CN115985137A - 一种隧道交通运行的风险评估方法、电子设备及存储介质 - Google Patents

一种隧道交通运行的风险评估方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115985137A
CN115985137A CN202310223993.8A CN202310223993A CN115985137A CN 115985137 A CN115985137 A CN 115985137A CN 202310223993 A CN202310223993 A CN 202310223993A CN 115985137 A CN115985137 A CN 115985137A
Authority
CN
China
Prior art keywords
traffic
vehicle
tunnel
time
traffic operation
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
Application number
CN202310223993.8A
Other languages
English (en)
Other versions
CN115985137B (zh
Inventor
周子益
童青峰
贾磊
王天元
阚倩
王燕
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.)
Shenzhen Traffic Science Research Institute Co ltd
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Traffic Science Research Institute Co ltd
Shenzhen Urban Transport Planning Center Co Ltd
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 Shenzhen Traffic Science Research Institute Co ltd, Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Traffic Science Research Institute Co ltd
Priority to CN202310223993.8A priority Critical patent/CN115985137B/zh
Publication of CN115985137A publication Critical patent/CN115985137A/zh
Application granted granted Critical
Publication of CN115985137B publication Critical patent/CN115985137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明提出一种隧道交通运行的风险评估方法、电子设备及存储介质，属于隧道交通运行风险评估技术领域。包括以下步骤：S1.将隧道内车辆划分为多个交通运行子团；S2.对每个交通运行子团的风险特征进行初步评估，获取交通运行子团的一阶防撞参数；S3.分析车辆的驾驶习惯情况，获取交通运行子团的二阶防撞参数和驾驶行为分位点；S4.分析驾驶员的注意力集中程度，获取交通运行子团的三阶防撞参数；S5.分析交通运行子团的扰动值；S6.获取隧道交通风险空间分布参数。解决了现有技术中存在的分析过程过于简单，没有有效对照分析以及去除偶然性因素处理的技术问题。

Description

一种隧道交通运行的风险评估方法、电子设备及存储介质
技术领域
本申请涉及一种风险评估方法，尤其涉及一种隧道交通运行的风险评估方法、电子设备及存储介质，属于隧道交通运行风险评估技术领域。
背景技术
隧道由于其一般地处于较复杂的地理环境，其密闭空间的特性使得通信信号的衰减、视线等条件的局限性，进而导致事故发生后很难立即察觉并实施有效性处置策略，并且狭窄空间条件下极易发生二次事故。因此，隧道安全运营面临巨大的挑战。
近年来，隧道管理方通过引入先进的通信技术、智慧硬件系统、智慧通风和照明系统等，来实现对隧道内运行状况的实时感知，包括隧道内一般环境参数（如温湿度等）、光照、交通流量、车辆信息等。通过智慧信息采集设备将隧道运行信息传输到隧道管控平台进行展示和分析。除却隧道的结构问题以及地理和环境因素外，隧道交通信息最为重要。根据隧道的历史事故分析，首先发生交通事故往往都是最终酿成巨大损失的导火索。因此，如何根据收集的隧道信息建立有效的分析模型，对隧道内的交通运行风险进行量化和和评估，实时掌握隧道内的交通运行状况、发掘影响隧道安全运行的风险因素、针对风险因素进行及时的预警，都将是隧道安全运行的重要工作。
针对上述技术问题，有研究人员提出了《城市交通隧道运营安全风险评估模型及管理系统研究》，该文章来源于公路交通科技期刊，第38卷第1期；但是该技术还存在以下缺陷：
1.城市运行数据的运用过少，只有分析过程，没有结合实际案例和实际数据进行计算，实际应用的有效性难以说明；
2.使用层次分析法分析隧道风险，无法对多功能之间的耦合特效进行有效度量；
3.分析过程使用权重分配的方法，主观性太高，后续的分析同样存在这个问题，因此最终得出的结论没有有效的理论和数据支持，其次，分析过程较为简单，没有有效对照分析以及去除偶然性因素处理。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决背景技术所述的至少一个问题，本发明提供一种隧道交通运行的风险评估方法、电子设备及存储介质。
方案一：一种隧道交通运行的风险评估方法，包括以下步骤：
S1.将隧道内车辆划分为多个交通运行子团；
S2.对每个交通运行子团的风险特征进行初步评估，获取交通运行子团的一阶防撞参数；
S3.分析车辆的驾驶习惯情况，获取交通运行子团的二阶防撞参数和驾驶行为分位点；
S4.分析驾驶员的注意力集中程度，获取交通运行子团的三阶防撞参数；
S5.分析交通运行子团的扰动值；
S6.获取隧道交通风险空间分布参数。
优选的，S1具体是：获取某一段时间隧道内的交通车辆的信息，包括车辆速度、加速度、车辆位置和车辆类型数据；
根据实际隧道的情况，设置长度阈值
Figure SMS_1
，即两辆车的间距小于等于
Figure SMS_2
时，两辆车属于同一个交通运行子团；
优选的，S2具体是：获取车辆1和车辆2的交通冲突时间：
Figure SMS_3
；
其中，
Figure SMS_4
表示车辆2的长度值，
Figure SMS_5
和
Figure SMS_6
分别表示车辆1和2在时刻t的速度值，
Figure SMS_7
表示t时刻下车辆1和车辆2之间的间距；
获取车辆1在时刻t时的反应时间：
Figure SMS_8
；
其中
Figure SMS_9
表示车辆1在时刻t时的反应时间，
Figure SMS_10
表示车辆2的驾驶员性别，男性时取值为1.1，女性取值为1.6，
Figure SMS_11
表示车辆2的驾驶员年龄值；
