CN115293255A - 高速公路交通事故风险模型构建及风险判别方法 - Google Patents
高速公路交通事故风险模型构建及风险判别方法 Download PDFInfo
- Publication number
- CN115293255A CN115293255A CN202210921237.8A CN202210921237A CN115293255A CN 115293255 A CN115293255 A CN 115293255A CN 202210921237 A CN202210921237 A CN 202210921237A CN 115293255 A CN115293255 A CN 115293255A
- Authority
- CN
- China
- Prior art keywords
- time interval
- probability
- traffic
- accident
- traffic accident
- 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
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
-
- 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
Abstract
本发明实施例公开了一种高速公路交通事故风险模型构建及风险判别方法。其中,构建方法包括:获取目标路段在目标时段内的交通事故数据和周期性交通流数据;利用训练样本集对交通事故概率模型进行训练;根据所述目标路段上实际可实施的主动安全干预最大频率,确定基于所述多个时间区间的第一概率阈值;根据所述多个时间区间的总数,以及所述训练样本集的样本总数,对所述第一概率阈值进行修正,得到基于所述训练样本集的第二概率阈值;利用所述测试样本集对所述交通事故风险模型进行精度验证,对不满足精度条件的模型进行改进,直到满足所述精度条件。本实施例实现了实际工程应用中的主动安全干预措施和训练样本集的结合。
Description
技术领域
本发明实施例涉及智能交通领域,尤其涉及一种高速公路交通事故风险模型构建及风险判别方法。
背景技术
高速公路为人民的出行提供了极大的便利,也在国民经济中占有重要地位。截至2021年底,我国高速公路通车总里程达到16.10万公里,位居世界第一位。随着高速公路的不断发展,高速公路事故数量也在逐年攀升。
现有的高速公路事故风险模型主要集中事故风险预测精度上,通过统计学模型、深度学习模型等,建立各类风险因素与交通事故之间的关系,从而达到预测事故风险的目的。虽然现有技术能够预测交通事故风险,有助于提高高速公路的交通安全性能,较低事故发生的概率,但多基于理论运算,无法实际与主动安全干预措施相结合。
发明内容
本发明实施例提供一种高速公路交通事故风险模型构建及风险判别方法,实现了实际工程应用中的主动安全干预措施和训练样本集的结合。
第一方面,本发明实施例提供了一种高速公路交通事故风险模型构建方法,包括:
获取目标路段在目标时段内的交通事故数据和周期性交通流数据,其中,所述交通事故数据包括多起交通事故发生的时间,所述交通流数据包括所述目标路段的上游检测器和下游检测器检测到的车流量、车速和占有率;
将所述目标时段划分为多个时间区间,并对每起事故发生前的最近的第一时间区间的交通流数据进行融合,并标注所述第一时间区间后的时间区间内发生交通事故的概率为1;对每起事故发生前、上一起事故发生后的至少一个第二时间区间中每个第二时间区间的交通流数据进行融合,并标注每个第二时间区间后的时间区间内发生交通事故的概率为0;
以每个第一时间区间的融合后的交通数据和标注的概率为一个事故样本、每个第二时间区间的融合后的交通数据和标注的概率为一个非事故样本,将所有事故样本和所有非事故样本分为训练样本集和测试样本集;
利用所述训练样本集对交通事故概率模型进行训练,其中,所述交通事故概率模型用于根据所述目标路段的目标时间区间的融合后的交通数据预测所述目标时间区间后的时间区间内发生交通事故的概率;
根据所述目标路段上实际可实施的主动安全干预最大频率,确定基于所述多个时间区间的第一概率阈值,其中,当预测的概率大于或等于所述第一概率阈值时,判别所述目标时间区间后的时间区间存在交通事故风险;当预测的概率小于所述第一概率阈值时,判别所述目标时间区间后的时间区间不存在交通事故风险;
根据所述多个时间区间的总数,以及所述训练样本集的样本总数,对所述第一概率阈值进行修正,得到基于所述训练样本集的第二概率阈值;
由所述第二概率阈值和所述训练好的交通事故概率模型共同组成交通事故风险模型,利用所述测试样本集对所述交通事故风险模型进行精度验证,对不满足精度条件的模型进行改进,直到满足所述精度条件,由最终的第二概率阈值和最终的训练好的交通事故概率模型共同组成最终的交通事故风险模型。
