CN114944055A - 基于电子收费门架的高速公路碰撞风险动态预测方法 - Google Patents

基于电子收费门架的高速公路碰撞风险动态预测方法 Download PDF

Info

Publication number
CN114944055A
CN114944055A CN202210317261.0A CN202210317261A CN114944055A CN 114944055 A CN114944055 A CN 114944055A CN 202210317261 A CN202210317261 A CN 202210317261A CN 114944055 A CN114944055 A CN 114944055A
Authority
CN
China
Prior art keywords
traffic flow
flow data
collision
electronic toll
toll gate
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.)
Granted
Application number
CN202210317261.0A
Other languages
English (en)
Other versions
CN114944055B (zh
Inventor
汤厚骏
李炎
徐铖铖
金忠富
杜逸
焦利娟
彭畅
高雪林
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.)
Intelligent Transportation Research Branch Of Zhejiang Transportation Investment Group Co ltd
Southeast University
Original Assignee
Intelligent Transportation Research Branch Of Zhejiang Transportation Investment Group Co ltd
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 Intelligent Transportation Research Branch Of Zhejiang Transportation Investment Group Co ltd, Southeast University filed Critical Intelligent Transportation Research Branch Of Zhejiang Transportation Investment Group Co ltd
Priority to CN202210317261.0A priority Critical patent/CN114944055B/zh
Publication of CN114944055A publication Critical patent/CN114944055A/zh
Application granted granted Critical
Publication of CN114944055B publication Critical patent/CN114944055B/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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
    • G08G1/0125—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
    • 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
    • G08G1/16—Anti-collision systems
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及道路交通安全设计领域，具体是涉及一种基于电子收费门架的高速公路碰撞风险动态预测方法。本发明基于电子收费门架提取的高精度交通流数据来构建高速公路碰撞风险动态预测模型，从而实现主动调节交通流运行状态、快速降低交通事故风险、提升交通安全的目的。本发明的技术方案包括以下步骤：步骤1、提取历史高精度交通流数据；步骤2、匹配历史高精度交通流数据与碰撞数据；步骤3、提取碰撞交通流数据样本；步骤4、提取正常交通流数据样本；步骤5、划分训练集与测试集；步骤6、建立高速公路碰撞风险动态预测模型；步骤7、提取实时高精度交通流数据进行动态预测。

