CN113313357A - 一种基于高斯过程回归分析的交通道路安全评价方法 - Google Patents

Abstract

本发明公开了一种基于高斯过程回归分析的道路交通安全评价方法，涉及交通安全技术领域，通过在目标区域内随机选取预设数量条交通道路，提取该交通道路中的预设类型改造措施，获取预设类型改造措施执行之前一段时间周期内发生的交通事故、以及交通事故数据，并对交通事故进行分类，在执行预设类型改造措施后，预测相同时间周期内发生的交通事故数量，进一步计算发生交通事故的概率，同时，获取在相同时间周期内执行改造措施后实际发生的交通事故、以及交通事故数据，计算交通安全有效因子，根据交通安全有效因子更新交通道路改造措施，更新交通安全评价结果。通过本发明的技术方案提高交通事故预测、交通安全评价的精确度、以及可信度。

Description

一种基于高斯过程回归分析的交通道路安全评价方法

技术领域

本发明涉及交通安全技术领域，具体而言涉及一种基于高斯过程回归分析的交通道路安全评价方法。

背景技术

为了满足日益增长的城市交通需求和改善老旧道路设施的需求，许多城市都对老城区的老旧路段或交叉口或道路设施进行了翻新改造，如路面重新铺装、路线优化设计、道路拓宽等，道路交通安全一直是人们关注的重点问题，对交通道路安全进行正确精准的评价，有助于获取影响交通安全的因素，并且对现有的交通安全状况进行改善。

现有技术中，申请号为201911262121.2的中国专利申请公开了一种基于预测事故率分级的公路安全评价方法，通过对某一路段可能发生事故的频率和严重性来评价公路的安全性，获得的评价结果有利于减少和预防交通事故的发生，但是根据输出的事故预测评价结果判定公路的安全等级，在进行交通事故的预测过程中存在一定的误差，精确度不高，以至于不能准确的通过交通改造措施减少交通事故的发生，由于交通量增加和其他环境的改变，显然不能通过直接比较改造前后的事故数量来评价交通安全是否有所提高，因此，如何科学合理地预测交通事故数量是十分重要的。

发明内容

本发明的目的在于提供一种基于高斯过程回归分析的交通道路安全评价方法，以解决现有技术中的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于高斯过程回归分析的道路交通安全评价方法，通过对目标区域内交通道路上发生的交通事故进行识别处理，根据识别处理结果对交通道路进行安全评价，包括以下步骤：

步骤A、在目标区域内随机选取预设数量条交通道路，分别针对各条交通道路，提取该交通道路中的预设类型改造措施；

步骤B、针对各条交通道路，获取预设类型改造措施执行之前一段时间周期内发生的交通事故、以及交通事故数据，所述交通事故数据包括发生交通事故时事故车辆的驾驶速度、车辆在交通道路上行驶的平均速度、以及交通道路的车流量；

步骤C、将时间周期划分为各个预设单位时间，在每个预设单位时间内根据交通事故数据将发生的交通事故分为严重事故和轻微事故，所述严重事故包括：有人员伤亡的交通事故、发生交通事故时车辆在交通道路上行驶的平均速度小于预设阈值的交通事故，所述轻微事故包括：有财产损失的交通事故、发生交通事故时车辆在交通道路上行驶的平均速度大于预设阈值的交通事故；

步骤D、分别针对各条发生交通事故的交通道路，执行预设类型改造措施，预测相同时间周期内发生的交通事故数量，进一步计算发生交通事故的概率，同时，获取在相同时间周期内执行改造措施后实际发生的交通事故、以及交通事故数据；

步骤E、根据预测的交通事故发生数量、以及实际发生的交通事故数量，获得交通道路改造措施的交通安全有效因子，根据交通安全有效因子更新交通道路改造措施，更新交通安全评价结果。

进一步地，步骤D中预测相同时间周期内发生的交通事故数量，进一步计算发生交通事故的概率，包括以下步骤：

步骤D1、应用高斯过程对交通事故数量进行预测，根据公式：

y～GP(m,K)