可选的,所述对每起事故发生前的最近的第一时间区间的交通流数据进行融合,包括:对每起事故发生前的最近的第一时间区间,分别计算所述上游检测器在所述第一时间区间内所有周期的第一车流量均值、第一车流量标准差、第一车速均值、第一车速标准差、第一占有率均值和第一占有率均值,所述下游检测器在所述第一时间区间内所有周期的第二车流量均值、第二车流量标准差、第二车速均值、第二车速标准差、第二占有率均值和第二占有率均值,所述第一车流量均值与所述第二车流量均值的第一差值,所述第一车速均值与所述第二车速均值的第二差值,以及所述第一占有率均值和所述第二占有率均值的第三差值,构成所述第一时间区间的融合后的交通数据。
可选的,每起事故交通事故前的非事故样本数量是事故样本数量的n倍,n为自然数。可选的,所述交通事故概率模型为:
其中,xk表示所述目标时间区间的融合后的交通数据中的第k个参数,βk表示所述第k个参数的系数,p表示所述发生所述目标时间区间后的时间区间内发生交通事故的概率。
可选的,所述根据所述目标路段上实际可实施的主动安全干预最大频率,确定基于所述多个时间区间的第一概率阈值,包括:
按照以下公式,根据所述目标路段上实际可实施的主动安全干预最大频率F,计算所述目标路段上在所述目标时段T内可实施主动安全干预的最大次数N:
N=T·F/C
其中,C表示目标时段内的事故样本的数量;
将所述最大次数的倒数设置值为基于所述多个时间区间的第一概率阈值。
可选的,所述根据所述多个时间区间的总数,以及所述训练样本集的样本总数,对所述第一概率阈值进行修正,得到基于所述训练样本集的第二概率阈值,包括:
根据以下公式对所述第一概率阈值t进行修正,得到基于所述训练样本集的第二概率阈值th:
其中,n_all与表示所述目标路段在所述目标时段内的时间区间总数,n_sample表示所述所有事故样本和所述所有非事故样本的总数量。
可选的,所述利用所述测试样本集合对所述交通事故风险模型进行精度验证,包括:
将所述测试样本集中每个测试样本输入所述交通事故概率模型,预测每个测试样本对应的发生交通事故的概率;
当一测试样本为事故样本时,如果预测的概率大于或等于所述第二概率阈值,将所述测试样本记为真阳性样本;如果预测的概率小于所述第二概率阈值,将所述测试样本记为假阴性样本;
当一测试样本为非事故样本时,如果未预测的概率大于或等于所述第二概率阈值,将所述测试样本记为假阳性样本;如果预测的概率小于所述第二概率阈值,将所述测试样本记为真阴性样本;
根据所述真阳性样本数量、所述假阴性样本数量、所述假阳性样本数量和所述真阴性样本数量,计算所述交通事故风险模型的灵敏度和误报率。
第二方面,本发明实施例提供了一种高速公路交通事故风险判别方法,包括:
周期性获取目标路段在目标时间区间内的交通流数据,并对所述交通流数据进行融合;将融合后的交通数据输入最终的交通事故风险模型,判别所述目标时间区间后的时间区间是否存在交通事故风险;
其中,所述最终的交通事故风险模型采上述任一实施例提供的构建方法构建,所述将融合后的交通数据输入最终的交通事故风险模型,判别所述目标时间区间后的时间区间是否存在交通事故风险,包括:
将融合后的交通数据输入最终的训练好的交通事故概率模型,预测所述目标时间区间后的时间区间内发生交通事故的概率;
当预测的概率大于或等于最终的第二概率阈值时,判别所述目标时间区间后的时间区间存在交通事故风险;
当预测的概率小于最终的第二概率阈值时,判别所述目标时间区间后的时间区间不存在交通事故风险。
第三方面,本发明实施例提供一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的构建方法或判别方法。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的构建方法和判别方法。
本发明实施例公开了一种高速公路交通事故风险模型构建方法,通过在目标路段上获取一定时间段内的交通事故数据与交通流参数数据,构建交通事故风险模型,从成本与收益的角度为交通事故风险模型提供了一种未来即将发生交通事故的概率阈值,并基于整个路段的样本数量(即上述时间区间总数)和训练样本集的样本数量对该阈值进行修改正,得到适用于训练样本集的先验知识的概率阈值,得到最终的风险模型。本实施例实现了实际工程应用中的主动安全干预措施和训练样本集的结合,充分融合了整个路段的实际工程情况和样本数据的先验知识,在实际主动安全干预措施允许的实施条件下,能够以较高的精度预测交通事故风险。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1是本发明实施例提供的一种高速公路交通事故风险模型构建方法的流程图。
图2是本发明实施例提供的目标路段和上、下游检测器的示意图。
图3是本发明实施例提供的高速公路交通事故风险判别方法的流程图。
