CN113808393A - 一种消除混杂控制对象影响的方法 - Google Patents

一种消除混杂控制对象影响的方法 Download PDF

Info

Publication number
CN113808393A
CN113808393A CN202110977024.2A CN202110977024A CN113808393A CN 113808393 A CN113808393 A CN 113808393A CN 202110977024 A CN202110977024 A CN 202110977024A CN 113808393 A CN113808393 A CN 113808393A
Authority
CN
China
Prior art keywords
control object
road
experimental
traffic
road section
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.)
Pending
Application number
CN202110977024.2A
Other languages
English (en)
Inventor
郭延永
刘攀
丁红亮
马景峰
李清韵
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 CN202110977024.2A priority Critical patent/CN113808393A/zh
Publication of CN113808393A publication Critical patent/CN113808393A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种消除混杂控制对象影响的方法，该方法首先选取实施安全措施的实验对象与未实施安全措施的控制对象，分别调查实验对象与控制对象的道路事故数量与安全影响因素，其次基于安全影响因素与匹配方法确定最终控制对象，最后分别基于初始控制对象与最终控制对象建立安全分析模型检验本次发明方法的有效性与准确性。本发明通过得分计算模型找到与实验对象具有可比性的控制对象，来构建安全事故分析模型，从而大大减少了人为的主观意识影响，获得较为准确可靠的安全评估结果。

