CN113920725B - 一种基于中观层面的城郊主干道事故预测方法及存储介质 - Google Patents
一种基于中观层面的城郊主干道事故预测方法及存储介质 Download PDFInfo
- Publication number
- CN113920725B CN113920725B CN202111157301.1A CN202111157301A CN113920725B CN 113920725 B CN113920725 B CN 113920725B CN 202111157301 A CN202111157301 A CN 202111157301A CN 113920725 B CN113920725 B CN 113920725B
- Authority
- CN
- China
- Prior art keywords
- road
- accident
- mesoscopic
- traffic
- accidents
- 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
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于中观层面的城郊主干道事故预测方法及存储介质,该方法包括以下步骤:步骤1:获取道路上所有路段及交叉口的几何设计、交通运行及事故数据;步骤2:沿道路方向,将道路划分为中观分析单元;步骤3:确定主干道横向影响区范围;步骤4:构建中观安全分析样本数据集;步骤5:建立泊松对数正态条件自回归模型;步骤6:模型预测精度对比与分析。与现有技术相比,本发明具有预测精度高等优点。
Description
技术领域
本发明涉及一种事故预测方法,尤其是涉及一种基于中观层面的城郊主干道事故预测方法及存储介质。
背景技术
城郊主干道作为郊区的重要通道,具有事故高发、流量大、周边用地开发强度大、路网结构不合理、接入口多等特点。传统的微观交通安全分析方法以路段和交叉口作为独立的分析单元,分别建立事故预测模型,判别出高风险的路段和交叉口,并分析交通事故与各安全影响因素的关系。然而,主干道周边路网对路段和交叉口安全都有影响,微观分析模型可能会错误估计路网特征对主干道的整体影响。并且,基于微观模型得到的高风险路段和交叉口通常是离散的、孤立的。日常生活中,交通管理部门一般基于几个连续的路段和交叉口开展交通安全改善。这更加印证了将路段和交叉口组合的安全分析方法的重要性。
交通安全分析是一种通过建立事故预测模型,定量研究事故影响因素、预测事故态势、评估安全效果的方法。事故的空间相关性是影响模型预测精度的一个常见问题。由于相邻分析单元的道路几何特征和交通流运行特征存在相似性,某一地点的事故受到邻近地点事故的高度影响,进而使事故呈现出空间集聚特征,表现为事故的空间相关性。目前,事故预测模型主要分为两类:广义线性模型和空间分析模型。广义线性模型,如泊松模型、负二项模型等忽略了分析单元之间的空间相关性,致使模型参数估计存在偏差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高的基于中观层面的城郊主干道事故预测方法及存储介质。
本发明的目的可以通过以下技术方案来实现:
根据本发明的一个方面,提供了一种基于中观层面的城郊主干道事故预测方法,该方法包括以下步骤:
步骤1:获取道路上所有路段及交叉口的几何设计、交通运行及事故数据;
步骤2:沿道路方向,将道路划分为中观分析单元;
步骤3:确定主干道横向影响区范围;
步骤4:构建中观安全分析样本数据集;
步骤5:建立泊松对数正态条件自回归模型;
步骤6:模型预测精度对比与分析。
作为优选的技术方案,所述的步骤1具体为:利用街景地图得到道路几何设计数据,基于视频监控设备获取交通流量数据,并根据道路交通事故分析预警系统获取道路交通事故数据。
作为优选的技术方案,所述的步骤2具体为:
根据交通事故空间分布情况,以交叉口为主体,合并两侧路段,将道路划分为基本中观分析单元;
根据相邻道路几何设计中的横断面参数、交通运行特征,以及事故分布的同质性,将基本中观分析单元合并,分布形成组合中观分析单元。
作为优选的技术方案,所述的步骤3具体为:在主干道两侧,根据城镇化用地占比的变化特征来确定主干道横向影响区范围。
作为优选的技术方案,所述确定主干道横向影响区为1.6千米。
作为优选的技术方案,提取所述影响区内的路网特征,采用介度中心度量化路网的集聚性,将路网划分为方格、不规则方格、混合型、树枝型四种路网形态。
作为优选的技术方案,所述的步骤4具体为:计算各中观分析单元的道路几何特征变量、交通运行特征变量及事故数,构建交通安全分析的样本数据集。
作为优选的技术方案,所述的步骤5具体为:
步骤5.1:针对总事故数构建泊松对数正态条件自回归模型;假设路段交通事故数服从泊松分布:yij~Poisson(λij),泊松对数正态条件自回归模型方程为:其中,i是每条主干道上分析单元的编号,j主干道编号,yij是给定中观分析单元的事故总数,λij是yij的期望值,Xij所有分析单元的解释变量,β是回归系数,θij是随机效应项,是θij的方差,是条件自回归效应;