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。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得到的所有其它实施例,都属于本发明所保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“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发明中的具体含义。
图1是本发明实施例提供的高速公路交通事故风险模型构建方法的流程图。该方法适用于构建用于判别一时间区间后是否即将发生交通事故的模型的情况。该方法由电子设备执行,如图1所示,具体包括如下步骤。
S110、获取目标路段在目标时段内的交通事故数据和周期性交通流数据,其中,所述交通事故数据包括多起交通事故发生的时间,所述交通流数据包括所述目标路段的上游检测器和下游检测器检测到的车流量、车速和占有率。
在一具体实施方式中,目标路段长度为1千米,上游检测器和下游检测器的布设位置如图2所示,目标时段即数据的收集周期,取3652天。交通事故数据是一次性获取的,而交通流参数数据是周期性获取的,获取周期为30秒。具体的,车流量指获取时刻通过检测器的车辆总数,车速指获取时刻通过检测器所有车辆的平均速度,占有率指占有率值在目标观测时间内,车辆通过检测器时所占用的时间与观测总时间的比值。
S120、将所述目标时段划分为多个时间区间,并对每起事故发生前的最近的第一时间区间的交通流数据进行融合,并标注所述第一时间区间后的时间区间内发生交通事故的概率为1;对每起事故发生前、上一起事故发生后的至少一个第二时间区间中每个第二时间区间的交通流数据进行融合,并标注每个第二时间区间后的时间区间内发生交通事故的概率为0。融合后的数据用于表征事故发生前与非事故发生前的交通流特征。在上述具体实施方式中,所述时间区间为5分钟,首先每隔5分钟进行一次数据融合。任一时间区间的交通流数据融合包括如下过程:分别计算所述上游检测器在所述时间区间内所有周期之间的第一车流量均值β1、第一车流量标准差β2、第一车速均值β3、第一车速标准差β4、第一占有率均值β5和第一占有率均值β6,所述下游检测器在所述时间区间内所有周期之间的第二车流量均值β7、第二车流量标准差β8、第二车速均值β9、第二车速标准差β10、第二占有率均值β11和第二占有率标准差β12,所述第一车流量均值与所述第二车流量均值之间的第一差值β13,所述第一车速均值与所述第二车速均值之间的第二差值β14,以及所述第一占有率均值和所述第二占有率均值之间的第三差值β15,由β1、β2…β15这15种参数构成所述第一时间区间的融合后的交通数据。
数据融合完毕后,对每起事故发生前的最近的时间区间进行标注,标注该时间区间后的时间区间内发生交通事故的概率为1;对每起事故发生前、上一起事故发生后的至少一个时间区间中每个时间区间进行标注,并标注每个时间区间后的时间区间内发生交通事故的概率为0。为了便于区分和描述,将标注的概率为1的时间区间称为第一时间区间,将标注的概率为0的时间区间称为第二时间区间。
S130、以每个第一时间区间的融合后的交通数据和标注的概率为一个事故样本、每个第二时间区间的融合后的交通数据和标注的概率为一个非事故样本,将所有事故样本和所有非事故样分为训练样本集和测试样本集。
在上述具体实施方式中,训练样本集中包括136个事故样本数据,即n_crash=136;针对每个交通事故样有四个非交通事故样本,共544个非事故样本数据,即n_noncrash=544。S140、利用所述训练样本集对交通事故概率模型进行训练,其中,所述交通事故概率模型用于根据所述目标路段的目标时间区间的融合后的交通数据预测所述目标时间区间后的时间区间内发生交通事故的概率。
首先,建立目标路段的融合后的交通数据与未来交通事故发生概率之间的数学关系:
其中,xk表示所述目标时间区间的融合后的交通数据中的第k个参数,βk表示所述第k个参数的系数,p表示所述发生所述目标时间区间后的时间区间内发生交通事故的概率。在上述具体实施方式中,k=15。
然后,利用训练样本集中的样本确定公式(1)中的待定系数βk,剔除15个参数中的不显著参数后,剩下第一车速均值、第一车流量标准差、第二车速标准差和第二差值4个参数,各项系数如表1所示:
表1
参数 | 系数 |
第一车速均值 | -0.044 |
第一车流量标准差 | 0.295 |
第二车速标准差 | 0.069 |
第二差值 | 0.440 |
常数项 | 0.519 |
S150、根据所述目标路段上实际可实施的主动安全干预最大频率,确定基于所述多个时间区间的第一概率阈值,其中,当预测的概率大于或等于所述第一概率阈值时,判别所述目标时间区间后的时间区间存在交通事故风险;当预测的概率小于所述第一概率阈值时,判别所述目标时间区间后的时间区间不存在交通事故风险。