Description

一种消除混杂控制对象影响的方法
技术领域
本发明涉及一种消除混杂控制对象影响的方法，属于交通安全技术领域。
背景技术
随着社会经济发展，社会汽车保有量持续上升，与此同时，道路安全事故发生率也持续升高，因此如何减少道路事故发生成为了交通领域近几年的研究关注点。为了减少道路交通事故的发生，许多交通安全管理措施开始在各个城市实施，如道路限速标志、道路定点测速仪等。道路系统是一个复杂的系统，由“人-车-路-环境”四个子系统组成，每个子系统中又包含许多影响因素。一般而言，每一个因素的变化都有可能导致交通事故的发生，因此有必要研究道路安全措施实施后各因素对道路安全的影响。
目前在科研领域与专利应用领域，大多数的研究都是基于传统统计计量模型对安全措施实施前后的事故变化进行对比分析，其中控制对象(未实施道路安全管理措施)与实验对象(实施道路安全管理措施)都是进行随机选取。然而需要注意的是，大量的混杂控制对象的参与(即与实验对象在相同外界环境下道路安全性差异较大)会极大程度地降低评估模型的有效性，从而影响分析结果。
发明内容
本发明所要解决的技术问题是：提供一种消除混杂控制对象影响的方法，能够大幅度减少人为主观意识影响，获得准确可靠的交通安全评价结果。
本发明为解决上述技术问题采用以下技术方案：
一种消除混杂控制对象影响的方法，包括如下步骤：
步骤1，获取实验对象样本与初始控制对象样本，所述实验对象为实施道路安全措施的路段，初始控制对象为未实施道路安全措施的路段；
步骤2，获取交通安全影响因素；
步骤3，基于交通安全影响因素，采用Logit标准模型，通过计算综合得分确定在无外界干扰条件下与每一个实验对象具有相似变化趋势的控制对象，作为每一个实验对象的最终控制对象。
作为本发明的进一步方案，所述消除混杂控制对象影响的方法还包括步骤4，基于交通安全影响因素，构建初始控制对象和最终控制对象各自对应的安全分析模型，根据模型的拟合指标，验证最终控制对象的效果。
作为本发明的优选方案，步骤1所述实验对象样本与初始控制对象样本的数量比例为1:10。
作为本发明的优选方案，所述步骤2具体为：
通过实地调查和交通管制部门调研，获得交通安全影响因素包括：路段长度L、年交通事故总数量N、路段日交通平均交通量Q、路段平均车速V、路段的交通节点数S、道路等级A、道路路幅宽度W以及道路车道数K。
作为本发明的优选方案，所述步骤3具体为：
对于第i个实验对象，采用Logit标准模型计算第i个实验对象的综合得分pi，同时，采用Logit标准模型计算每一个初始控制对象的综合得分，将综合得分最接近pi的初始控制对象作为第i个实验对象的最终控制对象；
其中，实验对象的综合得分或初始控制对象的综合得分，计算如式(1)：
Figure BDA0003227915390000021
式中，p表示实验对象或初始控制对象的综合得分，α为常数项，β1、β2、β3、β4、β5、β6、β7为回归向量系数，L为路段长度，Q为路段日交通平均交通量，V为路段平均车速，S为路段的交通节点数，A为道路等级，W为道路路幅宽度，K为道路车道数；
计算实验对象的综合得分与每一个初始控制对象的综合得分之间的差值绝对值，将绝对值最小时对应的初始控制对象作为实验对象的最终控制对象。
作为本发明的优选方案，所述安全分析模型具体如式(2)：
Figure BDA0003227915390000022
其中，N为年交通事故总数量，L为路段长度，Q为路段日交通平均交通量，V为路段平均车速，S为路段的交通节点数，A为道路等级，W为道路路幅宽度，K为道路车道数，θ为常数项，
Figure BDA0003227915390000031
为回归向量系数；
模型的拟合指标为AIC、BIC，如式(3)：
AIC＝-2 ln(Y)+2T,BIC＝ln(n)T-2ln(Y) (3)
其中，AIC表示赤池信息量准则，BIC表示贝叶斯信息准则，Y表示最大似然值，T表示影响因素数量，n为观测样本数量。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明提出一种消除混杂控制对象影响的方法，特别是在构建安全事故分析模型前会通过得分计算模型找到与实验对象具有可比性的控制对象，从而大大减少了人为的主观意识影响，获得较为准确可靠的安全评估结果。
附图说明
图1是本发明一种消除混杂控制对象影响的方法的流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，为本发明提出的一种消除混杂控制对象影响的方法，包括以下步骤：
步骤1、实验对象与初始控制对象的筛选,实施道路安全措施(如道路限速)的路段为实验对象，未实施道路安全措施的路段为初始控制对象，为确保每一个实验对象可以匹配到最优地控制对象，实验对象与初始控制对象的样本比例推荐为1:10；
步骤2、获取安全影响因素，通过实地调查和交通管制部门调研，采集实验对象与初始控制对象安全影响因素：路段长度L、年交通事故总数量N、路段日交通平均交通量Q、路段平均车速V、路段的交通节点数S、道路等级A、道路路幅宽度W、道路车道数K；
步骤3、确定最终控制对象，基于实验对象与初始控制对象的安全影响因素，采用logit为标准模型，通过计算综合得分确定在没有任何外界干扰的条件下与每一个实验对象具有相似变化趋势的控制对象，得分计算模型如式(1)：
Figure BDA0003227915390000041
其中，p表示每个实验对象与控制对象的得分，α为常数项，βi为回归向量系数，i＝1,…,7。
基于得分计算模型的结果，得分值最接近实验对象的控制对象将被筛选为最终控制对象，计算公式如式(2)：
Di＝min{|实验对象分数值-控制对象分数值|} (2)
其中，Di表示实验对象与控制对象得分的最小差值，将最小差值对应的控制对象作为该实验对象的最终控制对象。
步骤4、验证与检验，在确定最终控制对象后，分别基于安全分析模型对初始控制对象与最终控制对象依此建模，验证与检验本发明方法的准确性，安全分析模型如式(3)和(4)：
Figure BDA0003227915390000042
其中，
Figure BDA0003227915390000043
表示回归向量系数，θ为常数项。
AIC＝-2 ln(Y)+2T,BIC＝ln(n)T-2ln(Y) (4)
