CN115440039A - 交通事故拥堵成因分析方法及系统 - Google Patents
交通事故拥堵成因分析方法及系统 Download PDFInfo
- Publication number
- CN115440039A CN115440039A CN202211063845.6A CN202211063845A CN115440039A CN 115440039 A CN115440039 A CN 115440039A CN 202211063845 A CN202211063845 A CN 202211063845A CN 115440039 A CN115440039 A CN 115440039A
- Authority
- CN
- China
- Prior art keywords
- accident
- road
- congestion
- data
- road section
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 61
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000010845 search algorithm Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000011144 upstream manufacturing Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000012417 linear regression Methods 0.000 description 6
- 238000007667 floating Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- SQNZJJAZBFDUTD-UHFFFAOYSA-N durene Chemical compound CC1=CC(C)=C(C)C=C1C SQNZJJAZBFDUTD-UHFFFAOYSA-N 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通事故拥堵成因分析方法及系统,属于交通运维管理技术领域,基于车辆速度数据衡量路段的拥堵程度;基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;求解空间计量分析模型,确定交通事故拥堵成因。本发明考虑了路段之间拥堵的传播,即空间相关性,提高了影响因素分析的准确度;基于分析结果可以定量刻画不同因素对事故造成拥堵的影响,有利于拥堵的缓解和治理。
Description
技术领域
本发明涉及交通运维管理技术领域,具体涉及一种交通事故拥堵成因分析方法及系统。
背景技术
当交通事故发生在城市路网中的路段时,会严重影响正常交通状况。其不仅会在事故所在路段引发拥堵,而且所造成的拥堵会随着时间向上游的紧邻路段传播,可能会造成大范围的交通拥堵甚至引发交通瘫痪。突发交通事故引发的拥堵具有不可预知性,交通管理部门很难预测事故发生的位置、时间以及严重程度。因此,传统的为缓解突发交通事故引发的拥堵的方式,往往依赖于交通管理部门的及时反应和应急预案,此种方式无法确定事故处理的有限顺序,从而导致拥堵疏通效率低,而且浪费大量人力、财力和物力。因此,分析突发交通事故导致交通拥堵的影响因素可以帮助交通管理部门快速预估事故造成的拥堵程度,有利于确定不同事故的优先处理顺序,进而安排合适的人力物力资源处理交通事故,缓解交通拥堵,从而避免扩大事故的影响。
已有研究对交通事故造成拥堵的影响因素分析,主要是对独立路段(如高速路或者快速路)上的事故进行回归分析,但是其忽略了城市路网中路段之间的空间相关性,估计的参数有较大偏差,不能准确的对交通事故道路拥堵的形成因素进行分析,从而影响道路交通管理部门对事故处理优先顺序的准确判断。
发明内容
本发明的目的在于提供一种考虑了路段之间拥堵的传播、提高了影响因素分析准确度的交通事故拥堵成因分析方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种交通事故拥堵成因分析方法,包括:
基于车辆速度数据衡量路段的拥堵程度;
基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
求解空间计量分析模型,确定交通事故拥堵成因。
优选的,基于车辆速度数据衡量路段的拥堵程度,包括:
使用yi,t来衡量路段i在t时间间隔内的拥堵程度,表达式如下:
yi,t的值越大表示路段的拥堵程度越低,反之则表示路段的拥堵程度较高;其中,vi,t表示在时间间隔t期间路段i上车辆的平均行驶速度;根据历史速度数据,得到无交通事故时vi,t的多天观测值,计算vi,t的均值和标准差,分别记为和σi,t;根据事故记录,得到交通事故发生时vi,t的观测值
优选的,基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段,包括:假设事故发生在路段i,令up(i)表示路段i的上游路段集合,令S表示受影响的路段集合;对于up(i)中的每个路段,逐个判断是否受到事故影响,如果路段i受到影响,则将其放入集合S。
优选的,建立空间计量分析模型,包括:将车辆GPS数据、事故数据、路网拓扑结构数据以及天气数据作为自变量,拥堵程度作为因变量,构建所述空间计量分析模型;其中,所述车辆GPS数据包括车辆的位置、行驶速度和行驶方向;事故数据包括事故的发生时间、发生地点、事故类型、人员伤亡情况以及所涉及的车辆类型;路网拓扑结构包括路段的长度、宽度以及GPS坐标。
优选的,建立的空间计量分析模型为空间杜宾模型:
其中,表示相邻路段的自变量,θ表示对应的变量系数,则表示相邻路段的特征对路段i拥堵程度的影响;ρ表示空间自相关系数,wij表示路段i和路段j之间的空间相关性,即为相邻路段对路段i拥堵程度的影响;表示路段i在时间间隔t由事故k造成的速度降低,取对数是为了缩小数据之间的绝对数值,也有利于消除异方差;β0是模型的常数项;表示自变量向量,β是自变量对应的系数向量;δt是不同时间间隔对应的固定效应,可根据实际数据情况指定不同的时间间隔,;是事故k和路段i对应的随机效应;是其余未观测到的随机效应,其服从均值为0的正态分布。
优选的,建立空间权重矩阵确定wij的值,空间权重矩阵构造如下:
对空间权重矩阵归一化处理,得到路段i的空间权重系数。
第二方面,本发明提供一种交通事故拥堵成因分析系统,包括:
衡量模块,用于基于车辆速度数据衡量路段的拥堵程度;
确定模块,用于基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
构建模块,用于基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
求解模块,用于求解空间计量分析模型,确定交通事故拥堵成因。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的交通事故拥堵成因分析方法。
第四方面,本发明提供一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如上所述的交通事故拥堵成因分析方法。
第五方面,本发明提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的交通事故拥堵成因分析方法的指令。
本发明有益效果:考虑了路段之间拥堵的传播,即空间相关性,提高了影响因素分析的准确度;空间计量模型的结果可以定量刻画不同因素对事故造成拥堵的影响,有利于突发交通拥堵的缓解和治理。
本发明附加方面的优点,将在下述的描述部分中更加明显的给出,或通过本发明的实践了解到。
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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例所述的深度优先搜索算法展示示意图。
图2为本发明实施例所述的交通事故拥堵成因分析方法示意图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过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。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种交通事故拥堵成因分析系统,包括:
衡量模块,用于基于车辆速度数据衡量路段的拥堵程度;
确定模块,用于基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
构建模块,用于基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
求解模块,用于求解空间计量分析模型,确定交通事故拥堵成因。
本实施例1中,利用上述的交通事故拥堵成因分析系统,实现了交通事故拥堵成因分析方法,包括:
利用衡量模块基于车辆速度数据衡量路段的拥堵程度;
利用确定模块基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
利用构建模块基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
利用求解模块求解空间计量分析模型,确定交通事故拥堵成因。
其中,基于车辆速度数据衡量路段的拥堵程度,包括:
使用yi,t来衡量路段i在t时间间隔内的拥堵程度,表达式如下:
yi,t的值越大表示路段的拥堵程度越低,反之则表示路段的拥堵程度较高;其中,vi,t表示在时间间隔t期间路段i上车辆的平均行驶速度;根据历史速度数据,得到无交通事故时vi,t的多天观测值,计算vi,t的均值和标准差,分别记为和σi,t;根据事故记录,得到交通事故发生时vi,t的观测值
基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段,包括:假设事故发生在路段i,令up(i)表示路段i的上游路段集合,令S表示受影响的路段集合;对于up(i)中的每个路段,逐个判断是否受到事故影响,如果路段i受到影响,则将其放入集合S。
建立空间计量分析模型,包括:将车辆GPS数据、事故数据、路网拓扑结构数据以及天气数据作为自变量,拥堵程度作为因变量,构建所述空间计量分析模型;其中,所述车辆GPS数据包括车辆的位置、行驶速度和行驶方向;事故数据包括事故的发生时间、发生地点、事故类型、人员伤亡情况以及所涉及的车辆类型;路网拓扑结构包括路段的长度、宽度以及GPS坐标。
本实施例1中,建立的空间计量分析模型为空间杜宾模型:
其中,表示相邻路段的自变量,θ表示对应的变量系数,则表示相邻路段的特征对路段i拥堵程度的影响;ρ表示空间自相关系数,wij表示路段i和路段j之间的空间相关性,即为相邻路段对路段i拥堵程度的影响;表示路段i在时间间隔t由事故k造成的速度降低,取对数是为了缩小数据之间的绝对数值,也有利于消除异方差;β0是模型的常数项;表示自变量向量,β是自变量对应的系数向量;δt是不同时间间隔对应的固定效应,可根据实际数据情况指定不同的时间间隔;是事故k和路段i对应的随机效应;是其余未观测到的随机效应,其服从均值为0的正态分布。
建立空间权重矩阵确定wij的值,空间权重矩阵构造如下:
对空间权重矩阵归一化处理,得到路段i的空间权重系数。