基于贝叶斯理论,当估计的事故概率p超过事故前兆的阈值t,即p>t时,该事件被识别为事故事件,否则被确定为非事故事件。假定A是发生事故的情况,A'是事故前兆,P(A)是实际发生事故的概率,或可以通过报告的事故数据获得的先验事故概率,P(A')是注意到事故前兆的概率,P(A'|A)表示发生事故之前注意到前兆的概率,P(A|A')表示在注意到事故前兆的情况下实际发生事故的概率。
指标P(A|A')用于评估事故风险模型的准确性和有效性,其倒数可以解释为在准确预测事故之前需要进行的预测次数。应用于实际工程项目时,可以理解为预防事故所需的特定数量的主动安全干预措施。
因此,所述根据所述目标路段上实际可实施的主动安全干预最大频率,确定基于所述多个时间区间的第一概率阈值,包括:按照以下公式,根据所述目标路段上实际可实施的主动安全干预最大频率F,计算所述目标路段上在所述目标时段T内可实施主动安全干预的最大次数N:N=T·F/C(2),其中,C表示目标时段内的事故样本的数量;将所述最大次数的倒数设置值为用于判断所述目标路段是否存在交通事故风险的概率阈值,即上述事故前兆的阈值t。其中,F的单位为次/小时。
在上述具体实施方式中,主动安全干预措施的最大实施频率为每小时10次,即F=10次/小时,则目标时间段内针对每起事故的最大主动安全干预次数为3652*24*10/136=6445次,则事故前兆的阈值t=1/N=1/6445=0.00015。
S160、根据所述多个时间区间的总数,以及所述训练样本集的样本总数,对所述第一概率阈值进行修正,得到基于所述训练样本集的第二概率阈值。
如果将目标路段每个时间区间的数据都视为一个样本,则所有时间区间的数据构成一个总体样本集。由于非事故样本数量远大于事故数据数量,因此总体样本集是不均衡的。为了均衡数据集,在前述步骤中通过下采样构建了训练样本集,模型计算得到的事故概率也是基于训练样本集的。而最大主动安全干预次数是基于总体样本集计算得到的,因此需要根据训练样本数量和总体样本数量对阈值进行修正。为了便于区分和描述,将修正前的阈值称为第一概率阈值,将修正后的阈值称为第二概率阈值。可选的,根据以下公式对所述第一概率阈值t进行修正,得到基于所述训练样本集的第二概率阈值th:
其中,n_all与表示所述目标路段在所述目标时段内的时间区间总数,n_sample表示所述所有事故样本和所述所有非事故样本的总数量。
在上述具体实施方式中,n_sample=n_crash+n_noncrash=136+544=680
n_all=D×24×12=3652×24×12=1051776
则:S170、由所述第二概率阈值和所述训练好的交通事故概率模型共同组成交通事故风险模型,利用所述测试样本集对所述交通事故风险模型进行精度验证,对不满足精度条件的模型进行改进,直到满足所述精度条件,由最终的第二概率阈值和最终的训练好的交通事故概率模型共同组成最终的交通事故风险模型。
可选的,首先将所述测试样本集中每个测试样本输入所述交通事故概率模型,预测每个测试样本对应的发生交通事故的概率。然后,比较预测的概率和第二概率阈值,当一测试样本为事故样本时,如果预测的概率大于或等于所述第二概率阈值,将所述测试样本记为真阳性样本;如果预测的概率小于所述第二概率阈值,将所述测试样本记为假阴性样本。当一测试样本为非事故样本时,如果未预测的概率大于或等于所述第二概率阈值,将所述测试样本记为假阳性样本;如果预测的概率小于所述第二概率阈值,将所述测试样本记为真阴性样本。最后,根据所述真阳性样本数量、所述假阴性样本数量、所述假阳性样本数量和所述真阴性样本数量,计算所述交通事故风险模型的灵敏度和误报率。灵敏度和误报率的计算方式为:
其中,TP表示真阳性样本的数量,即判别为事故前兆时发生交通事故的数量;FP表示假阳性样本的数量,即判别为事故前兆时未发生交通事故的数量;TN表示真阴性样本的数量,即判别为非事故前兆时未发生交通事故的数量:FN表示假阴性样本的数量,即判别为非事故前兆时发生交通事故的数量。
如果上述交通事故风险模型满足精度条件,即灵敏度和误报率均满足设定条件,则使用该模型作为最终的交通事故风险模型。如果上述交通事故风险模型不满足精度条件的模型,则对模型进行改进,例如增大训练样本数量等,直到满足所述精度条件。每次改进中对模型的具体表达式和第二概率阈值都会有所调整,由最终的第二概率阈值和最终的训练好的交通事故概率模型共同组成最终的交通事故风险模型。当由最终的训练好的交通事故概率模型预测的概率大于或等于最终的第二概率阈值时,判别所述目标时间区间后的时间区间存在交通事故风险;当预测的概率小于所述第一概率阈值时,判别所述目标时间区间后的时间区间不存在交通事故风险。
在上述具体实施方式中,在th=0.23的第二概率阈值下,计算得到灵敏度为73%,误报率为19%。在较高的灵敏度的情况下拥有较低的误报率。因此,本实施例中的高速公路交通事故风险模型阈值计算方法,可以与实际工程应用中的主动安全干预措施相结合,在成本允许的条件下以较高的精度预测交通事故风险。