Description

基于电子收费门架的高速公路碰撞风险动态预测方法
技术领域
本发明涉及道路交通安全设计领域，具体是涉及一种基于电子收费门架的高速公路碰撞风险动态预测方法。
背景技术
传统交通安全管理由于缺乏高精度实时交通流数据，通常将交通事故数据在时间和空间上进行集计，建立交通事故频次与某一较长时间段(通常为一年) 交通流参数平均值、道路特征和环境条件等因素的关系。由于模型中的交通流变量是较长时间段内的平均值，无法反映交通流的动态特征，所以难以揭示交通流动态特征对交通事故风险的影响。
动态交通安全管理利用高精度实时交通流数据建立事故风险辨识模型，可主动调节交通流运行状态，达到快速降低交通事故风险、主动提升交通安全的目的。目前，为提高高速公路通行效率，我国在高速公路主线上建设了多台电子收费门架，电子收费门架上的感应设备能在极短的时间内捕捉车载电子收费装置发出的信号，对车辆进行分段计费，车辆在通过电子收费门架时不需要减速慢行，可以实现不停车收费，有利于减少拥堵，提高高速公路通行能力，提升广大司乘人员的获得感。此外，电子收费门架数据中包含电子收费门架编号、车牌号、时间戳等信息，为提取高精度实时交通流数据提供了新的途径。
发明内容
本发明的目的是克服上述背景技术中的不足，提供一种基于电子收费门架的高速公路碰撞风险动态预测方法，该方法应能基于电子收费门架提取的高精度交通流数据来构建高速公路碰撞风险动态预测模型，从而实现主动调节交通流运行状态、快速降低交通事故风险、提升交通安全的目的。
本发明的技术方案是：
基于电子收费门架的高速公路碰撞风险动态预测方法，包括以下步骤：
步骤1、提取历史高精度交通流数据
收集并处理电子收费门架历史数据，以一分钟为集计，将每个电子收费门架的同一分钟历史数据合并为一条历史高精度交通流数据；
步骤2、匹配历史高精度交通流数据与碰撞数据
收集碰撞数据，定位到距离碰撞发生位置上游方向最近的电子收费门架，提取该电子收费门架在碰撞时间产生的历史高精度交通流数据作为碰撞匹配高精度交通流数据；
步骤3、提取碰撞交通流数据样本
提取同一电子收费门架在碰撞匹配高精度交通流数据产生前5至10分钟的历史高精度交通流数据作为碰撞样本，将碰撞样本的相同各参数求均值后得到一条碰撞交通流数据样本；
步骤4、提取正常交通流数据样本
在产生碰撞交通流数据样本的电子收费门架中随机提取若干正常状态的连续5分钟历史高精度交通流数据，以连续5分钟的一组历史高精度交通流数据作为一个正常样本，将每个正常样本的相同参数求均值后得到一条正常交通流数据样本；
步骤5、划分训练集与测试集
从碰撞交通流数据样本与正常交通流数据样本中抽取数据分别作为训练集与测试集；
步骤6、建立高速公路碰撞风险动态预测模型
基于训练集建立高速公路碰撞风险动态预测模型，如下式所示：
Figure BDA0003570202220000031
式中：P为单个电子收费门架下游方向发生碰撞的概率值，β0为常数项，β1、β2、β3、β4、β5、β6为自变量回归系数；
求解常数项与自变量回归系数的估计值，设定阈值，通过测试集验证模型的精度和有效性；
步骤7、提取实时高精度交通流数据进行动态预测
收集并处理电子收费门架实时数据，以一分钟为集计，将每个电子收费门架的同一分钟实时数据合并为一条实时高精度交通流数据，将实时高精度交通流数据输入高速公路碰撞风险动态预测模型进行计算得到碰撞发生的概率值，当概率值大于等于阈值时，预测将发生碰撞；
所述步骤1与步骤7中，历史高精度交通流数据与实时高精度交通流数据均包括电子收费门架编号、时间、平均速度、速度差、交通量、路段长度、汇入流量、行驶方向。
所述电子收费门架数据包括门架编号、车牌号、时间戳；每个电子收费门架每分钟生成一条高精度交通流数据。
所述历史高精度交通流数据与实时高精度交通流数据中，
Figure BDA0003570202220000041
n为一分钟内通过当前电子收费门架的车辆数，vi为第i辆车的行驶速度；
速度差＝|当前电子收费门架平均速度-上游最近电子收费门架平均速度|。
所述历史高精度交通流数据与实时高精度交通流数据中，交通量为一分钟内通过当前电子收费门架的车辆数，路段长度为当前电子收费门架与下游最近电子收费门架之间的距离，汇入流量为一分钟内汇入当前电子收费门架与下游最近电子收费门架之间的车辆数，车辆沿着下行方向行驶时行驶方向的值为0，车辆沿着上行方向行驶时行驶方向的值为1。
所述步骤4中，正常状态为正常样本中没有碰撞匹配高精度交通流数据，并且正常样本的前一小时和后一小时均没有碰撞发生。
所述步骤4中，正常交通流数据样本的数量10倍于碰撞交通流数据样本的数量。
所述步骤5中，训练集包括80％的碰撞交通流数据样本以及80％的正常交通流数据样本，测试集包括20％的碰撞交通流数据样本以及20％的正常交通流数据样本。
所述步骤6中，阈值为碰撞交通流数据样本和正常交通流数据样本的预测精度相等的概率切割值。
本发明的有益效果是：
本发明提出的一种基于电子收费门架的高速公路碰撞风险动态预测方法，首次利用电子收费门架数据预测高速公路碰撞风险；该方法充分利用电子收费门架产生的数据，对数据进一步处理后产生基于单个电子收费门架的高精度交通流数据，再通过建立模型对高精度交通流数据进行计算，从而实现碰撞风险动态预测，工作人员可以根据预测结果及时调节交通流运行状态，降低碰撞风险，提升交通运行安全；设置电子收费门架的初衷是为了实现不停车收费，与传统的安装在路面下方的线圈相比，安装电子收费门架不会对路面产生破坏，工期更短，可实施性更高；该方法建立的高速公路碰撞风险动态预测模型计算速度快、预测精度高，可实现高速公路碰撞风险的实时预测。