根据每个交通运行子团内车辆对的反应时间和交通冲突时间，得到车辆组的一阶防撞参数：
Figure SMS_12
；
其中，
Figure SMS_13
表示车辆1和车辆2在时刻t的一阶防撞参数，
Figure SMS_14
表示车辆1在时刻t时的反应时间，
Figure SMS_15
表示车辆1和车辆2的交通冲突时间；
获取每个交通运行子团在时刻t的一阶防撞参数，则有：
Figure SMS_16
；
其中，
Figure SMS_17
表示时刻t时车辆1和车辆2的一阶防撞参数的权重值，
Figure SMS_18
表示车辆1和车辆2在时刻t的一阶防撞参数，
Figure SMS_19
表示第一个交通运行子团里的车辆数目。
优选的，S3具体是：比较车辆1和车辆2的加速度变化分析车辆的驾驶习惯情况；
根据标准差公式得到：
Figure SMS_20
；
其中，
Figure SMS_21
为一组序列值，
Figure SMS_22
为该序列值的平均值，S为该序列的标准差；对应的，得到车辆1和车辆2的加速度时间序列的标准差
Figure SMS_23
和
Figure SMS_24
，然后有：
Figure SMS_25
；
其中，
Figure SMS_26
表示车辆1在时刻t的驾驶行为差，然后得到每个交通运行子团的平均驾驶行为标准差：
Figure SMS_27
；
其中，
Figure SMS_28
表示时刻t交通运行子团1的驾驶行为差，
Figure SMS_29
表示车辆1在时刻t的驾驶行为差，对每个交通运行子团的驾驶行为差进行排序，得到排序的分位数，即驾驶行为分位点，然后有：
Figure SMS_30
；
Figure SMS_31
和
Figure SMS_32
分别表示时刻t时交通运行子团1的二阶防撞参数和驾驶行为分位点；
优选的，S4具体是：分析驾驶员与前方车辆的速度变化同步情况，变化同步速度快，则表示注意力集中；变化同步速度慢，表示驾驶员的注意力不集中；
获取时延参数
Figure SMS_33
条件下的车辆1和车辆2的速度序列的互相关参数：
Figure SMS_34
；
其中，
Figure SMS_36
表示时延参数，
Figure SMS_40
和
Figure SMS_42
分别表示速度序列在
Figure SMS_37
区间上的平均值，时延参数的阈值为
Figure SMS_38
；即对于时延区间为
Figure SMS_41
范围内的所有互相关参数，得到互相关参数序列
Figure SMS_43
，然后找到这个序列中的最大值以及对应的时延参数
Figure SMS_35
，即车辆1的驾驶员的注意力集中程度的衡量参数
Figure SMS_39
，则有：
Figure SMS_44
；
计算时刻t的隧道内的每个交通运行子团的平均值，将交通运行子团的平均值作为驾驶注意力差：
Figure SMS_45
；
其中，
Figure SMS_46
表示时刻t交通运行子团1的驾驶注意力差，
Figure SMS_47
表示车辆1在时刻t的驾驶注意力差，根据隧道内的排序情况，获得对应的驾驶注意力分位点；
获取每个交通运行子团的三阶防撞参数：
Figure SMS_48
；
其中，
Figure SMS_49
表示交通运行子团的三阶防撞参数。
优选的，S5具体是：
获取时刻t时TTOC1的隧道总交通扰动值：
Figure SMS_50
；
其中，
Figure SMS_51
表示时刻t时与TTOC1处于同一车道的位于前后的其他交通运行子团造成的隧道交通扰动值，
Figure SMS_52
表示时刻t时一定范围内处于其他车道的隧道交通扰动值，
Figure SMS_53
表示时刻t时一定范围之外的其他交通运行子团造成的隧道交通扰动值；
Figure SMS_54
；
其中，TTOC11表示TTOC1的5个车辆长度范围内，同一车道前方交通运行子团；TTOC12表示TTOC1的5个车辆长度范围内，同一车道后方的交通运行子团；
Figure SMS_55
表示第一部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure SMS_56
Figure SMS_57
分别表示TTOC11、TTOC12和TTOC1之间的距离，
Figure SMS_58
和
Figure SMS_59
分别表示TTOC11和TTOC12内所有车辆的平均长度；
Figure SMS_60
；
其中，TTOC13表示TTOC1的5个车辆长度范围内，非同一车道前方交通运行子团，TTOC14表示TTOC1的5个车辆长度范围内，非同一车道后方的交通运行子团，
Figure SMS_61
表示第二部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure SMS_62
Figure SMS_63
分别表示TTOC13、TTOC14和TTOC1之间的距离，
Figure SMS_64
和
Figure SMS_65
分别表示TTOC13和TTOC14内所有车辆的平均长度；
Figure SMS_66
；
其中，TTOC13表示TTOC1的5个车辆长度范围外，前方交通运行子团，TTOC14表示TTOC1的5个车辆长度范围外，后方的交通运行子团，
Figure SMS_67
表示第三部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure SMS_68
分别表示TTOC15、TTOC16和TTOC1之间的距离，
Figure SMS_69
和
Figure SMS_70
分别表示TTOC15和TTOC16内所有车辆的平均长度；
优选的，S6具体是：
获取距离r在时刻t时的空间分布聚集参数：
Figure SMS_71
其中，TTOC(t)表示时刻t时隧道内的所有交通运行子团的集合，
Figure SMS_72
表示交通运行子团
Figure SMS_73
和
Figure SMS_74
之间的距离，
Figure SMS_75
表示时刻t时隧道内的所有交通运行子团的防撞参数的平均值，
Figure SMS_76
表示时刻t时隧道内的所有交通运行子团的防撞参数的方差，
Figure SMS_77
是一个用来筛选距离小于r的交通运行子团对，有：
Figure SMS_78
；
计算时刻t所有交通运行子团在隧道内的位置相距隧道中心的平方差的和：
Figure SMS_79
；
其中，SDLP(t)表示时刻t的空间分布位置参数，
Figure SMS_80
表示隧道的中心点位置，
Figure SMS_81
表示时刻t交通运行子团
Figure SMS_82
的位置；
隧道交通风险空间分布参数：
Figure SMS_83
；
方案二： 一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述一种隧道交通运行的风险评估方法的步骤。
方案三：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种隧道交通运行的风险评估方法。
本发明的有益效果如下：
本发明主要以自身风险特征构成的平衡稳态评价交通子团的风险状态、外界的持续性和偶发性的扰动计算发生事故的概率大小、以及事故可能导致的二次事故概率计算事故的影响大小，从三方面评估隧道交通运行的风险；过程清晰，且有有效的理论支撑；
