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
一种融合预测交通风险变量的道路交通事故分析方法 Download PDFInfo
- Publication number
- CN116030627B CN116030627B CN202211742626.0A CN202211742626A CN116030627B CN 116030627 B CN116030627 B CN 116030627B CN 202211742626 A CN202211742626 A CN 202211742626A CN 116030627 B CN116030627 B CN 116030627B
- Authority
- CN
- China
- Prior art keywords
- traffic
- area
- road
- influence
- safety
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004927 fusion Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000013210 evaluation model Methods 0.000 abstract 2
- 238000011835 investigation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
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
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,Qti表示时间段内t研究区域i的日交通平均交通量,Pi为时间段内t研究区域i的人口数,GDPi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;γti为空间效应误差项,γti~N(1,μ2),γti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(Ni)=ε+α1Ti+α2Di+α3Li+α4Ai+α5Bi+α6Pi+α7GDPi+α8Qti
其中,Ti为研究区域i的路网密度,Di为研究区域i的道路土地面积,Li为研究区域i的绿化土地面积,Ai为研究区域i的主干道密度,Bi为研究区域i的次干道密度,αi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Xi为参数Ti,Di,Li,Ai,Bi,Pi,GDPi,Qti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,Qti表示时间段内t研究区域i的日交通平均交通量,Pi为时间段内t研究区域i的人口数,GDPi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;γti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γti,该误差项可以显著提高交通量的预测精度:
γti~N(1,μ2)
γti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(Ni)=ε+α1Ti+α2Di+α3Li+α4Ai+α5Bi+α6Pi+α7GDPi+α8Qti
其中,Ti为研究区域i的路网密度,Di为研究区域i的道路土地面积,Li为研究区域i的绿化土地面积,Ai为研究区域i的主干道密度,Bi为研究区域i的次干道密度,αi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xi为参数Ti,Di,Li,Ai,Bi,Pi,GDPi,Qti。
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:
Qti=θ+θ1Pti+θ2GDPti+γti
其中,Qti表示时间段内t研究区域i的日交通平均交通量,Pti为时间段内t研究区域i的人口数,GDPti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;γti为空间效应误差项,γti~N(1,μ2),γti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(Ni)=ε+α1Ti+α2Di+α3Li+α4Ai+α5Bi+α6Pi+α7GDPi+α8Qti
其中,Ti为研究区域i的路网密度,Di为研究区域i的道路土地面积,Li为研究区域i的绿化土地面积,Ai为研究区域i的主干道密度,Bi为研究区域i的次干道密度,αj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xi为参数Ti,Di,Li,Ai,Bi,Pi,GDPi,Qti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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211742626.0A CN116030627B (zh) | 2022-12-31 | 2022-12-31 | 一种融合预测交通风险变量的道路交通事故分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211742626.0A CN116030627B (zh) | 2022-12-31 | 2022-12-31 | 一种融合预测交通风险变量的道路交通事故分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030627A CN116030627A (zh) | 2023-04-28 |
CN116030627B true CN116030627B (zh) | 2024-04-30 |
Family
ID=86075531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211742626.0A Active CN116030627B (zh) | 2022-12-31 | 2022-12-31 | 一种融合预测交通风险变量的道路交通事故分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030627B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935563A (zh) * | 2024-03-22 | 2024-04-26 | 长安大学 | 一种基于交通运输网络的风险点辨识方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
CN112767695A (zh) * | 2021-01-07 | 2021-05-07 | 哈尔滨工业大学 | 一种信号交叉口交通事故风险实时预测方法及系统 |
CN113611118A (zh) * | 2021-08-10 | 2021-11-05 | 长安大学 | 一种类椭圆事故时空影响范围分级确定方法 |