附图说明
图1是本发明的流程图。
图2是实施例中的电子收费门架的相对位置示意图。
图3是实施例中高速公路碰撞风险动态预测模型对训练集的受试者工作特征曲线图。
图4是实施例中高速公路碰撞风险动态预测模型对测试集的受试者工作特征曲线图。
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，基于电子收费门架的高速公路碰撞风险动态预测方法，包括以下步骤：
步骤1、提取历史高精度交通流数据
收集并处理电子收费门架历史数据，以一分钟为集计，将每个电子收费门架的同一分钟历史数据合并为一条历史高精度交通流数据；
每条历史高精度交通流数据包括电子收费门架编号、时间(该数据所在时间)、平均速度、速度差、交通量、路段长度、汇入流量、行驶方向；
Figure BDA0003570202220000061
n为一分钟内通过当前电子收费门架的车辆数，vi为第i辆车的行驶速度，单位为km/h；
速度差＝|当前电子收费门架平均速度-上游最近电子收费门架平均速度|，单位为 km/h；
交通量为一分钟内通过当前电子收费门架的车辆数，单位为veh/min；
路段长度为当前电子收费门架与下游最近电子收费门架之间的距离，单位为km；
汇入流量为一分钟内汇入当前电子收费门架与下游最近电子收费门架之间的车辆数，单位为veh/min；
行驶方向为：当车辆沿着下行方向行驶时行驶方向的值为0，当车辆沿着上行方向行驶时行驶方向的值为1；
每辆车在通过电子收费门架时均能产生一条电子收费门架数据，电子收费门架数据包括门架编号、车牌号、时间戳；每个电子收费门架每分钟生成一条高精度交通流数据；
步骤2、匹配历史高精度交通流数据与碰撞数据
收集碰撞数据，定位到距离碰撞发生位置上游方向最近的电子收费门架，提取该电子收费门架在碰撞时间产生的历史高精度交通流数据作为碰撞匹配高精度交通流数据；
步骤3、提取碰撞交通流数据样本
提取同一电子收费门架在碰撞匹配高精度交通流数据产生前5至10分钟的一组历史高精度交通流数据作为碰撞样本，每个碰撞样本包括5条时间连续的历史高精度交通流数据，将每个碰撞样本的相同参数(平均速度、速度差、交通量、路段长度、汇入流量、行驶方向)求均值后得到一条碰撞交通流数据样本；
步骤4、提取正常交通流数据样本
在产生碰撞交通流数据样本的电子收费门架中随机提取若干正常状态的连续5分钟历史高精度交通流数据，以连续5分钟的一组历史高精度交通流数据作为一个正常样本，将每个正常样本的相同参数(平均速度、速度差、交通量、路段长度、汇入流量、行驶方向)求均值后得到一条正常交通流数据样本；
正常状态为正常样本中没有碰撞匹配高精度交通流数据，并且正常样本的前一小时和后一小时均没有碰撞发生；
同一电子收费门架中：所有正常样本的历史高精度交通流数据不出现重复；正常交通流数据样本的数量10倍于碰撞交通流数据样本的数量；
步骤5、划分训练集与测试集
从碰撞交通流数据样本与正常交通流数据样本中抽取数据分别作为训练集与测试集；训练集包括80％的碰撞交通流数据样本以及80％的正常交通流数据样本，测试集包括20％的碰撞交通流数据样本以及20％的正常交通流数据样本；
步骤6、建立高速公路碰撞风险动态预测模型
基于训练集建立高速公路碰撞风险动态预测模型，如下式所示：
Figure BDA0003570202220000071
式中：
P为单个电子收费门架与其下游方向最近电子收费门架之间路段发生碰撞的概率值，介于0和1之间，P越大表明碰撞发生的概率越大；
β0为常数项，β1、β2、β3、β4、β5、β6为自变量回归系数；β1、β2、β3、β4、β5、β6依次为平均速度、速度差、交通量、路段长度、汇入流量、行驶方向的回归系数；
求解常数项与自变量回归系数的估计值，设定阈值，通过测试集验证模型的精度和有效性；
所述阈值为模型对碰撞交通流数据样本(训练集)和正常交通流数据样本 (训练集)的预测精度相等(或接近相等)时的概率切割值，具体是：当概率切割值从0到1变化时，每一个概率切割值都会对应一组敏感度(碰撞交通流数据样本中预测结果为碰撞的比率值)和特异度(正常交通流数据样本中预测结果为非碰撞的比率值)数据，当特异度与敏感度相等(或接近相等)时，对应的概率切割值为阈值；
步骤7、提取实时高精度交通流数据进行动态预测
收集并处理电子收费门架实时数据，以一分钟为集计，将每个电子收费门架的同一分钟实时数据合并为一条实时高精度交通流数据，将实时高精度交通流数据输入高速公路碰撞风险动态预测模型进行计算得到碰撞发生的概率值；
实时高精度交通流数据的结构与历史高精度交通流数据的结构相同，也包括电子收费门架编号、时间、平均速度、速度差、交通量、路段长度、汇入流量、行驶方向；每辆车在通过电子收费门架时均能产生一条电子收费门架数据；
当概率值大于等于阈值时，说明该电子收费门架与其下游方向最近电子收费门架之间路段有较大概率发生碰撞，管理人员可立即采取应对措施，以降低事故发生概率，减少伤亡；
