CN115392728A - 基于风险场的大型活动多源交通风险叠加评估方法及应用 - Google Patents

基于风险场的大型活动多源交通风险叠加评估方法及应用 Download PDF

Info

Publication number
CN115392728A
CN115392728A CN202211039914.XA CN202211039914A CN115392728A CN 115392728 A CN115392728 A CN 115392728A CN 202211039914 A CN202211039914 A CN 202211039914A CN 115392728 A CN115392728 A CN 115392728A
Authority
CN
China
Prior art keywords
risk
track
traffic
scale
road
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.)
Pending
Application number
CN202211039914.XA
Other languages
English (en)
Inventor
程泽阳
张卫华
陆建
胡晓建
张伟
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202211039914.XA priority Critical patent/CN115392728A/zh
Publication of CN115392728A publication Critical patent/CN115392728A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于风险场的大型活动多源交通风险叠加评估方法及应用，包括1：确定大型活动场景下的多源交通风险类型集合；2：确定大型活动场景下的多源交通风险叠加影响的目标点；3：获取不同交通风险类型下的交通数据；4：对所述多源交通风险类型集合进行量化表征，建立多源交通风险量化表征模型；5：对量化的多源交通风险进行标准化处理；6：利用风险场理论量化评估物流车辆轨迹异常风险、网约车危险驾驶风险和道路交通拥堵风险叠加对大型活动车队的出入口位置坐标的影响。本发明实现了大型活动场景下多源交通风险的量化表征与叠加评估，为有效抑制多源交通风险联合作用、提升多源交通风险精准化防控水平提供决策支撑。

