CN113128872B - 一种城市快速路交通安全评价方法 - Google Patents
一种城市快速路交通安全评价方法 Download PDFInfo
- Publication number
- CN113128872B CN113128872B CN202110433128.7A CN202110433128A CN113128872B CN 113128872 B CN113128872 B CN 113128872B CN 202110433128 A CN202110433128 A CN 202110433128A CN 113128872 B CN113128872 B CN 113128872B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- vehicle speed
- speed
- cloud model
- index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 206010039203 Road traffic accident Diseases 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/067—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—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市快速路交通安全评价方法，包括如下步骤：S1：评价指标体系初选；S2：基于卷积神经网络对短时车速进行预测；S3：评价指标体系计算；S4：基于云模型的模糊综合评价。本发明采用上述城市快速路交通安全评价方法，从速度角度出发，构建评价指标体系，一定程度上弱化了指标选取的主观性和随意性，同时，基于卷积神经网络的短时车速预测方法，能有效提升预测的精确度。
Description
技术领域
本发明涉及交通安全技术领域，尤其是涉及一种城市快速路交通安全评价方法。
背景技术
为对城市快速路的交通进行安全评价，一般使用以下几种方法。统计学方法(例如事故率法等)，适用于预测周期长、区域范围大的路网；主成分分析方法，直观明了，但是侧重于道路安全性的比较分析；模糊综合评价法，主观意识太强，随机性比较大，评价结果缺乏可靠性；云模型方法，综合了交通安全定性概念的模糊性和随机性，将云模型与模糊综合评价结合使用，进一步降低模糊综合评价的主观性，从而提高评价结果的可靠性。
但是，目前在利用云模型进行交通安全评价时，评价指标的选取存在片面性和主观性，导致不同指标得到的安全评价等级存在一定差异。申请人鉴于速度与交通安全的密切关系，从速度指标出发进行交通安全评价，并结合人工智能的卷积神经网络进行短时车速预测，为城市交通安全评价提供了新思路。
发明内容
本发明的目的是提供了一种城市快速路交通安全评价方法，用于解决云模型进行交通安全评价是存在片面性与主观性的问题。
为实现上述目的，本发明提供了城市快速路交通安全评价方法，包括如下步骤：
S1：评价指标体系初选
从车速连续性、离散性和协调性出发进行评价指标初选；
S2：基于卷积神经网络对短时车速进行预测
鉴于速度的时空特性，构造卷积神经网络进行车速预测；
S3：评价指标体系计算
依据灰色关联度分析速度指标与交通安全之间的关系，选取灰色关联度大的指标作为最终的评价指标体系；将预测得到的车速值代入评价指标体系，从而获得评价指标体系的计算值；
S4：基于云模型的模糊综合评价
建立标准云模型以及结果云模型，将结果云模型与标准云模型比较，从而得到直观的评价结果。
优选的，所述S1的具体过程如下：
S11：车速连续性分析
断面瞬时速度差ΔV＝max{|V85i-V85i+1|}，i＝1，2，…，n-1；
车速降低系数SRC＝V85i/V85i+1
式中，V85i和V85i+1分别为第i和第i+1个断面的第85％车辆运行车速，n表示断面总个数；
S12：车速离散性分析
车速标准差
V85与V15车速之差ΔV＝V85-V15
车速标准差变异系数
式中，Vi为样本路段第i辆车速，
为样本路段的平均速度值，n为样本路段车辆总数；V85为样本路段第85％位车辆车速，V15为样本路段第15％位车辆车速；
车速集散度