其中，y为预测的交通事故数量，GP(m,K)为高斯过程，m为高斯过程中的均值，K为高斯过程中的协方差函数；

步骤D2、高斯过程中定义的y的先验函数是由一个随机过程定义的随机函数y(x)，随机函数从n维正态分布中预先指定n个一次抽样值，计算n个抽样值中任意两个抽样值的协方差，K(x_i,x_j)是第i个抽样值x_i和第j个抽样值x_j的协方差，i、j的取值为1至n-1：

其中，τ代表模型的尺度，模型的尺度服从参数正态分布，对应的参数取值为τ～Inv-gamma(2,4)，Inv为反τ分布，gamma(2,4)为服从参数2,4的伽马分布，l代表模型的光滑度，模型的光滑度服从正态分布，对应的参数取值l～N(0,0.5)，|x_i-x_j|²是两个抽样值在分布中的欧式距离，进一步得到抽样值对应的协方差矩阵K；

结合协方差矩阵，随机函数的n维正态分布表示为：

y(x₁),…,y(x_n)～N(m(x₁),…,m(x_n),K)

其中均值m(x)＝βX，X为交通事故数据集矩阵，β为线性系数矩阵，均值m(x)与交通事故数据集呈线性相关；

步骤D3、使用线性回归对预测交通事故数量生成链接函数，获得交通事故数量的预测结果，

其中，i为服从正态分布的第i个预先指定的一次抽样值，y为对应的预测交通事故数量。

进一步地，所述步骤E中，根据预测的交通事故发生数量以及实际发生的交通事故数量获得交通道路改造措施的交通安全有效因子θ，根据公式：

θ＝(λ/y)/[1+VAR{y}/y²]

其中，λ为实际发生的交通事故数量，y为对应的预测交通事故数量，VAR{y}为预测交通事故数量的方差；

将交通安全有效因子作为交通安全评价结果，当θ<1时，交通安全提升，θ的值越小，交通道路改造措施执行的效果越好；

θ>1时，交通安全下降，更新道路改造措施。

本发明所述一种基于高斯过程回归分析的交通道路安全评价方法，采用以上技术方案与现有技术相比，可以使得预测的交通事故数量更加科学合理，因此计算得到的安全有效因子θ更加具有可信度，高斯过程相对于参数的时间序列估计，能更有效地捕捉到数据的时间序列变化特征以及其他没有放进模型中的参数的影响，如天气等，提高交通事故预测、交通安全评价的精确度、以及可信度。

附图说明

图1为本发明示例性实施例的道路交通安全评价方法的流程图；

图2(a)为本发明示例性实施例中总事故数量的预测事故数量和实际事故数量的对比图，图2(b)为本发明示例性实施例中路段严重事故的预测事故数量和实际事故数量的对比图，图2(c)为本发明示例性实施例中路段轻微事故的预测事故数量和实际事故数量的对比图，图2(d)为本发明示例性实施例中交叉口事故的预测事故数量和实际事故数量的对比图。

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。

在本发明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性实施例。本发明的实施例不局限于附图所示。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，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，现有的交通评价方法中通过对交通事故的预测进行道路交通安全评价，但是数量预测的准确性较低，不能直接通过预测的事故数量评价交通安全，评价结果也不具有参考意义，本发明通过计算的交通安全有效因子对道路交通安全进行评价，获得评价结果，结合附图1、以及附图2所示，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道路交通安全评价方法，通过目标区域内交通道路上发生的交通事故进行识别处理，根据识别处理结果对交通道路进行安全评价，包括以下步骤：

步骤A、在目标区域内随机选取四条包含交叉口的交通道路，分别针对各条交通道路，提取该交通道路中的预设类型改造措施，各条交通道路的具体改造措施如表1所示：

表1道路改造措施

其中，永兴路绿化带宽度为2+2，是机动车道与非机动车道之间的侧边分隔带，对向机动车道之间没有中央分隔带；

步骤B、针对各条交通道路，获取预设类型改造措施执行之前一段时间周期内发生的交通事故、以及交通事故数据，交通事故数据包括发生交通事故时事故车辆的驾驶速度、车辆在交通道路上行驶的平均速度、以及交通道路的车流量；