Description

基于风险场的大型活动多源交通风险叠加评估方法及应用
技术领域
本发明属于大型活动风险评估领域，具体的说是一种基于风险场的大型活动多源交通风险叠加评估方法及应用。
背景技术
随着我国社会经济快速发展，各类大型活动举办日益频繁。大型活动期间，大量人、车、物时空聚集频繁，在有限的道路时空范围内往往聚集了多种交通风险，不同交通风险之间传导、叠加效应显著，增加了大型活动道路交通运行风险，是影响大型活动交通安全的重要因素。作为多源交通风险联合作用的典型场景，大型活动举办场地周边路网中汇聚的多种交通风险容易产生时空叠加作用，形成联合增力，严重影响大型活动敏感区域(如大型活动车队出入口、交通枢纽等)的交通安全。
如何有效辨识大型活动道路交通系统中潜在的多源交通风险，对多源交通风险进行量化表征，并在此基础上量化不同交通风险之间的时空叠加作用，是提升大型活动多源交通安全风险协同管控水平的关键。然而现有技术主要针对单一固定场景下的交通风险进行辨识与评估，未充分解析多种交通风险之间的相互作用，尤其是针对大型活动交通场景下多种交通风险的叠加评估缺乏。因此，多源交通风险联合作用对大型活动的影响无法进行量化，从而大型活动交通安全风险管控缺乏协同化、精准化支撑。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于风险场的大型活动多源交通风险叠加评估方法及应用，以期能实现大型活动场景下多源交通风险的量化表征与叠加评估，为有效抑制多源交通风险联合作用、提升多源交通风险精准化防控水平提供决策支撑。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于风险场的大型活动多源交通风险叠加评估方法的特点是按照如下步骤进行：
步骤1：确定大型活动场景下的多源交通风险类型集合R＝{R1,R2,R3}；其中，R1表示大型活动场景下的物流车辆轨迹异常风险，R2表示大型活动场景下的网约车危险驾驶风险，R3表示大型活动场景下的道路交通拥堵风险；
步骤2：确定大型活动场景下的多源交通风险叠加影响的目标点；以大型活动举办场地的外接矩形的一个顶点作为原点，与所述顶点相连的两条直角边分别作为x轴和y轴，建立直角坐标系，并将所述外接矩形划分成k×k的网格区域，每一个网格代表一条路段；以网格的中心点作为每个网格的位置坐标；在所述直角坐标系中，将大型活动车队的出入口所在网格的位置坐标O(x0,y0)作为多源交通风险叠加影响的目标点；
步骤3：获取不同交通风险类型下的交通数据，其中，物流车辆轨迹异常风险数据包括：物流车辆在t时刻的实时轨迹坐标(x1,t,y1,t)、物流车辆历史固有的轨迹坐标、物流车辆行驶过程中所有的轨迹点数、物流车辆行驶过程中出现异常的轨迹点数；
网约车危险驾驶风险数据包括：网约车在t时刻的实时轨迹坐标(x2,t,y2,t)、网约车驾驶员的L种危险驾驶行为及其发生频次[b1,b2...bL]、L种危险驾驶行为所占权重[α1,α2...αL]；其中，bL表示第L种危险驾驶行为的发生频次，αL表示第L种危险驾驶行为所占权重；
道路交通拥堵风险数据包括：t时刻的实时拥堵位置坐标(x3,t,y3,t)、不同路段的车道数 [N′1,N′2,...,N′i,...,N′k]、不同路段的道路里程[L′1,L′2,...,L′i,...,L′k]、不同路段的自由流车速 [v1f,v2f,...,vif,...,vkf]、不同路段在t时刻的车辆平均速度[v1,t,v2,t,...,vi,t,...,vk,t]；其中，N′i表示第i条路段的车道数，L′i表示第i条路段的道路里程，vif表第i条路段的自由流车速，vi,t表示第i条路段在t时刻的车辆平均速度；i＝1,2,...k；
步骤4：对所述多源交通风险类型集合R进行量化表征，建立多源交通风险量化表征模型R′；
步骤4.1：针对大型活动场景下的物流车辆轨迹异常风险R1，利用式(1)建立物流车辆轨迹异常风险量化表征模型：
Figure RE-GDA0003859214840000021
式(1)中，R′1表示量化的物流车辆轨迹异常风险值，t1表示物流车辆运输过程中发生轨迹异常的预警时长，t2表示物流车辆运输过程中发生轨迹异常的最大持续时间，N(t1)表示t1时间内物流车辆发生轨迹异常的轨迹点数，N(t2)表示t2时间内物流车辆运输过程中的所有轨迹点数；
步骤4.2：针对大型活动场景下的网约车危险驾驶风险R2，利用式(2)建立网约车危险驾驶风险量化表征模型：
R′2＝α1b1+α2b2+α3b3+...+αLbL (2)
