CN118197095A - 一种交通事故的安全预警方法 - Google Patents
一种交通事故的安全预警方法 Download PDFInfo
- Publication number
- CN118197095A CN118197095A CN202410621562.1A CN202410621562A CN118197095A CN 118197095 A CN118197095 A CN 118197095A CN 202410621562 A CN202410621562 A CN 202410621562A CN 118197095 A CN118197095 A CN 118197095A
- Authority
- CN
- China
- Prior art keywords
- traffic accident
- road network
- data
- road
- traffic
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 257
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008859 change Effects 0.000 claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 206010027146 Melanoderma Diseases 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000007 visual effect 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通事故的安全预警方法,首先构建路网模型,将路网记为由节点和路段组成的拓扑结构,再通过交通管理部门获取交通事故数据,将投影到路网上得到目标路段,其次,通过构建路网数据的动态分析模型,对采集时间段内的路网数据的动态变化规律进行分析,得到不同的路网区域,通过对路网结构中节点的变化速度对路网数据进行划分,保证了路网数据的变化对交通事故的影响一致,在一个路网区域内,将发生交通事故次数少的交通事故数据进行合并,得到新的目标路段,再根据目标路段的数据得到最优带宽,最后,利用自适应核密度识别方法对交通事故黑点进行识别,大大提高了交通事故黑点识别的准确性。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种交通事故的安全预警方法。
背景技术
交通事故黑点是指在较长的一个时间段内,发生的道路交通事故数量或特征与其他正常位置相比明显突出的某些位置;位置可以是一个点、一个路段或一个区域,识别道路交通事故黑点并对其采取针对性措施是减少交通事故,提高交通道路通行率的关键;现有技术中基于事故数法的识别方法结合事故数量和事故发生概率对交通事故黑点进行识别,但是识别精度不高,容易漏判错判,对此,将动态聚类分析法和贝叶斯法结合构建交通事故黑点识别模型,可以有效避免这些缺陷;但是,对历史数据的要求较高,并且只能用在与研究路段相似的道路上,应用范围较窄;当交通事故统计个数和数据量较少时,采集的历史数据完备性不足,会降低交通事故黑点识别的准确性;在交通该事故黑点的判定时,缺少同时考虑到交通事故的主观因素和客观因素的评价过程,交通事故的历史数据仅包括交通事故发生后的数据,会影响到交通事故黑点的识别过程,为了提高交通事故黑点的识别精度,实现对交通事故的安全预警,本发明提出了一种交通事故的安全预警方法。
发明内容
