CN115965235A - 一种公交城市公交事故风险因素分析方法 - Google Patents
一种公交城市公交事故风险因素分析方法 Download PDFInfo
- Publication number
- CN115965235A CN115965235A CN202211372776.7A CN202211372776A CN115965235A CN 115965235 A CN115965235 A CN 115965235A CN 202211372776 A CN202211372776 A CN 202211372776A CN 115965235 A CN115965235 A CN 115965235A
- Authority
- CN
- China
- Prior art keywords
- bus
- accident
- risk
- analyzing
- accidents
- 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
Links
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明涉及公共交通技术领域,具体为一种公交城市公交事故风险因素分析方法,包括以下步骤:步骤一、设定公交驾驶员在营运过程的事故风险评价指标,在数据分析模块中建立公交驾驶事故风险评估模型,步骤二、其中,F=CVA·qB·viC·(1+p)D,其中F表示交通事故风险值。该公交城市公交事故风险因素分析方法,通过建立适用于高速公路实际环境的交通事故风险评估模型,并根据当前实施路段的具体情况获取交通流数据,进而根据当前实施路段的交通流数据进行参数标定,确定当前实施路段对应的交通事故风险评估模型,最后基于该模型确定当前实施路段各桩号处的交通事故风险值,能够对高速公路的交通事故风险进行有效评估,具有较强的可操作性。
Description
技术领域
本发明涉及公共交通技术领域,具体为一种公交城市公交事故风险因素分析方法。
背景技术
安全驾驶与交通行业息息相关。城市公交具有客流疏导的功能,承担着市民的生命财产安全,在城市的交通安全管理上尤为重要。
中国专利公开号为CN110766258B公开了一种道路风险的评估方法及装置,具体包括:从交通事故违法行为数据库中,获取在预设时间段内发生了交通事故违法行为的事故道路和对应的交通事故违法行为数据量,从危险驾驶行为数据库中,获取在所述预设时间段内所述事故道路对应的危险驾驶行为数据量,本发明提供的一种道路风险的评估方法及装置,通过对同一预设时间段内发生了交通事故违法行为的事故道路分别采集交通事故违法行为数据量与危险驾驶行为数据量,对比分析这些数据以得出道路发生交通事故的风险评估阈值,再以该风险评估阈值对该预设时间段内的其他道路发生的危险驾驶行为数据量进行比较,以确定其他道路是否存在发生交通事故违法行为的风险,进而提示交通管理部门对存在风险的道路进行管理干预,避免交通事故的发生。
但是该分析方法存在以下问题,该方法中的评价模型考虑的因素主要包括碰撞可能性系数、碰撞车辆速度差、目标车道跟驰车辆在碰撞时的速度、加速度、前后车辆间距等5个因素,而这些参数在实际操作中往往难以获取。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种公交城市公交事故风险因素分析方法,具备有效评估和具有较强的可操作性等优点,解决了参数在实际操作中往往难以获取的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种公交城市公交事故风险因素分析方法,包括以下步骤:
步骤一、设定公交驾驶员在营运过程的事故风险评价指标,在数据分析模块中建立公交驾驶事故风险评估模型;
步骤二、其中,F=CVA·qB·viC·(1+p)D,其中F表示交通事故风险值,CV表示车速变异系数,vi表示比速度,q表示交通饱和度,p表示汽车列车比例,A、B、C、D表示评估模型参;
步骤三、通过通讯模块将行驶记录发送给数据分析模块,数据分析模块采用公交驾驶事故风险评估模型计算待评估驾驶员的事故风险分值;
步骤四、从危险驾驶行为数据库中,获取在所述预设时间段内所述事故道路对应的危险驾驶行为数据量,根据所述事故道路的交通事故违法行为数据量和危险驾驶行为数据量,得到道路风险评估阈值;
步骤五、将选取得到的样本数据集中的风险因素作为自变量,事故类型作为因变量,建立公交事故LogisticRegression回归模型,确定影响城市公交安全的显著性因素;
步骤六、采用FP-Tree算法对公交事故风险因素进行关联,挖掘人、车、路、环境四个方面的风险因素之间的关联对公交事故类型的影响;
步骤七、结合LogisticRegression回归模型分析的单因素对公交事故类型的影响和FP-Tree算法挖掘多因素的关联作用对事故类型的影响,分析出影响城市公交安全的风险因素。
优选的,所述预设公交线路通过路段或路口在不同天气状态时的超速报警阈值。
优选的,所述行为识别的数据通过行为识别单元采集得到,行为识别评价指标包括打哈欠、疲劳驾驶预警、二级疲劳驾驶预警。
优选的,所述从事故发生时间、位置,驾驶员,道路和环境四个方面分析公交事故现状,从整体上了解公交事故的发生情况和发展趋势,发现事故的时空分布特征。