式(2)中，R′2表示量化的网约车危险驾驶风险值；
步骤4.3：针对大型活动场景下的道路交通拥堵风险R3，利用式(3)建立道路交通拥堵风险量化表征模型：
Figure RE-GDA0003859214840000031
式(3)中，R′3表示量化的道路交通拥堵风险值；
步骤5：分别对R′1、R′2、R′3进行标准化处理，得到标准化后的物流车辆轨迹异常风险值 S1、网约车危险驾驶风险值S2、道路交通拥堵风险值S3；令任意一种标准化后的风险值记为 Sj；j＝1,2,3；
步骤6：利用风险场理论量化评估物流车辆轨迹异常风险、网约车危险驾驶风险和道路交通拥堵风险叠加对大型活动车队的出入口位置坐标O(x0,y0)的影响；
步骤6.1：利用式(5)建立风险场模型：
Figure RE-GDA0003859214840000032
式(5)中，F(x0,y0|xj,t,yj,t)为第j种风险在实时坐标位置(xj,t,yj,t)产生的风险场场强；Sj为第j种标准化后的风险值，εj,t为第j种风险在时刻t的衰减系数，rj,t_o为第j种风险实时坐标位置(xj,t,yj,t)到大型活动车队出入口位置坐标O(x0,y0)的距离，并有： rj,t_o＝(xj,t-x0)2+(yj,t-y0)2；
步骤6.2：利用式(6)建立大型活动场景下的多源交通风险叠加评估模型：
Figure RE-GDA0003859214840000033
式(6)中，F(x0,y0|(x1,t,y1,t)∪(x2,t,y2,t)∪(x3,t,y3,t))为表示物流车辆轨迹异常风险、网约车危险驾驶风险和道路交通拥堵风险叠加对大型活动车队的出入口位置坐标O(x0,y0)的影响；其中，F(x0,y0|x1,t,y1,t)表示单一的物流车辆轨迹异常风险在坐标点(x1,t,y1,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(7)进行计算；F(x0,y0|x2,t,y2,t)表示单一的网约车危险驾驶风险在坐标点(x2,t,y2,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(8) 进行计算；F(x0,y0|x3,t,y3,t)表示单一的道路交通拥堵风险位置(x3,t,y3,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(9)进行计算；
Figure RE-GDA0003859214840000041
式(7)中，ε1,t表示物流车辆轨迹异常风险在时刻t的衰减系数；
Figure RE-GDA0003859214840000042
式(8)中，ε2,t表示网约车危险驾驶风险在时刻t的衰减系数；
Figure RE-GDA0003859214840000043
式(9)中，ε3,t表示道路交通拥堵风险在时刻t的衰减系数。
本发明一种电子设备，包括存储器以及处理器，其特点在于，所述存储器用于存储支持处理器执行所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特点在于，所述计算机程序被处理器运行时执行所述方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、本发明基于风险场理论对大型活动场景下多源交通风险的叠加作用进行了量化评估，首先对多源交通风险进行了实时量化表征，通过构建风险场模型对多源交通风险叠加作用进行评估，实现了大型活动场景下多源交通风险联合作用的实时量化；本发明突破了传统单一固定场景下的交通风险评估技术，克服了现有技术中多源交通风险叠加作用不易量化的难题，从而为抑制大型活动期间各类交通风险的叠加作用、提升大型活动多源交通风险协同防控水平提供支撑。
2、本发明针对大型活动场景下的物流车辆轨迹异常风险、网约车危险驾驶风险、道路交通拥堵风险等不同的交通风险类型，分别建立了不同表征形式的多源交通风险量化模型，并对量化的多源交通风险值进行了标准化处理，消除了大型活动多源交通风险的量纲差异。
3、本发明通过建立直角坐标系的方式标定了大型活动车队出入口的平面位置坐标和多源交通风险的实时位置坐标，基于多源交通风险标准化结果、多源交通风险衰减系数、多源交通风险到大型活动出入口位置的实时距离等综合构建了多源交通风险叠加的风险场模型，从而将多种不同类型交通风险对大型活动出入口的影响进行了量化，提高了大型活动交通安全风险管控的精准性。
附图说明