步骤5.2:使用全贝叶斯方法估计交通安全分析模型参数。首先为参数设置一个特定的先验分布,再与观测数据结合得出后验分布,并通过马尔科夫链蒙特卡洛完成参数估计;理论框架为其中,y为已发生的事故数,为事故数期望,L(y|θ)为似然函数,π(θ)为先验分布,π(θ|y)为在给定y条件下θ的后验分布,即事故期望数,∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布。
作为优选的技术方案,所述的步骤6具体为:
标准绝对残差SAD反映了各路段事故预测精度,平均标准绝对残差MSAD表征了整体事故预测的精确性;SAD和MSAD是用以比较不同模型预测结果的两个重要指标,其定义分别如下:其中,为路段实际事故数,为基于模型估计得到的路段事故数,SD(yo)为所有样本实际发生事故数的标准差,n为样本量,SAD值和MSAD值越小,预测方法对事故的预测越精确。
根据本发明的另一个方面,提供了一种存储介质,所述的存储介质内存储有所述的基于中观层面的城郊主干道事故预测方法。
与现有技术相比,本发明具有以下优点:
1)考虑了事故的空间分布特征以及相邻路段和交叉口的相互影响,克服了传统安全分析模型中研究单元划分的问题;
2)考虑了主干道两侧土地利用和路网形态对事故的影响;
3)在中观层面对组合的路段和交叉口进行事故多发道路判别,较微观判别方法更符合应用需求。
附图说明
图1为本发明实施例路段事故空间分布示例示意图;
图2为本发明实施例路段打断方式一示意图;
图3为本发明实施例路段打断方式二示意图;
图4为本发明中观分析单元示意图;
图5为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
针对交通流量大、交通组成复杂的城郊主干道提出一种中观层面的交通安全分析方法。该方法通过在纵向上将城郊主干道相邻路段和交叉口依据交通事故空间分布、道路几何特征和交通运行特征组合为一个整体,该整体定义为基本中观单元,在横向上根据主干道两侧土地利用变化特征确定主干道横向影响区。分别将相邻的事故特征、道路几何特征和交通运行特征相似的基本中观单元合并,形成组合中观单元。基于中观单元的几何设计、路网特征、交通特征三类数据,考虑了来自同一条主干道的中观单元的空间相关性,建立泊松对数正态条件自回归模型,并对模型预测精度进行评价。
下面结合附图和具体实施例对本发明进行详细说明,步骤如下:
步骤1:获取道路上所有路段及交叉口的几何设计、交通运行及事故数据。利用街景地图得到道路几何设计数据,基于视频监控设备获取交通流量数据,根据《上海市道路交通事故分析预警系统》获取道路交通事故数据。
步骤2:沿道路方向,将道路划分为中观分析单元。根据交通事故空间分布情况,以交叉口为主体,合并两侧路段,将道路划分为基本中观分析单元。根据相邻道路几何设计中的横断面参数、交通运行特征,以及事故分布的同质性,将基本中观分析单元合并,分布形成组合中观分析单元。
步骤3:确定主干道横向影响区范围。在主干道两侧,根据城镇化用地占比的变化特征确定主干道横向影响区范围,由于城镇化用地占比在距离主干道1.6千米处达到了最低值,确定主干道横向影响区为1.6千米。提取影响区内的路网特征,采用介度中心度量化路网的集聚性,将路网划分为方格、不规则方格、混合型、树枝型四种路网形态。
步骤4:构建中观安全分析样本数据集。计算各中观单元的道路几何特征变量、交通运行特征变量及事故数,构建交通安全分析的样本数据集。
步骤5:建立泊松对数正态条件自回归模型。
步骤5.1:针对总事故数构建泊松对数正态条件自回归模型。假设路段交通事故数服从泊松分布:yij~Poisson(λij),泊松对数正态条件自回归模型方程为:其中,i是每条主干道上分析单元的编号,j主干道编号,yij是给定中观分析单元的事故总数,λij是yij的期望值,Xij所有分析单元的解释变量,β是回归系数,θij是随机效应项,是θij的方差,是条件自回归效应。
步骤5.2:使用全贝叶斯方法估计交通安全分析模型参数。首先为参数设置一个特定的先验分布,再与观测数据结合得出后验分布,并通过马尔科夫链蒙特卡洛(MarkovChain Monte Carlo,MCMC)完成参数估计。理论框架为 其中,y为已发生的事故数,为事故数期望,L(y|θ)为似然函数,π(θ)为先验分布,π(θ|y)为在给定y条件下θ的后验分布,即事故期望数,∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布。
步骤6:模型预测精度对比与分析。标准绝对残差(Standardized AbsoluteDeviance,SAD)反映了各路段事故预测精度,平均标准绝对残差(Mean StandardizedAbsolute Deviance,MSAD)表征了整体事故预测的精确性。SAD和MSAD是用以比较不同模型预测结果的两个重要指标,其定义分别如下: 其中,yi o为路段实际事故数,为基于模型估计得到的路段事故数,SD(yo)为所有样本实际发生事故数的标准差,n为样本量,SAD值和MSAD值越小,估计方法对事故的预测越精确。
