CN116030627B - 一种融合预测交通风险变量的道路交通事故分析方法 - Google Patents

Abstract

本发明公开了一种融合预测交通风险变量的道路交通事故分析方法，分别采集研究区域内历史道路交通流量以及人口经济数据构建交通风险变量预测模型，分别获取未来年一定时间段内的交通风险变量即机动车交通流量；然后基于预测的交通风险变量以及区域的安全影响因素构建安全评价模型，应用安全评价模型，获得影响区域中各交通道路安全的影响因素，对区域进行安全评价，通过本发明的技术方案，提供了一种精确、全面、客观、反映影响数据具有真实性的道路安全评价方法，适用范围更广，特别是针对交通风险变量的预测模型能够更好的解决相关数据缺失的局限性。

Description

一种融合预测交通风险变量的道路交通事故分析方法

技术领域

本发明涉及道路安全技术领域，具体而言涉及一种融合预测交通风险变量的道路交通事故分析方法。

背景技术

近几年构建道路安全事故分析模型成为了交通安全领域的研究热点，风险交通变量可以显著影响安全分析模型的表现。一般而言，交通风险变量为道路或者区域内的日交通平均流量。但是由于数据采集技术的局限性，实际中日交通平均流量很难获取。目前在在科研领域与专利应用领域，大多数研究都是通过历史数据采集，但是构建的模型失去了对目前环境的预测和评估的能力。

发明内容

本发明针对现有技术中的不足，提供一种融合预测交通风险变量的道路交通事故分析方法，基于研究区域内的历史交通流量数据以及对应的人口与经济数据构建了未来年交通风险变量预测模型，并基于安全影响因素构建了安全分析模型，该模型不仅能够准确的评估各因素对交通事故的影响，同时可以更好的适应未来年交通环境的变化。

为实现上述目的，本发明采用以下技术方案：

一种融合预测交通风险变量的道路交通事故分析方法，所述道路交通事故分析方法包括以下步骤：

S1，获取研究区域内的历史交通流量数据以及对应的人口与经济数据；

S2，基于步骤S1中的交通流量以及人口经济数据，构建交通风险变量预测模型：

其中，Q_ti表示时间段内t研究区域i的日交通平均交通量，P_i为时间段内t研究区域i的人口数，GDP_i为时间段内t研究区域i的GDP，为各参数回归系数；θ为回归模型的误差项；γ_ti为空间效应误差项，γ_ti～N(1，μ²)，γ_ti服从正态分布，均值为1，方差为μ²；

S3，获取研究区域内的交通安全影响因素：事故发生总数量N；路网密度T、道路土地面积D、绿化土地面积L、主干道道路密度A；次干道道路密度B；

S4，基于步骤S3的交通安全影响因素，采用泊松回归模型，构建区域安全分析模型：

Ln(N_i)＝ε+α₁T_i+α₂D_i+α₃L_i+α₄A_i+α₅B_i+α₆P_i+α₇GDP_i+α₈Q_ti

其中，T_i为研究区域i的路网密度，D_i为研究区域i的道路土地面积，L_i为研究区域i的绿化土地面积，A_i为研究区域i的主干道密度，B_i为研究区域i的次干道密度，α_i为各参数回归系数；ε为回归模型的误差项。

将区域安全分析模型修改为：

其中X_i为参数T_i，D_i，L_i，A_i，B_i，P_i，GDP_i，Q_ti的矩阵； C是随即参数的方差及协方差矩阵，j是随即参数的个数，/>指其他的随机且不相关的变量；

S5，基于步骤S4构建的区域安全分析模型评估交通安全影响因素对事故发生的影响，如影响系数α为正则表示该交通安全影响因素对事故发生有正向的影响，反之则表示该交通安全影响因素对事故发生是负向影响。

本发明的有益效果是：

第一，本发明的融合预测交通风险变量的道路交通事故分析方法，能够较为准确的预测未来年交通风险变量并构建安全分析模型，获得准确可靠的交通安全评价结果。

第二，本发明的融合预测交通风险变量的道路交通事故分析方法，提供了精确、全面、客观、反映影响数据具有真实性的道路安全评价方法，适用范围更广，特别是针对交通风险变量的预测模型能够更好的解决相关数据缺失的局限性。

附图说明

图1是本发明实施例的融合预测交通风险变量的道路交通事故分析方法流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

参见图1，本实施例公开了一种融合预测交通风险变量的道路交通事故分析方法，该道路交通事故分析方法包括以下步骤：

步骤1、获取研究区域内的历史交通流量数据以及对应的人口与经济数据，具体的，通过实地调查与相关部交通部门的调研，分别获取研究区域的以下参数：日交通平均交通量Q、人口数量P、经济发展水平GDP。