图1为本发明的总体流程图；
图2为本发明物流车辆实时轨迹坐标与历史固有轨迹坐标比对示意图；
图3为本发明大型活动多源交通风险叠加评估结果图。
具体实施方式
本实施例中，一种基于风险场的大型活动多源交通风险叠加评估方法，如图1所示，包括以下步骤：
步骤1：确定大型活动场景下的多源交通风险类型集合R＝{R1,R2,R3}；其中，R1表示大型活动场景下的物流车辆轨迹异常风险，R2表示大型活动场景下的网约车危险驾驶风险，R3表示大型活动场景下的道路交通拥堵风险；
步骤2：确定大型活动场景下的多源交通风险叠加影响的目标点；以大型活动举办场地的外接矩形的一个顶点作为原点，与顶点相连的两条直角边分别作为x轴和y轴，建立直角坐标系，并将外接矩形划分成k×k的网格区域，每一个网格代表一条路段；以网格的中心点作为每个网格的位置坐标；在直角坐标系中，将大型活动车队的出入口所在网格的位置坐标 O(x0,y0)作为多源交通风险叠加影响的目标点；
步骤3：获取不同交通风险类型下的交通数据，其中，物流车辆轨迹异常风险数据包括：物流车辆在t时刻的实时轨迹坐标(x1,t,y1,t)、物流车辆历史固有的轨迹坐标、物流车辆行驶过程中所有的轨迹点数、物流车辆行驶过程中出现异常的轨迹点数；本实施例中，将大型活动场景下物流车辆的实时轨迹坐标(x1,t,y1,t)与物流车辆历史固有轨迹坐标进行比对，如果物两个轨迹坐标相同，则表示物流车辆轨迹点正常，否则物流车辆轨迹点异常，如图2所示；
网约车危险驾驶风险数据包括：网约车在t时刻的实时轨迹坐标(x2,t,y2,t)、网约车驾驶员的L种危险驾驶行为及其发生频次[b1,b2...bL]、L种危险驾驶行为所占权重[α1,α2...αL]；其中，bL表示第L种危险驾驶行为的发生频次，αL表示第L种危险驾驶行为所占权重；本实施例中，网约车危险驾驶行为主要包括网约车驾驶员的分心驾驶、疲劳驾驶、驾驶过程中接打电话、急加速、急减速、急变道等多种危险驾驶类型；在网约车行驶过程中，只要出现任意一种及以上的危险驾驶行为，则该网约车存在危险驾驶风险，否则，该网约车无危险驾驶风险。
道路交通拥堵风险数据包括：t时刻的实时拥堵位置坐标(x3,t,y3,t)、不同路段的车道数 [N′1,N′2,...,N′i,...,N′k]、不同路段的道路里程[L′1,L′2,...,L′i,...,L′k]、不同路段的自由流车速 [v1f,v2f,...,vif,...,vkf]、不同路段在t时刻的车辆平均速度[v1,t,v2,t,...,vi,t,...,vk,t]；其中，N′i表示第i条路段的车道数，L′i表示第i条路段的道路里程，vif表第i条路段的自由流车速，vi,t表示第i条路段在t时刻的车辆平均速度；i＝1,2,...k；
步骤4：对多源交通风险类型集合R进行量化表征，建立多源交通风险量化表征模型R′；
步骤4.1：针对大型活动场景下的物流车辆轨迹异常风险R1，利用式(1)建立物流车辆轨迹异常风险量化表征模型：
Figure RE-GDA0003859214840000061
式(1)中，R′1表示量化的物流车辆轨迹异常风险值，t1表示物流车辆运输过程中发生轨迹异常的预警时长，t2表示物流车辆运输过程中发生轨迹异常的最大持续时间，N(t1)表示t1时间内物流车辆发生轨迹异常的轨迹点数，N(t2)表示t2时间内物流车辆运输过程中的所有轨迹点数；
步骤4.2：针对大型活动场景下的网约车危险驾驶风险R2，利用式(2)建立网约车危险驾驶风险量化表征模型：
R′2＝α1b1+α2b2+α3b3+...+αLbL (2)
式(2)中，R′2表示量化的网约车危险驾驶风险值；
步骤4.3：针对大型活动场景下的道路交通拥堵风险R3，利用式(3)建立道路交通拥堵风险量化表征模型：
Figure RE-GDA0003859214840000062
式(3)中，R′3表示量化的道路交通拥堵风险值；
步骤5：分别对R′1、R′2、R′3进行标准化处理，得到标准化后的物流车辆轨迹异常风险值 S1、网约车危险驾驶风险值S2、道路交通拥堵风险值S3；令任意一种标准化后的风险值记为 Sj；j＝1,2,3；
步骤6：利用风险场理论量化评估物流车辆轨迹异常风险、网约车危险驾驶风险和道路交通拥堵风险叠加对大型活动车队的出入口位置坐标O(x0,y0)的影响；
步骤6.1：利用式(5)建立风险场模型：
Figure RE-GDA0003859214840000063