针对上述情况,为了克服现有技术之缺陷,本发明之目的提供了一种交通事故的安全预警方法,通过对路网拓扑结构中路网数据动态变化规律的分析将路网进行初步划分,使得的路网数据对交通事故的贡献度保持一直的情况下,再对同路网区域内的目标路段进行识别,保持路网数据变化一致的同时,扩大交通事故黑点识别的样本点,从而得到最优带宽,再利用自适应核密度识别算法对交通事故黑点进行识别,大大提高了目标路段最优带宽选择的准确性,从而提高交通事故黑点的识别效率,再通过识别得到的交通事故黑点对交通状态进行调整和指挥。
本发明提出了一种交通事故的安全预警方法,具体地,构建交通事故黑点识别模型,以识别路网中的交通事故黑点,再结合交通事故黑点对驾驶车辆的状态进行安全预警,具体分析步骤如下:
步骤一、构建路网模型,将路网记为由节点和路段组成的拓扑结构,通过拓扑结构中的路网矢量得到路网数据,路网数据处于动态更新的状态;
步骤二、通过交通管理部门获取交通事故数据,并提取交通事故数据的交通事故要素,得到交通事故时空分布图,利用空间聚类分割法对交通事故数据进行聚类分割得到不同的同质组,聚类的长度为对应的道路单元的长度,将交通事故时空分布图与路网数据进行匹配,提取交通事故坐标信息,再将交通事故坐标信息投影到路网上得到目标路段,目标路段由道路单元组成;
步骤三、将交通事故数据采集的时间段记为,/>为交通事故数据采集的起始时间点,/>为交通事故数据采集的终止时间点,根据时间段/>内路网数据的变化建立路网拓扑结构的动态分析模型得到路网数据的动态变化规律,路网数据的动态变化规律为交通事故发生的客观因素之一;
步骤四、再根据路网数据的动态变化规律对路网进行划分得到不同的路网区域,对路网区域内的交通事故坐标信息进行分类得到不同的目标路段,通过对目标路段的评估得到目标路段对应的最优带宽;
步骤五、确定目标路段核密度识别的数据变量、核函数和最优带宽,利用自适应核密度识别方法对道路单元对应的目标路段进行核密度分析得到对应的自适应核密度估计值,通过自适应核密度估计值确定交通事故黑点;
步骤六、结合交通事故黑点的长度与驾驶车辆的状态数据构建安全状态预警模型,得到对应的预警参数,根据预警参数对驾驶员进行危险提醒。
进一步地,在所述步骤三中,到/>的时间段/>内,调取对应时间段和区域的路网数据,构建动态分析模型,对路网拓扑结构的时空变化特性进行动态分析,将路网拓扑结构的节点集合记为/>,/>为节点下标,节点间的路段集合记为/>,/>为路段下标,在/>时间点的节点/>和/>时间点的节点/>的方向矢量上,运算服从/>,基于一个数据特征的节点信息改变量生成的/>,到达/>节点的特征可以表示为
其中,为/>到/>时间点发生变化的数据指标集,利用三维神经卷积算法对路网数据进行数据分析和训练,在路网数据的时空网格中,堆叠/>个三维卷积层去同时捕捉路网数据的相关性,
其中为第/>个三维卷积层的输出,/>是第/>个三维卷积层的输入,/>为观测的节点数,/>表示激活函数,/>和/>是可学习参数,不同节点不同数据指标对交通事故的贡献度都不同,根据数据指标的变化特征分配不同的权重,在对应的权重加权下,进而对不同节点和路段的变化规律及信息给分析。
进一步地,在所述步骤四中,通过权重和数据指标的变化特征对节点和对应路段的变化速度进行分析,并通过对时间段T内路网数据中节点观测的数值之间的关系对路网数据的空间结构进行划分,得到不同的路网区域,不同路网区域内交通事故黑点识别的目标路段不同,不同路网区域内平均变化速度记为,/>为路网区域标号,/>为不同节点和路段数据指标的变化速度,节点和路段的客观因素对应数据指标的变化速度越大。
进一步地,在同一个路网区域内包括不同长度的目标路段,根据交通事故个数对路网区域内的目标路段进行分类,大于判定阈值的目标路段,根据聚类的程度来决定目标路段的长度,再通过评估分析得到最优带宽,小于判定阈值时,将目标路段对应的交通事故坐标信息按照比例进行平移,形成一个新的目标路段,对应的交通事故数据进行融合,再进行评估得到对应的最优带宽。
进一步地,在所述步骤五中,构建交通事故黑点识别模型数学公式如下:
其中,为目标路段的核密度估计,/>为最优带宽,/>为交通事故总数,/>为核函数,自适应核密度估计值越小,目标路段交通事故危险越低,/>为交通事故危险指数,交通事故危险指数/>通过对交通事故数据的计算评估得到。
特别地,通过数据融合得到的目标路段被识别后,识别结果为交通事故黑点时,对融合的交通事故数据进一步进行分析,将交通事故数据按照交通事故坐标信息进行还原,分别对不同交通事故坐标信息的交通事故个数进行统计,找到交通事故黑点对应的具体坐标位置。
进一步地,不同交通事故发生的场景不同,场景中的隐藏因素包括主观因素和客观因素,客观因素与驾驶人的主观因素之间相互耦合,随着路网数据的动态变化,路网客观因素与主观因素之间的耦合程度发生改变,当路网信息中的客观因素固定时,路网信息变化对所有交通事故产生的影响一致,根据路网数据的变化和交通事故数量的统计确定路网区域内的判定阈值,通过判定阈值的判定对目标路段进行分类。
进一步地,通过交通事故黑点的识别确定交通事故黑点的长度,计算交通事故黑点在路网中的分布,再对驾驶车辆的安全状态进行预警分析,通过不同的监测指标构建安全状态预警模型,通过模型分析得到对应的预警参数,并进行判断,当交通运行存在安全隐患时,向交通管理部门和驾驶人发送预警信息。
由于以上技术方案的采用,本发明与现有技术相比具有以下优点:
在交通事故黑点的识别过程中,识别的精度取决于交通事故数据的采集样本和识别算法的选择,在本发明中,通过构建路网数据的动态分析模型,对采集时间段内的路网数据的动态变化规律进行分析,通过对路网拓扑结构中节点的变化速度对路网数据进行划分,保证了路网数据的变化对交通事故影响的客观因素一致的情况下,再对不同目标路段的交通事故黑点进行分析,将路网数据的更新作为了一个划分指标,大大提高了交通事故黑点识别的精度。
在一个路网区域内,路网数据变化程度相同,交通事故数据与路网数据通过匹配,确定交通事故对应的路段,在相同的客观因素影响程度下,将发生交通事故次数少的样本数据进行移动合并,并将其记为一个目标路段,在分析最优带宽的过程中,提高了样本数据量,使得到的最优带宽更准确,在保证最优带宽的前提下,利用自适应核密度识别方法对交通事故黑点进行识别,提高了识别的准确性。
附图说明
图1为本发明的整体分析流程图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效,在以下配合参考附图1到对实施例的详细说明中,将可清楚的呈现。本申请的实施方式及实施方式中的特征可以相互组合,说明书中所使用的术语为本发明的技术领域技术人员通常理解的含义。
道路上交通事故的发生、发展和变化有其自身内在的规律性,通过对事故资料的搜集、整理、统计和分析,通过对交通事故的一特征和成因的分析,是采取预防交通事故对策的重要依据;交通事故黑点作为事故多发段,不仅交通事故频繁,易造成巨大的人身伤害和经济损失,而且也对道路的正常运行具有极大的危害性;对交通事故黑点路段进行鉴别、评估与预警,并及时、有效地进行针对性的改善和治理,能以最小的投入,最大限度地降低事故率,对提高道路的运输效率、保障交通安全具有重要作用,同时也必定会产生显著的社会效益和经济效益。
在现有的交通事故黑点的识别过程中,无论是利用贝叶斯识别方法还是事故数量法,对交通事故黑点识别分析均是基于采集的交通事故数据之上,
建立交通事故黑点识别模型,采集数据的完备性和直接影响识别的结果,例如,以交通数据数量和事故伤亡损失为交通事故黑点的识别指标,必须也采集的交通事故数据为依据,只是适用于已建成并使用较久,且发生了一定数量事故的路段,当研究路段只发生了较少交通事故时,识别的精度就会下降,较少事故路段为新建不久的道路,或者建设设施完善的路段的事故发生时受到的客观因素越多。