本发明构建的三阶段交通风险特征的量化参数体系，量化之外，从动态的角度更好的分析交通子团的内部风险状态；
本发明在以交通子团作为最小分析单元之外，计算隧道安全运行风险，同时考虑交通子团的时空分布，更加贴近隧道这一特殊的封闭交通环境；
本发明在分析事故的影响范围之时，考虑了事故发生之后的二次事故，一方面符合隧道封闭空间的特性，另外对于事故的影响范围的评估更加贴合实际；基于此得到的隧道交通运行的风险评估结果，可以更好的指导制定针对性的监测方案、事件预警方案等预防事故发生。
本发明为隧道管理者提供了重要支撑；同时，定量化的计算和比较，也为实施针对性的系统弹性提升策略提供现实的有效指导。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为一种隧道交通运行的风险评估方法流程示意图；
图2为跟弛模型示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图2说明本实施方式，一种隧道交通运行的风险评估方法，将基于隧道车辆的数据、交通车辆跟车模型、系统平衡稳态分析以及交通车辆的失控分布和演化情况，从交通运行子团的建立与平衡稳态的分析以及隧道交通运行风险评估，构建隧道交通运行的风险评估模型。主要内容为：
从交通运行子团的建立角度：
首先，建立交通运行子团作为建模和后续分析的最小分析单元，是为了分析的便利性，同时不以单个车辆作为分析最小单元，凸显交通运行子团之内的车辆之间的强相关关系。因此，根据具体的隧道通行情况，比如高速隧道、城市隧道等，设置一定的范围值L，在某个时刻获取隧道交通车辆的位置，然后根据L为最大车辆间距将隧道内各个车道上的车辆划分为一个个的交通子团。然后，根据交通流理论当中的跟车模型，考虑车辆的形势速度、加速度以及车距，计算得到车辆的状态参数以及交通子团的状态参数。进一步，在隧道内由于封闭空间的原因，一方面难以获得和隧道外相同的光照条件，其次，密闭空间也更加容易导致严重交通事故及其二次事故。因此，隧道行车对于驾驶员的注意力要求很高。对于一个交通子团而言，需要分析子团内的各个车辆与前车之间的相关关系，然后发掘得到驾驶员的注意力集中状态以及驾驶员本人的驾驶习惯等因素。
从交通子团的平衡稳态的分析以及交通运行风险评估角度：
在建立完一个个交通子团之后，需要考虑交通子团之间的关系，由于隧道内一般不允许进行变道行为，因此车辆在进入隧道之后的主要行为就是沿着车道进行行驶。因此，交通子团的平衡稳态分析主要分为两个部分：一个是自身的变化特征，其次是外界的运行扰动。由上可知，主要的扰动来自于本车道前方的交通子团。此外，由于隧道单洞内的开放式，因此其他车道的车辆同样会对驾驶员的驾驶行为造成影响和干扰。首先是交通子团的平衡稳态的引入。隧道内由于视角的限制，一般发生交通事故的原因大都是注意力丢失或者不合规的驾驶行为。隧道内的车辆行驶由于默认的不可变道，因此车辆默认是跟随前车行驶。一方面，由于驾驶行为的单调，造成注意力的丢失；非自然光的光照条件同样会造成信息收集能力的降低。因此，驾驶员对于突发的事件的判断能力和处置能力都有一定程度的下降。考虑交通子团的平衡稳态就是同时考虑隧道行车的规则性，以及扰动本身对驾驶行为的巨大影响。一方面，交通子团内部的变化特征属于持续性扰动。而本车道甚至其他车道的交通子团或者单个车辆的扰动则属于偶发性扰动。都会打破交通子团的平衡稳态。主要考虑其他交通子团驾驶行为的直接扰动，以及交通子团构成等造成的间接扰动。最终，分析出隧道内的所有交通子团遭受的扰动大小，即平衡稳态失效的可能性大小。隧道交通运行风险评估，需要结合前面两个部分，综合考虑交通子团自身的风险以及发生事故的概率，最后，考虑发生事故之后造成的影响大小评估得出隧道交通运行风险。当隧道内只有一辆车，当这辆车出现了驾驶员注意力丢失等情况，即使驾驶员同时还是一个新手，空出来的其他车道同样可以作为缓冲区，避免发生交通事故。但当这种情况发生在拥堵的晚高峰时期，那么驾驶员出现一次的注意力不集中，导致车辆控制出现失误则都有很大概率影响其他车辆甚至造成交通事故。同时，这种情况下也会导致二次事故，比如连环追尾等事故。因此，评估发生事故之后的影响大小考虑发生二次事故的概率大小，即单个交通子团发生事故之后，造成的其他交通子团的特征以及扰动的变化，从而计算整个系统发生二次事故的概率以及事故后果大小。从而评估事故影响大小。具体包括以下步骤：
S1.将隧道内车辆划分为多个交通运行子团，具体是：获取某一段时间隧道内的交通车辆的信息，包括车辆速度、加速度、车辆位置和车辆类型数据；
具体的，车辆信息通过目前隧道内安装的智能摄像头设备获取；
根据实际隧道的情况，设置长度阈值
Figure SMS_84
，即两辆车的间距小于等于
Figure SMS_85
时，两辆车属于同一个交通运行子团；
具体的，长度阈值
Figure SMS_86
不大于15米；
参照图2，跟弛模型示意图，S2.对每个交通运行子团的风险特征进行初步评估，获取交通运行子团的一阶防撞参数，具体是：获取车辆1和车辆2的交通冲突时间：
Figure SMS_87
；
其中，
Figure SMS_88
表示车辆2的长度值，
Figure SMS_89
和
Figure SMS_90
分别表示车辆1和2在时刻t的速度值，
Figure SMS_91
表示t时刻下车辆1和车辆2之间的间距；
对于驾驶员的反应时间，其与车速、车距、驾驶员性别和驾驶员年龄存在关系，因此，获取车辆1在时刻t时的反应时间：
Figure SMS_92
；
其中
Figure SMS_93
表示车辆1在时刻t时的反应时间，
Figure SMS_94
表示车辆2的驾驶员性别，男性时取值为1.1，女性取值为1.6，
Figure SMS_95
表示车辆2的驾驶员年龄值；
取值数据来源：David Prieffson. Stereo accuracy for collision avoidancefor varying collision trajectories[C]. Intelligent Vehicles Symposium (IV),2013 IEEE. Gold Coast City, Australia: IEEE,2013: 1259-1264；
根据每个交通运行子团内车辆对的反应时间和交通冲突时间，得到车辆组的一阶防撞参数：
Figure SMS_96
；
其中，
Figure SMS_97
表示车辆1和车辆2在时刻t的一阶防撞参数，
Figure SMS_98
表示车辆1在时刻t时的反应时间，
Figure SMS_99
表示车辆1和车辆2的交通冲突时间；
获取每个交通运行子团TTOC1在时刻t的一阶防撞参数，则有：
Figure SMS_100
；
其中，
Figure SMS_101
表示时刻t时车辆1和车辆2的一阶防撞参数的权重值，
Figure SMS_102
表示车辆1和车辆2在时刻t的一阶防撞参数，
Figure SMS_103
表示第一个交通运行子团里的车辆数目。
其中，权重值取值参考如下：
Figure SMS_104
。