本实施例公开了一种高速公路交通事故风险模型构建方法,通过在目标路段上获取一定时间段内的交通事故数据与交通流参数数据,构建交通事故风险模型,从成本与收益的角度为交通事故风险模型提供了一种未来即将发生交通事故的概率阈值,并基于整个路段的样本数量(即上述时间区间总数)和训练样本集的样本数量对该阈值进行修改正,得到适用于训练样本集的先验知识的概率阈值,得到最终的风险模型。本实施例实现了实际工程应用中的主动安全干预措施和训练样本集的结合,充分融合了整个路段的实际工程情况和样本数据的先验知识,在实际主动安全干预措施允许的实施条件下,能够以较高的精度预测交通事故风险。基于最终的交通事故风险模型,图3是本发明实施例提供的高速公路交通事故风险判别方法的流程图。如图3所示,所述判别方法具体包括如下步骤:
S210、周期性获取目标路段在目标时间区间内的交通流数据,并对所述交通流数据进行融合。
S220、将融合后的交通数据输入最终的交通事故风险模型,判别所述目标时间区间后的时间区间是否存在交通事故风险;其中,所述最终的交通事故风险模型采用上述任一实施例提供的方法构建。
具体的,将融合后的交通数据输入最终的训练好的交通事故概率模型,预测所述目标时间区间后的时间区间内发生交通事故的概率。当预测的概率大于或等于最终的第二概率阈值时,判别所述目标时间区间后的时间区间存在交通事故风险。当预测的概率小于最终的第二概率阈值时,判别所述目标时间区间后的时间区间不存在交通事故风险。
基于前述的具体实施方式,假设一个目标时间区间内的融合后的交通数据中,第一车速均值=73.63,第一车流量标准差=3.74,第二车速标准差=4.71,第二差值=3.47,则概率模型预测的概率为:
判为事故前兆,即所述目标时间区间后的时间区间存在交通事故风险。
假设另一个目标时间区间内的融合后的交通数据中,第一车速均值=94.59,第一车流量标准差=1.54,第二车速标准差=1.87,第二差值=2.18,则概率模型预测的概率为:
判别为非事故前兆,即所述目标时间区间后的时间区间不存在交通事故风险。
本实施例基于上述任一实施例提供的构建方法实现,具备上述任一实施例的技术效果。
图4为本发明实施例提供的电子设备的结构示意图,如图4所示,该设备包括处理器50、存储器51、输入装置52和输出装置53;设备中处理器50的数量可以是一个或多个,图4中以一个处理器50为例;设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的高速公路交通事故风险模型构建及风险判别方法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的高速公路交通事故风险模型构建及风险判别方法。存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
本发明实施例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,该程序被处理器执行时实现任一实施例的高速公路交通事故风险模型构建及风险判别方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种高速公路交通事故风险模型构建方法,其特征在于,包括:
获取目标路段在目标时段内的交通事故数据和周期性交通流数据,其中,所述交通事故数据包括多起交通事故发生的时间,所述交通流数据包括所述目标路段的上游检测器和下游检测器检测到的车流量、车速和占有率;
将所述目标时段划分为多个时间区间;对每起事故发生前的最近的第一时间区间的交通流数据进行融合,并标注所述第一时间区间后的时间区间内发生交通事故的概率为1;对每起事故发生前、上一起事故发生后的至少一个第二时间区间中每个第二时间区间的交通流数据进行融合,并标注每个第二时间区间后的时间区间内发生交通事故的概率为0;
以每个第一时间区间的融合后的交通数据和标注的概率为一个事故样本、每个第二时间区间的融合后的交通数据和标注的概率为一个非事故样本,将所有事故样本和所有非事故样分为训练样本集和测试样本集;
利用所述训练样本集对交通事故概率模型进行训练,其中,所述交通事故概率模型用于根据所述目标路段的目标时间区间的融合后的交通数据预测所述目标时间区间后的时间区间内发生交通事故的概率;
根据所述目标路段上实际可实施的主动安全干预最大频率,确定基于所述多个时间区间的第一概率阈值,其中,当预测的概率大于或等于所述第一概率阈值时,判别所述目标时间区间后的时间区间存在交通事故风险;当预测的概率小于所述第一概率阈值时,判别所述目标时间区间后的时间区间不存在交通事故风险;
根据所述多个时间区间的总数,以及所述训练样本集的样本总数,对所述第一概率阈值进行修正,得到基于所述训练样本集的第二概率阈值;
