CN114973648B - 一种基于气象响应度的高速公路高风险路段鉴别方法 - Google Patents
一种基于气象响应度的高速公路高风险路段鉴别方法 Download PDFInfo
- Publication number
- CN114973648B CN114973648B CN202210374843.2A CN202210374843A CN114973648B CN 114973648 B CN114973648 B CN 114973648B CN 202210374843 A CN202210374843 A CN 202210374843A CN 114973648 B CN114973648 B CN 114973648B
- Authority
- CN
- China
- Prior art keywords
- weather
- road
- event
- meteorological
- responsivity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004043 responsiveness Effects 0.000 title claims abstract description 39
- 206010039203 Road traffic accident Diseases 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 239000000969 carrier Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000001215 vagina Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010234 longitudinal analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于气象响应度的高速公路高风险路段鉴别方法,涉及交通安全技术领域,包括:获取待研究道路的气象事故资料,并将待研究道路划分为多个路段;基于气象事故资料统计待研究道路的气象事件以及每个路段在不同气象事件下的气象事故数;通过划分得到的多个路段和每个路段在不同气象事件下的气象事故数计算气象事件响应度;设置气象事件响应度的安全阈值,将气象响应度超过安全阈值的路段鉴别为事故高风险路段;本发明通过计算不良气象条件的气象响应度,能够有效地量化分析各不良气象对高速公路各路段的影响,提高了高风险路段鉴别方法的准确度,从而可以提前消除高速公路高风险路段的安全隐患。
Description
技术领域
本发明涉及交通安全技术领域,具体而言,涉及一种基于气象响应度的高速公路高风险路段鉴别方法。
背景技术
目前,随着汽车保有量和公路里程的快速增长,交通事故数也随之上升。其中高速公路车速快,车辆组成复杂,经常会因雨雪天道路湿滑、结冰以及雾天能见度不足发生交通事故,再加上我国目前道路基础设施并不完善,使高速公路部分路段事故率高,有很大的安全隐患。而高速公路是一个人、车、路、环境组成的综合系统,道路环境是道路交通系统的重要组成部分,而天气因素又是影响道路环境的重要因素,因此道路系统的安全性必然受到天气因素的影响。在常见的雨雾等不良天气下,驾驶人的视区会变小,心理压力增大,容易产生操作失误,加之路面摩擦系数降低,车辆制动性能下降,制动距离增加,更容易出现行车事故。近年来,随着我国东部平原丘陵区的路网建设日趋完善,接下来的公路建设的重点在与西部山岭地区。山区温差变化大,易产生团雾天气,而且山区晴雨天气常常飘忽不定,变化快,还有部分道路高程超过雪线,常年冰冻。此外,反常气候和极端天气频发也为对交通安全提出了较大的挑战。
现有技术当中,常用的风险路段鉴别方法包括事故率法、事故数法、累计频率分布法以及回归分析法等,这类方法大多基于以往的交通事故数据,采用数理统计的方法计算分析。该方法需要长年累月积累大量数据资料作为研究基础,虽然方法的内在逻辑成熟,但是耗时长,应用性比较受限。随着技术的进步,也有一些方法首先分析导致交通事故的因素,在此基础上利用模糊数学理论、交通冲突技术、BP神经网络技术等耦合若干行车风险指标,判断道路行车风险程度,与此同时,将行车仿真技术与传统风险鉴别方法相结合,提出新的风险路段鉴别方法,增强鉴别方法的可操作性和科学性。但上述方法在分析交通事故的致因时,往往只考虑道路线型、交安设施、交通流状况等方面的风险指标,在面对因天气因素造成道路环境破坏的问题时没有有效的鉴别方法。
基于此,提出一种于气象响应度的高速公路高风险路段鉴别方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于气象响应度的高速公路高风险路段鉴别方法,其能够提高不良天气下的事故高发路段的识别准确率,进而提高了车辆通过高速公路高风险路段时的安全性。
本发明的技术方案为:
第一方面,本申请提供一种基于气象响应度的高速公路高风险路段鉴别方法,其包括以下步骤:
获取待研究道路的气象事故资料,并将待研究道路划分为多个路段;
基于气象事故资料统计待研究道路的气象事件以及每个路段在不同气象事件下的气象事故数;
基于划分得到的多个路段和每个路段在不同气象事件下的气象事故数计算气象事件响应度;
设置气象事件响应度的安全阈值,将气象响应度超过安全阈值的路段鉴别为事故高风险路段。
进一步地,还包括:
基于气象事件响应度核查气象响应度超过安全阈值的路段,对气象响应度超过安全阈值的路段进行处理或删减。
进一步地,上述气象事件响应度通过气象事件响应机制进行计算,上述气象事件响应机制的计算公式为:
其中,xi表示第i个气象事件的交通事故数,θ表示气象事件响应所需的交通事故数,即为风险路段事故数阈值。
进一步地,上述气象事件响应度的计算公式为:
R(i)qx=X(k)qx/X(k)Tqx
其中,qx表示气象符号,R(i)qx表示第i个路线单元上qx气象事件的响应度,x(k)Tqx表示第k个事件载体上qx气象事件下的事件数量,X(k)qx为第k个气象事件载体上qx气象事件的响应数。
进一步地,上述气象事件响应数的计算公式为:
X(k)qx=∑xi
其中,qx表示气象符号,X(k)qx为第k个气象事件载体上qx气象事件的响应数,xi表示第i个气象事件的交通事故数。
进一步地,上述气象事故资料包括事故发生的时间、事故位置、事故当日天气、事故车型以及交通事故记录事件跨度的每日天气记录资料。
进一步地,上述将待研究道路划分为多个路段的方法包括定长法和气象划分法。
进一步地,上述气象事件响应度的安全阈值为0。
第二方面,本申请提供一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项的一种基于气象响应度的高速公路高风险路段鉴别方法。
第三方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的一种基于气象响应度的高速公路高风险路段鉴别方法。
相对于现有技术,本发明的至少具有如下优点或有益效果:
(1)本发明一种基于气象响应度的高速公路高风险路段鉴别方法,在评价道路的安全性时,通过将不良天气根据路段情况划分为多个路段,同时划分多种天气进行计算,提高了高速公路的高风险路段鉴别的准确度;
(2)本发明通过计算不良气象条件的气象响应度,能够有效地量化分析各不良气象对高速公路各路段的影响,从而可以提前消除高速公路的高风险路段的安全隐患。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1的一种基于气象响应度的高速公路高风险路段鉴别方法的步骤图;
图2为本发明实施例2气象事件划分图;
图3为本发明实施例2的横向响应度分析图;
图4为本发明实施例2的纵向响应度分析图;
图5为本发明实施例3的一种电子设备的示意性结构框图。
图标:101、存储器;102、处理器;103、通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1所示为本申请实施例1提供的一种基于气象响应度的高速公路高风险路段鉴别方法的步骤图。
本申请提供一种基于气象响应度的高速公路高风险路段鉴别方法,其包括以下步骤:
获取待研究道路的气象事故资料,并将待研究道路划分为多个路段;
基于气象事故资料统计待研究道路的气象事件以及每个路段在不同气象事件下的气象事故数;
基于划分得到的多个路段和每个路段在不同气象事件下的气象事故数计算气象事件响应度;
设置气象事件响应度的安全阈值,将气象响应度超过安全阈值的路段鉴别为事故高风险路段。
其中,将待研究道路划分为多个路段的同时还将每个路段划分到对应的天气里,待研究道路可划分为长度相等的多个路段,也可以结合路段临近构造物区域长度和固定长度划分路段,考虑到使鉴别方法便于推广,本实施例采用按照固定长度划分待研究道路。
需要说明的是,气象事件指在时间维度中将连续相同类型气象条件下发生的交通事故集划分为一个气象事件。
请参阅图2,图2所示为本发明实施例1气象事件划分图。
确定气象事件时,由于气象变化复杂,将天气的变化选定为气象事件划分方式,也即在时间维度中将连续相同类型气象条件下发生的交通事故集划分为一个气象事件,比如某路线单元的天气连续两天及两天以上为一种不良天气,则将该连续的不良天气划分为一次事件。
作为一种优选的实施方式,还包括:
基于气象事件响应度核查气象响应度超过安全阈值的路段,对气象响应度超过安全阈值的路段进行处理或删减。
其中,主要对于气象响应度超过安全阈值的路段中的公路隧道等特殊路段,由于其受天气影响较小,可进行删减处理,对于其他气象响应度超过安全阈值的路段进行鉴别处理。
作为一种优选的实施方式,气象事件响应度通过气象事件响应机制进行计算,气象事件响应机制的计算公式为:
其中,xi表示第i个气象事件的交通事故数,θ表示气象事件响应所需的交通事故数,即为风险路段事故数阈值。
需要说明的是,为防止偶发事件干扰事故多发路段鉴别,θ取2或3,当第i个气象事件的交通事故数达到阈值时,即为响应气象事件,xi取值为1,相反,若第i个气象事件发生的交通事故数未达到阈值时,为未响应气象事件,xi的取值为0。