在建立高速公路碰撞风险动态预测模型时：首先建立只包含单个自变量的 logit模型，若自变量在模型中不显著，则剔除该自变量；其次，计算自变量之间的相关系数，相关系数高于0.6说明自变量间存在较强的相关性，此类自变量不能同时出现在模型中；最后，自由组合自变量，注意避免将相关性较强的自变量同时添加在模型中，选择对数似然函数值最大的模型作为最终的高速公路碰撞风险动态预测模型，模型中包含的自变量即为最终选定的自变量组合，这些自变量包括平均速度、速度差、交通量、路段长度、汇入流量、行驶方向。
以下通过国内某高速公路为例，对该方法进行具体说明。
该高速公路总长约85km，共包含44台电子收费门架，上行方向和下行方向各有22台，各电子收费门架的相对位置如图2所示，图中数字代表电子收费门架与研究路段起点的距离，单位为km，箭头表示下行方向，反之为上行方向。下行方向的电子收费门架平均间距为4.03km，最小间距为0.51km，最大间距为 12.61km。上行方向的电子收费门架平均间距为3.86km，最小间距为0.32km，最大间距为11.80km。
步骤1、收集并处理44台电子收费门架在2020年8月至2021年8月采集的数据，将每个电子收费门架在一分钟内采集的数据合并为一条历史高精度交通流数据，44台电子收费门架在同一分钟可形成44条历史高精度交通流数据；
步骤2、从交管中心的报告收集碰撞数据，2020年8月至2021年8月共获得898条碰撞数据，每条碰撞数据都包含碰撞发生位置、碰撞发生时间、碰撞结束时间和碰撞类型；根据碰撞数据的碰撞发生位置、碰撞发生时间对步骤1 的历史高精度交通流数据中进行定位，共提取898条碰撞匹配高精度交通流数据；
步骤3、根据898条碰撞匹配高精度交通流数据，提取碰撞发生前5至10 分钟的898组5分钟(898*5＝4490条)的历史高精度交通流数据，得到898个碰撞样本，对每个碰撞样本中的相同参数求均值得到898条碰撞交通流数据样本；
步骤4、随机提取8980组正常状态的连续5分钟(8980*5＝44900条)的高精度交通流数据，得到8980个正常样本，对每个正常样本的相同参数求均值后得到8980条正常交通流数据样本；
步骤5、碰撞交通流数据样本和正常交通流数据样本中，分别从碰撞交通流数据样本和正常交通流数据样本中提取80％的数据(共7902条数据)作为训练集，剩余20％的数据共(1978条数据)作为测试集；
步骤6、基于训练集，利用stata17软件中的logit回归求解模型常数项与自变量回归系数的估计值，利用stata17软件中非参数roc分析得到阈值为0.0760，通过测试集验证模型的精度和有效性；
精度和有效性通过logit模型对训练集、测试集的预测效果来反映，具体是通过AUC和正确分类率体现；AUC反映Logit模型的精度和有效性，AUC越大，模型效果越好；正确分类率也是模型预测效果的一种体现，正确分类率越高越好；AUC越大正确分类率也越大；
基于训练集建立高速公路碰撞风险动态预测模型，模型中的自变量回归系数的估计值如表1所示：
Figure BDA0003570202220000101
Figure BDA0003570202220000111
表1
表1中：系数为各个自变量的回归系数；标准差为建立模型的过程中各个自变量的回归系数对应的标准差；z为各个自变量的回归系数的标准正态分布的统计量；各个自变量的回归系数对应的p值均小于0.05，表明在5％的水平上拒绝系数为0的假设；95％置信区间表明自变量的回归系数有95％的可能性落在该区间。
利用stata17软件中的非参数roc分析得到模型对训练集的事故交通流数据样本和正常交通流数据样本的预测精度相等(或接近相等)时的概率切割值为 0.0760，所以设定阈值为0.0760。当阈值为0.0760时，模型对训练集的分类预测结果如表2所示，从中可以看出模型对训练集的正确分类率为65.50％。
Figure BDA0003570202220000112
表2
模型对训练集的ROC曲线如图3所示，纵坐标为敏感度，横坐标为1-特异度。敏感度越高，训练集中未被识别为碰撞的碰撞交通流数据样本所占的比率越小；特异度越高，数据集中被识别为碰撞的正常交通流数据样本所占的比率越小。AUC为ROC曲线下的面积，AUC越大，诊断的准确性越高。AUC在0.5～ 0.7时，模型有较低准确性；AUC在0.7～0.9时，模型有一定准确性；AUC在0.9以上时，模型有较高准确性。图3中的AUC为0.7306，在0.7～0.9之间，说明建立的模型对训练集具有一定的准确性。
通过测试集验证模型的精度和有效性，当阈值为0.0760时，模型对测试集的分类预测结果如表3所示，从中可以看出模型对测试集的正确分类率为 65.99％。
Figure BDA0003570202220000121
表3
模型对测试集的ROC曲线如图4所示，图4中的AUC为0.7714，在0.7～0.9 之间，进一步说明模型对测试集也有一定的准确性。
步骤7、收集并处理44台电子收费门架实时数据，每分钟可得到44条的实时高精度交通流数据，将实时高精度交通流数据输入高速公路碰撞风险动态预测模型进行预测，当概率值大于等于阈值时，说明该电子门架下游方向有较大概率发生碰撞，管理人员可立即采取应对措施(如管控、分流、事故急救准备等)，以降低事故发生概率，减少伤亡。
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 (8)