式中，ΔVi为第i个断面第85％位运行车辆车速与平均车速之差，即单位长度内的速度梯度，li为第i个断面对应的起点里程桩号，li+1为第i+1个断面对应的起点里程桩号，L为里程长度，n为里程长度L内断面个数；
S13：车速协调性分析
运行车速与设计速度之差ΔV＝max{|Vi-Vi，d|}
运行车速与限速值之差ΔV＝max{|Vi-Vi，l|}
式中，Vi为第i个断面的平均车速，Vi，d为第i个断面的设计车速，Vi，l为第i个断面在降雨时的限制车速。
优选的，所述S2步骤具体过程为：
S21：构造卷积层
第一层卷积的输入为12x12，使用8个5x5的卷积核提取输入矩阵的特征，卷积运算步长为1，采用0对矩阵边缘填充；第二层卷积的输入为12x12，使用12个3x3的卷积核提取输入矩阵的特征，卷积运算步长为1，采用1对矩阵边缘填充；卷积神经网络输出特征图大小的计算公式：
式中，P为边缘填充的数量，K为卷积核和池化区域的大小，S为计算操作的步长；
S22：激活函数修正
采用的激活函数为Relu，Relu的计算公式为：
f(x)＝max(0，x)
S23：构造池化层
选用最大池化的方法对卷积运算的结果进行池化，每一层池化层大小为2x2，步长为2；两个池化层分别为Pooll和Poo12，Pool1的特征图的大小为6X6，Pool2的特征图的大小为3X3；
S24：构造全连接层
池化层之后是全连接层，该层可以将池化结果以特征向量的形式呈现，模型输出为实际值；在Fc3层之后，使用Fc4层对Fc3层的特征向量整合，并且将分类中的最大概率值作为最终输出的特征值。
优选的，所述S3的过程为：
S31：确定评价指标体系
(1)确定指标数据的实验数据X′i和参考数据X′0
X′i＝(x′i(1)，x′i(2)，…，x′i(m))T，i＝1，2，...，n
X′0＝(x′0(1)，x′0(2)，…，x′0(m))，i＝1，2，...，n
式中，n为评价对象的总个数，m为指标的个数；
(2)确定实验序列Xi和参考序列X0
使用初值化法对指标数据进行无量纲化处理，无量纲化后的数据序列分别为：
Xi＝(x0(1)，x1(2)，…，xn(m))T，i＝1，2，…，n；
X0＝(x0(1)，x0(2)，…，x0(m))T
式中，n为评价对象的总个数，m为指标的个数；
(3)逐个计算实验序列与参考序列对应指标的绝对差值
|x0(k)-xi(k)|，k＝1，2，…，m；i＝1，2，…，n；
式中，n为评价对象的总个数，m为指标的个数；
(4)确定两级差值
式中，评价对象的总个数，m为指标的个数；
(5)计算关联系数
分别计算每个实验序列与参考序列对应指标的关联系数
式中，ρ为分辨系数，ρ的取值范围为(0,1)；
(6)计算关联序
分别计算实验序列与参考序列对应指标的关联系数的均值，以反映各评价对象与参考序列的关联关系，并称其为关联序，记为：
式中，m为指标的个数，ζi(k)为实验序列与参考序列对应指标的关联系数；
(7)关联度排序
将上述关联序按大小进行排列，当r0＜ri，参考序列X0与比较序列Xi关联度更大，反之则关联度越小；
S32：评价指标体系计算
通过计算速度特性指标与交通事故率之间的灰色关联度，选择关联度位于前四的指标作为速度特性的代表，分别计算评价指标值。
优选的，所述步骤S4的具体过程为：
S41：确定标准云模型
将研究路段划定安全等级并设置分值以及标准云模型参数，然后根据标准云模型参数构建标准云模型；
S42：确定指标权重矩阵
利用层次分析法计算各指标的权重，利用1-9标度法对评价指标两两之间的重要度进行评价，构造判断矩阵；然后利用逆向云发生器获得结果云模型的期望Ex、熵En和超熵He，最终得到如下权重矩阵W：
W＝[Ex，En，He]
S43：确定评判矩阵
对评价指标进行双边约束打分，利用逆向云发生器计算综合云，以综合云作为模糊评价的评判矩阵R；
S44：评价结果及分析
利用权重矩阵W和评判矩阵R求得结果云模型参数B，
B＝WT·R
依据结果云模型参数绘制结果云模型，然后对结果云模型与标准云模型进行比较。
优选的，所述全连接层输入数据的大小与形式确定为12x12矩阵，即将快速路划分为12个路段；然后利用Python编程对卷积神经网络进行训练，最后利用均方误差、平均绝对误差、绝对百分比误差进行结果检验，确保预测精度。
优选的，所述安全等级分为分为五级：安全、较安全、一般、较危险、危险。