在交通事故发生的场景中,驾驶车辆受到整个场景中所有因素的影响,除了驾驶人的主观因素,还包括路网和车辆的客观因素,在交通事故数据的采集时间段内,道路基础设施的客观因素也在不断变化,随着路网数据的不断更新,不同路网数据带来的客观因素对驾驶员的主观因素的影响不同,主观因素和客观因素之间产生耦合,当对交通事故数量较少的路段进行分析,存在样本数量不够的问题,并且交通事故黑点识别的过程中没有考虑客观因素对数据采集的影响,则交通事故黑点的识别不再准确。
为解决在交通事故黑点路段的行车安全问题,通过增加客观因素的分析过程来提高事故黑点预警的普适性,本发明提出了一种交通事故的安全预警方法,通过对采集的路网数据和交通事故数据进行分析,构建交通事故黑点识别模型,以识别路网中的交通事故黑点,再结合交通事故黑点对驾驶车辆的状态进行安全预警,对交通事故数据采集的时间段内,交通事故数据对应的路网数据的动态变化规律进行分析,通过对样本数据的改变优化识别算法的最优带宽,再利用自适应核密度识别方法对交通事故黑点进行识别,再根据不同的监测指标构建安全状态预测模型,实现对驾驶车辆的安全预测,并将预警信息以显示给驾驶员,具体分析步骤如下:
步骤一、构建路网模型,将路网记为由节点和路段组成的拓扑结构,通过拓扑结构中的路网矢量得到路网数据,路网数据处于动态更新的状态;
步骤二、通过交通管理部门获取交通事故数据,并提取交通数据的交通事故要素,得到交通事故时空分布图,利用空间聚类分割法对交通事故数据进行聚类分割得到不同的同质组,聚类的长度为对应的道路单元的长度,将交通事故时空分布图与路网数据进行匹配,提取交通事故坐标信息,再将交通事故坐标信息投影到路网上得到目标路段,目标路段由道路单元组成;
步骤三、将交通事故数据采集的时间段记为,/>为交通事故数据采集的起始时间点,/>为交通事故数据采集的终止时间点,根据时间段/>内路网数据的变化建立路网拓扑结构的动态分析模型得到路网数据的动态变化规律,路网数据的动态变化规律为交通事故发生的客观因素之一;
步骤四、再根据路网数据的动态变化规律对路网进行划分得到不同的路网区域,对路网区域内的交通事故坐标信息进行分类得到不同的目标路段,通过对目标路段的评估得到目标路段对应的最优带宽;
步骤五、确定目标路段核密度识别的数据变量、核函数和最优带宽,利用自适应核密度识别方法对道路单元对应的目标路段进行核密度分析得到对应的自适应核密度估计值,通过自适应核密度估计值确定交通事故黑点;
步骤六、结合交通事故黑点的长度与驾驶车辆的状态数据构建安全状态预警模型,得到对应的预警参数,根据预警参数对驾驶员进行危险提醒。
在具体实施例中,道路单元分割的精度直接影响到数据分析交通事故黑点识别的精度,利用自适应核密度识别方法对交通事故黑点进行精准识别,基于核密度的分析可以有效避免目标路段等长分割的情况,确定核密度识别的数据变量、核函数和带宽,预估输入样本数据的概率密度函数得到核密度估计值;核密度值为衡量带宽内样本数据的数量和距离大小,不同交通事故的严重不同,危害性也不同;
在所述步骤三中,到/>的时间段/>内,调取对应时间段和区域的路网数据,构建动态分析模型,对路网拓扑结构的时空变化特性进行动态分析,将路网拓扑结构的节点集合记为/>,/>为节点下标,节点间的路段集合记为/>,/>为路段下标,在/>时间点的节点/>和时间点的节点/>的方向矢量上,运算服从/>,基于一个数据特征的节点信息改变量生成的/>,到达/>节点的特征可以表示为
其中,为/>到/>时间点发生变化的数据指标集,利用三维神经卷积算法对路网数据进行数据分析和训练,在路网数据的时空网格中,堆叠/>个三维卷积层去同时捕捉路网数据的相关性,
其中为第/>个三维卷积层的输出,/>是第/>个三维卷积层的输入,/>为观测的节点数,/>表示激活函数,/>和/>是可学习参数,不同节点不同数据指标对交通事故的贡献度都不同,根据数据指标的变化特征分配不同的权重,在对应的权重加权下,进而对不同节点和路段的变化规律及信息给分析。