具体实施例
利用地理信息系统作为空间数据库,选取上海市9条城郊主干道,包括192个路段(相邻两个交叉口之间的道路)和201个交叉口。并收集道路几何设计、交通运行及交通事故数据,测试本发明。
对本发明步骤2“沿道路方向,将道路划分为基本中观分析单元”的详细过程为:
交叉口及路段组合步骤如下:
1)分别统计路段和交叉口的事故数量,如图1所示,发现路段事故占比37%,交叉口事故占比63%。因此,以交叉口为主体,合并两侧路段。
2)把每个路段划分成为多个50m长的小路段。统计每个小路段的事故数,观察事故空间分布规律。
3)对于一个路段,若两端事故多,中间事故少,则在事故率最低点打断,如图2所示;若不符合上述规律,则在中点打断,如图3所示。
4)将每个交叉口与其两侧的路段组合在一起,如图4所示。最终将9条主干道划分为201个中观单元,平均长度为830m。
对本发明步骤3“确定主干道横向影响区范围”的详细过程为:
1)根据功能,将用地类型分为城镇化用地和非城镇化用地两大类;
2)在主干道两侧每间隔200m建立10条缓冲带,统计各条缓冲带中城镇化用地的占比,如图3所示;
3)由于城镇化用地占比在距主干道1.6km处到达最低点,主干道横向影响区范围为1.6km。
基于步骤4中得到的中观样本数据集Xij包括道路几何特征变量、交通运行特征变量,及yij事故数,建立步骤5中的安全分析模型,如下所示:
依照步骤6计算SAD和MSAD,公式如下所示:
本实施例还涉及一种计算机可读介质,该介质内存储有上述基于中观层面的城郊主干道事故预测方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改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的保护范围为准。
Claims (5)
1.一种基于中观层面的城郊主干道事故预测方法,其特征在于,该方法包括以下步骤:
步骤1:获取道路上所有路段及交叉口的几何设计、交通运行及事故数据;
步骤2:沿道路方向,将道路划分为中观分析单元;
步骤3:确定主干道横向影响区范围;
步骤4:构建中观安全分析样本数据集;
步骤5:建立泊松对数正态条件自回归模型;
步骤6:模型预测精度对比与分析;
所述的步骤2具体为:
根据交通事故空间分布情况,以交叉口为主体,合并两侧路段,将道路划分为基本中观分析单元;
根据相邻道路几何设计中的横断面参数、交通运行特征,以及事故分布的同质性,将基本中观分析单元合并,分布形成组合中观分析单元;
所述的步骤3具体为:在主干道两侧,根据城镇化用地占比的变化特征来确定主干道横向影响区范围;提取所述影响区内的路网特征,采用介度中心度量化路网的集聚性,将路网划分为方格、不规则方格、混合型、树枝型四种路网形态;
所述的步骤5具体为:
步骤5.1:针对总事故数构建泊松对数正态条件自回归模型;假设路段交通事故数服从泊松分布:yij~Poisson(λij),泊松对数正态条件自回归模型方程为:其中,i是每条主干道上分析单元的编号,j主干道编号,yij是给定中观分析单元的事故总数,λij是yij的期望值,Xij是所有分析单元的解释变量,β是回归系数,θij是随机效应项,是条件自回归效应;
步骤5.2:使用全贝叶斯方法估计交通安全分析模型参数,首先为参数设置一个特定的先验分布,再与观测数据结合得出后验分布,并通过马尔科夫链蒙特卡洛完成参数估计;理论框架为其中,y为已发生的事故数,L(y|θ)为似然函数,π(θ)为先验分布,π(θ|y)为在给定y条件下θ的后验分布,即事故期望数,∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布;
所述的步骤6具体为:
2.根据权利要求1所述的一种基于中观层面的城郊主干道事故预测方法,其特征在于,所述的步骤1具体为:利用街景地图得到道路几何设计数据,基于视频监控设备获取交通流量数据,并根据道路交通事故分析预警系统获取道路交通事故数据。
3.根据权利要求1所述的一种基于中观层面的城郊主干道事故预测方法,其特征在于,所述确定主干道横向影响区为1.6千米。
4.根据权利要求1所述的一种基于中观层面的城郊主干道事故预测方法,其特征在于,所述的步骤4具体为:计算各中观分析单元的道路几何特征变量、交通运行特征变量及事故数,构建交通安全分析的样本数据集。
5.一种存储介质,其特征在于,所述的存储介质内存储有如权利要求1~4中任一项所述的基于中观层面的城郊主干道事故预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157301.1A CN113920725B (zh) | 2021-09-30 | 2021-09-30 | 一种基于中观层面的城郊主干道事故预测方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157301.1A CN113920725B (zh) | 2021-09-30 | 2021-09-30 | 一种基于中观层面的城郊主干道事故预测方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920725A CN113920725A (zh) | 2022-01-11 |
