CN114241754B - 基于高速公路合流影响区事故前兆特征的实时控制方法 - Google Patents

基于高速公路合流影响区事故前兆特征的实时控制方法 Download PDF

Info

Publication number
CN114241754B
CN114241754B CN202111474964.6A CN202111474964A CN114241754B CN 114241754 B CN114241754 B CN 114241754B CN 202111474964 A CN202111474964 A CN 202111474964A CN 114241754 B CN114241754 B CN 114241754B
Authority
CN
China
Prior art keywords
confluence
accident
real
lane
traffic
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
Application number
CN202111474964.6A
Other languages
English (en)
Other versions
CN114241754A (zh
Inventor
刘攀
刘宇衡
季彦婕
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 CN202111474964.6A priority Critical patent/CN114241754B/zh
Publication of CN114241754A publication Critical patent/CN114241754A/zh
Application granted granted Critical
Publication of CN114241754B publication Critical patent/CN114241754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Abstract

本发明公开了一种基于高速公路合流影响区事故前兆特征的实时控制方法，包括如下步骤：确定合流鼻端和合流影响区范围；采集高速公路合流影响区实时交通流数据；以15min为间隔集计，并建立事故风险模型，预测事故发生概率；根据模型确定合流影响区事故前兆特征其易诱发的交通事故类型；根据实时交通流参数判断合流影响区范围内是否出现事故前兆特征，若出现，则采取分车道限速或连续降低最高限速两类实时交通控制方法。本发明能够根据前端检测器获取交通流数据建立事故风险模型，并判断是否出现事故前兆特征，当出现事故前兆特征时自动触发实时交通控制策略，提高合流影响区内的交通安全。