由于隧道内的视野和架势特性（单调重复），因此很容易导致驾驶员注意力不集中，需要分析驾驶员的注意力集中情况以及驾驶习惯情况。首先是驾驶习惯情况，每个人的驾驶行为各有差异，因此需要根据隧道内时刻t的所有车辆的驾驶情况进行分析。但由于每辆车的行进过程受到其他车辆主要是前面车辆的影响，因此通过比较本车和前面车辆之间的情况，来分析车辆的驾驶习惯情况。对于车辆1和车辆2可以获取两辆车的加速度变化情况，有两个时间序列，分别是车辆1和车辆2在一共t个时刻的加速度序列值：
Figure SMS_105
和
Figure SMS_106
，
Figure SMS_107
和
Figure SMS_108
然后分别是两个序列的平均值。
S3.分析车辆的驾驶习惯情况，获取交通运行子团的二阶防撞参数和驾驶行为分位点，具体是：比较车辆1和车辆2的加速度变化分析车辆的驾驶习惯情况；
根据标准差公式得到：
Figure SMS_109
；
其中，
Figure SMS_110
为一组序列值，
Figure SMS_111
为该序列值的平均值，S为该序列的标准差，对应的，得到车辆1和车辆2的加速度时间序列的标准差
Figure SMS_112
和
Figure SMS_113
，然后有：
Figure SMS_114
；
其中，
Figure SMS_115
表示车辆1在时刻t的驾驶行为差，然后得到每个交通运行子团的平均驾驶行为标准差：
Figure SMS_116
；
其中，
Figure SMS_117
表示时刻t交通运行子团1的驾驶行为差，
Figure SMS_118
表示车辆1在时刻t的驾驶行为差，对每个交通运行子团的驾驶行为差进行排序，得到排序的分位数，即驾驶行为分位点，然后有：
Figure SMS_119
；
Figure SMS_120
和
Figure SMS_121
分别表示时刻t时交通运行子团1的二阶防撞参数和驾驶行为分位点；
分析驾驶员与前方车辆的速度变化同步情况，变化同步速度快，则表示注意力集中，可以很快发现前方车辆的速度变化情况。变化同步速度慢，表示驾驶员的注意力不集中，需要一段时间才可以发现前方车辆的速度变化。有驾驶注意力参数，获取车辆1和车辆2的速度值序列，有：
Figure SMS_122
和
Figure SMS_123
，
Figure SMS_124
和
Figure SMS_125
分别是两个序列的平均值，
Figure SMS_126
和
Figure SMS_127
分别是两个序列的标准差。
S4.分析驾驶员的注意力集中程度，获取交通运行子团的三阶防撞参数，具体是：分析驾驶员与前方车辆的速度变化同步情况，变化同步速度快，则表示注意力集中；变化同步速度慢，表示驾驶员的注意力不集中；
获取时延参数
Figure SMS_128
条件下的车辆1和车辆2的速度序列的互相关参数：
Figure SMS_129
；
其中，
Figure SMS_132
表示时延参数，
Figure SMS_135
和
Figure SMS_136
分别表示速度序列在
Figure SMS_131
区间上的平均值，时延参数的阈值为
Figure SMS_133
，即对于时延区间为
Figure SMS_137
范围内的所有互相关参数，得到互相关参数序列
Figure SMS_138
，然后找到这个序列中的最大值以及对应的时延参数
Figure SMS_130
，即车辆1的驾驶员的注意力集中程度的衡量参数
Figure SMS_134
，则有：
Figure SMS_139
；
计算时刻t的隧道内的每个交通运行子团的平均值，有：
Figure SMS_140
；
其中，
Figure SMS_141
表示时刻t交通运行子团1的驾驶注意力差，
Figure SMS_142
表示车辆1在时刻t的驾驶注意力差，根据隧道内的排序情况，获得对应的驾驶注意力分位点；
获取每个交通运行子团的三阶防撞参数：
Figure SMS_143
；
其中，
Figure SMS_144
表示交通运行子团的三阶防撞参数，至此，获取了隧道内的所有交通子团的风险特征。
进一步分析交通运行子团外的扰动值，扰动主要来自于视觉，而视觉绝大部分是来自于车辆本身。因此，对于交通运行子团而言，需要考虑会对其造成影响的其他交通运行子团，包括防撞参数以及子团构成（车辆类型、速度等）。然后对于整个隧道而言，重点需要分析不同风险特征的交通运行子团位于隧道的空间地理分布情况，引入隧道交通流空间分布参数，来对处于隧道不同位置的交通运行子团分布进行量化，最终得到隧道的风险参数。
S5.分析交通运行子团的扰动值，具体是：获取时刻t时TTOC1的隧道总交通扰动值：
Figure SMS_145
；
其中，
Figure SMS_146
表示时刻t时与TTOC1处于同一车道的位于前后的其他交通运行子团造成的隧道交通扰动值，
Figure SMS_147
表示时刻t时一定范围内处于其他车道的隧道交通扰动值，
Figure SMS_148
表示时刻t时一定范围之外的其他交通运行子团造成的隧道交通扰动值；
Figure SMS_149
；
其中，TTOC11表示TTOC1的5个车辆长度范围内，同一车道前方交通运行子团；TTOC12表示TTOC1的5个车辆长度范围内，同一车道后方的交通运行子团；
Figure SMS_150
表示第一部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure SMS_151
Figure SMS_152
分别表示TTOC11、TTOC12和TTOC1之间的距离，
Figure SMS_153
和
Figure SMS_154
分别表示TTOC11和TTOC12内所有车辆的平均长度；
Figure SMS_155
；
其中，TTOC13表示TTOC1的5个车辆长度范围内，非同一车道前方交通运行子团，TTOC14表示TTOC1的5个车辆长度范围内，非同一车道后方的交通运行子团，
Figure SMS_156
表示第二部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure SMS_157
Figure SMS_158
分别表示TTOC13、TTOC14和TTOC1之间的距离，
Figure SMS_159
和
Figure SMS_160
分别表示TTOC13和TTOC14内所有车辆的平均长度；
Figure SMS_161
；
其中，TTOC13表示TTOC1的5个车辆长度范围外，前方交通运行子团，TTOC14表示TTOC1的5个车辆长度范围外，后方的交通运行子团，
Figure SMS_162
表示第三部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure SMS_163
分别表示TTOC15、TTOC16和TTOC1之间的距离，
Figure SMS_164
和
Figure SMS_165
分别表示TTOC15和TTOC16内所有车辆的平均长度；
对交通风险可能导致的事故影响大小进行评估。隧道内发生事故的最大影响是隧道内的车辆分布情况，当车辆分布比较密集，容易发生事故而且发生事故之后很容易影响其他车辆进而造成二次事故的发生。因此，需要分析交通运行子团在空间上的分布情况。对于风险特征显著的交通运行子团，呈现聚集分布时，交通事故发生的概率将会大大提高。因此提出隧道交通风险空间分布参数。
S6.获取隧道交通风险空间分布参数，具体是：