作为一种优选的实施方式,气象事件响应度的计算公式为:
R(i)qx=X(k)qx/X(k)Tqx
其中,qx表示气象符号,R(i)qx表示第i个路线单元上qx气象事件的响应度,X(k)Tqx表示第k个事件载体上qx气象事件下的事件数量,X(k)qx为第k个气象事件载体上qx气象事件的响应数。
需要说明的是,qx取值依据下表天气事件中的气象参数符号。
表1天气事件
作为一种优选的实施方式,气象事件响应数的计算公式为:
X(k)qx=∑xi
其中,qx表示气象符号,X(k)qx为第k个气象事件载体上qx气象事件的响应数,xi表示第i个气象事件的交通事故数。
作为一种优选的实施方式,气象事故资料包括事故发生的时间、事故位置、事故当日天气、事故车型以及交通事故记录事件跨度的每日天气记录资料。
其中,在缺少交通事故发生时的气象资料时,可通过查询距离最近的气象观测站或者城镇的天气资料作为评价依据。
作为一种优选的实施方式,将待研究道路划分为多个路段的方法包括定长法和气象划分法。
其中,定长法主要为划分通常以统一长度作为单元进行研究,对起止路段可近似进行分析,定长法对于路段长度的要求既不应太长,也不宜过短。路段划分太长时对于道路线形、交通流参数的变化的考虑将不够完善,相反路段划分太短时,就会使得路段内事故趋于平均,事故数将没有离散型,从而无法突出危险路段,本发明的实施例中采用1km作为标准长度;气象划分法即通过统计每个路段在不同气象事件下的事故数,将每个路段的事故数称为该气象事件的单位总数,其计算公式如下:
L=∑si
其中,L表示路线总长;si表示路线单元划分规则下第i个路线单元的长度。
由此,通过定长法设置固定长度将待研究道路划分为相等长度的路段,再通过气象划分法将同一气象下的路段划分到一起。
作为一种优选的实施方式,气象事件响应度的安全阈值为0。
由此,通过将气象事件响应度的安全阈值为0,可以保证道路有较高的安全度。
实施例2
为使本发明的目的、技术方案和优点更加清楚,本发明的实施例2以雅康高速攻读事故数据并结合附图对本发明的具体实施案例做说明。
雅康高速是我国首条连接四川盆地和青藏高原的高速公路,其地质地形条件复杂,穿越不同的气候垂直分布带,高海拔路段受雨、雪、冰、雾、风等恶劣气候影响时间较长,早晚温差达15摄氏度,气候恶劣多变;本次其中道路资料包括平面线形参数及构造物数据;事故数据资料主要有事故发生的时间、事故位置桩号、事故当日天气、事故车型四项,共计991条交通事故数据;气象数据资料包括交通事故记录事件跨度的每日天气记录资料。
收集的雅康高速公路数据资料如下表所示:
表2雅康高速公路道路资料
表3雅康高速公路道路构造物资料
表4雅康高速公路交通事故数据资料
表5雅康高速公路气象数据资料
时间 | 雅安天气 | 康定天气 |
2018/6/1 | 雨 | 雨 |
2018/6/2 | 阴 | 雨 |
2018/6/3 | 雨 | 雨 |
2018/6/4 | 阴 | 雨 |
…… | …… | …… |
本实施例对雅康高速基于气象响应度的高风险路段鉴别,主要分为如下步骤:
将雅康高速(K0~K132)以1km为单位长度划分为132个气象事件载体,对于各个气象事件载体应当标注其类型。
表6实例道路路线单元数据表
路线单元编号 | 路线单元桩号范围 | 路线单元路段分类 |
LD_1 | K0+000~K1+000 | 一般路段 |
LD_2 | K1+000~K2+000 | 一般路段+桥梁路段 |
LD_3 | K2+000~K3+000 | 桥梁路段 |
LD_4 | K3+000~K4+000 | 桥梁路段+一般路段 |
LD_5 | K4+000~K5+000 | 桥梁路段+一般路段 |
LD_6 | K5+000~K6+000 | 桥梁路段+一般路段+隧道路段 |
…… | …… | …… |
气象事件根据气象事件载体最近的气象站数据,将各气象事件载体交通事故发生时间段内的不良天气数据补充完整。
其中,不良天气的类型分为阴天、雨天、雾天、雪天四种,接下来按照气象事件划分方式统计相应气象条件的数量,并剔除受不良天气影响较小的气象事件载体。
表7气象条件数量表
事件响应所需的交通事故数θ取3,从而计算各气象事件下的响应事故数与响应度。
表8气象响应事件数量表
表9气象响应度表
依据鉴别层响应度响应计算机制得出的实例道路所有路线单元的气象响应度计算表,筛选出响应度值大于0的受不良气象条件影响的高风险气象事件载体,计算公式见下式(1)、(2),得到计算结果后检查有无异常响应度突出值,并进一步根据事故资料核查处理,特别地,还应剔除隧道等受天气影响较小的特殊气象事件载体,得到最终响应度计算结果。
R(i)qx=X(k)qx/X(k)Tqx (2)
其中,xi表示第i个气象事件的交通事故数,θ表示气象事件响应所需的交通事故数,即为风险路段事故数阈值,qx表示气象符号,R(i)qx表示第i个路线单元上qx气象事件的响应度,X(k)Tqx表示第k个事件载体上qx气象事件下的事件数量,X(k)qx为第k个气象事件载体上qx气象事件的响应数。