Description

基于高速公路合流影响区事故前兆特征的实时控制方法
技术领域
本发明属于交通控制与管理领域，涉及一种根据高速公路合流影响区范围内的事故前兆特征实时调用多种交通控制策略的方法。
背景技术
随着我国机动化进程的不断加快，高速公路通车总里程不断增长，高速公路交通量也面临持续增长的态势，但在高速公路交通管理策略方面仍存在一定的欠缺，在国外已经应用多年并已充分证实效果的实时交通控制方法在我国高速公路上应用有限，对高速公路交通安全主动干预不足。
高速公路合流影响区是指自合流鼻端下游450m范围内的主线公路。车辆在合流影响区范围行驶时，受交通流中车辆加减速和变道等行为影响，后车驾驶员易出现判断及操作失误，进而引起交通流紊乱，对匝道影响区内的交通运行效率和交通安全存在显著不利影响。既有研究表明，高速公路合流影响区内的事故率是一般路段的2～3倍，合流影响区的交通安全问题十分突出。因此，明确高速公路合流影响区的事故前兆特征，针对前兆特征采取特定的实时交通控制策略，对解决交通问题、降低事故频次及严重性，进而提高高速公路匝道影响区的安全性具有重要意义。
发明内容
技术问题：本发明提供一种能够根据高速公路合流影响区的交通流参数特点，判断是否出现事故前兆特征，并针对不同的事故前兆特征采取如分车道限速、连续降低最高限速等实时交通控制策略的方法。
技术方案：本发明的基于高速公路合流影响区事故前兆特征的实时控制方法，包括以下步骤：
步骤10)确定高速公路合流鼻端和合流影响区范围；
步骤20)采集高速公路合流影响区实时交通流数据，包括各车道每30秒间隔内的交通量、车辆平均速度和车道平均占有率；
步骤30)将实时交通流数据以15分钟为间隔集计，基于集计数据分析影响交通事故风险的因素并建立实时事故风险预测模型，预测事故发生的概率；
步骤40)确定事故前兆特征及其易诱发的交通事故类型：
前述步骤30)中所建立的实时事故风险预测模型中所有自变量为事故前兆特征，分析各事故前兆因子的单位变化对事故风险的影响系数。当系数为正时，表明该事故前兆因子越大，越容易导致事故的发生，越小则越能抑制事故的发生；当系数为负时，表明该事故前兆因子越大，对事故发生的抑制程度越大，越小则越容易导致事故的发生。根据模型中对交通事故发生概率影响显著的事故前兆特征，可将合流影响区易诱发的交通事故类型分为刮擦和追尾；
步骤50)根据15min内的实时交通流参数判断合流影响区范围内是否出现事故前兆特征。若出现，则根据事故前兆特征的影响程度大小实施相应的交通控制，如采用分车道限速、连续降低主线上游限速值等控制方法；当出现多种影响显著的事故前兆特征时，则需要同时采取多种实施控制策略，以最大程度地降低事故风险，如对合流影响区上游主线同一断面处同时采用分车道限速和连续限速两种控制方法；若未出现，则无需交通控制，继续下一个周期的交通流参数监测。
进一步的，本发明方法中，所述的步骤10)中合流影响区范围是指自合流鼻端至主线下游450m。
进一步的，本发明方法中，所述的步骤20)中按照如下方式采集实时交通流数据：选择高速公路合流影响区内的电磁感应线圈或视频交通流检测设备采集实时交通流数据。
进一步的，本发明方法中，所述的步骤30)中按以下方法集计实时交通流数据：
首先，清理无效数据：存在以下情况之一的实时交通流数据判定为无效数据：(1)车辆平均速度大于0英里/小时而交通量为0；(2)车道平均占有率大于100％；(3)车道占用率大于0％而交通量为0；(4)车辆平均速度大于100英里/小时；(5)车辆平均速度大于0车辆/小时而车道占用率为0％。