优选的，所述S42步骤还包括对判断矩阵的一致性检验
本发明采用上述结构的城市快速路交通安全评价方法，具有如下优点：
1、从速度角度出发，避开了交通安全评价指标复杂的筛选和获取，在确保准确定的同时简单易行。
2、车速预测时，采用卷积神经网络的方法，相比传统的BP神经网络等具有较高的预测精度，能精确预测短时车速。
3、将云模型与模糊综合评价的方法相结合，实现定性与定量之间的转换，一定程度上弱化了主观性和随意性，能够很好的用于解决不确定性问题。
附图说明
图1为本发明实施例的总体结构流程图；
图2为本发明实施例的标准云模型图；
图3为本发明实施例的标准云模型图与结果云模型的比较图。
具体实施方式
以下结合附图和实施例对本发明的技术方案作进一步说明。
如图所示的一种城市快速路交通安全评价方法，包括如下步骤：
S1：评价指标体系初选
从车速连续性、离散性和协调性出发进行评价指标初选。
S2：基于卷积神经网络对短时车速进行预测
鉴于速度的时空特性，卷积神经网络的矩阵输入可以很好的表征速度的时空特性，构造卷积神经网略进行短时车速预测，预测结果可用于计算评价指标。
S3：评价指标体系计算
依据灰色关联度分析速度指标与交通安全之间的关系，选取灰色关联度大的指标作为最终的评价指标体系，代入S2中预测得到的速度值，即可获得评价指标体系的计算值。
S4：基于云模型的模糊综合评价
用云模型的数字特征取代隶属度函数，可以有效解决模糊综合评价时隶属度函数的选择问题，提高模型的评价效果，因此，本发明考虑基于云模型的模糊综合评价方法，将模糊综合评价中的评判矩阵、权重矩阵用云模型的数字特征取代，建立基于云模型的模糊综合评价法。建立标准云模型以及结果云模型，将结果云模型与标准云模型比较，从而得到直观的评价结果。
为方便理解，申请人基于详细数据对上述方法进行拆分详解。
S1中对评价指标体系初选，具体过程为：
S11：车速连续性分析
(1)断面瞬时速度差
ΔV＝max{|V85i-V85i+1|}，i＝1，2，…，n-1
式中，V85i和V85i+1分别为第i和第i+1个断面的85％运行车速，n表示断面总个数。
(2)车速降低系数
SRC＝V85i/V85i+1
式中，V85i和V85i+1分别为第i和第i+1个断面的85％运行车速。
S12：车速离散性分析
(1)车速标准差
式中，vi样本路段第i辆车观测速度值；n样本路段观测车辆样本总数。
(2)V85与V15车速之差
ΔV＝V85-V15
(3)车速标准差变异系数(Standard Deviation Ratio，SDR)
式中，CV为样本路段平均车速标准差变异系数；
为样本路段平均车速(km/h)；SD为样本路段平均车速标准差(km/h)。
(4)车速集散度S
式中，ΔVi为第i个断面第85％位运行车速与平均车速之差，即单位长度内的速度梯度(m/s)；li为第i个断面对应的起点里程桩号(m)；li+1为第i+1个断面对应的起点里程桩号(m)；L为里程长度(m)；n为里程长度L内断面的总个数。
S13：车速协调性分析
(1)运行车速与设计速度之差
ΔV＝max{|Vi-Vi，d|}
式中，Vi为第i个断面的平均车速；Vi，d为第i个断面的设计车速。
(2)运行车速与限速值之差
ΔV＝max{|Vi-Vi，l|}
式中，Vi为第i个断面的平均车速；Vi，l为第i个断面在降雨时对应的限制车速。
S2中基于卷积神经网络的短时车速预测，具体过程为：
S21：卷积层构造
输入层数据为12X12的正方形矩阵，则第一层卷积Conv1的输入为12X12，使用8个大小为5X5的卷积核提取输入矩阵的特征，即参数K＝5；卷积运算的步长为1，即S＝1，为了充分考虑输入矩阵边缘数据对卷积计算的影响，采用0进行输入矩阵边缘填充，结合卷积神经网络输出特征图大小的计算公式：
式中，P为边缘填充的数量；K为卷积核和池化区域的大小；S为计算操作的步长。
在对每层进行卷积计算之后，将使用Relu层进行校正，然后将子采样层进行池化计算。在实际的卷积计算过程中，为了考虑网络的深度控制和不同结构的层之间特征图传递的对应性，相邻两层的特征图之间在大多数时候都不是一一对应的。因此第二层卷积Conv2使用12个大小为3X3的卷积核提取输入矩阵的特征，边缘填充的大小为1。
S22：激活函数
采用的激活函数为Relu(Rectified Linear Unit，修正线性单元)，如图所示，Relu层的计算公式为：