其中，AIC表示赤池信息量准则，BIC表示贝叶斯信息准则，Y表示最大似然值，T表示影响因素数量，n为观测样本数量。
下面用具体实施例来说明本发明。
1)实验对象与初始控制对象的筛选：样本比例为1：10，其中假设实验对象为a1～a10,则初始控制对象为b1～b100。
2)变量数据采集：通过准确的调查方法以及相关部门调研，得到各实验路段以及控制路段的相关数据如表1所示。
表1 样本数据采集统计表
Figure BDA0003227915390000044
Figure BDA0003227915390000051
3)确定最终控制对象：将2)中采集的变量(除年交通事故总数量N)带入logit模型中，可分别得到每一个对象的得分情况，以实验对象a1为例：
Figure BDA0003227915390000052
基于实验对象与控制对象的得分情况，可分别确定与每一个实验对象得分最接近的控制对象，即确定为最终控制对象，由于本次实验为模拟数据且均在理想条件下进行，故假设实验对象与所匹配的最终控制对象如表2所示：
表2 实验对象与最终控制对象
实验对象 a<sub>1</sub> a<sub>2</sub> a<sub>3</sub> a<sub>4</sub> a<sub>5</sub> a<sub>6</sub> a<sub>7</sub> a<sub>8</sub> a<sub>9</sub> a<sub>10</sub>
控制对象 b<sub>11</sub> b<sub>23</sub> b<sub>31</sub> b<sub>24</sub> b<sub>15</sub> b<sub>62</sub> b<sub>73</sub> b<sub>48</sub> b<sub>49</sub> b<sub>10</sub>
4)验证与检验：分别根据初始实验对象与最终控制对象构建安全分析模型，通过对比AIC与BIC检验本次发明提出方法的有效性。
初始控制对象安全分析模型：
Figure BDA0003227915390000061
最终控制对象安全分析模型：
Figure BDA0003227915390000062
AIC′bi＝-2 ln(Y′bi)+2T′bi,BIC′bi＝ln(n′bi)T′bi-2ln(Y′bi)
由于本次案例是在假设数据下进行的，因此如果AICbi>AIC′bi、BICbi>BIC′bi，说明基于最终控制对象安全分析模型在模型拟合要优于基于初始控制对象的安全分析模型，反映出本次发明提出方法的有效性与准确性，反之则表示基于最终控制对象安全分析模型在模型拟合较差。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种消除混杂控制对象影响的方法，其特征在于，包括如下步骤：
步骤1，获取实验对象样本与初始控制对象样本，所述实验对象为实施道路安全措施的路段，初始控制对象为未实施道路安全措施的路段；
步骤2，获取交通安全影响因素；
步骤3，基于交通安全影响因素，采用Logit标准模型，通过计算综合得分确定在无外界干扰条件下与每一个实验对象具有相似变化趋势的控制对象，作为每一个实验对象的最终控制对象。
2.根据权利要求1所述消除混杂控制对象影响的方法，其特征在于，所述消除混杂控制对象影响的方法还包括步骤4，基于交通安全影响因素，构建初始控制对象和最终控制对象各自对应的安全分析模型，根据模型的拟合指标，验证最终控制对象的效果。
3.根据权利要求1所述消除混杂控制对象影响的方法，其特征在于，步骤1所述实验对象样本与初始控制对象样本的数量比例为1:10。
4.根据权利要求1所述消除混杂控制对象影响的方法，其特征在于，所述步骤2具体为：
通过实地调查和交通管制部门调研，获得交通安全影响因素包括：路段长度L、年交通事故总数量N、路段日交通平均交通量Q、路段平均车速V、路段的交通节点数S、道路等级A、道路路幅宽度W以及道路车道数K。
5.根据权利要求1所述消除混杂控制对象影响的方法，其特征在于，所述步骤3具体为：
对于第i个实验对象，采用Logit标准模型计算第i个实验对象的综合得分pi，同时，采用Logit标准模型计算每一个初始控制对象的综合得分，将综合得分最接近pi的初始控制对象作为第i个实验对象的最终控制对象；
其中，实验对象的综合得分或初始控制对象的综合得分，计算如式(1)：
Figure FDA0003227915380000011
式中，p表示实验对象或初始控制对象的综合得分，α为常数项，β1、β2、β3、β4、β5、β6、β7为回归向量系数，L为路段长度，Q为路段日交通平均交通量，V为路段平均车速，S为路段的交通节点数，A为道路等级，W为道路路幅宽度，K为道路车道数；
计算实验对象的综合得分与每一个初始控制对象的综合得分之间的差值绝对值，将绝对值最小时对应的初始控制对象作为实验对象的最终控制对象。
6.根据权利要求2所述消除混杂控制对象影响的方法，其特征在于，所述安全分析模型具体如式(2)：
Figure FDA0003227915380000021
其中，N为年交通事故总数量，L为路段长度，Q为路段日交通平均交通量，V为路段平均车速，S为路段的交通节点数，A为道路等级，W为道路路幅宽度，K为道路车道数，θ为常数项，
Figure FDA0003227915380000022
为回归向量系数；
模型的拟合指标为AIC、BIC，如式(3)：
AIC＝-2ln(Y)+2T,BIC＝ln(n)T-2ln(Y) (3)
其中，AIC表示赤池信息量准则，BIC表示贝叶斯信息准则，Y表示最大似然值，T表示影响因素数量，n为观测样本数量。
CN202110977024.2A 2021-08-24 2021-08-24 一种消除混杂控制对象影响的方法 Pending CN113808393A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110977024.2A CN113808393A (zh) 2021-08-24 2021-08-24 一种消除混杂控制对象影响的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110977024.2A CN113808393A (zh) 2021-08-24 2021-08-24 一种消除混杂控制对象影响的方法