然后，计算每15分钟时段内的交通量、车辆平均速度和车道平均占有率的平均值、标准差及变异系数，变异系数为平均值、标准差的比值；计算不同车道内30秒实时交通流数据的互相关系数及相邻车道交通量、车道平均占有率、车辆平均速度的最大差值；计算每15分钟时段内车道不均匀系数以及交通量、车辆平均速度和车道平均占有率的平均绝对差值；在每15分钟的时段内以5分钟为间隔，计算第一个5分钟内和第三个5分钟内间实时交通流数据的差值；计算每个15分钟时段内各条车道上的平均车头时距和平均车头间距及其标准差。
进一步的，本发明方法中，所述的步骤30)中按照如下方式建立实时事故风险预测模型：
将集计数据通过降维处理转化为互不相关的交通安全影响因子，基于二元Logistic模型建立实时事故风险预测模型：
Figure BDA0003391794860000031
P(x)为事故发生的概率，g(x)为利用回归分析法得到的关于交通安全因子的函数，x为在0.05水平下显著的交通安全影响因子。
进一步的，本发明方法中，g(x)＝α+β1x1++β2x2+β3x3+…，其中，α为常数，xi为在0.05水平下显著的第i个交通安全影响因子，βi为xi的系数。
进一步的，本发明方法中，所述的步骤40)中，前述步骤30)中所建立的实时事故风险预测模型中所有自变量为事故前兆特征，根据易诱发的事故类型，事故前兆特征主要有以下两类：
第一类事故前兆特征：同一时刻在合流影响区内同一断面相邻车道的速度或占有率存在较大差异，即同一断面相邻车道的速度或占有率对交通安全因子的得分系数大于0.1；或者最内侧车道与最外侧车道的流量、速度或占有率的相关程度高，即最内侧车道与最外侧车道的流量、速度或占有率的相关系数对交通安全因子的得分系数大于0.1。此类事故前兆特征易诱发刮擦事故，可细分为以下三种情况：
(1)同一断面相邻车道的速度较大，即同一断面相邻车道的速度对交通安全因子的得分系数大于0.1：入口匝道上车辆的大小车比例与主线大小车比例相差过大会导致二者速度差较大，匝道车流汇入主线后会刺激主线车辆产生变道和加减速行为，从而导致刮擦事故的发生。
(2)同一断面相邻车道的占有率差异大，即同一断面相邻车道的占有率对交通安全因子的得分系数大于0.1：合流影响区内汇入车辆一般集中在最外侧车道，原主线车辆为保持较高的行驶速度，倾向于向内侧变换车道，该过程中容易发生刮擦事故。
(3)合流影响区内最内侧车道与最外侧车道交通流变量(流量、速度或占有率的相关程度高，即最内侧车道与最外侧车道的流量、速度或占有率的相关系数对交通安全因子的得分系数大于0.1：最内侧和最外侧车道的互相关程度反映了自匝道驶入主线的交通量从最外侧加速车道经过多次变道驶入主线上最内侧车道的情况。随着最内侧和最外侧车道的互相关程度的增加，车辆换道行为愈发突出，此过程中容易发生刮擦事故。
第二类事故前兆特征：合流影响区内的交通流变量(交通量、速度、占有率或车头时距、车头间距)产生较大变化，即合流影响区内的交通流变量对交通安全因子的得分系数大于0.1。随着交通量或占有率的增加，及车速的降低、车头时距和车头间距减小，交通运行状态由相对自由转向相对拥堵，表现为车头间距减小，前车行为对后车的影响增加；当前车采取紧急制动行为，后车驾驶员易因反应不及时导致追尾事故发生。
进一步的，本发明方法中，所述的步骤50)中，当出现不同的事故前兆特征按照如下方式采取实时交通控制方法：
一、出现第一类事故前兆特征时，即同一断面相邻车道的车速或占有率存在较大差异，应采取分车道限速控制方法，具体为：