f(x)＝max(0，x)
S23：池化层的构造
选用最大池化的方法对卷积运算的结果进行池化，可以有效保留快速路的速度信息，两个池化层分别为Pool1和Poo12，每一层池化层大小为2X2，步长为2，即S＝2。由此可知，Pool1的特征图的大小为6X6，Pool2的特征图的大小为3X3。
S24：全连接层的构造
根据以上各层的构造，第二层池化层之后是全连接层，该层可以将池化结果以特征向量的形式呈现，基于预测结果，模型输出应为实际值，因此无法直接使用Fc3层的输出特征向量。在Fc3层之后，需要添加全连接层Fc4以整合Fc3层的特征向量，并且将分类中的最大概率值计算为最终输出的特征值。卷积神经网络参数参考图1左下角单元。
模型输入数据的大小与形式确定为12X12，将快速路划分为12个路段。利用Python编程对卷积神经网络进行训练，利用均方误差(Mean Square Error，MSE)、平均绝对误差(Mean Absolute Error，MAE)、绝对百分比误差(Mean Absolute Percentage Error，MAPE)进行结果检验，确保预测精度。
S25：实例计算
以广州市广园快速路为例进行分析，获取的数据包括2016年8月1日-2016年9月30日共计61天的及短时车速数据，短时车速的采集间隔为10min，间隔数144，采集点共计35个，可以将路段划分为35段。
表1快速路部分检测路段短时速度数据
选取前23天的数据作为训练数据，9.15、9.16共计2天的数据作为测试数据，9.29和9.30共计2天的数据作为预测数据，利用Python编程对卷积神经网络进行训练，预测误差如下表：
表2预测误差表
基于卷积神经网络的快速路短时车速预测模型能够较准确地预测车速的周期性变化规律。
S3中评价指标体系计算，具体过程为：
S31：评价指标体系确定
采用灰色关联度分析，测量各因素之间重要性的相对大小，具体分析步骤如下：
(1)根据分析目的确定分析指标体系，收集分析数据
设n个数据序列形成如下矩阵(实验序列)：
简化为：
X′i＝(x′i(1)，x′i(2)，…，x′i(m))T，i＝1，2，...，n
其中，n为评价对象的总个数，m为指标的个数。
(2)确定参考序列
参考数据列应该是一个理想的比较标准，可以以各指标的最优值(或最劣值)构成参考数据列，也可根据评价目的选择其它参照值。记作
X′0′＝(x′0(1)，x′0(2)，…，x′0(m))
其中，n为评价对象的总个数，m为指标的个数。
(3)对指标数据进行无量纲化
由于系统中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，或在比较时难以得到正确的结论。因此在进行灰色关联度分析时，一般都要进行无量纲化的数据处理。常用的无量纲化方法有均值化法、初值化法和
变换等。
i＝0，1，…，n；k＝1，2，…，m；
初值化法无量纲化后的实验序列形成如下矩阵：
简化为：
Xi＝(x0(1)，x1(2)，…，xn(m))T，i＝1，2，…，n；
相应的，参考序列为：
X0＝(x0(1)，x0(2)，…，x0(m))T
其中，n为评价对象的总个数，m为指标的个数。
(4)逐个计算每个被评价对象(实验序列)与参考序列对应元素的绝对差值
|x0(k)-xi(k)|，k＝1，2，…，m；i＝1，2，…，n；
式中，n为评价对象的总个数，m为指标的个数；
(5)确定两级差值
式中，n为评价对象的总个数，m为指标的个数；
(6)计算关联系数
分别计算每个实验序列与参考序列对应指标的关联系数
其中，ρ为分辨系数，0<ρ<1。若ρ越小，关联系数间差异越大，区分能力越强。通常ρ取0.5。
(7)计算关联序
对各评价对象(比较序列)分别计算其个指标与参考序列对应元素的关联系数的均值，以反映各评价对象与参考序列的关联关系，并称其为关联序，记为：
(8)关联度排序
按照上述计算出的关联度大小进行排序，当r0<ri，说明参考数列X0与比较数列Xi关联度更大，反之则关联度越小。
表3灰色关联度结果
通过计算速度特性指标与城市快速路交通事故率之间的灰色关联度，选择关联度位于前四的指标作为速度特性的代表，分别是车速标准差变异系数、车速降低系数、V85与V15车速之差、运行车速与限速值之差，分别记为X1、X2、X3、X4。