获取距离r在时刻t时的空间分布聚集参数：
Figure SMS_166
；
其中，TTOC(t)表示时刻t时隧道内的所有交通运行子团的集合，
Figure SMS_167
表示交通运行子团
Figure SMS_168
和
Figure SMS_169
之间的距离，
Figure SMS_170
表示时刻t时隧道内的所有交通运行子团的防撞参数的平均值，
Figure SMS_171
表示时刻t时隧道内的所有交通运行子团的防撞参数的方差，
Figure SMS_172
是一个用来筛选距离小于r的交通运行子团对，有：
Figure SMS_173
；
计算时刻t所有交通运行子团在隧道内的位置相距隧道中心的平方差的和：
Figure SMS_174
；
其中，SDLP(t)表示时刻t的空间分布位置参数，
Figure SMS_175
表示隧道的中心点位置，
Figure SMS_176
表示时刻t交通运行子团
Figure SMS_177
的位置；
隧道交通风险空间分布参数：
Figure SMS_178
；
本发明具有如下特点：
本发明提出以交通运行子团为最小分析单元的隧道交通风险评估模型，避免了以单个车辆的复杂度，基于此，从驾驶员行为、操作习惯和操作注意力三个角度，使用隧道车辆数据，从侧面建立三个阶段的隧道风险特征量化参数；
本发明建立以交通运行子团为中心的交通运行稳态分析，通过内部的风险特征以及外部的扰动分析稳态随时间的变化情况，同时考虑持续性和偶发性两种扰动；
本发明多角度、多层次的量化交通运行子团的外界扰动值大小，实现隧道交通运行子团所遭受实际扰动的有效刻画，为后续影响分析和风险量化提供支撑；
本发明结合空间分布位置参数和空间分布聚集参数两个角度，量化隧道的交通风险空间部分特征，结合前面的分析，实现隧道内交通运行风险的时空分析，更好的量化隧道交通风险。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种隧道交通运行的风险评估方法、电子设备及存储介质的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器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（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器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，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例：
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种隧道交通运行的风险评估方法、电子设备及存储介质的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (9)

1.一种隧道交通运行的风险评估方法，其特征在于，包括以下步骤：
S1.将隧道内车辆划分为多个交通运行子团；
S2.对每个交通运行子团的风险特征进行初步评估，获取交通运行子团的一阶防撞参数；
S3.分析车辆的驾驶习惯情况，获取交通运行子团的二阶防撞参数和驾驶行为分位点；
S4.分析驾驶员的注意力集中程度，获取交通运行子团的三阶防撞参数；
S5.分析交通运行子团的扰动值；
S6.获取隧道交通风险空间分布参数。
2.根据权利要求1所述的一种隧道交通运行的风险评估方法，其特征在于，S1具体是：
获取某一段时间隧道内的交通车辆的信息，包括车辆速度、加速度、车辆位置和车辆类型数据；
根据实际隧道的情况，设置长度阈值
Figure QLYQS_1
，即两辆车的间距小于等于
Figure QLYQS_2
时，两辆车属于同一个交通运行子团。
3.根据权利要求2所述的一种隧道交通运行的风险评估方法，其特征在于，S2具体是：
获取车辆1和车辆2的交通冲突时间：
Figure QLYQS_3
；
其中，
Figure QLYQS_4
表示车辆2的长度值，
Figure QLYQS_5
和
Figure QLYQS_6
分别表示车辆1和2在时刻t的速度值，
Figure QLYQS_7
表示t时刻下车辆1和车辆2之间的间距；
获取车辆1在时刻t时的反应时间：
Figure QLYQS_8
；
其中
Figure QLYQS_9
表示车辆1在时刻t时的反应时间，
Figure QLYQS_10
表示车辆2的驾驶员性别，男性时取值为1.1，女性取值为1.6，
Figure QLYQS_11
表示车辆2的驾驶员年龄值；
根据每个交通运行子团内车辆对的反应时间和交通冲突时间，得到车辆组的一阶防撞参数：
Figure QLYQS_12
；
其中，
Figure QLYQS_13
表示车辆1和车辆2在时刻t的一阶防撞参数，
Figure QLYQS_14
表示车辆1在时刻t时的反应时间，
Figure QLYQS_15
表示车辆1和车辆2的交通冲突时间；
获取每个交通运行子团在时刻t的一阶防撞参数，则有：
Figure QLYQS_16
；
其中，
Figure QLYQS_17
表示时刻t时车辆1和车辆2的一阶防撞参数的权重值，
Figure QLYQS_18
表示车辆1和车辆2在时刻t的一阶防撞参数，
Figure QLYQS_19
表示第一个交通运行子团里的车辆数目。
4.根据权利要求3所述的一种隧道交通运行的风险评估方法，其特征在于，S3具体是：比较车辆1和车辆2的加速度变化分析车辆的驾驶习惯情况；
根据标准差公式得到：
Figure QLYQS_20
；
其中，
Figure QLYQS_21
为一组序列值，
Figure QLYQS_22
为该序列值的平均值，S为该序列的标准差；对应的，得到车辆1和车辆2的加速度时间序列的标准差
Figure QLYQS_23
和
Figure QLYQS_24
，然后有：
Figure QLYQS_25
；
其中，
Figure QLYQS_26
表示车辆1在时刻t的驾驶行为差，然后得到每个交通运行子团的平均驾驶行为标准差：
Figure QLYQS_27
；
其中，
Figure QLYQS_28
表示时刻t交通运行子团1的驾驶行为差，
Figure QLYQS_29
表示车辆1在时刻t的驾驶行为差，对每个交通运行子团的驾驶行为差进行排序，得到排序的分位数，即驾驶行为分位点，然后有：
Figure QLYQS_30
；
Figure QLYQS_31
和
Figure QLYQS_32
分别表示时刻t时交通运行子团1的二阶防撞参数和驾驶行为分位点。
5.根据权利要求4所述的一种隧道交通运行的风险评估方法，其特征在于，S4具体是：分析驾驶员与前方车辆的速度变化同步情况，变化同步速度快，则表示注意力集中；变化同步速度慢，表示驾驶员的注意力不集中；
获取时延参数
Figure QLYQS_33
条件下的车辆1和车辆2的速度序列的互相关参数：
Figure QLYQS_34
；
其中，
Figure QLYQS_37
表示时延参数，
Figure QLYQS_39
和
Figure QLYQS_41
分别表示速度序列在
Figure QLYQS_36
区间上的平均值，时延参数的阈值为
Figure QLYQS_40