(1)在距离合流鼻端上游1km处设置门架式可变信息情报板，发布分车道限速值和“前方合流，靠左行驶”等信息，其中内侧车道最高限速与主线上游一致，最外侧车道最高限速较相邻车道最高限速值小20km/h，该措施是提醒直行车辆向内侧变道，以降低最外侧车道占有率，为汇入车辆提供充分可穿越间隙。
(2)在合流鼻端下游1km处设置第二块门架式可变信息情报板，所有车道最高限速恢复至主线一般路段最高限速值。此处汇入车辆已经充分加速，与主线内侧车道速度差低于20km/h，变道进入内侧车道交通安全风险较小，降低刮擦事故发生概率。
二、出现第二类事故前兆特征时，即合流影响区内的交通流变量(流量、速度、占有率或车头时距、车头间距)产生较大变化，采取连续降低主线上游限速值的控制方法，具体为：当检测器检测到合流影响区交通量增加、车速下降时，系统计算出合流鼻端下游断面的平均车速，按10的倍数取整设置为基础速度，在合流鼻端上游1km、2km、3km的处分别采取限速措施，相邻路段的限速值差值控制为20km/h，直至上游最高限速与主线最高限速保持一致，同时在上游的门架式可变信息情报板发布信息：“前方拥堵，减速慢行”。若合流鼻端平均车速值低于60km/h，则取为60km/h。通过采取降低主线上游限速值的控制方法，可以起到控制到达此合流影响区的交通流的作用，预防或缓解交通拥堵，降低追尾事故发生概率。
三、当两类事故前兆特征同时出现时，同时采用分车道限速和连续降低限速两种控制方法，可以起到降低刮擦和追尾事故发生概率的效果，具体控制方法实施如下：
自合流鼻端上游1km、2km、3km处分别设置门架式可变信息情报板，发布以下信息：
(1)内侧车道最高限速按如下方式设置：首先计算合流鼻端下游断面的平均车速，然后按10的倍数取整设置为基础速度，再以每千米变化20km/h的步长设置流鼻端上游1km、2km、3km处门架式可变信息情报板发布的最高限速值,直至与主线最高限速一致。
(2)最外侧车道最高限速按如下方式设置：首先根据相邻内侧车道最高限速计算最外侧车道最高限速，其数值上比相邻内侧车道最高限速小20km/h。然后比较该值与高速公路最低限制值60km/h的大小，二者取大作为最外侧车道最高限速。
(3)合流鼻上游1km处门架式可变信息情报板发布信息：“前方合流，靠左行驶”；2km和3km处门架式可变信息情报板发布信息：“前方拥堵，减速慢行”。
有益效果：本发明与现有技术相比，具有以下优点：
本发明以交通流检测设备的实测数据为基础，筛选高速公路合流影响区范围内的事故风险因子，建立实时事故风险预测模型，根据模型判断事故前兆特征及其易诱发的交通事故类型。本发明跟据15分钟内的实时交通流参数判断合流影响区范围内是否出现事故前兆特征。若出现，智能控制系统将自动调用分车道限速、连续降低主线上游限速值等控制策略，从而提高高速公路合流影响区交通安全。本发明具有实时、智能、无需人为干预等优点，具有实际运用价值。
附图说明
图1是本发明定义的合流影响区范围示意图；
图2是本发明的流程框图；
图3是门架式可变信息情报板设置示意图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步的说明。
在一个实施例中，如图2所示，提供了一种基于高速公路合流影响区事故前兆特征的实时控制方法，具体步骤如下：
步骤10)确定高速公路合流鼻端和合流影响区范围；其中合流影响区范围是指自合流鼻端至主线下游450m，如图1所示。
步骤20)采集高速公路合流影响区实时交通流数据，包括各车道每30s间隔内的交通量、车辆平均速度和车道平均占有率。