CN113920725B true CN113920725B (zh) | 2022-12-16 |
Family
ID=79237364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157301.1A Active CN113920725B (zh) | 2021-09-30 | 2021-09-30 | 一种基于中观层面的城郊主干道事故预测方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920725B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129518A (zh) * | 2011-03-11 | 2011-07-20 | 上海千年工程建设咨询有限公司 | 交通紧急事件预案处理装置 |
CN107331152A (zh) * | 2017-07-13 | 2017-11-07 | 南京航空航天大学 | 一种次路停车控制交叉口行人过街设施多目标优选方法 |
CN111191855A (zh) * | 2020-01-13 | 2020-05-22 | 大连理工大学 | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 |
CN112037513A (zh) * | 2020-09-01 | 2020-12-04 | 清华大学 | 一种实时交通安全指数动态综合评价系统及其构建方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6662141B2 (en) * | 1995-01-13 | 2003-12-09 | Alan R. Kaub | Traffic safety prediction model |
EP1845731B1 (en) * | 2006-04-13 | 2008-12-24 | THOMSON Licensing | Method and apparatus for determining a threshold for SKIP mode in video coding |
CN107909247A (zh) * | 2017-10-26 | 2018-04-13 | 东南大学 | 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法 |
CN108198415B (zh) * | 2017-12-28 | 2019-07-05 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN108198421B (zh) * | 2018-01-19 | 2019-06-11 | 同济大学 | 一种区分单车、多车事故的高速公路事故多发路段判别方法 |
CN108922168B (zh) * | 2018-05-29 | 2019-10-18 | 同济大学 | 一种中观层面事故多发道路判别的方法 |
CN109598929B (zh) * | 2018-11-26 | 2020-06-16 | 北京交通大学 | 一种多类别交通事故起数预测方法 |
CN110020469B (zh) * | 2019-03-21 | 2022-07-19 | 武汉大学 | 基于泊松回归和空间滤值的洪水预警分析方法及系统 |
CN113220743B (zh) * | 2021-05-08 | 2022-04-22 | 浙江省机电设计研究院有限公司 | 一种交通突发事件应急预案匹配方法、系统、终端及介质 |
-
2021
- 2021-09-30 CN CN202111157301.1A patent/CN113920725B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129518A (zh) * | 2011-03-11 | 2011-07-20 | 上海千年工程建设咨询有限公司 | 交通紧急事件预案处理装置 |
CN107331152A (zh) * | 2017-07-13 | 2017-11-07 | 南京航空航天大学 | 一种次路停车控制交叉口行人过街设施多目标优选方法 |
CN111191855A (zh) * | 2020-01-13 | 2020-05-22 | 大连理工大学 | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 |