S32：评价指标体系计算
对2016年9月29日17:00-19:00时段的广州市广园路L8进行安全评价为例，利用训练好的网络预测快速路L8路段和L9路段9.29日17:00-19:00两个监测点的运行速度，结果如下表所示：
表4预测车速表
根据步骤一中评价指标的计算过程和上述预测车速值，计算求得评价指标值：
(1)车速标准差变异系数
(2)V85与V15车速之差
X2＝V85-V15＝35.84km/h-32.81km/h＝3.03km/h
(3)车速降低系数
(4)运行车速与限速值之差
X4＝Vi，l-Vi＝60km/h-34.66km/h＝25.34km/h
S4中基于云模型的模糊综合评价，具体过程为：
S41：确定评价标准云
将研究路段的等级分为五级：安全、较安全、一般、较危险、危险，云的数字特征包括期望、熵和超熵三种，一般可以表示为(Ex，En，He)，用MATLAB绘制评价标准云。
表5评价标准云模型
利用MATLAB绘制上述评价标准云如图2所示。
S42：确定指标权重矩阵
利用层次分析法(AHP)计算各指标的权重，并进行一致性检验。
(1)构建判断矩阵A
利用1-9之间的数字对指标两两之间的重要度进行评价，表示两个指标之间的相对重要性大小，得到判断矩阵。
表6重要性标度
(2)计算A的特征向量W
W＝[w1，w2，…，wn]T
式中
(3)计算A的最大特征值λmax
(4)进行一致性检验
①计算一致性指数CI＝(λmax-n)/(n-1)
②随机一致性比率计算
平均一致性指数RI的取值如表7，根据表中的RI取值，可以计算出CR的值，一般CR的取值以0.1为界限，大于0.1则认为不满足一致性要求，应进行调整矩阵，小于等于0.1则满足一致性要求，可以被接受。
表7随机平均一致性指标的取值
采用AHP法确定权重矩阵如下：
表8判断矩阵
利用逆向云发生器，过程如下：
Step1：由Wi来求得样本均值
一阶样本绝对中心距
求得样本方差
Step2：
Step3：
Step4：根据
求得He。
计算得到权重矩阵为：
W＝[Ex，En，He]＝[0.167，0.136，0.022]
S43：确定评判矩阵
邀请若干位专家对评价指标进行双边约束打分，利用逆向云发生器计算综合云。
表9指标综合云计算结果
即以表中的综合云作为模糊评价的评判矩阵：
S44：评价结果及分析
利用云模型之间的运算方法，求得最终的评价结果，由模糊综合计算公式可得出：
利用MATLAB将此评价综合云模型绘制于评价标准云中，由云图3所示的云图(介于较安全与安全之间的峰值)可以看出城市快速路交通安全的评价综合云与评价标准云的较安全比较接近。因此，可以认为该路段，所处的安全等级是较安全。
以上是本发明的具体实施方式，但本发明的保护范围不应局限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，因此本发明的保护范围应以权利要求书所限定的保护范围为准。
Claims (8)
1.一种城市快速路交通安全评价方法，其特征在于，包括如下步骤：
S1：评价指标体系初选
从车速连续性、离散性和协调性出发进行评价指标初选；其中，连续性的评价指标包括断面瞬时速度差和车速降低系数，离散性的评价指标包括车速标准差、V85与V15车速之差、车速标准差变异系数和车速集散度，协调性的评价指标包括运行车速与设计速度之差和运行车速与限速值之差；其中，V85为样本路段第85％位车辆车速，V15为样本路段第15％位车辆车速；
S2：基于卷积神经网络对短时车速进行预测
鉴于速度的时空特性，构造卷积神经网络进行车速预测；
S3：评价指标体系计算
依据灰色关联度分析速度指标与交通安全之间的关系，选取灰色关联度大的指标作为最终的评价指标体系；将预测得到的车速值代入评价指标体系，从而获得评价指标体系的计算值；
S4：基于云模型的模糊综合评价
建立标准云模型以及结果云模型，将结果云模型与标准云模型比较，从而得到直观的评价结果。
2.根据权利要求1所述的城市快速路交通安全评价方法，其特征在于，所述S1的具体过程如下：
S11：车速连续性分析
断面瞬时速度差ΔV＝max{|V85i-V85i+1|},i＝1,2,…,n-1；
车速降低系数SRC＝V85i/V85i+1
式中，V85i和V85i+1分别为第i和第i+1个断面的第85％车辆运行车速，n表示断面总个数；