1.基于电子收费门架的高速公路碰撞风险动态预测方法，包括以下步骤：
步骤1、提取历史高精度交通流数据
收集并处理电子收费门架历史数据，以一分钟为集计，将每个电子收费门架的同一分钟历史数据合并为一条历史高精度交通流数据；
步骤2、匹配历史高精度交通流数据与碰撞数据
收集碰撞数据，定位到距离碰撞发生位置上游方向最近的电子收费门架，提取该电子收费门架在碰撞时间产生的历史高精度交通流数据作为碰撞匹配高精度交通流数据；
步骤3、提取碰撞交通流数据样本
提取同一电子收费门架在碰撞匹配高精度交通流数据产生前5至10分钟的历史高精度交通流数据作为碰撞样本，将碰撞样本的相同参数求均值后得到一条碰撞交通流数据样本；
步骤4、提取正常交通流数据样本
在产生碰撞交通流数据样本的电子收费门架中随机提取若干正常状态的连续5分钟历史高精度交通流数据，以连续5分钟的一组历史高精度交通流数据作为一个正常样本，将每个正常样本的相同参数求均值后得到一条正常交通流数据样本；
步骤5、划分训练集与测试集
从碰撞交通流数据样本与正常交通流数据样本中抽取数据分别作为训练集与测试集；
步骤6、建立高速公路碰撞风险动态预测模型
基于训练集建立高速公路碰撞风险动态预测模型，如下式所示：
Figure FDA0003570202210000021
式中：P为单个电子收费门架下游方向发生碰撞的概率值，β0为常数项，β1、β2、β3、β4、β5、β6为自变量回归系数；
求解常数项与自变量回归系数的估计值，设定阈值，通过测试集验证模型的精度和有效性；
步骤7、提取实时高精度交通流数据进行动态预测
收集并处理电子收费门架实时数据，以一分钟为集计，将每个电子收费门架的同一分钟实时数据合并为一条实时高精度交通流数据，将实时高精度交通流数据输入高速公路碰撞风险动态预测模型进行计算得到碰撞发生的概率值，当概率值大于等于阈值时，预测将发生碰撞；
所述步骤1与步骤7中，历史高精度交通流数据与实时高精度交通流数据均包括电子收费门架编号、时间、平均速度、速度差、交通量、路段长度、汇入流量、行驶方向。
2.根据权利要求1所述的基于电子收费门架的高速公路碰撞风险动态预测方法，其特征在于：所述电子收费门架数据包括门架编号、车牌号、时间戳；每个电子收费门架每分钟生成一条高精度交通流数据。
3.根据权利要求1所述的基于电子收费门架的高速公路碰撞风险动态预测方法，其特征在于：所述历史高精度交通流数据与实时高精度交通流数据中，
Figure FDA0003570202210000022
n为一分钟内通过当前电子收费门架的车辆数，vi为第i辆车的行驶速度；
速度差＝|当前电子收费门架平均速度-上游最近电子收费门架平均速度|。
4.根据权利要求1所述的基于电子收费门架的高速公路碰撞风险动态预测方法，其特征在于：所述历史高精度交通流数据与实时高精度交通流数据中，交通量为一分钟内通过当前电子收费门架的车辆数，路段长度为当前电子收费门架与下游最近电子收费门架之间的距离，汇入流量为一分钟内汇入当前电子收费门架与下游最近电子收费门架之间的车辆数，车辆沿着下行方向行驶时行驶方向的值为0，车辆沿着上行方向行驶时行驶方向的值为1。
5.根据权利要求1所述的基于电子收费门架的高速公路碰撞风险动态预测方法，其特征在于：所述步骤4中，正常状态为正常样本中没有碰撞匹配高精度交通流数据，并且正常样本的前一小时和后一小时均没有碰撞发生。
6.根据权利要求1所述的基于电子收费门架的高速公路碰撞风险动态预测方法，其特征在于：所述步骤4中，正常交通流数据样本的数量10倍于碰撞交通流数据样本的数量。
7.根据权利要求1所述的基于电子收费门架的高速公路碰撞风险动态预测方法，其特征在于：所述步骤5中，训练集包括80％的碰撞交通流数据样本以及80％的正常交通流数据样本，测试集包括20％的碰撞交通流数据样本以及20％的正常交通流数据样本。
8.根据权利要求1所述的基于电子收费门架的高速公路碰撞风险动态预测方法，其特征在于：所述步骤6中，阈值为碰撞交通流数据样本和正常交通流数据样本的预测精度相等时的概率切割值。
CN202210317261.0A 2022-03-29 2022-03-29 基于电子收费门架的高速公路碰撞风险动态预测方法 Active CN114944055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210317261.0A CN114944055B (zh) 2022-03-29 2022-03-29 基于电子收费门架的高速公路碰撞风险动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210317261.0A CN114944055B (zh) 2022-03-29 2022-03-29 基于电子收费门架的高速公路碰撞风险动态预测方法