步骤C、将时间周期划分为各个预设单位时间，在每个预设单位时间内根据交通事故数据将发生的交通事故分为严重事故和轻微事故，严重事故包括：有人员伤亡的交通事故、发生交通事故时车辆在交通道路上行驶的平均速度小于预设阈值的交通事故，轻微事故包括：有财产损失的交通事故、发生交通事故时车辆在交通道路上行驶的平均速度大于预设阈值的交通事故；

步骤D、分别针对各条发生交通事故的交通道路，执行预设类型改造措施，通过以下步骤预测相同时间周期内发生的交通事故数量，进一步计算发生交通事故的概率：

步骤D1、应用高斯过程对交通事故数量进行预测，根据公式：

y～GP(m,K)

其中，y为预测的交通事故数量，GP(m,K)为高斯过程，m为高斯过程中的均值，K为高斯过程中的协方差函数；

步骤D2、高斯过程中定义的y的先验函数是由一个随机过程定义的随机函数y(x)，随机函数从n维正态分布中预先指定n个一次抽样值，计算n个抽样值中任意两个抽样值的协方差，K(x_i,x_j)是第i个抽样值x_i和第j个抽样值x_j的协方差，i、j的取值为1至n-1：

其中，τ代表模型的尺度，模型的尺度服从参数正态分布，对应的参数取值为τ～Inv-gamma(2,4)，Inv为反τ分布，gamma(2,4)为服从参数2,4的伽马分布，l代表模型的光滑度，模型的光滑度服从正态分布，对应的参数取值l～N(0,0.5)，|x_i-x_j|²是两个抽样值在分布中的欧式距离，进一步得到抽样值对应的协方差矩阵K；

结合协方差矩阵，随机函数的n维正态分布表示为：

y(x₁),…,y(x_n)～N(m(x₁),…,m(x_n),K)

其中均值m(x)＝βX，X为交通事故数据集矩阵，β为线性系数矩阵，均值m(x)与交通事故数据集呈线性相关；

步骤D3、使用线性回归对预测交通事故数量生成链接函数，获得交通事故数量的预测结果，

其中，i为服从正态分布的第i个预先指定的一次抽样值，y为预测的交通事故数量；

获取在相同时间周期内执行改造措施后实际发生的交通事故、以及交通事故数据，执行改造措施之前、以及执行改造措施之后发生的交通事故数据具体如表2所示：

表2

以24个月为时间周期，在时间周期内所记录的实际事故数据和预测结果如图2所示，因为交叉口严重事故较少，所以将所有交叉口事故合并为一类进行分析。图2(a)-图2(d)中每个子图的前24个圆点是道路改造前记录所发生的实际交通事故数，后24个圆点是道路改造后所发生的交通事故数，中间部分则是道路改造期间，期间道路全封闭或半封闭，所记录的交通事故数不宜作为参考。中间的实线是用高斯过程基于前24个月的事故数据预测的整个时间段每个月所发生事故数的平均值，上下两条虚线对应预测的整个事件段每个月的第95分位和第5分位的值。

步骤E、根据预测的交通事故发生数量、以及实际发生的交通事故数量，获得交通道路改造措施的交通安全有效因子，根据交通安全有效因子更新交通道路改造措施，更新交通安全评价结果；

根据预测的交通事故发生数量以及实际发生的交通事故数量获得交通道路改造措施的交通安全有效因子θ，根据公式：

θ＝(λ/y)/[1+VAR{y}/y²]

其中，λ为实际发生的交通事故数量，y为对应的预测交通事故数量，VAR{y}为预测交通事故数量的方差，VAR{θ}＝θ²[VAR{λ}/λ²+VAR{y}/y²]/[1+VAR{y}/y²]²，VAR{θ}为交通安全有效因子方差，交通安全有效因子方差越小说明交通事故预测效果越好，在执行交通改造措施后24个月内发生的交通事故的交通安全有效因子以及方差如表3所示：

表3

将交通安全有效因子作为交通安全评价结果，当θ<1时，交通安全提升，θ的值越小，交通道路改造措施执行的效果越好；

θ>1时，交通安全下降，更新道路改造措施；

从表3中可以看出，发生交通事故时不同类型的交通事故在在第一年和第二年的交通安全有效因子均小于1，说明执行交通改造措施对提升交通道路安全有积极作用，并且针对不同类型交通事故，交通安全有效因子的数值逐渐减小，说明执行该类型交通改造措施有利于改善交通安全效果，具有长远效益。