优选的,所述从公交事故数据中选取驾驶员属性、车辆、道路和环境四个方面的风险因素中的变量作为自变量,以事故类型为因变量,事故类型分为无伤亡、轻伤、重伤和死亡四类。
优选的,根据所述事故道路筛选单元选出的多条事故道路的位置信息统计每条道路在所述单位时间段内由导航数据匹配的危险驾驶行为的次数。
优选的,所述在指定道路的危险驾驶行为的次数大于所述风险阈值计算单元计算出的道路风险阈值时,生成对所述指定道路的交通风险预警信息。
优选的,所述通过车载GPS获取当前车辆位置和车辆位移速度,对照当前位置的超速报警阈值。
优选的,采用C-index计算OOD预测误差,计算不同生存树、拆分规则所构建的随机生存森林模型的预测误差率,选择最优随机生存森林模型。
优选的,采用变量重要性(VIMP)方法来选择和分析轨道交通事故持续的影响因素,并计算重要程度。在显著性检验过程中,通过随机置换变量的值,并将预测误差与原来的OOB预测误差进行比较。
(三)有益效果
与现有技术相比,本发明提供了一种公交城市公交事故风险因素分析方法,具备以下有益效果:
该公交城市公交事故风险因素分析方法,通过建立适用于高速公路实际环境的交通事故风险评估模型,并根据当前实施路段的具体情况获取交通流数据,进而根据当前实施路段的交通流数据进行参数标定,确定当前实施路段对应的交通事故风险评估模型,最后基于该模型确定当前实施路段各桩号处的交通事故风险值,能够对高速公路的交通事故风险进行有效评估,具有较强的可操作性,且通过建立公交事故LogisticRegression回归模型,并采用FP-Tree算法大幅度降低了城市公交事故数据处理过程中编码实现的难度,有效解决了城市公交事故数据处理过程中的复杂协议的配置及解析,能够快速、准确地对城市公交事故风险因素进行分析、评估。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
一种公交城市公交事故风险因素分析方法,其特征在于,包括以下步骤:
步骤一、设定公交驾驶员在营运过程的事故风险评价指标,在数据分析模块中建立公交驾驶事故风险评估模型;
步骤二、其中,F=CVA·qB·viC·(1+p)D,其中F表示交通事故风险值,CV表示车速变异系数,vi表示比速度,q表示交通饱和度,p表示汽车列车比例,A、B、C、D表示评估模型参;
步骤三、通过通讯模块将行驶记录发送给数据分析模块,数据分析模块采用公交驾驶事故风险评估模型计算待评估驾驶员的事故风险分值;
步骤四、从危险驾驶行为数据库中,获取在所述预设时间段内所述事故道路对应的危险驾驶行为数据量,根据所述事故道路的交通事故违法行为数据量和危险驾驶行为数据量,得到道路风险评估阈值;
步骤五、将选取得到的样本数据集中的风险因素作为自变量,事故类型作为因变量,建立公交事故LogisticRegression回归模型,确定影响城市公交安全的显著性因素;
步骤六、采用FP-Tree算法对公交事故风险因素进行关联,挖掘人、车、路、环境四个方面的风险因素之间的关联对公交事故类型的影响;
步骤七、结合LogisticRegression回归模型分析的单因素对公交事故类型的影响和FP-Tree算法挖掘多因素的关联作用对事故类型的影响,分析出影响城市公交安全的风险因素;
预设公交线路通过路段或路口在不同天气状态时的超速报警阈值,行为识别的数据通过行为识别单元采集得到,行为识别评价指标包括打哈欠、疲劳驾驶预警、二级疲劳驾驶预警,从事故发生时间、位置,驾驶员,道路和环境四个方面分析公交事故现状,从整体上了解公交事故的发生情况和发展趋势,发现事故的时空分布特征,从公交事故数据中选取驾驶员属性、车辆、道路和环境四个方面的风险因素中的变量作为自变量,以事故类型为因变量,事故类型分为无伤亡、轻伤、重伤和死亡四类,根据所述事故道路筛选单元选出的多条事故道路的位置信息统计每条道路在所述单位时间段内由导航数据匹配的危险驾驶行为的次数,在指定道路的危险驾驶行为的次数大于所述风险阈值计算单元计算出的道路风险阈值时,生成对所述指定道路的交通风险预警信息,通过车载GPS获取当前车辆位置和车辆位移速度,对照当前位置的超速报警阈值,采用C-index计算OOD预测误差,计算不同生存树、拆分规则所构建的随机生存森林模型的预测误差率,选择最优随机生存森林模型,采用变量重要性(VIMP)方法来选择和分析轨道交通事故持续的影响因素,并计算重要程度。在显著性检验过程中,通过随机置换变量的值,并将预测误差与原来的OOB预测误差进行比较
本发明的有益效果是:该公交城市公交事故风险因素分析方法,通过建立适用于高速公路实际环境的交通事故风险评估模型,并根据当前实施路段的具体情况获取交通流数据,进而根据当前实施路段的交通流数据进行参数标定,确定当前实施路段对应的交通事故风险评估模型,最后基于该模型确定当前实施路段各桩号处的交通事故风险值,能够对高速公路的交通事故风险进行有效评估,具有较强的可操作性,且通过建立公交事故LogisticRegression回归模型,并采用FP-Tree算法大幅度降低了城市公交事故数据处理过程中编码实现的难度,有效解决了城市公交事故数据处理过程中的复杂协议的配置及解析,能够快速、准确地对城市公交事故风险因素进行分析、评估。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种公交城市公交事故风险因素分析方法,其特征在于,包括以下步骤:
步骤一、设定公交驾驶员在营运过程的事故风险评价指标,在数据分析模块中建立公交驾驶事故风险评估模型;
步骤二、其中,F=CVA·qB·viC·(1+p)D,其中F表示交通事故风险值,CV表示车速变异系数,vi表示比速度,q表示交通饱和度,p表示汽车列车比例,A、B、C、D表示评估模型参;
步骤三、通过通讯模块将行驶记录发送给数据分析模块,数据分析模块采用公交驾驶事故风险评估模型计算待评估驾驶员的事故风险分值;
步骤四、从危险驾驶行为数据库中,获取在所述预设时间段内所述事故道路对应的危险驾驶行为数据量,根据所述事故道路的交通事故违法行为数据量和危险驾驶行为数据量,得到道路风险评估阈值;
步骤五、将选取得到的样本数据集中的风险因素作为自变量,事故类型作为因变量,建立公交事故LogisticRegression回归模型,确定影响城市公交安全的显著性因素;
步骤六、采用FP-Tree算法对公交事故风险因素进行关联,挖掘人、车、路、环境四个方面的风险因素之间的关联对公交事故类型的影响;
步骤七、结合LogisticRegression回归模型分析的单因素对公交事故类型的影响和FP-Tree算法挖掘多因素的关联作用对事故类型的影响,分析出影响城市公交安全的风险因素。
2.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,所述预设公交线路通过路段或路口在不同天气状态时的超速报警阈值。
3.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,所述行为识别的数据通过行为识别单元采集得到,行为识别评价指标包括打哈欠、疲劳驾驶预警、二级疲劳驾驶预警。
4.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,所述从事故发生时间、位置,驾驶员,道路和环境四个方面分析公交事故现状,从整体上了解公交事故的发生情况和发展趋势,发现事故的时空分布特征。
5.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,所述从公交事故数据中选取驾驶员属性、车辆、道路和环境四个方面的风险因素中的变量作为自变量,以事故类型为因变量,事故类型分为无伤亡、轻伤、重伤和死亡四类。
6.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,根据所述事故道路筛选单元选出的多条事故道路的位置信息统计每条道路在所述单位时间段内由导航数据匹配的危险驾驶行为的次数。
7.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,所述在指定道路的危险驾驶行为的次数大于所述风险阈值计算单元计算出的道路风险阈值时,生成对所述指定道路的交通风险预警信息。
8.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,所述通过车载GPS获取当前车辆位置和车辆位移速度,对照当前位置的超速报警阈值。
9.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,采用C-index计算OOD预测误差,计算不同生存树、拆分规则所构建的随机生存森林模型的预测误差率,选择最优随机生存森林模型。
10.根据权利要求1所述的一种公交城市公交事故风险因素分析方法,其特征在于,采用变量重要性(VIMP)方法来选择和分析轨道交通事故持续的影响因素,并计算重要程度。在显著性检验过程中,通过随机置换变量的值,并将预测误差与原来的OOB预测误差进行比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211372776.7A CN115965235A (zh) | 2022-10-31 | 2022-10-31 | 一种公交城市公交事故风险因素分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211372776.7A CN115965235A (zh) | 2022-10-31 | 2022-10-31 | 一种公交城市公交事故风险因素分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115965235A true CN115965235A (zh) | 2023-04-14 |
Family
ID=87353393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211372776.7A Pending CN115965235A (zh) | 2022-10-31 | 2022-10-31 | 一种公交城市公交事故风险因素分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965235A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757336A (zh) * | 2023-08-18 | 2023-09-15 | 北京中腾利达科技有限责任公司 | 基于数据驱动的轨道交通风险的预测方法及系统 |
CN116777300A (zh) * | 2023-07-24 | 2023-09-19 | 武汉大学 | 基于梯度提升决策树的城市道路交通事故风险评估方法 |