Publications (2)

Publication Number Publication Date
CN114944055A true CN114944055A (zh) 2022-08-26
CN114944055B CN114944055B (zh) 2023-04-18

Family

ID=82905987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210317261.0A Active CN114944055B (zh) 2022-03-29 2022-03-29 基于电子收费门架的高速公路碰撞风险动态预测方法

Country Status (1)

Country Link
CN (1) CN114944055B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020082806A1 (en) * 1995-01-13 2002-06-27 Kaub Alan R. Traffic safety prediction model
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN103198713A (zh) * 2013-03-21 2013-07-10 东南大学 基于交通数据和天气数据的减少交通事故的车辆调控方法
CN104732075A (zh) * 2015-03-06 2015-06-24 中山大学 一种城市道路交通事故风险实时预测方法
CN106355883A (zh) * 2016-10-20 2017-01-25 同济大学 基于风险评估模型的交通事故发生概率获取方法及系统
US20170344855A1 (en) * 2016-05-24 2017-11-30 Agt International Gmbh Method of predicting traffic collisions and system thereof
US20200082712A1 (en) * 2017-05-15 2020-03-12 Quantumgate Inc. System of traffic forecasting
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
CN112150801A (zh) * 2020-08-21 2020-12-29 同济大学 一种基于准车辆轨迹的快速路实时事故风险预测方法
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
CN112435469A (zh) * 2020-11-10 2021-03-02 腾讯科技（深圳）有限公司 车辆预警控制方法、装置、计算机可读介质及电子设备
CN112487617A (zh) * 2020-11-19 2021-03-12 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
CN112949999A (zh) * 2021-02-04 2021-06-11 浙江工业大学 一种基于贝叶斯深度学习的高速交通事故风险预警方法
CN113744526A (zh) * 2021-08-25 2021-12-03 江苏大学 一种基于lstm和bf的高速公路风险预测方法
CN114241754A (zh) * 2021-12-03 2022-03-25 东南大学 基于高速公路合流影响区事故前兆特征的实时控制方法
CN114239948A (zh) * 2021-12-10 2022-03-25 浙江省交通投资集团有限公司智慧交通研究分公司 基于时序分解单元的深度交通流预测方法、介质及其设备