Publications (1)

Publication Number Publication Date
CN113808393A true CN113808393A (zh) 2021-12-17

Family

ID=78941812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110977024.2A Pending CN113808393A (zh) 2021-08-24 2021-08-24 一种消除混杂控制对象影响的方法

Country Status (1)

Country Link
CN (1) CN113808393A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114639237A (zh) * 2022-02-21 2022-06-17 东南大学 一种交通安全管理规范实施后的影响效果分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104269055A (zh) * 2014-09-24 2015-01-07 四川省交通科学研究所 基于时间序列的高速公路交通流量预测方法
CN106354695A (zh) * 2016-08-22 2017-01-25 北京理工大学 一种仅输出线性时变结构模态参数辨识方法
CN106485919A (zh) * 2016-10-11 2017-03-08 东南大学 一种判定快速道路定点测速仪对交通事故数量影响的方法
CN108229797A (zh) * 2017-12-15 2018-06-29 东南大学 一种组合倾向得分匹配模型与贝叶斯模型的道路安全评估方法
CN110648026A (zh) * 2019-09-27 2020-01-03 京东方科技集团股份有限公司 预测模型构建方法、预测方法、装置、设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104269055A (zh) * 2014-09-24 2015-01-07 四川省交通科学研究所 基于时间序列的高速公路交通流量预测方法
CN106354695A (zh) * 2016-08-22 2017-01-25 北京理工大学 一种仅输出线性时变结构模态参数辨识方法
CN106485919A (zh) * 2016-10-11 2017-03-08 东南大学 一种判定快速道路定点测速仪对交通事故数量影响的方法
CN108229797A (zh) * 2017-12-15 2018-06-29 东南大学 一种组合倾向得分匹配模型与贝叶斯模型的道路安全评估方法
CN110648026A (zh) * 2019-09-27 2020-01-03 京东方科技集团股份有限公司 预测模型构建方法、预测方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王鹏等: "基于Ordered Probit模型的追尾事故严重性影响因素分析", 《公路交通科技》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114639237A (zh) * 2022-02-21 2022-06-17 东南大学 一种交通安全管理规范实施后的影响效果分析方法
CN114639237B (zh) * 2022-02-21 2023-02-14 东南大学 一种交通安全管理规范实施后的影响效果分析方法

Similar Documents

Publication Publication Date Title
Han et al. Intelligent decision model of road maintenance based on improved weight random forest algorithm
CN113034913A (zh) 交通拥堵预测方法、装置、设备及存储介质
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
CN111489008B (zh) 一种交通事故影响因素空间效应分析方法及其应用
CN102930163A (zh) 一种2型糖尿病风险状态判定方法
CN110390483B (zh) 一种评估自行车快速路对公交车运行速度影响的方法
WO2020108219A1 (zh) 基于交通安全风险的群体划分与差异性分析方法及系统
CN113887908A (zh) 考虑主客观交叉融合权重的桥梁风险评估方法
CN112149922A (zh) 高速公路隧道下行线出入口区域事故严重程度预测方法
CN110867075B (zh) 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法
CN111222703B (zh) 一种预测旅客出行方式的方法及装置
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN108596044A (zh) 基于深度卷积神经网络的行人检测方法
CN113808393A (zh) 一种消除混杂控制对象影响的方法
CN113284369B (zh) 一种基于ads-b实测航路数据的预测方法
CN113554878A (zh) 一种路段阻抗函数确定方法、计算设备及存储介质
CN113673609B (zh) 一种基于线性隐变量的调查问卷数据分析方法
CN113705679B (zh) 一种基于超图神经网络的学生成绩预测方法
CN110704789A (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
CN112529299B (zh) 基于arima和lstm混合神经网络的短交通流预测方法
Anagnostopoulos et al. Predicting Roundabout Lane Capacity using Artificial Neural Networks.
Sun et al. Freeway traffic safety state classification method based on multi-parameter fusion clustering
Tok et al. Accurate individual vehicle speeds from single inductive loop signatures
CN113901287A (zh) 一种高考志愿填报系统
He et al. Analysis on relevant factors affecting life expectancy

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211217