，即对于时延区间为
Figure QLYQS_42
范围内的所有互相关参数，得到互相关参数序列
Figure QLYQS_43
，然后找到这个序列中的最大值以及对应的时延参数
Figure QLYQS_35
，即车辆1的驾驶员的注意力集中程度的衡量参数
Figure QLYQS_38
，则有：
Figure QLYQS_44
；
计算时刻t的隧道内的每个交通运行子团的平均值，将交通运行子团的平均值作为驾驶注意力差：
Figure QLYQS_45
；
其中，
Figure QLYQS_46
表示时刻t交通运行子团1的驾驶注意力差，
Figure QLYQS_47
表示车辆1在时刻t的驾驶注意力差，根据隧道内的排序情况，获得对应的驾驶注意力分位点；
获取每个交通运行子团的三阶防撞参数：
Figure QLYQS_48
；
其中，
Figure QLYQS_49
表示交通运行子团的三阶防撞参数。
6.根据权利要求5所述的一种隧道交通运行的风险评估方法，其特征在于，S5具体是：
获取时刻t时TTOC1的隧道总交通扰动值：
Figure QLYQS_50
；
其中，
Figure QLYQS_51
表示时刻t时与TTOC1处于同一车道的位于前后的其他交通运行子团造成的隧道交通扰动值，
Figure QLYQS_52
表示时刻t时一定范围内处于其他车道的隧道交通扰动值，
Figure QLYQS_53
表示时刻t时一定范围之外的其他交通运行子团造成的隧道交通扰动值；
Figure QLYQS_54
；
其中，TTOC11表示TTOC1的5个车辆长度范围内，同一车道前方交通运行子团；TTOC12表示TTOC1的5个车辆长度范围内，同一车道后方的交通运行子团；
Figure QLYQS_55
表示第一部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure QLYQS_56
Figure QLYQS_57
分别表示TTOC11、TTOC12和TTOC1之间的距离，
Figure QLYQS_58
和
Figure QLYQS_59
分别表示TTOC11和TTOC12内所有车辆的平均长度；
Figure QLYQS_60
；
其中，TTOC13表示TTOC1的5个车辆长度范围内，非同一车道前方交通运行子团，TTOC14表示TTOC1的5个车辆长度范围内，非同一车道后方的交通运行子团，
Figure QLYQS_61
表示第二部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure QLYQS_62
Figure QLYQS_63
分别表示TTOC13、TTOC14和TTOC1之间的距离，
Figure QLYQS_64
和
Figure QLYQS_65
分别表示TTOC13和TTOC14内所有车辆的平均长度；
Figure QLYQS_66
；
其中，TTOC13表示TTOC1的5个车辆长度范围外，前方交通运行子团，TTOC14表示TTOC1的5个车辆长度范围外，后方的交通运行子团，
Figure QLYQS_67
表示第三部分的权重值，计算等于该子团的速度序列与TTOC1的速度序列的皮尔逊相关系数值的平均值，
Figure QLYQS_68
分别表示TTOC15、TTOC16和TTOC1之间的距离，
Figure QLYQS_69
和
Figure QLYQS_70
分别表示TTOC15和TTOC16内所有车辆的平均长度。
7.根据权利要求6所述的一种隧道交通运行的风险评估方法，其特征在于，S6具体是：
获取距离r在时刻t时的空间分布聚集参数：
Figure QLYQS_71
；
其中，TTOC(t)表示时刻t时隧道内的所有交通运行子团的集合，
Figure QLYQS_72
表示交通运行子团
Figure QLYQS_73
和
Figure QLYQS_74
之间的距离，
Figure QLYQS_75
表示时刻t时隧道内的所有交通运行子团的防撞参数的平均值，
Figure QLYQS_76
表示时刻t时隧道内的所有交通运行子团的防撞参数的方差，
Figure QLYQS_77
是一个用来筛选距离小于r的交通运行子团对，有：
Figure QLYQS_78
；
计算时刻t所有交通运行子团在隧道内的位置相距隧道中心的平方差的和：
Figure QLYQS_79
；
其中，SDLP(t)表示时刻t的空间分布位置参数，
Figure QLYQS_80
表示隧道的中心点位置，
Figure QLYQS_81
表示时刻t交通运行子团
Figure QLYQS_82
的位置；
隧道交通风险空间分布参数：
Figure QLYQS_83
。
8.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种隧道交通运行的风险评估方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的一种隧道交通运行的风险评估方法。
CN202310223993.8A 2023-03-10 2023-03-10 一种隧道交通运行的风险评估方法、电子设备及存储介质 Active CN115985137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310223993.8A CN115985137B (zh) 2023-03-10 2023-03-10 一种隧道交通运行的风险评估方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310223993.8A CN115985137B (zh) 2023-03-10 2023-03-10 一种隧道交通运行的风险评估方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115985137A true CN115985137A (zh) 2023-04-18
CN115985137B CN115985137B (zh) 2023-08-01

Family

ID=85965158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310223993.8A Active CN115985137B (zh) 2023-03-10 2023-03-10 一种隧道交通运行的风险评估方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115985137B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740986A (zh) * 2023-08-09 2023-09-12 聊城市瀚格智能科技有限公司 一种隧道行车交通事故风险智能预警方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101937421A (zh) * 2009-07-03 2011-01-05 上海大潮电子技术有限公司 采集车辆实时运行信息而进行运行安全风险评估的方法
CN106184229A (zh) * 2016-06-30 2016-12-07 惠州华阳通用电子有限公司 车辆驾驶预警方法及其系统