雅康高速公路全线除隧道外路段共58.972km,经过处理,共筛选出了雅康高速公路15个受不良气象影响较大的高风险路段,占比约为25.46%。
表10最终气象响应度表
请参阅图3、图4,图3所示为本发明实施例2的横向响应度分析图,图4所示为本发明实施例2的纵向响应度分析图;
将最终结果导入EXCEL中对待研究道路进行横向和纵向的响应度分析。
横向响应度分析是研究道路的某一气象事件载体对各种天气类型的响应敏感性,在EXCEL中将其制为雷达图,雷达图可以形象的表现出该气象事件载体在不同天气条件下的风险性,以K24+000~K25+000为例,如图3所示。
纵向分析是研究道路全长受一种天气的影响下的响应度,可在EXCEL中将其制为柱形图,在柱形图中可以很直观的发现在该气象条件下的高风险路段,以雨天为例,如图4所示。
根据气象响应度的意义,可以知道K24+000~K25+000路段在出现雾天气象事件时,有25%左右的概率会发生3起及以上的交通事故;出现雪天气象事件时,有33.33%左右的概率会发生3起及以上的交通事故;出现雨天气象事件时,有4.38%左右的概率会发生3起及以上的交通事故;出现阴天气象事件时,有3.30%左右的概率会发生3起及以上的交通事故。
实施例3
请参阅图5,图5为本申请实施例提供的一种电子设备的示意性结构框图。
一种电子设备,包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图中所示的结构仅为示意,一种基于气象响应度的高速公路高风险路段鉴别方法还可包括比图中所示更多或者更少的组件,或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的方法,也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种基于气象响应度的高速公路高风险路段鉴别方法,通过获取待研究道路的气象事故资料,并将待研究道路划分为多个路段,统计待研究道路的气象事件以及每个路段在不同气象事件下的气象事故数,进而计算气象事件响应度,再通过设置气象事件响应度的安全阈值,将气象响应度超过安全阈值的路段即可鉴别为事故高风险路段;通过计算不良气象条件的气象响应度,有效地量化分析了各不良气象对高速公路各路段的影响,提高了高风险路段鉴别方法的准确度,从而为消除高速公路高风险路段的安全隐患提供保障。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (7)
1.一种基于气象响应度的高速公路高风险路段鉴别方法,其特征在于,包括以下步骤:
获取待研究道路的气象事故资料,并将待研究道路划分为多个路段;
基于气象事故资料统计待研究道路的气象事件以及每个路段在不同气象事件下的气象事故数;
基于划分得到的多个路段和每个路段在不同气象事件下的气象事故数计算气象事件响应度;
所述气象事件响应度通过气象事件响应机制进行计算,所述气象事件响应机制的计算公式为:
其中,xi表示第i个气象事件的交通事故数,θ表示气象事件响应所需的交通事故数,即为风险路段事故数阈值;
所述气象事件响应度的计算公式为:
R(j)qx=X(k)qx/X(k)Tqx
其中,qx表示气象符号,R(j)qx表示第j个路线单元上qx气象事件的响应度,X(k)Tqx表示第k个气象事件载体上qx气象事件下的事件数量,X(k)qx为第k个气象事件载体上qx气象事件的响应数;
所述气象事件响应数的计算公式为:
X(k)qx=∑xi
其中,qx表示气象符号,X(k)qx为第k个气象事件载体上qx气象事件的响应数,xi表示第i个气象事件的交通事故数;
设置气象事件响应度的安全阈值,将气象响应度超过安全阈值的路段鉴别为事故高风险路段。
2.如权利要求1所述的一种基于气象响应度的高速公路高风险路段鉴别方法,其特征在于,还包括:
基于气象事件响应度核查气象响应度超过安全阈值的路段,对气象响应度超过安全阈值的特殊路段进行删除处理,对其他气象响应度超过安全阈值的路段进行鉴别处理,其中,所述特殊路段包括公路隧道。
3.如权利要求1所述的一种基于气象响应度的高速公路高风险路段鉴别方法,其特征在于,所述气象事故资料包括事故发生的时间、事故位置、事故当日天气、事故车型以及交通事故记录事件跨度的每日天气记录资料。
4.如权利要求1所述的一种基于气象响应度的高速公路高风险路段鉴别方法,其特征在于,所述将待研究道路划分为多个路段的方法包括定长法和气象划分法。
5.如权利要求1所述的一种基于气象响应度的高速公路高风险路段鉴别方法,其特征在于,所述气象事件响应度的安全阈值为0。
6.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-5中任一项所述的一种基于气象响应度的高速公路高风险路段鉴别方法。