式(5)中，F(x0,y0|xj,t,yj,t)为第j种风险在实时坐标位置(xj,t,yj,t)产生的风险场场强；Sj为第j种标准化后的风险值，εj,t为第j种风险在时刻t的衰减系数，rj,t_o为第j种风险实时坐标位置(xj,t,yj,t)到大型活动车队出入口位置坐标O(x0,y0)的距离，并有： rj,t_o＝(xj,t-x0)2+(yj,t-y0)2；
步骤6.2：利用式(6)建立大型活动场景下的多源交通风险叠加评估模型：
Figure RE-GDA0003859214840000071
式(6)中，F(x0,y0|(x1,t,y1,t)∪(x2,t,y2,t)∪(x3,t,y3,t))为表示物流车辆轨迹异常风险、网约车危险驾驶风险和道路交通拥堵风险叠加对大型活动车队的出入口位置坐标O(x0,y0)的影响；其中，F(x0,y0|x1,t,y1,t)表示单一的物流车辆轨迹异常风险在坐标点(x1,t,y1,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(7)进行计算；F(x0,y0|x2,t,y2,t)表示单一的网约车危险驾驶风险在坐标点(x2,t,y2,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(8) 进行计算；F(x0,y0|x3,t,y3,t)表示单一的道路交通拥堵风险在位置(x3,t,y3,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(9)进行计算；
Figure RE-GDA0003859214840000072
式(7)中，ε1,t表示物流车辆轨迹异常风险在时刻t的衰减系数；
Figure RE-GDA0003859214840000073
式(8)中，ε2,t表示网约车危险驾驶风险在时刻t的衰减系数；
Figure RE-GDA0003859214840000074
式(9)中，ε3,t表示道路交通拥堵风险在时刻t的衰减系数。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
为进一步展示本发明方法对大型活动多源交通风险叠加评估的可靠性，利用以下实例进行举例说明。
选取开幕式场景进行分析，以开幕式举办场地周边的路网作为多源交通风险叠加区域，以开幕式车队(包括嘉宾车队、运动员车队、媒体工作人员车队等多个车队)出入口作为多源交通风险叠加作用影响的目标区域，量化评估多源交通风险在不同时空位置叠加对开幕式的影响。首先获取研究区域涉及的多源交通风险数据，包括物流车辆实时轨迹坐标、物流车辆从起点到终点行驶过程中所有的轨迹点数、物流车辆行驶过程中出现异常的轨迹点数、网约车实时轨迹坐标、网约车行驶过程中出现的危险驾驶行为类型及频次、路网中不同道路的平均车速、自由流车速、道路长度及车道数等。将以上所获取的数据输入多源交通风险量化表征模型中，从而得到多源交通风险量化结果(包括物流车辆轨迹异常风险实时量化结果、网约车危险驾驶风险实时量化结果、道路交通拥堵风险实时量化结果)。其次，对量化后的多源交通风险结果进行标准化处理，使得所有交通风险的量化值均在0到1范围；最后，根据多源交通风险实时位置坐标与开幕式车队控制出入口的固定位置坐标，分别计算出物流车辆轨迹异常风险、网约车危险驾驶风险、道路交通拥堵风险到车队出入口的实时距离，并令每一种交通风险的衰减系数均为1，通过在在风险场模型中输入多源交通风险标准化的值、多源交通风险到车队出入口的实时距离、多源交通风险衰减系数等实现对多源交通风险的叠加评估。评估结果如图3所示，刚开始路网中只监测到物流车辆轨迹异常风险，该风险正向车队出入口行驶，此时由于物流车辆位置距离车队出入口较远，因此该风险对车队出入口的影响较小。下一时刻，在路网中不同方向监测到网约车危险驾驶风险，该网约车正驶向车队出入口，此时物流车辆轨迹异常风险和网约车危险驾驶风险叠加，对车队出入口的影响增加(即多源交通风险叠加风险值增大)。接着某一路段出现拥堵风险，此时路网中存在物流车辆轨迹异常风险、网约车危险驾驶风险和交通拥堵风险的叠加，多源交通风险叠加对车队出入口的影响进一步增加。随着多源交通风险持续向车队出入口移动，在某时刻物流车辆轨迹异常风险、网约车危险驾驶风险和道路交通拥堵风险同时聚集到车队出入口，此时多源交通风险叠加对车队出入口产生的影响最显著(多源交通风险叠加风险值最大)。
由此表明，本发明提出的一种基于风险场的大型活动多源交通风险叠加评估方法，可以量化多种风险联合作用对大型活动敏感区域(在本发明中以开幕式车队出入口为例)的影响，是一种可靠的大型活动多源交通风险评估手段。