由所述第二概率阈值和所述训练好的交通事故概率模型共同组成交通事故风险模型,利用所述测试样本集对所述交通事故风险模型进行精度验证,对不满足精度条件的模型进行改进,直到满足所述精度条件,由最终的第二概率阈值和最终的训练好的交通事故概率模型共同组成最终的交通事故风险模型。
2.根据权利要求1所述的构建方法,其特征在于,所述对每起事故发生前的最近的第一时间区间的交通流数据进行融合,包括:
对每起事故发生前的最近的第一时间区间,分别计算所述上游检测器在所述第一时间区间内所有周期的第一车流量均值、第一车流量标准差、第一车速均值、第一车速标准差、第一占有率均值和第一占有率均值,所述下游检测器在所述第一时间区间内所有周期的第二车流量均值、第二车流量标准差、第二车速均值、第二车速标准差、第二占有率均值和第二占有率均值,所述第一车流量均值与所述第二车流量均值的第一差值,所述第一车速均值与所述第二车速均值的第二差值,以及所述第一占有率均值和所述第二占有率均值的第三差值,构成所述第一时间区间的融合后的交通数据。
3.根据权利要求1所述的构建方法,其特征在于,每起事故交通事故前的非事故样本数量是事故样本数量的n倍,n为自然数。
5.根据权利要求1所述的构建方法,其特征在于,所述根据所述目标路段上实际可实施的主动安全干预最大频率,确定基于所述多个时间区间的第一概率阈值,包括:
按照以下公式,根据所述目标路段上实际可实施的主动安全干预最大频率F,计算所述目标路段上在所述目标时段T内可实施主动安全干预的最大次数N:
N=T·F/C
其中,C表示目标时段内的事故样本的数量;
将所述最大次数的倒数设置值为基于所述多个时间区间的第一概率阈值。
7.根据权利要求1所述的构建方法,其特征在于,所述利用所述测试样本集合对所述交通事故风险模型进行精度验证,包括:
将所述测试样本集中每个测试样本分别输入所述交通事故概率模型,预测每个测试样本对应的发生交通事故的概率;
当一测试样本为事故样本时,如果预测的概率大于或等于所述第二概率阈值,将所述测试样本记为真阳性样本;如果预测的概率小于所述第二概率阈值,将所述测试样本记为假阴性样本;
当一测试样本为非事故样本时,如果预测的概率大于或等于所述第二概率阈值,将所述测试样本记为假阳性样本;如果预测的概率小于所述第二概率阈值,将所述测试样本记为真阴性样本;
根据所述真阳性样本数量、所述假阴性样本数量、所述假阳性样本数量和所述真阴性样本数量,计算所述交通事故风险模型的灵敏度和误报率。
8.一种高速公路交通事故风险判别方法,其特征在于,包括:
周期性获取目标路段在目标时间区间内的交通流数据,并对所述交通流数据进行融合;
将融合后的交通数据输入最终的交通事故风险模型,判别所述目标时间区间后的时间区间是否存在交通事故风险;
其中,所述最终的交通事故风险模型采用权利要求1-7任一所述的方法构建,所述将融合后的交通数据输入最终的交通事故风险模型,判别所述目标时间区间后的时间区间是否存在交通事故风险,包括:
将融合后的交通数据输入最终的训练好的交通事故概率模型,预测所述目标时间区间后的时间区间内发生交通事故的概率;
当预测的概率大于或等于最终的第二概率阈值时,判别所述目标时间区间后的时间区间存在交通事故风险;
当预测的概率小于最终的第二概率阈值时,判别所述目标时间区间后的时间区间不存在交通事故风险。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的构建方法,或如权利要求8所述的判别方法。
10.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的构建方法,或如权利要求8所述的判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210921237.8A CN115293255B (zh) | 2022-08-02 | 2022-08-02 | 高速公路交通事故风险模型构建及风险判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210921237.8A CN115293255B (zh) | 2022-08-02 | 2022-08-02 | 高速公路交通事故风险模型构建及风险判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115293255A true CN115293255A (zh) | 2022-11-04 |
CN115293255B CN115293255B (zh) | 2023-05-05 |
Family