在所述步骤四中,通过权重和数据指标的变化特征对节点和对应路段整个时间段内的变化速度进行分析,并通过对时间段T内路网数据中节点观测的数值之间的关系对路网数据的空间结构进行划分,得到不同的路网区域,不同路网区域内交通事故黑点识别的目标路段不同,不同路网区域内平均变化速度记为,/>为路网区域标号,/>为不同节点和路段数据指标的变化速度,节点和路段的客观因素对应数据指标的变化速度越大。
在本实施例中,路网数据中改变状态越活跃的路网区域,客观因素对主观因素影响越大,通过对路网拓扑结构的信息变化过程进行动态分析,对路网结构中节点和路段的信息更新速率进行计算,首先根据时刻节点和路段组成的路网确定初始信息状态;
在同一个路网区域内包括不同长度的目标路段,根据交通事故个数对路网区域内的目标路段进行分类,大于判定阈值的目标路段,根据聚类的程度来决定目标路段的长度,再通过评估分析得到最优带宽,小于判定阈值时,将目标路段对应的交通事故坐标信息按照比例进行平移,形成一个新的目标路段,对应的交通事故数据进行融合,再进行评估得到对应的最优带宽。
对交通事故黑点的判定指标进行评估和判定,利用最小化均值方差推导带宽的计算公式,最优带宽是使得均方差最小的带宽,使得对融合过后的样本数据进行误差分析,建立误差与带宽的对应函数/>,求解带宽的最优值得到最优带宽。
不同的目标路段的交通特征对交通事故的贡献程度不同,在T时间端内路网数据的动态变化规律,路网数据的变化速率越大,表示道路的客观因素与主观因素之间的耦合程度越大,通过路网数据变化的速率对交通事故数据进行划分,路网数据变化慢,表示道路的客观因素的影响变化小,主观因素和客观因素之间的耦合程度一定,假设其他条件一定时,对交通事故黑点进行识别,若被识别为交通事故黑点时,则在主观因素和客观因素关系稳定状态下,则一直被认为是交通事故黑点。
在所述步骤五中,构建交通事故黑点识别模型数学公式如下:
其中,为目标路段的核密度估计,/>为最优带宽,/>为交通事故总数,/>为核函数,自适应核密度估计值越小,目标路段交通事故危险越低,/>为交通事故危险指数,交通事故危险指数/>通过对交通事故数据的计算评估得到,
利用自适应评估函数评估交通事故的交通事故危险指数,交通事故的类型包括剐蹭类、追尾类、装护栏、侧翻、货物散落、其他交通事故类型;不同步参数的加权系数为,利用评估分析模块对数据点的分析对带宽的自适应选择过程进行分析,利用数据采集的特点对带宽进行优化选择出最适应的带宽,再利用最适应带宽对交通事故黑点进行识别,将交通事故危害程度和交通事故次数进行考虑,使得交通事故黑点识别结果更加精确。
通过数据融合得到的目标路段被识别后,识别结果为交通事故黑点时,对融合的交通事故数据进一步进行分析,将交通事故数据按照交通事故坐标信息进行还原,分别对不同交通事故坐标信息的交通事故个数进行统计,找到交通事故黑点对应的具体坐标位置。
在实施例中,交通事故次数少的路段也存在时交通事故黑点的情况,但是由于交通事故次数少,导致交通事故黑点的识别不准确,将多个交通事故少的交通事故数据进行融合以后,进行识别,增加了识别的样本数量,这种融合样本数据识别出交通事故黑点以后,需要对交通事故黑点的具体位置进一步进行分析。
不同交通事故发生的场景不同,场景中的隐藏因素包括主观因素和客观因素,客观因素与驾驶人的主观因素之间相互耦合,随着路网数据的动态变化,路网客观因素与主观因素之间的耦合程度发生改变,当路网信息中的客观因素固定时,路网信息变化对所有交通事故产生的影响一致,根据路网数据的变化和交通事故数量的统计确定路网区域内的判定阈值,通过判定阈值的判定对目标路段进行分类。
在某一个时间段内,一个路段被识别为交通事故黑点,那么在其他因素不变的条件下,在之后的时间里依旧是交通事故黑点路段。