S12：车速离散性分析
车速标准差
V85与V15车速之差ΔV＝V85-V15
车速标准差变异系数
式中，Vi为样本路段第i辆车速，
为样本路段的平均速度值，n为样本路段车辆总数；V85为样本路段第85％位车辆车速，V15为样本路段第15％位车辆车速；
车速集散度
式中，ΔVi为第i个断面第85％位运行车辆车速与平均车速之差，即单位长度内的速度梯度，li为第i个断面对应的起点里程桩号，li+1为第i+1个断面对应的起点里程桩号，L为里程长度，n为里程长度L内断面个数；
S13：车速协调性分析
运行车速与设计速度之差ΔV＝max{|Vi-Vi,d|}
运行车速与限速值之差ΔV＝max{|Vi-Vi,l|}
式中，Vi为第i个断面的平均车速，Vi,d为第i个断面的设计车速，Vi,l为第i个断面在降雨时的限制车速。
3.根据权利要求1所述的城市快速路交通安全评价方法，其特征在于，所述S2步骤具体过程为：
S21：构造卷积层
第一层卷积的输入为12x12，使用8个5x5的卷积核提取输入矩阵的特征，卷积运算步长为1，采用0对矩阵边缘填充；第二层卷积的输入为12x12，使用12个3x3的卷积核提取输入矩阵的特征，卷积运算步长为1，采用1对矩阵边缘填充；卷积神经网络输出特征图大小的计算公式：
式中，P为边缘填充的数量，K为卷积核和池化区域的大小，S为计算操作的步长；
S22：激活函数修正
采用的激活函数为Relu，Relu的计算公式为：
f(x)＝max(0,x)
S23：构造池化层
选用最大池化的方法对卷积运算的结果进行池化，每一层池化层大小为2x2，步长为2；两个池化层分别为Pool1和Poo12，Pool1的特征图的大小为6X6，Pool2的特征图的大小为3X3；
S24：构造全连接层
池化层之后是全连接层，该层可以将池化结果以特征向量的形式呈现，模型输出为实际值；在Fc3层之后，使用Fc4层对Fc3层的特征向量整合，并且将分类中的最大概率值作为最终输出的特征值。
4.根据权利要求1所述的城市快速路交通安全评价方法，其特征在于，所述S3的过程为：
S31：确定评价指标体系
(1)确定指标数据的实验数据X′i和参考数据X′0
X′i＝(x′i(1)，x′i(2)，…，x′i(m))T，i＝1，2，…，n
X′0＝(x′0(1)，x′0(2)，…，x′0(m))，i＝1，2，…，n
式中，n为评价对象的总个数，m为指标的个数；
(2)确定实验序列Xi和参考序列X0
使用初值化法对指标数据进行无量纲化处理，无量纲化后的数据序列分别为：
Xi＝(x0(1),x1(2),…，xn(m))T,i＝1,2,…,n；
X0＝(x0(1),x0(2),…，x0(m))T
式中，n为评价对象的总个数，m为指标的个数；
(3)逐个计算实验序列与参考序列对应指标的绝对差值
|x0(k)-xi(k)|,k＝1,2,…,m；i＝1,2,…,n；
式中，n为评价对象的总个数，m为指标的个数；
(4)确定两级差值
式中，评价对象的总个数，m为指标的个数；
(5)计算关联系数
分别计算每个实验序列与参考序列对应指标的关联系数
式中，ρ为分辨系数，ρ的取值范围为(0,1)；
(6)计算关联序
分别计算实验序列与参考序列对应指标的关联系数的均值，以反映各评价对象与参考序列的关联关系，并称其为关联序，记为：
式中，m为指标的个数，ζi(k)为实验序列与参考序列对应指标的关联系数；
(7)关联度排序
将上述关联序按大小进行排列，当r0<ri，参考序列X0与比较序列Xi关联度更大，反之则关联度越小；
S32：评价指标体系计算
通过计算速度特性指标与交通事故率之间的灰色关联度，选择关联度位于前四的指标作为速度特性的代表，分别计算评价指标值。
5.根据权利要求1所述的城市快速路交通安全评价方法，其特征在于：所述步骤S4的具体过程为：
S41：确定标准云模型
将研究路段划定安全等级并设置分值以及标准云模型参数，然后根据标准云模型参数构建标准云模型；
S42：确定指标权重矩阵
利用层次分析法计算各指标的权重，利用1-9标度法对评价指标两两之间的重要度进行评价，构造判断矩阵；然后利用逆向云发生器获得结果云模型的期望Ex、熵En和超熵He，最终得到如下权重矩阵W：
W＝[Ex,En,He]
S43：确定评判矩阵
对评价指标进行双边约束打分，利用逆向云发生器计算综合云，以综合云作为模糊评价的评判矩阵R；