CN106897826A (zh) * 2017-02-23 2017-06-27 吉林大学 一种交通事故风险评估方法及系统
CN106920040A (zh) * 2017-03-01 2017-07-04 西南交通大学 基于模糊层次分析的高速公路隧道交通事故风险评估方法
CN106971540A (zh) * 2017-04-28 2017-07-21 长安大学 高速公路隧道环境下驾驶人的行为风险量化方法
JP2017199079A (ja) * 2016-04-25 2017-11-02 住友電気工業株式会社 衝突判定装置、コンピュータプログラム及び衝突判定方法
CN108921372A (zh) * 2018-05-17 2018-11-30 西南交通大学 基于层次分析和可拓物元的高速公路隧道运营安全风险评价方法
CN109255957A (zh) * 2018-11-20 2019-01-22 湖北文理学院 一种隧道内车辆行驶监测的方法及系统
CN109544946A (zh) * 2019-01-03 2019-03-29 南京城建隧桥经营管理有限责任公司 基于车流量大数据的隧道实时监控管理系统及其实现方法
CN211207495U (zh) * 2019-12-24 2020-08-07 四川雅康高速公路有限责任公司 一种隧道内弯道路段安全的警示系统
KR102196356B1 (ko) * 2020-03-25 2020-12-30 렉스젠(주) 터널 영상 감시 시스템 및 그 방법
CN112985328A (zh) * 2021-02-26 2021-06-18 山东省交通规划设计院集团有限公司 一种隧道侧向余宽确定方法及系统
CN113570852A (zh) * 2021-06-17 2021-10-29 长安大学 基于安全替代评价指标的高风险路段风险防控手段评估
CN113657767A (zh) * 2021-08-18 2021-11-16 广东汇通信息科技股份有限公司 一种基于交通数据和模糊算法的城市主干道下穿隧道风险评估方法
CN113657752A (zh) * 2021-08-17 2021-11-16 西安航空学院 基于驾驶行为指标的不同长度隧道行车风险量化评价方法
CN113823094A (zh) * 2021-11-17 2021-12-21 四川九通智路科技有限公司 一种基于车流量大数据的隧道实时监控管理系统及方法
CN115062881A (zh) * 2022-08-19 2022-09-16 深圳市城市交通规划设计研究中心股份有限公司 隧道结构性状预测方法、装置、计算机设备和存储介质
CN115619096A (zh) * 2022-10-19 2023-01-17 长安大学 考虑驾驶员情境意识的自解释型隧道环境设计方法及系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101937421A (zh) * 2009-07-03 2011-01-05 上海大潮电子技术有限公司 采集车辆实时运行信息而进行运行安全风险评估的方法
JP2017199079A (ja) * 2016-04-25 2017-11-02 住友電気工業株式会社 衝突判定装置、コンピュータプログラム及び衝突判定方法
CN106184229A (zh) * 2016-06-30 2016-12-07 惠州华阳通用电子有限公司 车辆驾驶预警方法及其系统
CN106897826A (zh) * 2017-02-23 2017-06-27 吉林大学 一种交通事故风险评估方法及系统
CN106920040A (zh) * 2017-03-01 2017-07-04 西南交通大学 基于模糊层次分析的高速公路隧道交通事故风险评估方法
CN106971540A (zh) * 2017-04-28 2017-07-21 长安大学 高速公路隧道环境下驾驶人的行为风险量化方法
CN108921372A (zh) * 2018-05-17 2018-11-30 西南交通大学 基于层次分析和可拓物元的高速公路隧道运营安全风险评价方法
CN109255957A (zh) * 2018-11-20 2019-01-22 湖北文理学院 一种隧道内车辆行驶监测的方法及系统
CN109544946A (zh) * 2019-01-03 2019-03-29 南京城建隧桥经营管理有限责任公司 基于车流量大数据的隧道实时监控管理系统及其实现方法
CN211207495U (zh) * 2019-12-24 2020-08-07 四川雅康高速公路有限责任公司 一种隧道内弯道路段安全的警示系统
KR102196356B1 (ko) * 2020-03-25 2020-12-30 렉스젠(주) 터널 영상 감시 시스템 및 그 방법
CN112985328A (zh) * 2021-02-26 2021-06-18 山东省交通规划设计院集团有限公司 一种隧道侧向余宽确定方法及系统
CN113570852A (zh) * 2021-06-17 2021-10-29 长安大学 基于安全替代评价指标的高风险路段风险防控手段评估
CN113657752A (zh) * 2021-08-17 2021-11-16 西安航空学院 基于驾驶行为指标的不同长度隧道行车风险量化评价方法
CN113657767A (zh) * 2021-08-18 2021-11-16 广东汇通信息科技股份有限公司 一种基于交通数据和模糊算法的城市主干道下穿隧道风险评估方法
CN113823094A (zh) * 2021-11-17 2021-12-21 四川九通智路科技有限公司 一种基于车流量大数据的隧道实时监控管理系统及方法
CN115062881A (zh) * 2022-08-19 2022-09-16 深圳市城市交通规划设计研究中心股份有限公司 隧道结构性状预测方法、装置、计算机设备和存储介质
CN115619096A (zh) * 2022-10-19 2023-01-17 长安大学 考虑驾驶员情境意识的自解释型隧道环境设计方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHEN SHAOHUI等: "A Study on Traffic Risk Assessment of Road Section with High Rate of Bridge and Tunnel of Freeway", 《2015 8TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION (ICICTA)》, pages 102 - 105 *
WAQAR KHAN等: "Stereo accuracy for collision avoidance for varying collision trajectories", 《2013 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV)》, pages 1259 - 1264 *