CN112037513A (zh) * | 2020-09-01 | 2020-12-04 | 清华大学 | 一种实时交通安全指数动态综合评价系统及其构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113920725A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | Proximity Expansion Index: An improved approach to characterize evolution process of urban expansion | |
CN107610469A (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
Almatar | Traffic congestion patterns in the urban road network:(Dammam metropolitan area) | |
CN103413263B (zh) | 旅行时间指数熵交通运行评价方法 | |
CN106845768B (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
CN108922168B (zh) | 一种中观层面事故多发道路判别的方法 | |
CN105405293A (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN114077970B (zh) | 一种基于城市形态的碳排放相关因子的确定方法及装置 | |
CN108257385B (zh) | 一种基于公共交通的异常事件的甄别方法 | |
Ou et al. | A data‐driven approach to determining freeway incident impact areas with fuzzy and graph theory‐based clustering | |
Mitra et al. | Safety assessment of urban un-signalized intersections using conflict analysis technique | |
Cao et al. | Quantification of the impact of traffic incidents on speed reduction: A causal inference based approach | |
Chand et al. | Examining the macro-level factors affecting vehicle breakdown duration | |
CN109101734B (zh) | 一种连续刚构桥梁下挠风险的预测方法 | |
Zou et al. | Examining the impact of adverse weather on travel time reliability of urban corridors in Shanghai | |
CN113920725B (zh) | 一种基于中观层面的城郊主干道事故预测方法及存储介质 | |
Manepalli et al. | Crash prediction: evaluation of empirical Bayes and kriging Methods | |
Lethanh et al. | A hidden Markov model for modeling pavement deterioration under incomplete monitoring data | |
CN115798212B (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
CN109190783B (zh) | 城市水网渗漏空间聚集性检测及关键影响因素识别方法 | |
Dong et al. | Overview of the identification of traffic accident-prone locations driven by big data | |
Yuan et al. | A gray prediction method for economic loss of road traffic accidents based on Logistic model. | |
Gong | The road traffic safety risk projection based on improved random forest. | |
CN114021292A (zh) | 面向区域安全态势演变的安全统计模型更新方法及介质 |
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 |