Claims (3)

1.一种基于风险场的大型活动多源交通风险叠加评估方法，其特征是按照如下步骤进行：
步骤1：确定大型活动场景下的多源交通风险类型集合R＝{R1,R2,R3}；其中，R1表示大型活动场景下的物流车辆轨迹异常风险，R2表示大型活动场景下的网约车危险驾驶风险，R3表示大型活动场景下的道路交通拥堵风险；
步骤2：确定大型活动场景下的多源交通风险叠加影响的目标点；以大型活动举办场地的外接矩形的一个顶点作为原点，与所述顶点相连的两条直角边分别作为x轴和y轴，建立直角坐标系，并将所述外接矩形划分成k×k的网格区域，每一个网格代表一条路段；以网格的中心点作为每个网格的位置坐标；在所述直角坐标系中，将大型活动车队的出入口所在网格的位置坐标O(x0,y0)作为多源交通风险叠加影响的目标点；
步骤3：获取不同交通风险类型下的交通数据，其中，物流车辆轨迹异常风险数据包括：物流车辆在t时刻的实时轨迹坐标(x1,t,y1,t)、物流车辆历史固有的轨迹坐标、物流车辆行驶过程中所有的轨迹点数、物流车辆行驶过程中出现异常的轨迹点数；
网约车危险驾驶风险数据包括：网约车在t时刻的实时轨迹坐标(x2,t,y2,t)、网约车驾驶员的L种危险驾驶行为及其发生频次[b1,b2...bL]、L种危险驾驶行为所占权重[α1,α2...αL]；其中，bL表示第L种危险驾驶行为的发生频次，αL表示第L种危险驾驶行为所占权重；
道路交通拥堵风险数据包括：t时刻的实时拥堵位置坐标(x3,t,y3,t)、不同路段的车道数[N′1,N′2,...,N′i,...,N′k]、不同路段的道路里程[L′1,L′2,...,L′i,...,L′k]、不同路段的自由流车速[v1f,v2f,...,vif,...,vkf]、不同路段在t时刻的车辆平均速度[v1,t,v2,t,...,vi,t,...,vk,t]；其中，N′i表示第i条路段的车道数，L′i表示第i条路段的道路里程，vif表第i条路段的自由流车速，vi,t表示第i条路段在t时刻的车辆平均速度；i＝1,2,...k；
步骤4：对所述多源交通风险类型集合R进行量化表征，建立多源交通风险量化表征模型R′；
步骤4.1：针对大型活动场景下的物流车辆轨迹异常风险R1，利用式(1)建立物流车辆轨迹异常风险量化表征模型：
Figure FDA0003819830410000011
式(1)中，R′1表示量化的物流车辆轨迹异常风险值，t1表示物流车辆运输过程中发生轨迹异常的预警时长，t2表示物流车辆运输过程中发生轨迹异常的最大持续时间，N(t1)表示t1时间内物流车辆发生轨迹异常的轨迹点数，N(t2)表示t2时间内物流车辆运输过程中的所有轨迹点数；
步骤4.2：针对大型活动场景下的网约车危险驾驶风险R2，利用式(2)建立网约车危险驾驶风险量化表征模型：
R′2＝α1b1+α2b2+α3b3+...+αLbL (2)
式(2)中，R′2表示量化的网约车危险驾驶风险值；
步骤4.3：针对大型活动场景下的道路交通拥堵风险R3，利用式(3)建立道路交通拥堵风险量化表征模型：
Figure FDA0003819830410000021
式(3)中，R′3表示量化的道路交通拥堵风险值；
步骤5：分别对R′1、R′2、R′3进行标准化处理，得到标准化后的物流车辆轨迹异常风险值S1、网约车危险驾驶风险值S2、道路交通拥堵风险值S3；令任意一种标准化后的风险值记为Sj；j＝1,2,3；
步骤6：利用风险场理论量化评估物流车辆轨迹异常风险、网约车危险驾驶风险和道路交通拥堵风险叠加对大型活动车队的出入口位置坐标O(x0,y0)的影响；
步骤6.1：利用式(5)建立风险场模型：
Figure FDA0003819830410000022
式(5)中，F(x0,y0|xj,t,yj,t)为第j种风险在实时坐标位置(xj,t,yj,t)产生的风险场场强；Sj为第j种标准化后的风险值，εj,t为第j种风险在时刻t的衰减系数，rj,t_o为第j种风险实时坐标位置(xj,t,yj,t)到大型活动车队出入口位置坐标O(x0,y0)的距离，并有：rj,t_o＝(xj,t-x0)2+(yj,t-y0)2；
步骤6.2：利用式(6)建立大型活动场景下的多源交通风险叠加评估模型：
Figure FDA0003819830410000023
式(6)中，F(x0,y0|(x1,t,y1,t)∪(x2,t,y2,t)∪(x3,t,y3,t))为表示物流车辆轨迹异常风险、网约车危险驾驶风险和道路交通拥堵风险叠加对大型活动车队的出入口位置坐标O(x0,y0)的影响；其中，F(x0,y0|x1,t,y1,t)表示单一的物流车辆轨迹异常风险在坐标点(x1,t,y1,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(7)进行计算；F(x0,y0|x2,t,y2,t)表示单一的网约车危险驾驶风险在坐标点(x2,t,y2,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(8)进行计算；F(x0,y0|x3,t,y3,t)表示单一的道路交通拥堵风险位置(x3,t,y3,t)对大型活动车队的出入口位置坐标O(x0,y0)的影响，并由式(9)进行计算；
Figure FDA0003819830410000031
式(7)中，ε1,t表示物流车辆轨迹异常风险在时刻t的衰减系数；
Figure FDA0003819830410000032
式(8)中，ε2,t表示网约车危险驾驶风险在时刻t的衰减系数；
Figure FDA0003819830410000033
式(9)中，ε3,t表示道路交通拥堵风险在时刻t的衰减系数。
2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质，计算机可读存储介质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运行时执行权利要求1所述方法的步骤。
CN202211039914.XA 2022-08-29 2022-08-29 基于风险场的大型活动多源交通风险叠加评估方法及应用 Pending CN115392728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211039914.XA CN115392728A (zh) 2022-08-29 2022-08-29 基于风险场的大型活动多源交通风险叠加评估方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211039914.XA CN115392728A (zh) 2022-08-29 2022-08-29 基于风险场的大型活动多源交通风险叠加评估方法及应用

