述一种高速公路交通事故现场风险主动防控方法，其特征在于：步骤S2中，所述事故现场中所述交通流特征要素数据对应的阈值包括：
预警区车流量的阈值、车速的阈值、大车比例的阈值、车速标准差的阈值；
计算得到所述交通流特征要素数据对应的阈值的方法，具体包括以下步骤：
a1：获取所述事故现场所在路段的历史交通数据；
a2：获取所述历史交通数据中所有的道路交通事故数据中的预警区车流量、车速、大车比例、车速标准差，记做交通流特征要素历史数据；
a3：将所述交通流特征要素历史数据按照事故发生条件中的环境要素，得到分组数据；
a4：对每一组所述分组数据以小时为统计单位，计算得到交通事故率TAR：
其中，交通事故率TAR的单位为百万车事故次数/小时/公里；N为小时事故数，单位为起/小时；L表示路线长度，单位公里；Q表示小时交通量，单位为自然量/小时；
a5：将事故率与交通流量的数据进行拟合，做成交通量-交通事故发生率曲线图，横坐标为所述分组数据中的预警区车流量，纵坐标为交通事故率TAR；
a6：根据曲线线型，找到所述交通量-交通事故发生率曲线图的三个阶段状态：快速变化、缓慢变化、趋于平稳；
a7：横坐标上对应区分三个阶段状态的两个预警区车流量，即为预警区车流量阈值；
a8：将所述交通量-交通事故发生率曲线图中位于两个所述预警区车流量阈值之间的数据提取出来，将流量转换成对应的大车比例，做成大车比例-事故率曲线图，所述大车比例-事故率曲线图横坐标为大车比例的值，纵坐标为交通事故率；
根据所述大车比例-事故率曲线图的曲线线型，找到曲线两个阶段状态：快速变化、趋于平缓；横坐标上区分两个阶段状态的大车比例值，即为大车比例阈值；
a9：统计每一组所述分组数据中事故发生时的所有的车速标准差，按照密度聚类法确定车速标准差阈值；
a10：所述事故现场的预警区的车速阈值采用事故现场所在路段的道路限速值、或事故现场临时通行车道限速值。
5.根据权利要求1所述一种高速公路交通事故现场风险主动防控方法，其特征在于：步骤S5中，根据所述风险预测等级，实施不同的预警措施，详细包括以下内容：
针对A类风险实施声音警示，针对B类风险实施文字警示，针对C类风险实施灯光警示，D类风险无需实施预警措施。
6.一种高速公路交通事故现场风险主动防控系统，其特征在于，其包括：信息处理装置、通讯装置、后置预警装置；
事故现场的进车方向的上游方向设置预警区，所述后置预警装置设置在所述预警区和所述事故现场的交界处；
所述后置预警装置包含后置车辆感知模块、警示模块，所述后置车辆感知模块、所述警示模块分别与基于所述通讯装置与所述信息处理装置通信连接；所述后置车辆感知模块实时的采集进入所述预警区的车辆的实时交通流特征要素数据的基础数据，同时将所述交通流特征要素数据的基础数据实时地传送给所述信息处理装置；
所述信息处理装置中包括中心处理模块、交通流风险预判模型；
所述中心处理模块获得所述事故现场的路段信息、实时的环境要素数据；根据所述事故现场的路段信息采集所述事故现场的预警区车流量的历史交通数据；基于历史数据中的所述风险预警数据，计算得到所述事故现场的所述交通流特征要素数据对应的阈值；基于所述后置车辆感知模块实时传入的所述交通流特征要素数据的基础数据，计算得到实时的所述交通流特征要素数据；
所述中心处理模块将所有的阈值、所述环境要素数据、所述交通流特征要素数据传入到所述交通流风险预判模型中；
所述交通流风险预判模型，根据所述中心处理模块输入的所述事故现场的所述交通流特征要素数据对应的阈值构建所述事故现场对应的预判模型；基于输入的所述环境要素数据、所述交通流特征要素数据对事故发生现场的二次事故作出风险预测等级判断，并将所风险预测等级传回给所述中心处理模块；
所述中心处理模块根据所述风险预测等级，作出预警措施判断，并将所述预警措施实时地发往所述后置预警装置中的所述警示模块；
所述警示模块实时的对进入所述预警区的车辆进行预警。
7.根据权利要求6所述一种高速公路交通事故现场风险主动防控系统，其特征在于：所述后置车辆感知模块基于雷达实现，包括雷达和安装雷达的移动安装架；所述警示模块包括：后置文字预警模块、后置灯光预警模块、后置声音预警模块，所述后置文字预警模块基于显示屏实现，所述后置灯光预警模块基于闪光灯实现，所述后置声音预警模块基于声音功放装置实现。
8.根据权利要求6所述一种高速公路交通事故现场风险主动防控系统，其特征在于：其还包括前置预警装置，所述前置预警装置包括：前置车辆感知模块、前置声音预警模块。
所述前置车辆感知模块设置于所述预警区的驶入方向的上游起始段，所述前置声音预警模块安装于所有驶入所述预警区的车辆驾驶室内；所述前置车辆感知模块、所述前置声音预警模块之间基于DSRC技术或C-V2X技术通信连接；所述前置车辆感知模块检测到所述前置声音预警模块，即发送触发信号给所述前置声音预警模块；所述前置声音预警模块接收到触发信号后，发出警告音。