采集美国的80号州际公路(后文均简称为I-80)加利福利亚州旧金山(SanFrancisco)到萨克拉门托(Sacramento)路段电磁感应线圈地理位置信息和合流鼻端桩号信息，筛选合流影响区内的电磁感应线圈；采集I-80合流影响区内的电磁感应线圈中连续24h交通流数据，作为建立实时事故风险预测模型的数据资料；采集I-80合流影响区内的电磁感应线圈中连续15min的交通流数据、交通流数据包括各车道每30秒的平均速度、平均占有率和平均流量。
步骤30)将实时交通流数据以15分钟为间隔集计，基于集计数据分析影响交通事故风险的因素并建立实时事故风险模型，预测事故发生的概率。
首先按以下方法集计交通流数据：
首先，清理无效数据：存在以下情况之一的实时交通流数据判定为无效数据：(1)车辆平均速度大于0英里/小时而交通量为0；(2)车道平均占有率大于100％；(3)车道占用率大于0％而交通量为0；(4)车辆平均速度大于100英里/小时；(5)车辆平均速度大于0车辆/小时而车道占用率为0％。
然后，计算每15分钟时段内的交通量、车辆平均速度和车道平均占有率的平均值、标准差及变异系数，变异系数为平均值、标准差的比值；计算不同车道内30秒实时交通流数据的互相关系数及相邻车道交通量、车道平均占有率、车辆平均速度的最大差值；计算每15分钟时段内车道不均匀系数以及交通量、车辆平均速度和车道平均占有率的平均绝对差值；在每15分钟的时段内以5分钟为间隔，计算第一个5分钟内和第三个5分钟内间实时交通流数据的差值；计算每个15分钟时段内各条车道上的平均车头时距和平均车头间距及其标准差。集计后的实时交通流参数如表1所示：
表1交通流变量说明
Figure BDA0003391794860000061
Figure BDA0003391794860000071
然后，将集计后I-80一天中合流影响区交通流数据通过降维处理转化为互不相关的交通安全影响因子，交通安全影响因子得分系数矩阵如表2所示，显著性检验结果如表3所示(其中*表示在0.05水平下显著)。每一事故风险因子的说明如下：第一因子主要与车头时距和车头间距相关，第二因子主要与相邻车道占有率的差异相关，第三因子主要与15min内车速变化情况相关，第四因子主要与不同车道上的车辆分布情况相关，第五因子主要与相邻车道上车辆速度差相关，第六因子主要与最内侧车道与最外侧车道交通流变量的相关系数有关，第七因子主要与不同时段的车速和占有率变化程度相关，第八因子主要与15min内交通量变化情况相关。
最后基于上述事故风险因子建立的合流影响区实时事故风险预测模型如式(1)和式(2)所示：
g(x)＝-1.156+0.356x2++0.087x3+0.199x8 (1)
Figure BDA0003391794860000072
表2交通安全影响因子得分系数矩阵
Figure BDA0003391794860000073
Figure BDA0003391794860000081
表3.合流影响区Logistic模型方程中的交通安全影响因子显著性检验
x<sub>1</sub> x<sub>2</sub> x<sub>3</sub> x<sub>4</sub> x<sub>5</sub> x<sub>6</sub> x<sub>7</sub> x<sub>8</sub> 常量
β -0.002 0.356<sup>*</sup> 0.087<sup>*</sup> 0.004 0.023 -0.034 -0.144 0.199<sup>*</sup> -1.156<sup>*</sup>
。
步骤40)确定事故前兆特征及其易诱发的交通事故类型：