步骤2、基于步骤1中的交通流量以及人口经济数据，构建交通风险变量(即规划时间内日交通平均交通量)预测模型如下：

其中，Q_ti表示时间段内t研究区域i的日交通平均交通量，P_i为时间段内t研究区域i的人口数，GDP_i为时间段内t研究区域i的GDP，为各参数回归系数；θ为回归模型的误差项；γ_ti为空间效应误差项。

考虑地理空间效应对交通流预测的影响，本次预测交通风险变量模型中引入空间效应误差项γ_ti，该误差项可以显著提高交通量的预测精度：

γ_ti～N(1，μ²)

γ_ti服从正态分布，均值为1，方差为μ²。

步骤3、获取研究区域内的交通安全影响因素，通过实地调查与相关部交通部门的调研，分别获取研究区域的以下交通安全影响因素：事故发生总数量N；路网密度T、道路土地面积D、绿化土地面积L、主干道道路密度A；次干道道路密度B。

步骤4、基于步骤3交通安全影响因素，采用泊松回归模型，构建区域安全分析模型，Ln(N_i)＝ε+α₁T_i+α₂D_i+α₃L_i+α₄A_i+α₅B_i+α₆P_i+α₇GDP_i+α₈Q_ti

其中，T_i为研究区域i的路网密度，D_i为研究区域i的道路土地面积，L_i为研究区域i的绿化土地面积，A_i为研究区域i的主干道密度，B_i为研究区域i的次干道密度，α_i为各参数回归系数；ε为回归模型的误差项。

考虑因素对事故影响的异质性效应，本次研究采用了关联性随机参数泊松回归模型，模型修改如下所示，

其中x_i为参数T_i，D_i，L_i，A_i，B_i，P_i，GDP_i，Q_ti。

其中C是随即参数的方差及协方差矩阵，j是随即参数的个数，指其他的随机且不相关的变量。

步骤5、基于步骤4构建的安全分析模型评估影响因素对事故发生的影响，如影响系数α为正则表示该因素对事故发生有正向的影响，反之则表示该因素对事故发生是负向影响。

下面用具体实施例来说明本发明。

1)多源交通数据采集：通过准确的调查方法以及相关部门调研对多源数据进行采集，如表1-1所示。

表1-1样本数据采集统计表

2)预测未来年交通风险变量：根据采集的交通流量数据以及区域内的人口与经济统计数据构建未来年交通风险变量预测模型：

其中i表示第i个研究小区。

3)构建安全分析模型：基于预测的交通风险变量以及采集的安全影响因素，构建安全分析模型：

其中i表示第i个研究小区。

4)基于步骤3构建的安全分析模型评估影响因素对事故发生的影响，如影响系数α为正则表示该因素对事故发生有正向的影响，反之则表示该因素对事故发生是负向影响。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (1)

1.一种融合预测交通风险变量的道路交通事故分析方法，其特征在于，所述道路交通事故分析方法包括以下步骤：

S1，获取研究区域内的历史交通流量数据以及对应的人口与经济数据：

S2，基于步骤S1中的交通流量以及人口经济数据，构建交通风险变量预测模型：

Q_ti＝θ+θ₁P_ti+θ₂GDP_ti+γ_ti

其中，Q_ti表示时间段内t研究区域i的日交通平均交通量，P_ti为时间段内t研究区域i的人口数，GDP_ti为时间段内t研究区域i的GDP，θ₁和θ₂为第一参数回归系数；θ为第一回归模型的误差项；γ_ti为空间效应误差项，γ_ti～N(1，μ²)，γ_ti服从正态分布，均值为1，方差为μ²；

S3，获取研究区域内的交通安全影响因素：事故发生总数量N；路网密度T、道路土地面积D、绿化土地面积L、主干道道路密度A；次干道道路密度B；

S4，基于步骤S3的交通安全影响因素，采用泊松回归模型，构建区域安全分析模型：

Ln(N_i)＝ε+α₁T_i+α₂D_i+α₃L_i+α₄A_i+α₅B_i+α₆P_i+α₇GDP_i+α₈Q_ti

其中，T_i为研究区域i的路网密度，D_i为研究区域i的道路土地面积，L_i为研究区域i的绿化土地面积，A_i为研究区域i的主干道密度，B_i为研究区域i的次干道密度，α_j为第二参数回归系数；ε为第二回归模型的误差项；j＝1，2，…，8；

将区域安全分析模型修改为：

其中x_i为参数T_i，D_i，L_i，A_i，B_i，P_i，GDP_i，Q_ti的矩阵； C是随机参数的方差及协方差矩阵，j是随机参数的个数，/>指其他的随机且不相关的变量；

S5，基于步骤S4构建的区域安全分析模型评估交通安全影响因素对事故发生的影响，如影响系数α为正则表示该交通安全影响因素对事故发生有正向的影响，反之则表示该交通安全影响因素对事故发生是负向影响。