9.根据权利要求6所述一种高速公路交通事故现场风险主动防控系统，其特征在于：所述中心处理模块获得所述事故现场的路段信息后，通过联网方式访问交管数据库，采集所述事故现场的预警区车流量的历史交通数据；通过访问实时气象服务接口，获取所述事故现场的实时的环境要素数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110315140.8A CN113066287B (zh) | 2021-03-24 | 2021-03-24 | 一种高速公路交通事故现场风险主动防控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110315140.8A CN113066287B (zh) | 2021-03-24 | 2021-03-24 | 一种高速公路交通事故现场风险主动防控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113066287A true CN113066287A (zh) | 2021-07-02 |
| CN113066287B CN113066287B (zh) | 2022-04-26 |
Family
ID=76561804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110315140.8A Active CN113066287B (zh) | 2021-03-24 | 2021-03-24 | 一种高速公路交通事故现场风险主动防控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113066287B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808403A (zh) * | 2021-09-26 | 2021-12-17 | 公安部交通管理科学研究所 | 融合交管大数据的新能源汽车运行风险研判方法 |
| 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 |
| CN113888873A (zh) * | 2021-10-27 | 2022-01-04 | 李振宇 | 基于短时交通流的高速公路事故检测、预警系统及方法 |
| CN113963539A (zh) * | 2021-10-19 | 2022-01-21 | 交通运输部公路科学研究所 | 高速公路交通事故识别方法、模块及系统 |
| CN116128311A (zh) * | 2023-04-13 | 2023-05-16 | 深圳市明源云科技有限公司 | 工地交通安全风险预警方法、装置、设备及可读存储介质 |
| CN116844340A (zh) * | 2023-08-29 | 2023-10-03 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102431556A (zh) * | 2011-11-15 | 2012-05-02 | 武汉理工大学 | 基于车路协同的驾驶员一体化预警装置 |
| CN103578295A (zh) * | 2013-11-20 | 2014-02-12 | 东南大学 | 一种快速道路排队尾部追尾事故风险实时预测与预防方法 |
| CN105513425A (zh) * | 2016-01-18 | 2016-04-20 | 江苏大学 | 一种车辆碰撞风险算法及事故预警方法 |
| 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 |
| WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
| CN111815967A (zh) * | 2020-05-15 | 2020-10-23 | 中国市政工程华北设计研究总院有限公司 | 一种基于二次交通事故预防的高速公路动态限速控制方法 |
-
2021
- 2021-03-24 CN CN202110315140.8A patent/CN113066287B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102431556A (zh) * | 2011-11-15 | 2012-05-02 | 武汉理工大学 | 基于车路协同的驾驶员一体化预警装置 |
| CN103578295A (zh) * | 2013-11-20 | 2014-02-12 | 东南大学 | 一种快速道路排队尾部追尾事故风险实时预测与预防方法 |
| CN105513425A (zh) * | 2016-01-18 | 2016-04-20 | 江苏大学 | 一种车辆碰撞风险算法及事故预警方法 |
| WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
| 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 |
| CN111815967A (zh) * | 2020-05-15 | 2020-10-23 | 中国市政工程华北设计研究总院有限公司 | 一种基于二次交通事故预防的高速公路动态限速控制方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808403A (zh) * | 2021-09-26 | 2021-12-17 | 公安部交通管理科学研究所 | 融合交管大数据的新能源汽车运行风险研判方法 |