前述步骤30)中所建立的实时事故风险预测模型中所有自变量为事故前兆特征，分析各事故前兆因子的单位变化对事故风险的影响系数。当系数为正时，表明该事故前兆因子越大，越容易导致事故的发生，越小则越能抑制事故的发生；当系数为负时，表明该事故前兆因子越大，对事故发生的抑制程度越大，越小则越容易导致事故的发生。根据模型中对交通事故发生概率影响显著的事故前兆特征，可将合流影响区易诱发的交通事故类型分为刮擦和追尾。
在该实施例中，根据合流影响区实时事故风险预测模型中的自变量，可以确定事故前兆特征包括以下三种：
(1)交通安全因子x2反映了相邻车道间车辆分布不均，空间占有率差异大。合流影响区内汇入车辆一般集中在最外侧车道，原主线车辆为保持较高的行驶速度，倾向于向内侧变换车道，该过程中容易发生刮擦事故。
(2)交通安全因子x3反映了相邻车道车速差值大。入口匝道上车辆的大小车比例与主线大小车比例相差过大，加速车道功能不能完全实现，进而相邻车道车速差值大，匝道车流汇入主线后会刺激主线车辆产生变道和加减速行为，从而导致刮擦事故的发生。
(3)交通安全因子x8反映了15分钟内交通量持续增加，交通流状态向拥堵状态转变。随着交通量或占有率的增加，及车速的降低、车头时距和车头间距减小，交通运行状态由相对自由转向相对拥堵，表现为车头间距减小，前车行为对后车的影响增加；当前车采取紧急制动行为，后车驾驶员易因反应不及时导致追尾事故发生。
步骤50)根据15min内的实时交通流参数判断合流影响区范围内是否出现事故前兆特征。若出现，则根据事故前兆特征的影响程度大小实施相应的交通控制，如采用分车道限速、连续降低主线上游限速值等控制方法；当出现多种影响显著的事故前兆特征时，则需要同时采取多种实施控制策略，以最大程度地降低事故风险，如对合流影响区上游主线同一断面处同时采用分车道限速和连续限速两种控制方法；若未出现，则无需交通控制，继续下一个周期的交通流参数监测。
该实施例中，15min内同时出现相邻车道间空间占有率差异大和交通量持续增加两类事故前兆特征，容易引发刮擦和追尾两类事故，因此需同时采用分车道限速和连续降低限速两种控制方法，以达到降低刮擦和追尾事故发生概率的效果，具体控制方法实施如下：
自合流鼻端上游1km、2km、3km处分别设置门架式可变信息情报板，发布以下信息：
(1)内侧车道最高限速按如下方式设置：首先计算合流鼻端下游断面的平均车速，然后按10的倍数取整设置为基础速度，再以每千米变化20km/h的步长设置流鼻端上游1km、2km、3km处门架式可变信息情报板发布的最高限速值,直至与主线最高限速一致。
(2)最外侧车道最高限速按如下方式设置：首先根据相邻内侧车道最高限速计算最外侧车道最高限速，其数值上比相邻内侧车道最高限速小20km/h。然后比较该值与高速公路最低限制值60km/h的大小，二者取大作为最外侧车道最高限速。
(3)合流鼻上游1km处门架式可变信息情报板发布信息：“前方合流，靠左行驶”；2km和3km处门架式可变信息情报板发布信息：“前方拥堵，减速慢行”。
在一个实施例中，还提供一种基于高速公路合流影响区事故前兆特征的实时控制装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于高速公路合流影响区事故前兆特征的实时控制方法的步骤。
在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于高速公路合流影响区事故前兆特征的实时控制方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。