7.一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,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于气象响应度的高速公路高风险路段鉴别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210374843.2A CN114973648B (zh) | 2022-04-11 | 2022-04-11 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210374843.2A CN114973648B (zh) | 2022-04-11 | 2022-04-11 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973648A CN114973648A (zh) | 2022-08-30 |
CN114973648B true CN114973648B (zh) | 2024-03-19 |
Family
ID=82977032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210374843.2A Active CN114973648B (zh) | 2022-04-11 | 2022-04-11 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973648B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
CN109493600A (zh) * | 2018-11-21 | 2019-03-19 | 合肥工业大学 | 基于事故危险度的交通事故多发路段识别方法 |
CN110162582A (zh) * | 2018-04-13 | 2019-08-23 | 山东百世通大数据科技有限公司 | 复杂地形下高速公路气象观测站智能选址系统及应用方法 |
CN110675624A (zh) * | 2019-09-19 | 2020-01-10 | 长安大学 | 一种高风险路段的行车风险控制方法 |
CN113112794A (zh) * | 2021-03-31 | 2021-07-13 | 四川省气象服务中心(四川省专业气象台 四川省气象影视中心) | 基于时空气象网格的交通事故发生率预测方法 |
KR102290548B1 (ko) * | 2021-03-25 | 2021-08-13 | 전남대학교산학협력단 | 딥러닝 모델 기반의 도로 상태 판단을 통한 교통 사고 예방 장치 및 방법 |
CN113869220A (zh) * | 2021-09-29 | 2021-12-31 | 桂林海威科技股份有限公司 | 重大交通事故的监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9200910B2 (en) * | 2013-12-11 | 2015-12-01 | Here Global B.V. | Ranking of path segments based on incident probability |
-
2022
- 2022-04-11 CN CN202210374843.2A patent/CN114973648B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162582A (zh) * | 2018-04-13 | 2019-08-23 | 山东百世通大数据科技有限公司 | 复杂地形下高速公路气象观测站智能选址系统及应用方法 |
CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
CN109493600A (zh) * | 2018-11-21 | 2019-03-19 | 合肥工业大学 | 基于事故危险度的交通事故多发路段识别方法 |
CN110675624A (zh) * | 2019-09-19 | 2020-01-10 | 长安大学 | 一种高风险路段的行车风险控制方法 |
KR102290548B1 (ko) * | 2021-03-25 | 2021-08-13 | 전남대학교산학협력단 | 딥러닝 모델 기반의 도로 상태 판단을 통한 교통 사고 예방 장치 및 방법 |
CN113112794A (zh) * | 2021-03-31 | 2021-07-13 | 四川省气象服务中心(四川省专业气象台 四川省气象影视中心) | 基于时空气象网格的交通事故发生率预测方法 |
CN113869220A (zh) * | 2021-09-29 | 2021-12-31 | 桂林海威科技股份有限公司 | 重大交通事故的监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114973648A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Andrey et al. | Weather as a chronic hazard for road transportation in Canadian cities | |