Publications (1)

Publication Number Publication Date
CN115392728A true CN115392728A (zh) 2022-11-25

Family

ID=84123018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211039914.XA Pending CN115392728A (zh) 2022-08-29 2022-08-29 基于风险场的大型活动多源交通风险叠加评估方法及应用

Country Status (1)

Country Link
CN (1) CN115392728A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117711185A (zh) * 2024-02-05 2024-03-15 中国水利水电第九工程局有限公司 一种基于多源数据的公路施工用预警监控系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117711185A (zh) * 2024-02-05 2024-03-15 中国水利水电第九工程局有限公司 一种基于多源数据的公路施工用预警监控系统及方法
CN117711185B (zh) * 2024-02-05 2024-04-09 中国水利水电第九工程局有限公司 一种基于多源数据的公路施工用预警监控系统及方法

Similar Documents

Publication Publication Date Title
CN102136190B (zh) 城市公交客运事件应急响应调度管理系统及方法
KR101617349B1 (ko) 운전 습관 분석 진단 시스템 및 방법
US9082072B1 (en) Method for applying usage based data
CN106651602A (zh) 一种基于adas智能车载终端的车险管理服务系统
CN110164132B (zh) 一种道路交通异常的检测方法及系统
CN206684779U (zh) 一种基于adas智能车载终端的车险管理服务系统
CN113436432A (zh) 一种利用路侧观测数据进行路段短时交通风险预测的方法
CN106571029A (zh) 一种车辆排队长度检测的方法和装置
CN112382086A (zh) 自动驾驶汽车开放道路测试评价系统的使用方法
CN114999181B (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
CN115392728A (zh) 基于风险场的大型活动多源交通风险叠加评估方法及应用
JP2019505892A (ja) ビッグデータに基づいて道路状態を予測する方法及び装置
CN114494998B (zh) 一种车辆数据智能分析方法及系统
Wu et al. Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China
Lavrenz et al. Use of high-resolution signal controller data to identify red light running
CN110047167B (zh) 车辆急转弯次数等效统计方法
Wu et al. Analysis of drivers’ stop-or-run behavior at signalized intersections with high-resolution traffic and signal event data
CN107539038A (zh) 一种车辆胎压状态监控方法及装置
CN116978200A (zh) 一种针对高速违法车辆进行监控和预警的方法和系统
CN115063976B (zh) 基于多通道卷积神经网络的车辆冲突风险评估与预测方法
CN115798207A (zh) 基于LiDAR点云的信号交叉口追尾冲突识别方法
CN114119256A (zh) 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法
CN114331181A (zh) 基于大数据的车辆驾驶行为风险分析方法
CN113936469A (zh) 基于高速公路车道感知设备的交通信息交互系统及方法
CN113642845A (zh) 一种道路交通感知轨迹数据的质量评估方法

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