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 (3)

1.一种基于高斯过程回归分析的道路交通安全评价方法，通过对目标区域内交通道路上发生的交通事故进行识别处理，根据识别处理结果对交通道路进行安全评价，其特征在于，包括以下步骤：

步骤A、在目标区域内随机选取预设数量条交通道路，分别针对各条交通道路，提取该交通道路中的预设类型改造措施；

步骤B、针对各条交通道路，获取预设类型改造措施执行之前一段时间周期内发生的交通事故、以及交通事故数据，所述交通事故数据包括发生交通事故时事故车辆的驾驶速度、车辆在交通道路上行驶的平均速度、以及交通道路的车流量；

步骤C、将时间周期划分为各个预设单位时间，在每个预设单位时间内根据交通事故数据将发生的交通事故分为严重事故和轻微事故，所述严重事故包括：有人员伤亡的交通事故、发生交通事故时车辆在交通道路上行驶的平均速度小于预设阈值的交通事故，所述轻微事故包括：有财产损失的交通事故、发生交通事故时车辆在交通道路上行驶的平均速度大于预设阈值的交通事故；

步骤D、分别针对各条发生交通事故的交通道路，执行预设类型改造措施，预测相同时间周期内发生的交通事故数量，进一步计算发生交通事故的概率，同时，获取在相同时间周期内执行改造措施后实际发生的交通事故、以及交通事故数据；

步骤E、根据预测的交通事故发生数量、以及实际发生的交通事故数量，获得交通道路改造措施的交通安全有效因子，根据交通安全有效因子更新交通道路改造措施。

2.根据权利要求1所述的一种基于高斯过程回归分析的交通道路安全评价方法，其特征在于，所述步骤D中预测相同时间周期内发生的交通事故数量，进一步计算发生交通事故的概率，包括以下步骤：

步骤D1、根据公式：

y～GP(m,K)

应用高斯过程对交通事故数量进行预测，其中，y为预测的交通事故数量，GP(m,K)为高斯过程，m为高斯过程中的均值，K为高斯过程中的协方差函数；

步骤D2、高斯过程中定义的y的先验函数是由一个随机过程定义的随机函数y(x)，随机函数从n维正态分布中预先指定n个一次抽样值；

根据公式：

计算n个抽样值中任意第i个抽样值的协方差，K(x_i,x_j)是第i个抽样值x_i和第j个抽样值x_j的协方差，I、j的取值为1至n-1，其中，τ代表模型的尺度，模型的尺度服从参数正态分布，对应的参数取值为τ～Inv-gamma(2,4)，Inv为反τ分布，gamma(2,4)为服从参数2,4的伽马分布，l代表模型的光滑度，模型的光滑度服从正态分布，对应的参数取值l～N(0,0.5)，|x_i-x_j|²是抽样值在分布中的欧式距离，进一步得到抽样值对应的协方差矩阵K；

结合协方差矩阵，随机函数的n维正态分布表示为：

y(x₁),…,y(x_n)～N(m(x₁),…,m(x_n),K)

其中，均值m(x)＝βX，X为交通事故数据集矩阵，β为对应的线性系数矩阵，均值m(x)与交通事故数据集呈线性相关；

步骤D3、使用线性回归对预测交通事故数量生成链接函数，获得交通事故数量的预测结果，

其中，i为服从正态分布的第i个预先指定的一次抽样值，y为对应的预测交通事故数量。

3.根据权利要求2所述的一种基于高斯过程回归分析的交通道路安全评价方法，其特征在于，所述步骤E中，根据预测的交通事故发生数量、实际发生的交通事故数量，以及公式：

θ＝(λ/y)/[1+VAR{y}/y²]

获得交通道路改造措施的交通安全有效因子θ，其中，λ为实际发生的交通事故数量，y为对应的预测交通事故数量，VAR{y}为预测交通事故数量的方差；

将交通安全有效因子作为交通安全评价结果，当θ<1时，交通安全提升，θ的值越小，交通道路改造措施执行的效果越好；

θ>1时，交通安全下降，更新道路改造措施。

Images