Claims (5)

1.一种基于高速公路合流影响区事故前兆特征的实时控制方法，其特征在于，该方法包括以下步骤：
步骤10)确定高速公路合流鼻端和合流影响区范围；
步骤20)采集高速公路合流影响区实时交通流数据，包括各车道每30秒间隔内的交通量、车辆平均速度和车道平均占有率；
步骤30)将实时交通流数据以15分钟为间隔集计，基于集计数据分析影响交通事故风险的因素并建立实时事故风险预测模型，预测事故发生的概率；
步骤40)确定事故前兆特征及其易诱发的交通事故类型；
步骤50)根据15min内的实时交通流参数判断合流影响区范围内是否出现事故前兆特征：若出现，则根据事故前兆特征的影响程度大小实施相应的交通控制；若出现多种事故前兆特征，则同时采取多种实施控制策略；若未出现，则无需交通控制，继续下一个周期的交通流参数监测；
所述的步骤30)中按以下方法集计实时交通流数据：
首先，清理无效数据：存在以下情况之一的实时交通流数据判定为无效数据：(1)车辆平均速度大于0英里/小时而交通量为0；(2)车道平均占有率大于100％；(3)车道占用率大于0％而交通量为0；(4)车辆平均速度大于100英里/小时；(5)车辆平均速度大于0车辆/小时而车道占用率为0％；
然后，计算每15分钟时段内的交通量、车辆平均速度和车道平均占有率的平均值、标准差及变异系数，变异系数为平均值、标准差的比值；计算不同车道内30秒实时交通流数据的互相关系数及相邻车道交通量、车道平均占有率、车辆平均速度的最大差值；计算每15分钟时段内车道不均匀系数以及交通量、车辆平均速度和车道平均占有率的平均绝对差值；在每15分钟的时段内以5分钟为间隔，计算第一个5分钟内和第三个5分钟内间实时交通流数据的差值；计算每个15分钟时段内各条车道上的平均车头时距和平均车头间距及其标准差；
所述的步骤30)中按照如下方式建立实时事故风险预测模型：
将集计数据通过降维处理转化为互不相关的交通安全影响因子，基于二元Logistic模型建立实时事故风险预测模型：
Figure FDA0003914152750000011
其中，P(x)为事故发生的概率，x为在0.05水平下显著的交通安全影响因子；g(x)为利用回归分析法得到的关于交通安全因子的函数，g(x)＝α+β1x1++β2x2+β3x3+…+ βixi+…，α为常数，xi为在0.05水平下显著的第i个交通安全影响因子，βi为xi的系数；
所述的步骤40)中，前述步骤30)中所建立的实时事故风险预测模型中所有自变量为事故前兆特征，根据易诱发的事故类型，事故前兆特征分为以下两类：
第一类事故前兆特征：同一时刻在合流影响区内同一断面相邻车道的速度或占有率对交通安全因子的得分系数大于0.1，或者最内侧车道与最外侧车道的流量、速度或占有率的相关系数对交通安全因子的得分系数大于0.1；此类事故前兆特征诱发刮擦事故；
第二类事故前兆特征：合流影响区内的交通流变量对交通安全因子的得分系数大于0.1，导致追尾事故发生；
所述的步骤50)中，当出现不同的事故前兆特征按照如下方式采取实时交通控制方法：
一、出现第一类事故前兆特征时，采取分车道限速控制方法，具体为：
(1)在距离合流鼻端上游1km处设置门架式可变信息情报板，发布分车道限速值和“前方合流，靠左行驶”信息，其中内侧车道最高限速与主线上游一致，最外侧车道最高限速较相邻车道最高限速值小20km/h；
(2)在合流鼻端下游1km处设置门架式可变信息情报板，所有车道最高限速恢复至主线路段最高限速值；
二、出现第二类事故前兆特征时，采取连续降低主线上游限速值的控制方法，具体为：当检测器检测到合流影响区交通量增加、车速下降时，计算出合流鼻端下游断面的平均车速，按10的倍数取整设置为基础速度，在合流鼻端上游1km、2km、3km的处分别采取限速措施，相邻路段的限速值差值控制为20km/h，直至上游最高限速与主线最高限速保持一致，同时在上游的门架式可变信息情报板上发布“前方拥堵，减速慢行”信息；若合流鼻端平均车速值低于60km/h，则取为60km/h；
三、当两类事故前兆特征同时出现时，同时采用分车道限速和连续降低主线上游限速值两种控制方法，具体控制方法实施如下：
自合流鼻端上游1km、2km、3km处分别设置门架式可变信息情报板，发布以下信息：
①内侧车道最高限速按如下方式设置：首先计算合流鼻端下游断面的平均车速，然后按10的倍数取整设置为基础速度，再以每千米变化20km/h的步长设置流鼻端上游1km、2km、3km处门架式可变信息情报板发布的最高限速值，直至与主线最高限速一致；
②最外侧车道最高限速按如下方式设置：首先根据相邻内侧车道最高限速计算最外侧车道最高限速，其数值上比相邻内侧车道最高限速小20km/h；然后比较该值与高速公路最低限制值60km/h的大小，二者取大作为最外侧车道最高限速；
③合流鼻上游1km处门架式可变信息情报板发布信息：“前方合流，靠左行驶”；2km 和3km处门架式可变信息情报板发布信息：“前方拥堵，减速慢行”。
2.根据权利要求1所述的基于高速公路合流影响区事故前兆特征的实时控制方法，其特征在于，所述的步骤10)中合流影响区范围是指自合流鼻端至主线下游450米。
3.根据权利要求1所述的基于高速公路合流影响区事故前兆特征的实时控制方法，其特征在于，所述的步骤20)中按照如下方式采集实时交通流数据：
选择高速公路合流影响区内的电磁感应线圈或视频交通流检测设备采集实时交通流数据。
4.一种基于高速公路合流影响区事故前兆特征的实时控制装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一所述的基于高速公路合流影响区事故前兆特征的实时控制方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一所述的基于高速公路合流影响区事故前兆特征的实时控制方法的步骤。
CN202111474964.6A 2021-12-03 2021-12-03 基于高速公路合流影响区事故前兆特征的实时控制方法 Active CN114241754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111474964.6A CN114241754B (zh) 2021-12-03 2021-12-03 基于高速公路合流影响区事故前兆特征的实时控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111474964.6A CN114241754B (zh) 2021-12-03 2021-12-03 基于高速公路合流影响区事故前兆特征的实时控制方法