| CN113808403B (zh) * | 2021-09-26 | 2022-04-29 | 公安部交通管理科学研究所 | 融合交管大数据的新能源汽车运行风险研判方法 |
| 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 |
| CN113963539A (zh) * | 2021-10-19 | 2022-01-21 | 交通运输部公路科学研究所 | 高速公路交通事故识别方法、模块及系统 |
| CN113963539B (zh) * | 2021-10-19 | 2022-06-10 | 交通运输部公路科学研究所 | 高速公路交通事故识别方法、模块及系统 |
| CN113888873A (zh) * | 2021-10-27 | 2022-01-04 | 李振宇 | 基于短时交通流的高速公路事故检测、预警系统及方法 |
| CN116128311A (zh) * | 2023-04-13 | 2023-05-16 | 深圳市明源云科技有限公司 | 工地交通安全风险预警方法、装置、设备及可读存储介质 |
| CN116844340A (zh) * | 2023-08-29 | 2023-10-03 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
| CN116844340B (zh) * | 2023-08-29 | 2023-11-21 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113066287B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113066287B (zh) | 一种高速公路交通事故现场风险主动防控方法及系统 | |
| US11891071B2 (en) | Vehicle to vehicle telematics | |
| US10414407B1 (en) | Driving analysis using vehicle-to-vehicle communication | |
| CN112071061B (zh) | 基于云计算和数据分析的车辆服务系统 | |
| CN109859500A (zh) | 一种基于车路协同的高速合流区安全预警方法 | |
| CN106651162A (zh) | 一种基于大数据的驾驶风险评估方法 | |
| US20100205012A1 (en) | System and method for providing a user interface for vehicle mentoring system users and insurers | |
| CN112289054A (zh) | 道路安全预警方法、obu、rsu、mec设备及系统 | |
| Rahman et al. | Enhancing traffic safety at school zones by operation and engineering countermeasures: A microscopic simulation approach | |
| KR20050120679A (ko) | 위험에 따라 차량의 속도를 조절하는 방법 및 이러한방법을 실행하는 장치 | |
| CN103593886A (zh) | 用于监控和分析机动车辆驾驶员的驾驶行为的系统 | |
| CN102231231A (zh) | 区域公路网交通安全态势预警系统及其方法 | |
| CN110276954A (zh) | 基于北斗定位系统的车辆行驶行为综合评分方法 | |
| CN113129610B (zh) | 不利天气高速公路自适应可变限速与信息协同控制方法 | |
| CN111833632B (zh) | 基于导航定位的拥堵点拥堵车道精准定位提示方法 | |
| Sisiopiku | Variable speed control: Technologies and practice | |
| CN116543542B (zh) | 一种隧道入口运行风险定向预警设备布设方法 | |
| CN111915916A (zh) | 一种高速公路全路段的提示方法及系统 | |
| CN116189432A (zh) | 交通事故的调控方法和调控系统 | |
| CN211237114U (zh) | 一种交通智能诱导系统 | |
| CN210743208U (zh) | 一种电子智能交通监管系统 | |
| Lee et al. | Enhancing School Zone and School Bus Safety | |
| Hablas | A study of inclement weather impacts on freeway free-flow speed | |
| CN111341100A (zh) | 一种交通大数据采集预警系统 | |
| CN115171379B (zh) | 基于智慧交通的突发事件响应控制系统 |
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 |