Zhang et al. | Quantifying the impact of weather events on travel time and reliability | |
CN106846806A (zh) | 基于Isolation Forest的城市道路交通异常检测方法 | |
Tobin et al. | Characteristics of recent vehicle-related fatalities during active precipitation in the United States | |
CN111210163B (zh) | 一种基于多源数据的公交车辆风险评价系统与方法 | |
Yang et al. | Impact of weather on freeway origin-destination volume in China | |
Yasanthi et al. | Modeling free-flow speed variations under adverse road-weather conditions: case of cold region highways | |
Ma et al. | Analysis of the logistic model for accident severity on urban road environment | |
Sawtelle et al. | Driver, roadway, and weather factors on severity of lane departure crashes in Maine | |
CN114973648B (zh) | 一种基于气象响应度的高速公路高风险路段鉴别方法 | |
CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
Peltola | Seasonally changing speed limits: Effects on speeds and accidents | |
CN117031584A (zh) | 一种霜冻预测预报方法及系统 | |
CN114565155A (zh) | 一种公路安全测试方法、装置、电子设备及存储介质 | |
Anderson et al. | Research on Weather Conditions and Their Relationship to Crashes | |
Ahmed et al. | Safety applications of automatic vehicle identification and real-time weather data on freeways | |
Yazdani et al. | The effect of weather on the severity of multi-vehicle crashes: a case study of Iran | |
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 | |
Rad et al. | Traumatic and nontraumatic driving accidents due to dry spells in northern Iran: a time series analysis | |
Romanowska et al. | Investigating the impact of weather conditions and time of day on traffic flow characteristics | |
Jarmuż et al. | A review of approaches to the study of Weather’s effect on road traffic parameters | |
Petr | An Observational Study of Winter Weather-Related Traffic Crashes in Nebraska | |
CN111739303A (zh) | 一种智慧高速雨雾行车安全诱导系统的评价方法及装置 | |
Roh | A study on securing model usefulness through geographical scalability testing of winter weather model developed with big traffic data | |
Levinson et al. | Pavement Condition and Crashes |
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 |