ID=83826363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210921237.8A Active CN115293255B (zh) | 2022-08-02 | 2022-08-02 | 高速公路交通事故风险模型构建及风险判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293255B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115938128A (zh) * | 2023-03-15 | 2023-04-07 | 天津所托瑞安汽车科技有限公司 | 交通事故预测方法、装置、终端及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060106743A1 (en) * | 2004-11-16 | 2006-05-18 | Microsoft Corporation | Building and using predictive models of current and future surprises |
CN103198711A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种降低不同严重程度交通事故概率的车辆调控方法 |
CN104751642A (zh) * | 2015-03-11 | 2015-07-01 | 同济大学 | 一种高等级道路交通流运行风险实时预估方法 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN110503155A (zh) * | 2019-08-23 | 2019-11-26 | 腾讯科技(深圳)有限公司 | 一种信息分类的方法及相关装置、服务器 |
CN110533880A (zh) * | 2019-09-17 | 2019-12-03 | 东南大学 | 一种基于心电信号的异常驾驶状态检测及预警控制方法 |
CN111768761A (zh) * | 2019-03-14 | 2020-10-13 | 京东数字科技控股有限公司 | 一种语音识别模型的训练方法和装置 |
CN112182214A (zh) * | 2020-09-27 | 2021-01-05 | 中国建设银行股份有限公司 | 一种数据分类方法、装置、设备及介质 |
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 |
US20210197720A1 (en) * | 2019-12-27 | 2021-07-01 | Lyft, Inc. | Systems and methods for incident detection using inference models |
-
2022
- 2022-08-02 CN CN202210921237.8A patent/CN115293255B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060106743A1 (en) * | 2004-11-16 | 2006-05-18 | Microsoft Corporation | Building and using predictive models of current and future surprises |
CN103198711A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种降低不同严重程度交通事故概率的车辆调控方法 |
CN104751642A (zh) * | 2015-03-11 | 2015-07-01 | 同济大学 | 一种高等级道路交通流运行风险实时预估方法 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN111768761A (zh) * | 2019-03-14 | 2020-10-13 | 京东数字科技控股有限公司 | 一种语音识别模型的训练方法和装置 |
CN110503155A (zh) * | 2019-08-23 | 2019-11-26 | 腾讯科技(深圳)有限公司 | 一种信息分类的方法及相关装置、服务器 |
CN110533880A (zh) * | 2019-09-17 | 2019-12-03 | 东南大学 | 一种基于心电信号的异常驾驶状态检测及预警控制方法 |
US20210197720A1 (en) * | 2019-12-27 | 2021-07-01 | Lyft, Inc. | Systems and methods for incident detection using inference models |
CN112182214A (zh) * | 2020-09-27 | 2021-01-05 | 中国建设银行股份有限公司 | 一种数据分类方法、装置、设备及介质 |