S44：评价结果及分析
利用权重矩阵W和评判矩阵R求得结果云模型参数B，
B＝WT·R
依据结果云模型参数绘制结果云模型，然后对结果云模型与标准云模型进行比较。
6.根据权利要求3所述的城市快速路交通安全评价方法，其特征在于：所述全连接层输入数据的大小与形式确定为12x12矩阵，即将快速路划分为12个路段；然后利用Python编程对卷积神经网络进行训练，最后利用均方误差、平均绝对误差、绝对百分比误差进行结果检验，确保预测精度。
7.根据权利要求5所述的城市快速路交通安全评价方法，其特征在于：所述安全等级分为五级：安全、较安全、一般、较危险、危险。
8.根据权利要求5所述的城市快速路交通安全评价方法，其特征在于：所述S42步骤还包括对判断矩阵的一致性检验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110433128.7A CN113128872B (zh) | 2021-04-22 | 2021-04-22 | 一种城市快速路交通安全评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110433128.7A CN113128872B (zh) | 2021-04-22 | 2021-04-22 | 一种城市快速路交通安全评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113128872A CN113128872A (zh) | 2021-07-16 |
| CN113128872B true CN113128872B (zh) | 2022-03-04 |
Family
ID=76778813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110433128.7A Active CN113128872B (zh) | 2021-04-22 | 2021-04-22 | 一种城市快速路交通安全评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128872B (zh) |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10853720B1 (en) * | 2017-04-26 | 2020-12-01 | EMC IP Holding Company LLC | Traffic condition forecasting using matrix compression and deep neural networks |
| CN109711591B (zh) * | 2017-10-25 | 2022-02-01 | 腾讯科技（深圳）有限公司 | 一种路段速度预测方法、装置、服务器及存储介质 |
| US10936914B2 (en) * | 2018-07-31 | 2021-03-02 | International Business Machines Corporation | Convolutional neural network with augmentation features |
| US10825446B2 (en) * | 2018-11-14 | 2020-11-03 | International Business Machines Corporation | Training artificial intelligence to respond to user utterances |
| CN109829607A (zh) * | 2018-12-17 | 2019-05-31 | 东南大学 | 一种城市交通可持续发展的综合评价方法 |
| CN109544999B (zh) * | 2019-01-14 | 2021-03-26 | 中国民航大学 | 一种基于云模型的空中交通网络可靠性评价方法 |
| CN110705854A (zh) * | 2019-09-20 | 2020-01-17 | 中国科学技术大学 | 一种驾驶水平评估方法及系统 |