-
2022
- 2022-10-31 CN CN202211372776.7A patent/CN115965235A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777300A (zh) * | 2023-07-24 | 2023-09-19 | 武汉大学 | 基于梯度提升决策树的城市道路交通事故风险评估方法 |
CN116777300B (zh) * | 2023-07-24 | 2024-03-22 | 武汉大学 | 基于梯度提升决策树的城市道路交通事故风险评估方法 |
CN116757336A (zh) * | 2023-08-18 | 2023-09-15 | 北京中腾利达科技有限责任公司 | 基于数据驱动的轨道交通风险的预测方法及系统 |
CN116757336B (zh) * | 2023-08-18 | 2023-11-14 | 北京中腾利达科技有限责任公司 | 基于数据驱动的轨道交通风险的预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115965235A (zh) | 一种公交城市公交事故风险因素分析方法 | |
CN109493566B (zh) | 一种基于gps数据的疲劳驾驶预测方法 | |
CN106127586A (zh) | 大数据时代下车险费率辅助决策系统 | |
CN111785023A (zh) | 一种车辆碰撞风险预警方法及系统 | |
CN113609016B (zh) | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 | |
CN111401414B (zh) | 一种基于自然驾驶数据的危险场景提取及分类方法 | |
CN110766943B (zh) | 一种基于事故数据的不良驾驶行为判定的监测方法和系统 | |
CN113160564A (zh) | 一种交通安全预警分析方法、装置及计算机设备 | |
CN112356849A (zh) | 一种危险驾驶的预警方法及装置 | |
Yu et al. | Prediction of instantaneous driving safety in emergency scenarios based on connected vehicle basic safety messages | |
Wei et al. | Exploring Driver Injury Severity in Single‐Vehicle Crashes under Foggy Weather and Clear Weather | |
CN116001800B (zh) | 车辆驾驶风险信息获取方法、装置、电子设备及介质 | |
Murat | An entropy (shannon) based traffic safety level determination approach for black spots | |
Yardy et al. | Detecting malicious driving with machine learning | |
Kusano et al. | Comparison of Waymo Rider-only crash data to human benchmarks at 7.1 million miles | |
CN112530164B (zh) | 一种高海拔地区道路主动驾驶安全预警方法及系统 | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
CN114756599A (zh) | 一种基于车辆gps数据的驾驶员异常变速辨识方法 | |
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 | |
CN114140270A (zh) | 基于车辆行驶数据判断车辆救援的方法、系统及存储介质 | |
Nazeri et al. | Analysis of road accident data and determining affecting factors by using regression models and decision trees | |
Kumfer et al. | Effects of Demographic and Driver Factors on Single-Vehicle and Multivehicle Fatal Crashes: Investigation with Multinomial Logistic Regression | |
CN111798091A (zh) | 一种基于变道持续时间的高速公路变道评分模型建立方法 | |
Smiley | Overview and methodologies of the ITS safety evaluation process | |
Tong et al. | Statistical analysis of DMV crash data |
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 |