对于交通事故数据少的道路进行事故分析时,对道路的客观因素进行分析,新投入使用道路的路网信息随着时间的推移发生改变,例如平整度、坡度和道路旁影响视野光线的建筑信息、沿路绿化,当路网数据发生改变时,路网数据对应的客观因素对驾驶车辆产生影响,对路网客观因素对交通事故发生的影响程度发生变化,为了对交通事故黑点进行精确的识别,需对路网数据变化的程度进行分析,从而中和掉路网客观因素对驾驶车辆的对比分析,在路网数据变化程度相同的基础上,对交通事故数据进行分析,提高了识别的准确性。
一个路网区域内的路网数据变化程度相同,再对路网区域内的待识别的目标路段进行评估分析得到最优带宽,在路网区域内,交通事故次数的数量不同,同样会影响识别的精度,在本发明中,以判定阈值为判定标准对路网区域内的交通事故次数少的位置进行合并,再进行对应的识别。
判定标准的数值取决于路网数据的变化和交通事故数量,当路网数据没有发生改变时,对不同目标路段发生的交通事故次数进行分析得到判定阈值。
通过交通事故黑点的识别确定交通事故黑点的长度,计算交通事故黑点在路网中的分布,再对驾驶车辆的安全状态进行预警分析,通过不同的监测指标构建安全状态预警模型,通过模型分析得到对应的预警参数,并进行判断,当交通运行存在安全隐患时,向交通管理部门和驾驶人发送预警信息。
在实施例中,安全状态预警模型结合交通事故黑点的预测过程,是根据选定的监测指标进行分析的,预警的监测指标为距离时,构建基于车辆的安全距离的交通事故黑点预警模型,车辆的制动距离受到驾驶人主观因素和客观因素的影响,对安全距离的预警参数进行计算和预测,驾驶车辆进入交通事故黑点路段时,通过预警得到车辆的预警距离,公式如下:
其中D为车辆的预测制动距离,为前车的行驶速度,/>前车的制动减速度,/>为前车的制动加速度,/>为后车的行车加速度,/>为后车的行车减速度,/>、/>分别为前车和后车的制动时间,/>为交通事故黑点对应的长度与道路附着系数的函数,当预警参数对应的预测制动距离小于对应车辆的最大承受值时,将预警参数发送至驾驶员和交通管理平台。
本发明具体使用时,步骤一、构建路网模型,将路网记为由节点和路段组成的拓扑结构,通过拓扑结构中的路网矢量得到路网数据,路网数据处于动态更新的状态;步骤二、通过交通管理部门获取交通事故数据,并提取交通数据的交通事故要素,得到交通事故时空分布图,利用空间聚类分割法对交通事故数据进行聚类分割得到不同的同质组,聚类的长度为对应的道路单元的长度,将交通事故时空分布图与路网数据进行匹配,提取交通事故坐标信息,再将交通事故坐标信息投影到路网上得到目标路段,目标路段由道路单元组成;步骤三、将交通事故数据采集的时间段记为,/>为交通事故数据采集的起始时间点,/>为交通事故数据采集的终止时间点,根据时间段/>内路网数据的变化建立路网拓扑结构的动态分析模型得到路网数据的动态变化规律,路网数据的动态变化规律为交通事故发生的客观因素之一;
步骤四、再根据路网数据的动态变化规律对路网进行划分得到不同的路网区域,对路网区域内的交通事故坐标信息进行分类得到不同的目标路段,通过对目标路段的评估得到目标路段对应的最优带宽;步骤五、确定目标路段核密度识别的数据变量、核函数和最优带宽,利用自适应核密度识别方法对道路单元对应的目标路段进行核密度分析得到对应的自适应核密度估计值,通过自适应核密度估计值确定交通事故黑点;步骤六、结合交通事故黑点的长度与驾驶车辆的状态数据构建安全状态预警模型,得到对应的预警参数,根据预警参数对驾驶员进行危险提醒。
以上所述是结合具体实施方式对本发明所作的进一步详细说明,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (8)
1.一种交通事故的安全预警方法,其特征在于,构建交通事故黑点识别
模型,以识别路网中的交通事故黑点,再结合交通事故黑点对驾驶车辆的状态进行安全预警,具体分析步骤如下:
步骤一、构建路网模型,将路网记为由节点和路段组成的拓扑结构,通过拓扑结构中的路网矢量得到路网数据,路网数据处于动态更新的状态;
步骤二、通过交通管理部门获取交通事故数据,并提取交通事故数据的交通事故要素,得到交通事故时空分布图,利用空间聚类分割法对交通事故数据进行聚类分割得到不同的同质组,聚类的长度为对应的道路单元的长度,将交通事故时空分布图与路网数据进行匹配,提取交通事故坐标信息,再将交通事故坐标信息投影到路网上得到目标路段,目标路段由道路单元组成;
步骤三、将交通事故数据采集的时间段记为,/>为交通事故数据采集的起始时间点,/>为交通事故数据采集的终止时间点,根据时间段/>内路网数据的变化建立路网拓扑结构的动态分析模型得到路网数据的动态变化规律,路网数据的动态变化规律为交通事故发生的客观因素之一;
步骤四、再根据路网数据的动态变化规律对路网进行划分得到不同的路网区域,对路网区域内的交通事故坐标信息进行分类得到不同的目标路段,通过对目标路段对应数据的评估得到目标路段对应的最优带宽;
步骤五、确定目标路段核密度识别的数据变量、核函数和最优带宽,利用自适应核密度识别方法对道路单元对应的目标路段进行核密度分析得到对应的自适应核密度估计值,通过自适应核密度估计值确定交通事故黑点;
步骤六、结合交通事故黑点的长度与驾驶车辆的状态数据构建安全状态预警模型,得到对应的预警参数,根据预警参数对驾驶员进行危险提醒。
2.根据权利要求1所述的一种交通事故的安全预警方法,其特征在于,在所述步骤三中,到/>的时间段/>内,调取对应时间段和区域的路网数据,构建动态分析模型,对路网拓扑结构的时空变化特性进行动态分析,将路网拓扑结构的节点集合记为/>,/>为节点下标,节点间的路段集合记为/>,/>为路段下标,在/>时间点的节点/>和/>时间点的节点/>的方向矢量上,运算服从/>,基于一个数据特征的节点信息改变量生成的/>,到达/>节点的特征可以表示为
其中,为/>到/>时间点发生变化的数据指标集,利用三维神经卷积算法对路网数据进行数据分析和训练,在路网数据的时空网格中,堆叠/>个三维卷积层去同时捕捉路网数据的相关性,
其中为第/>个三维卷积层的输出,/>是第/>个三维卷积层的输入,为观测的节点数,/>表示激活函数,/>和/>是可学习参数,不同节点不同数据指标对交通事故的贡献度都不同,根据数据指标的变化特征分配不同的权重,在对应的权重加权下,进而对不同节点和路段的变化规律及信息给分析。
3.根据权利要求1所述的一种交通事故的安全预警方法,其特征在于,在所述步骤四中,通过权重和数据指标的变化特征对节点和对应路段整个时间段内的变化速度进行分析,并通过对时间段T内路网数据中节点观测的数值之间的关系对路网数据的空间结构进行划分,得到不同的路网区域,不同路网区域内交通事故黑点识别的目标路段不同,不同路网区域内平均变化速度记为,/>为路网区域标号,/>为不同节点和路段数据指标的变化速度,节点和路段的客观因素对应数据指标的变化速度越大。
4.根据权利要求1所述的一种交通事故的安全预警方法,其特征在于,在同一个路网区域内包括不同长度的目标路段,根据交通事故个数对路网区域内的目标路段进行分类,大于判定阈值的目标路段,根据聚类的程度来决定目标路段的长度,再通过评估分析得到最优带宽,小于判定阈值时,将目标路段对应的交通事故坐标信息按照比例进行平移,形成一个新的目标路段,对应的交通事故数据进行融合,再进行评估得到对应的最优带宽。
5.根据权利要求1所述的一种交通事故的安全预警方法,其特征在于,在所述步骤五中,构建交通事故黑点识别模型数学公式如下:
其中,为目标路段的核密度估计,/>为最优带宽,/>为交通事故总数,/>为核函数,自适应核密度估计值越小,目标路段交通事故危险越低,/>为交通事故危险指数,交通事故危险指数/>通过对交通事故数据的计算评估得到。