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 |
Non-Patent Citations (2)
Title |
---|
SHARAF ALKHEDER 等: "Risk analysis of traffic accidents’ severities:An application of three data mining models", 《ISA TRANSACTIONS》 * |
高旗 等: "基于PSO- BP神经网络的终端区拥堵等级预测模型", 《航空计算技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115938128A (zh) * | 2023-03-15 | 2023-04-07 | 天津所托瑞安汽车科技有限公司 | 交通事故预测方法、装置、终端及存储介质 |
CN115938128B (zh) * | 2023-03-15 | 2023-10-03 | 天津所托瑞安汽车科技有限公司 | 交通事故预测方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115293255B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798876B (zh) | 基于事件的道路交通异常拥堵判断方法 | |
CN106887137B (zh) | 拥堵事件提示方法及装置 | |
Gast et al. | Probabilistic forecasts of bike-sharing systems for journey planning | |
Emam et al. | Using real-life dual-loop detector data to develop new methodology for estimating freeway travel time reliability | |
CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
CN109409713B (zh) | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 | |
CN111917877A (zh) | 物联网设备的数据处理方法及装置、电子设备、存储介质 | |
CN109035777B (zh) | 交通运行态势分析方法及系统 | |
CN112435469B (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
CN104751642A (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN111414828B (zh) | 一种异常聚集识别方法及装置 | |
CN112530163B (zh) | 交通事故预测方法、装置、电子设备及存储介质 | |
CN115293255B (zh) | 高速公路交通事故风险模型构建及风险判别方法 | |
CN109979193B (zh) | 一种基于马尔科夫模型的数据异常诊断方法 | |
CN111612378A (zh) | 潜在碰撞风险预测方法、装置及计算机设备 | |
Yabe et al. | CityFlowFragility: Measuring the fragility of people flow in cities to disasters using GPS data collected from smartphones | |
CN115038088A (zh) | 一种智能网络安全检测预警系统和方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
CN114283590B (zh) | 车流量高峰预测方法及装置、电子设备 | |
CN114565210A (zh) | 一种基于故障树分析的城市轨道交通风险评估方法及系统 | |
CN113283548A (zh) | 一种车辆安全评分方法、装置、设备和存储介质 | |
CN116721550B (zh) | 一种基于网格计算的交通管理系统 | |
CN107479112B (zh) | 浓雾预测方法、装置及系统 | |
CN110399537B (zh) | 一种基于人工智能技术的警情时空预测方法 | |
CN111667689A (zh) | 车辆旅行时间预测的方法、设备和计算机设备 |
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 |