实施例2
如图2所示,本实施例2提供了一种对交通事故造成道路拥堵成因分析的空间计量方法,所述的方法具体包括如下步骤:
步骤1:使用速度数据衡量路段的拥堵程度。
步骤1.1:令vi,t表示在时间间隔t期间路段i上车辆的平均行驶速度。根据历史速度数据,可以得到无交通事故时vi,t的多天观测值,然后可以进一步计算vi,t的均值和标准差,分别记为和σi,t。根据事故记录,可以得到交通事故发生时vi,t的观测值,记为
yi,t的值越大表示路段的拥堵程度越低,反之则表示路段的拥堵程度较高。值得注意的是,使用事故发生后的30分钟以及事故位置上游的2公里作为事故的时空边界,参数α的值即被设置为2。
步骤2:使用深度优先搜索算法确定受事故影响的路段。
步骤2.1:假设事故发生在路段i。令up(i)表示路段i的上游路段集合,令S表示受影响的路段集合。
步骤2.2:根据步骤1.2的公式确定路段i是否受到事故影响,如果路段i受到影响,将其放入集合S,并跳到步骤2.3;否则,跳到步骤2.4。
步骤2.3:对于up(i)的每个路段,逐个进行步骤2.2的判断,即是否受到事故影响。
步骤2.4:返回集合S,此时集合S包含了所有受事故影响的路段。
步骤3:建立回归模型分析事故造成拥堵的影响因素。
步骤3.1:首先介绍回归模型中所需的数据。主要包含三个部分:(1)足够的浮动车提供的GPS数据,记录了车辆的位置、行驶速度和行驶方向,浮动车大约每30秒汇报一次数据;(2)事故数据,记录了事故的发生时间和发生地点以及其他细节,如事故类型、人员伤亡情况以及所涉及的车辆类型等;(3)道路的拓扑结构,提供城市路网所有路段详细信息的城市路网,包括路段的长度、宽度以及详细的GPS坐标等;(4)天气数据,主要记录每天的天气状况。
步骤3.2:根据步骤3.1提供的数据,可以得到模型的自变量,共分为四组。第一组是和事故相关的变量,包括事故类型、涉及的车辆类型、事故发生时间和地点等变量;第二组是路段相关的变量,包括路段的宽度、长度以及路段的曲率。此外,受影响路段与事故地点之间的最短距离也可以作为自变量。第三组是与交通状况相关的变量,包括事故发生前速度和速度的平方项。值得注意的是,交通事故造成的拥堵很可能和速度项非线性相关。第四组是空间相关变量,表明了事故所在的区域,可按照城市行政区域划分。
步骤3.3:根据步骤确定的自变量和步骤1.2提供的因变量,建立了多个回归模型。建立的回归模型包括有:
建立广义线性回归模型,如下所示:
其中,是路段i在时间间隔t由事故k造成的速度降低,取对数是为了缩小数据之间的绝对数值,也有利于消除异方差。β0是模型的常数项。是步骤3.2确定的自变量向量,β是自变量对应的系数向量。δt是不同时间间隔对应的固定效应,可根据实际数据情况指定不同的时间间隔,如0-10分钟、10-20分钟、20-30分钟等。是事故k和路段i对应的随机效应。是其余未观测到的随机效应,其服从均值为0的正态分布。
建立空间自回归模型,如下所示:
建立空间误差模型,如下所示:
建立空间杜宾模型,如下所示:
此外,还需建立空间权重矩阵确定wij的值,即路段i与路段j之间的空间相关性。根据已有文献,城市路段的拥堵会向上游传播并影响到相邻路段,也就是说路段i上的拥堵程度主要受到其下游路段j的影响。因此,空间权重矩阵构造如下:
此外,还需要对空间权重矩阵归一化处理,对于路段i的空间权重系数,归一化如下:
使用似然比R2来定量评价模型的拟合优度,具体定义如下:
其中,logLβ是建立模型的对数似然比,logL0是只有截取项模型的对数似然比,K是观测值得数量。
步骤4:模型参数估计
使用统计软件可以很方便地对上述模型进行参数估计,可以使用的软件有Matlab,SAS,SATA,R等。根据所估计参数的显著性,可以进一步分析交通事故造成拥堵的影响因素。一般认为统计意义显著的自变量对交通事故造成的拥堵有着重要影响。
实施例3
在本实施例3中,以某地区的城市交通为例,提供了一种交通事故拥堵成因分析方法,首先使用浮动车提供的速度数据计算事故周围路段的速度降低比即yi,t,然后根据事故记录得到该地区交通事故的位置分布,并使用深度优先搜索方法确定事故影响的路段,接下来根据收集到的三部分数据得到模型的五类自变量,最后建立多种回归模型分析该地区路网上事故造成拥堵的影响因素,并使用SATA16进行参数估计。
具体实施步骤如下:
步骤1:使用速度数据初步确定事故时空影响范围
步骤1.1:使用该地区2015年9月份的254例交通事故作为实例。根据事故记录的位置和时间以及关注的时空范围可以得到事故发生时路段i在时间间隔t的速度类似地,可以得到无事故发生时多天的平均速度和标准差σi,t。以发生在该地区三环主路上的某事故为例,其时空影响范围内的某一路段编号为11050,时间间隔t为事故发生后的0-10分钟。可以计算对应的σi,t=8.3231。
yi,t=20.3143/54.6272=0.3719。
类似地,可以计算所有受到事故影响的路段以及对应的拥堵程度。
步骤2:使用深度优先搜索算法确定受事故影响的路段,如图1所示。
步骤2.1:在图1中,事故发生在路HI段的O点。同样地,用up(HI)表示路段HI的上游路段集合,用S表示受影响的路段集合。
步骤2.2:根据步骤1.2的公式确定路段HI是否受到事故影响,由于路段HI受到事故影响,将其放入集合S,并跳到步骤2.3。如果未受到事故影响,则跳到步骤2.4。
步骤2.3:对于up(HI)的每个路段,即路段GH、CH、MH、IH。逐个进行步骤2.2的判断,发现路段GH、CH、MH受到了事故影响,并对其进一步向上游搜索。
步骤2.4:在以上所有搜索完成后,返回集合S,此时集合S包含了所有受事故影响的路段,即路段FG、GH、CH、MH和HI。
步骤3:建立回归模型分析事故造成拥堵的影响因素