| US10956808B1 (en) * | 2020-03-12 | 2021-03-23 | Fractal Analytics Private Limited | System and method for unsupervised anomaly detection |
| CN112116263B (zh) * | 2020-09-25 | 2023-09-12 | 安徽百诚慧通科技股份有限公司 | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 |
-
2021
- 2021-04-22 CN CN202110433128.7A patent/CN113128872B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113128872A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517485B (zh) | 一种基于时段划分的短时交通流预测方法 | |
| CN111915059B (zh) | 基于注意力机制的Seq2seq泊位占有率预测方法 | |
| CN104200687B (zh) | 一种驾驶员速度控制行为监测装置及监测方法 | |
| CN110220725B (zh) | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 | |
| CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
| CN109544926B (zh) | 一种基于路口相关性的交通流量修复方法 | |
| CN114015825B (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
| CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| CN113470362A (zh) | 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 | |
| CN104599500A (zh) | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 | |
| CN114022000A (zh) | 基于模糊综合评价的车辆道路运输风险评估方法及系统 | |
| CN107273605A (zh) | 基于多重分类器系统的实测轴载谱确定方法 | |
| CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
| CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
| Chu et al. | Traffic flow prediction model based on LSTM with Finnish Dataset | |
| CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
| CN111707343A (zh) | 一种确定车辆重量的方法及装置 | |
| CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
| CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
| CN113128872B (zh) | 一种城市快速路交通安全评价方法 | |
| CN110704789B (zh) | 一种依托“城市超脑”计算平台的人口动态测算方法和系统 | |
| 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 | |
| CN111932081A (zh) | 一种电力信息系统运行状态评估方法及系统 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
| CN116151472A (zh) | 一种基于车联网数据挖掘的电动汽车短期能耗预测方法 |
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 |