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020082806A1 (en) * 1995-01-13 2002-06-27 Kaub Alan R. Traffic safety prediction model
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN103198713A (zh) * 2013-03-21 2013-07-10 东南大学 基于交通数据和天气数据的减少交通事故的车辆调控方法
CN104732075A (zh) * 2015-03-06 2015-06-24 中山大学 一种城市道路交通事故风险实时预测方法
US20170344855A1 (en) * 2016-05-24 2017-11-30 Agt International Gmbh Method of predicting traffic collisions and system thereof
CN106355883A (zh) * 2016-10-20 2017-01-25 同济大学 基于风险评估模型的交通事故发生概率获取方法及系统
US20200082712A1 (en) * 2017-05-15 2020-03-12 Quantumgate Inc. System of traffic forecasting
CN112150801A (zh) * 2020-08-21 2020-12-29 同济大学 一种基于准车辆轨迹的快速路实时事故风险预测方法
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
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
CN112435469A (zh) * 2020-11-10 2021-03-02 腾讯科技（深圳）有限公司 车辆预警控制方法、装置、计算机可读介质及电子设备
CN112487617A (zh) * 2020-11-19 2021-03-12 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
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
CN112949999A (zh) * 2021-02-04 2021-06-11 浙江工业大学 一种基于贝叶斯深度学习的高速交通事故风险预警方法
CN113744526A (zh) * 2021-08-25 2021-12-03 江苏大学 一种基于lstm和bf的高速公路风险预测方法
CN114241754A (zh) * 2021-12-03 2022-03-25 东南大学 基于高速公路合流影响区事故前兆特征的实时控制方法
CN114239948A (zh) * 2021-12-10 2022-03-25 浙江省交通投资集团有限公司智慧交通研究分公司 基于时序分解单元的深度交通流预测方法、介质及其设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHENGCHENG XU; PAN LIU; WEI WANG: "Evaluation of the predictability of real-time crash risk models" *
YANYONG GUO; ZHIBIN LI; PAN LIU; YAO WU: "Exploring Risk Factors With Crashes by Collision Type at Freeway Diverge Areas Accounting for Unobserved Heterogeneity" *
付存勇;王俊骅;: "基于监控数据的高速公路实时事故风险模型" *
李志斌,刘攀,金茂菁,徐铖铖: "高速公路常发拥堵路段追尾事故风险实时预测" *
袁振洲,胡嫣然,杨洋: "考虑多维动态特征交互的高速公路实时事故风险建模" *

Also Published As

Publication number Publication date
CN114944055B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN109448369B (zh) 高速公路实时运行风险计算方法
CN112581774B (zh) 一种基于etc数据的高速公路服务区驶入车流量估计方法
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN114970943B (zh) 一种高速公路事故类型与严重程度预测方法
CN108986461B (zh) 一种基于时间的交叉路口车辆碰撞概率分析方法
CN204895347U (zh) 驾驶行为分析系统
CN109191861B (zh) 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法
CN111275974B (zh) 一种高速公路施工区动态限速推荐值计算方法
CN104318770A (zh) 基于手机数据实时检测高速公路交通拥堵状态的方法
CN104765969A (zh) 驾驶行为分析方法
CN113920732B (zh) 一种针对特定驾驶人群的道路交通事故风险预警方法
CN113611157B (zh) 一种高速公路车辆追尾碰撞风险估计方法
CN111243338A (zh) 基于车辆加速度的碰撞风险评价方法
CN110728772A (zh) 一种有轨电车典型行驶工况构建方法
CN112330135B (zh) 基于改进元胞自动机模型的城市交通拥堵空间演化方法
CN111724592B (zh) 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法
CN112885089A (zh) 一种基于多维指标的干线绿波智能诊断模型
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
CN112927511A (zh) 一种基于驾驶员年龄和性别识别的车辆预警方法
CN109300301B (zh) 一种用于收费站的限速系统及其控制方法
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
CN111915880A (zh) 一种高速公路异常事件事发点有效通行能力估计方法
CN103700264B (zh) 基于etc收费数据的高速公路路段行程速度计算方法
CN108288382B (zh) 一种基于信疑双基模型判别车辆可信度的方法

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