步骤3.1:首先介绍该实例用到的所有的数据。主要包含三个部分:(1)约40000辆浮动车提供的GPS数据,记录了车辆的位置、行驶速度和行驶方向,浮动车大约每30秒汇报一次数据;(2)2015年9月份的254例事故数据,记录了事故的发生时间和发生地点以及其他细节,如事故类型、人员伤亡情况以及所涉及的车辆类型等;(3)道路的拓扑结构,提供城市路网所有路段详细信息的城市路网,包括路段的长度、宽度以及详细的GPS坐标等;(4)天气数据,主要记录每天的天气状况。
步骤3.2:根据步骤3.1提供的数据,可以得到模型的自变量,共分为四组,如表1所示。第一组是和事故相关的变量,包括事故类型、涉及的车辆类型、事故发生时间和地点等变量;第二组是路段相关的变量,包括路段的宽度、长度以及路段的曲率。此外,受影响路段与事故地点之间的最短距离也可以作为自变量。第三组是与交通状况相关的变量,包括事故发生前速度和速度的平方项。值得注意的是,交通事故造成的拥堵很可能和速度项非线性相关。第四组是空间相关变量,表明了事故所在的区域,可按照城市行政区域划分。
表1模型使用的自变量
步骤3.3:根据步骤确定的自变量和步骤1.2提供的因变量,可以建立多个回归模型。如,广义线性回归模型、空间自回归模型、空间误差模型、空间杜宾模型都用于对城市路网中交通事故造成拥堵的影响因素进行分析。根据模型的估计结果,发现空间计量模型的拟合优度显著地高于广义线性回归模型,并且空间杜宾模型具有最好的拟合优度。由杜宾模型的回归结果可知,城市路网上事故造成拥堵的影响因素主要与事故类型、事故发生时间以及涉及车辆类型等因素相关。
首先建立广义线性回归模型,如下所示:
其中,是路段i在时间间隔t由事故k造成的速度降低,取对数是为了缩小数据之间的绝对数值,也有利于消除异方差。β0是模型的常数项。是步骤3.2确定的自变量向量,β是自变量对应的系数向量。δt是不同时间间隔对应的固定效应,可根据实际数据情况指定不同的时间间隔,如0-10分钟、10-20分钟、20-30分钟等。是事故k和路段i对应的随机效应。是其余未观测到的随机效应,其服从均值为0的正态分布。
接下来建立空间自回归模型,如下所示:
然后建立空间误差模型,如下所示:
最后建立空间杜宾模型,如下所示:
此外,还需建立空间权重矩阵确定wij的值,即路段i与路段j之间的空间相关性。根据已有文献,城市路段的拥堵会向上游传播并影响到相邻路段,也就是说路段i上的拥堵程度主要受到其下游路段j的影响。因此,空间权重矩阵构造如下:
此外,还需要对空间权重矩阵归一化处理,对于路段i的空间权重系数,归一化如下:
使用似然比R2来定量评价模型的拟合优度,具体定义如下:
其中,logLβ是建立模型的对数似然比,logL0是只有截取项模型的对数似然比,K是观测值得数量。AIC和BIC也用于评价模型的拟合优度。
步骤4:使用SATA16对上述4种回归进行参数估计,具体结果见表2和表3。根据表2和表3,不难得到以下结论:所有空间计量模型的拟合优度均高于普通的广义线性回归模型。这说明考虑空间效应后,模型估计的参数会更加准确;所有空间计量模型显示空间自相关系数ρ在统计意义上显著,其值约为27%;空间杜宾模型在4种模型中具有最高的拟合优度,且由杜宾模型可知路段i上的拥堵程度与紧邻上游路段的道路特征显著相关。如紧邻上游路段道路宽度越宽,则路段i上的拥堵程度越低。
表2.广义线性回归模型的结果
注:*,**和***表示变量的显著水平为0.1,0.05和0.01
表3
实施例4
本发明实施例4提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现交通事故拥堵成因分析方法,该方法包括:
基于车辆速度数据衡量路段的拥堵程度;
基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
求解空间计量分析模型,确定交通事故拥堵成因。
实施例5
本发明实施例5提供一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现交通事故拥堵成因分析方法,该方法包括:
基于车辆速度数据衡量路段的拥堵程度;
基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
求解空间计量分析模型,确定交通事故拥堵成因。
实施例6
本发明实施例6提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现交通事故拥堵成因分析方法的指令,该方法包括:
基于车辆速度数据衡量路段的拥堵程度;
基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
求解空间计量分析模型,确定交通事故拥堵成因。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种交通事故拥堵成因分析方法,其特征在于,包括:
基于车辆速度数据衡量路段的拥堵程度;
基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
求解空间计量分析模型,确定交通事故拥堵成因。
3.根据权利要求2所述的交通事故拥堵成因分析方法,其特征在于,基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段,包括:假设事故发生在路段i,令up(i)表示路段i的上游路段集合,令S表示受影响的路段集合;对于up(i)中的每个路段,逐个判断是否受到事故影响,如果路段i受到影响,则将其放入集合S。
4.根据权利要求3所述的交通事故拥堵成因分析方法,其特征在于,建立空间计量分析模型,包括:将车辆GPS数据、事故数据、路网拓扑结构数据以及天气数据作为自变量,拥堵程度作为因变量,构建所述空间计量分析模型;其中,所述车辆GPS数据包括车辆的位置、行驶速度和行驶方向;事故数据包括事故的发生时间、发生地点、事故类型、人员伤亡情况以及所涉及的车辆类型;路网拓扑结构包括路段的长度、宽度以及GPS坐标。