CN113744526A (zh) * | 2021-08-25 | 2021-12-03 | 江苏大学 | 一种基于lstm和bf的高速公路风险预测方法 |
WO2021251351A1 (ja) * | 2020-06-09 | 2021-12-16 | 株式会社日立物流 | 運行支援方法、運行支援システム及び運行支援サーバ |
CN113808392A (zh) * | 2021-08-24 | 2021-12-17 | 东南大学 | 一种多源数据结构下优化交通事故数据的方法 |
CN114239927A (zh) * | 2021-11-25 | 2022-03-25 | 武汉卓尔信息科技有限公司 | 一种基于深度学习的区域交通事故预警方法及系统 |
JP2022051216A (ja) * | 2020-09-18 | 2022-03-31 | 株式会社日立物流 | 安全運行支援方法、安全運行支援システム及び安全運行支援サーバ |
CN114970943A (zh) * | 2022-03-29 | 2022-08-30 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 一种高速公路事故类型与严重程度预测方法 |
CN115423139A (zh) * | 2022-05-30 | 2022-12-02 | 安徽省交通控股集团有限公司 | 基于动态贝叶斯的公路改扩建安全态势分析方法及装置 |
-
2022
- 2022-12-31 CN CN202211742626.0A patent/CN116030627B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021251351A1 (ja) * | 2020-06-09 | 2021-12-16 | 株式会社日立物流 | 運行支援方法、運行支援システム及び運行支援サーバ |
JP2022051216A (ja) * | 2020-09-18 | 2022-03-31 | 株式会社日立物流 | 安全運行支援方法、安全運行支援システム及び安全運行支援サーバ |
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
CN112767695A (zh) * | 2021-01-07 | 2021-05-07 | 哈尔滨工业大学 | 一种信号交叉口交通事故风险实时预测方法及系统 |
CN113611118A (zh) * | 2021-08-10 | 2021-11-05 | 长安大学 | 一种类椭圆事故时空影响范围分级确定方法 |
CN113808392A (zh) * | 2021-08-24 | 2021-12-17 | 东南大学 | 一种多源数据结构下优化交通事故数据的方法 |
CN113744526A (zh) * | 2021-08-25 | 2021-12-03 | 江苏大学 | 一种基于lstm和bf的高速公路风险预测方法 |
CN114239927A (zh) * | 2021-11-25 | 2022-03-25 | 武汉卓尔信息科技有限公司 | 一种基于深度学习的区域交通事故预警方法及系统 |
CN114970943A (zh) * | 2022-03-29 | 2022-08-30 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 一种高速公路事故类型与严重程度预测方法 |
CN115423139A (zh) * | 2022-05-30 | 2022-12-02 | 安徽省交通控股集团有限公司 | 基于动态贝叶斯的公路改扩建安全态势分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
长株潭城市群区域公路网事故频率研究;黄合来;程逸旻;邓奇春;赵海深;;铁道科学与工程学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116030627A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112037513B (zh) | 一种实时交通安全指数动态综合评价系统及其构建方法 | |
CN104484993B (zh) | 用于交通小区划分的手机信令信息的处理方法 | |
CN108417033B (zh) | 基于多维因素的高速路交通事故分析预测方法 | |
CN113780635B (zh) | 一种小空间尺度传染病时空传播模式的预测方法 | |
CN111612055B (zh) | 天气形势的分型方法、空气污染状况的预测方法及装置 | |
WO2020042536A1 (zh) | 一种基于多源交通数据的全局动态出行需求估计方法 | |
CN110223510A (zh) | 一种基于神经网络lstm的多因素短期车流量预测方法 | |
CN116030627B (zh) | 一种融合预测交通风险变量的道路交通事故分析方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN106530706A (zh) | 一种基于连通性空间权重矩阵的区域交通安全评价方法 | |
CN110310479A (zh) | 一种城市交通流量预测系统及方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN111325406A (zh) | 一种基于小空间尺度的热相关健康风险预警方法 | |
CN109379563B (zh) | 监控视频数据存储管理的方法和系统 | |
Ye et al. | Riparian vegetation dynamics: insight provided by a process‐based model, a statistical model and field data | |
CN114741987A (zh) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 | |
CN109740195A (zh) | 一种基于气象站观测数据的极值台风风速概率分布模型及设计台风风速的评估方法 | |
CN111612245A (zh) | 大气污染状况预测方法、装置、电子设备及存储介质 | |
CN110287995B (zh) | 全天高架交通拥堵情况分级的多特征学习网络模型方法 | |
Zhang et al. | A model for the prediction of Oncomelania hupensis in the lake and marshland regions, China | |
CN117333321A (zh) | 基于机器学习的农业灌溉用水量估算方法、系统及介质 | |
CN108597224B (zh) | 一种基于时空轨迹数据的待改善交通设施识别方法及系统 | |
CN109711894A (zh) | 航线需求异常的检测方法及系统 | |
CN110414067B (zh) | 一种考虑交通安全的小区内外部道路衔接设计的方法 | |
CN111984923B (zh) | 一种评估冷暖季节下自行车快速道对自行车安全影响的方法 |
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 | ||
GR01 | Patent grant |