侯芹忠: "考虑异质性与内生性的高速公路交通事故随机参数模型", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, pages 034 - 73 *
周兵等: "城市交通隧道运营安全风险评估模型及管理系统研究", 《公路交通科技》, no. 1, pages 97 - 103 *
王笑笑: "基于交通流参数的高速公路安全性风险因素研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2, pages 026 - 121 *
胡月琦: "高速公路隧道路段驾驶人心智游移及心理负荷与安全风险研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 034 - 131 *
邢英: "V型海底隧道交通事故影响因素及风险评估模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, pages 034 - 995 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740986A (zh) * 2023-08-09 2023-09-12 聊城市瀚格智能科技有限公司 一种隧道行车交通事故风险智能预警方法

Also Published As

Publication number Publication date
CN115985137B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Arun et al. A systematic mapping review of surrogate safety assessment using traffic conflict techniques
Wu et al. A novel method of vehicle-pedestrian near-crash identification with roadside LiDAR data
Yang et al. Examining lane change gap acceptance, duration and impact using naturalistic driving data
Zheng et al. Bivariate extreme value modeling for road safety estimation
Goyani et al. Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions
CN107731007B (zh) 基于交通冲突随机过程演化的交叉口事故预测方法
CN115985137A (zh) 一种隧道交通运行的风险评估方法、电子设备及存储介质
CN115877343A (zh) 基于雷达目标跟踪的人车匹配方法、装置和电子设备
Wang et al. Modeling aggressive driving behavior based on graph construction
CN116434523A (zh) 信息感知场景下基于约束度的车辆主动安全管控方法及装置
Ansariyar et al. Investigating the accuracy rate of vehicle-vehicle conflicts by LIDAR technology and microsimulation in VISSIM and AIMSUN.
Shangguan et al. An empirical investigation of driver car-following risk evolution using naturistic driving data and random parameters multinomial logit model with heterogeneity in means and variances
Samerei et al. Analyzing the transition from two-vehicle collisions to chain reaction crashes: A hybrid approach using random parameters logit model, interpretable machine learning, and clustering
Tarko et al. Estimating the frequency of crashes as extreme traffic events
Gordon et al. Analysis of crash rates and surrogate events: unified approach
Schneider et al. Scenario-based threat metric evaluation based on the highd dataset
CN117235656A (zh) 一种基于大数据和云计算的城市交通管理系统及方法
Wei et al. Dilemma Zone: A Comprehensive Study of Influential Factors and Behavior Analysis
Qu et al. Towards efficient traffic crash detection based on macro and micro data fusion on expressways: A digital twin framework
CN116596307A (zh) 一种基于公交运营安全数据构建驾驶员安全画像模型的方法
Rakhshan et al. Real-time estimation of the distribution of brake response times for an individual driver using Vehicular Ad Hoc Network
Ali et al. Employment of instrumented vehicles to identify real-time snowy weather conditions on freeways using supervised machine learning techniques–A naturalistic driving study
Wu et al. A trajectory data-driven approach for traffic risk prediction: incorporating variable interactions and pre-screening
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
Hao et al. Stochastic queue profile estimation using license plate recognition 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
GR01 Patent grant
GR01 Patent grant