5.根据权利要求4所述的交通事故拥堵成因分析方法,其特征在于,建立的空间计量分析模型为空间杜宾模型:
7.一种交通事故拥堵成因分析系统,其特征在于,包括:
衡量模块,用于基于车辆速度数据衡量路段的拥堵程度;
确定模块,用于基于确定的拥堵程度,结合深度优先搜索算法,确定事故影响路段;
构建模块,用于基于事故影响路段的车辆GPS数据,结合路网拓扑结构和事故数据,构建考虑了路段之间拥堵传播的空间计量分析模型;
求解模块,用于求解空间计量分析模型,确定交通事故拥堵成因。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-6任一项所述的交通事故拥堵成因分析方法。
9.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如权利要求1-6任一项所述的交通事故拥堵成因分析方法。
10.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-6任一项所述的交通事故拥堵成因分析方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211063845.6A CN115440039B (zh) | 2022-09-01 | 2022-09-01 | 交通事故拥堵成因分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211063845.6A CN115440039B (zh) | 2022-09-01 | 2022-09-01 | 交通事故拥堵成因分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115440039A true CN115440039A (zh) | 2022-12-06 |
CN115440039B CN115440039B (zh) | 2024-06-07 |
Family
ID=84245103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211063845.6A Active CN115440039B (zh) | 2022-09-01 | 2022-09-01 | 交通事故拥堵成因分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115440039B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
CN109931941A (zh) * | 2019-03-09 | 2019-06-25 | 河南工业大学 | 基于路段状态相关性的路径规划方法 |
US20200175853A1 (en) * | 2018-11-29 | 2020-06-04 | International Business Machines Corporation | Detecting influential factors for traffic congestion |
KR102124955B1 (ko) * | 2019-11-29 | 2020-06-19 | 세종대학교산학협력단 | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 |
US20200226922A1 (en) * | 2019-01-15 | 2020-07-16 | Waycare Technologies Ltd. | System and method for detection and quantification of irregular traffic congestion |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN111785031A (zh) * | 2020-09-07 | 2020-10-16 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于速度时空图的交通拥堵成因智能识别算法 |
CN113240048A (zh) * | 2021-06-03 | 2021-08-10 | 北京交通大学 | 一种基于改进模糊c均值的交通事故影响范围聚类方法 |
CN113256965A (zh) * | 2021-04-20 | 2021-08-13 | 孙素萍 | 基于智慧城市的交通风险感知系统及方法 |
CN113256978A (zh) * | 2021-05-17 | 2021-08-13 | 东南大学 | 一种城市拥堵地区的诊断方法、系统及储存介质 |
-
2022
- 2022-09-01 CN CN202211063845.6A patent/CN115440039B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
US20200175853A1 (en) * | 2018-11-29 | 2020-06-04 | International Business Machines Corporation | Detecting influential factors for traffic congestion |