Publications (2)

Publication Number Publication Date
CN114241754A CN114241754A (zh) 2022-03-25
CN114241754B true CN114241754B (zh) 2023-01-03

Family

ID=80753218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111474964.6A Active CN114241754B (zh) 2021-12-03 2021-12-03 基于高速公路合流影响区事故前兆特征的实时控制方法

Country Status (1)

Country Link
CN (1) CN114241754B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114944055B (zh) * 2022-03-29 2023-04-18 浙江省交通投资集团有限公司智慧交通研究分公司 基于电子收费门架的高速公路碰撞风险动态预测方法
CN116597657A (zh) * 2023-07-17 2023-08-15 四川省商投信息技术有限责任公司 基于人工智能的城市交通预测方法、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464317A (zh) * 2014-12-03 2015-03-25 武汉理工大学 高速公路入口匝道合流区引导控制系统和方法
CN106504533A (zh) * 2016-11-28 2017-03-15 东南大学 基于交通事故风险仿真分析的高速公路交织区确定方法
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
CN112419709A (zh) * 2020-10-16 2021-02-26 同济大学 一种基于路段异质性的快速路事故风险实时预测方法
CN112990545A (zh) * 2021-02-08 2021-06-18 东南大学 一种高速公路交织区交通安全状态预测方法
CN112990544A (zh) * 2021-02-08 2021-06-18 东南大学 一种高速公路交织区交通事故预测方法
CN112989530A (zh) * 2021-02-08 2021-06-18 东南大学 一种高速公路交织区确定方法
WO2021203972A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 基于碰撞模型的风险预防方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464317A (zh) * 2014-12-03 2015-03-25 武汉理工大学 高速公路入口匝道合流区引导控制系统和方法
CN106504533A (zh) * 2016-11-28 2017-03-15 东南大学 基于交通事故风险仿真分析的高速公路交织区确定方法
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
CN112419709A (zh) * 2020-10-16 2021-02-26 同济大学 一种基于路段异质性的快速路事故风险实时预测方法
WO2021203972A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 基于碰撞模型的风险预防方法、装置、设备及存储介质
CN112990545A (zh) * 2021-02-08 2021-06-18 东南大学 一种高速公路交织区交通安全状态预测方法
CN112990544A (zh) * 2021-02-08 2021-06-18 东南大学 一种高速公路交织区交通事故预测方法
CN112989530A (zh) * 2021-02-08 2021-06-18 东南大学 一种高速公路交织区确定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于交通冲突技术的高速公路合流区段安全性研究;张南等;《综合运输》;20161020(第10期);全文 *
高速公路分合流区潜在事故风险研究;孟祥海等;《中国安全科学学报》;20150815(第08期);全文 *

Also Published As

Publication number Publication date
CN114241754A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN114241754B (zh) 基于高速公路合流影响区事故前兆特征的实时控制方法
CN113450583B (zh) 一种车路协同下高速公路可变限速和变道协同控制方法
CN103093636B (zh) 一种快速道路转弯路段可变限速控制方法
CN113313949B (zh) 一种高速公路出口匝道客货车协同控制方法、装置和设备
Bonneson et al. Effect of yellow-interval timing on the frequency of red-light violations at urban intersections
CN105225500A (zh) 一种交通控制辅助决策方法及装置
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN103593993A (zh) 一种有雾条件下快速道路拥堵预警及动态限速方法
CN112150801A (zh) 一种基于准车辆轨迹的快速路实时事故风险预测方法
CN113763706B (zh) 一种考虑智能车队的道路阻抗函数计算方法
CN114566050B (zh) 一种面向交通运行安全的隧道机器人巡检速度控制方法
CN110033627B (zh) 一种基于时间稳定性的高速公路限速控制方法
CN115601958A (zh) 一种基于连续型元胞自动机的车联网交通流建模方法
Zhang et al. The driving risk analysis and evaluation in rightward zone of expressway reconstruction and extension engineering
CN114999181A (zh) 一种基于etc系统数据的高速公路车辆速度异常识别方法
CN113232670A (zh) 基于区块链的驾驶行为分析方法
CN114863686B (zh) 一种普通国省干线可变限速控制方法
Yulong et al. Study on intelligent lane merge control system for freeway work zones
CN112036709B (zh) 基于随机森林的降雨天气高速公路二次事故致因分析方法
CN109131349B (zh) 一种用于抑制道路交通幽灵堵塞的方法
CN112365716A (zh) 一种基于gps数据的城市高架快速路动态安全性评价方法
CN117351726B (zh) 一种高速公路事件预警系统及综合感知方法
CN114944055B (zh) 基于电子收费门架的高速公路碰撞风险动态预测方法
CN114373301B (zh) 一种高速公路路网运行监控预警管理平台
CN117690286A (zh) 一种考虑横纵向安全距离的车道偏离预警算法评估方法

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