US20200226922A1 (en) * | 2019-01-15 | 2020-07-16 | Waycare Technologies Ltd. | System and method for detection and quantification of irregular traffic congestion |
CN109931941A (zh) * | 2019-03-09 | 2019-06-25 | 河南工业大学 | 基于路段状态相关性的路径规划方法 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
KR102124955B1 (ko) * | 2019-11-29 | 2020-06-19 | 세종대학교산학협력단 | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 |
CN111785031A (zh) * | 2020-09-07 | 2020-10-16 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于速度时空图的交通拥堵成因智能识别算法 |
CN113256965A (zh) * | 2021-04-20 | 2021-08-13 | 孙素萍 | 基于智慧城市的交通风险感知系统及方法 |
CN113256978A (zh) * | 2021-05-17 | 2021-08-13 | 东南大学 | 一种城市拥堵地区的诊断方法、系统及储存介质 |
CN113240048A (zh) * | 2021-06-03 | 2021-08-10 | 北京交通大学 | 一种基于改进模糊c均值的交通事故影响范围聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115440039B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
CN108681788B (zh) | 一种基于主动安全的城市离散交通网络设计方法 | |
CN110197588B (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 | |
CN107316501B (zh) | 一种基于网格搜索的支持向量机行程时间预测方法 | |
Madanat et al. | Estimation of infrastructure transition probabilities from condition rating data | |
CN111737916B (zh) | 一种基于大数据的道路桥梁病害分析与养护决策方法 | |
CN106845768B (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
Jiang et al. | Short‐term speed prediction using remote Microwave Sensor Data: Machine Learning versus Statistical Model | |
Madanat et al. | Probabilistic infrastructure deterioration models with panel data | |
CN113470362B (zh) | 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 | |
CN108647805B (zh) | 一种山洪灾害临界雨量综合检验方法 | |
CN111145536B (zh) | 一种基于异常检测的道路网络脆性评价方法 | |
CN103729550A (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
CN109272169A (zh) | 交通流量预测方法、装置、计算机设备及存储介质 | |
CN111401743B (zh) | 一种城市道路施工期的动态交通影响评价方法 | |
CN106526710A (zh) | 一种雾霾预测方法及装置 | |
CN114266384A (zh) | 一种基于融合模型的快速预测台风路径的方法及其装置 | |
CN111638396B (zh) | 一种基于Boost的土壤杂散电流电位监测方法 | |
Chen et al. | A combination model for evaluating deformation regional characteristics of arch dams using time series clustering and residual correction | |
CN117939506B (zh) | 一种基于近似依赖规则的无线通信网络异常检测方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
Fahs et al. | Traffic congestion prediction based on multivariate modelling and neural networks regressions | |
CN111189424A (zh) | 一种基于多级搜索半径的道路数据弯曲程度检测方法 | |
Lethanh et al. | A hidden Markov model for modeling pavement deterioration under incomplete monitoring data | |
CN109101734B (zh) | 一种连续刚构桥梁下挠风险的预测方法 |
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 |