6.根据权利要求1所述的一种交通事故的安全预警方法,其特征在于,通过数据融合得到的目标路段被识别后,识别结果为交通事故黑点时,对融合的交通事故数据进一步进行分析,将交通事故数据按照交通事故坐标信息进行还原,分别对不同交通事故坐标信息的交通事故个数进行统计,找到交通事故黑点对应的具体坐标位置。
7.根据权利要求1所述的一种交通事故的安全预警方法,其特征在于,不同交通事故发生的场景不同,场景中的隐藏因素包括主观因素和客观因素,客观因素与驾驶人的主观因素之间相互耦合,随着路网数据的动态变化,路网客观因素与主观因素之间的耦合程度发生改变,当路网信息中的客观因素固定时,路网信息变化对所有交通事故产生的影响一致,根据路网数据的变化和交通事故数量的统计确定路网区域内的判定阈值,通过判定阈值的判定对目标路段进行分类。
8.根据权利要求1所述的一种交通事故的安全预警方法,其特征在于,通过交通事故黑点的识别确定交通事故黑点的长度,计算交通事故黑点在路网中的分布,再对驾驶车辆的安全状态进行预警分析,通过不同的监测指标构建安全状态预警模型,通过模型分析得到对应的预警参数,并进行判断,当交通运行存在安全隐患时,向交通管理部门和驾驶人发送预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410621562.1A CN118197095A (zh) | 2024-05-20 | 2024-05-20 | 一种交通事故的安全预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410621562.1A CN118197095A (zh) | 2024-05-20 | 2024-05-20 | 一种交通事故的安全预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118197095A true CN118197095A (zh) | 2024-06-14 |
Family
ID=91393341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410621562.1A Pending CN118197095A (zh) | 2024-05-20 | 2024-05-20 | 一种交通事故的安全预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118197095A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100823827B1 (ko) * | 2007-10-16 | 2008-04-21 | 정양권 | Gis를 기반으로 교통사고 실황지도를 그리는 방법과 교통사고 고유식별용 연속번호를 자동 생성하여 교통사고의 통계를 관리하는 방법과 시스템 |
CN106846863A (zh) * | 2017-01-12 | 2017-06-13 | 叶昊 | 基于增强现实和云端智能决策的车联网事故黑点警告系统及方法 |
CN112907941A (zh) * | 2021-01-07 | 2021-06-04 | 北京交通大学 | 一种事故多发区域应急警力调度点的配置方法 |
CN113628336A (zh) * | 2021-08-10 | 2021-11-09 | 长安大学 | 一种道路交通安全隐患点可视化鉴别方法 |
CN114446057A (zh) * | 2022-04-11 | 2022-05-06 | 武汉智安交通科技有限公司 | 一种基于智能网联环境的事故高发点辨识预警方法及系统 |
CN116542709A (zh) * | 2023-05-24 | 2023-08-04 | 东北师范大学 | 一种基于交通态势感知的电动汽车充电站规划分析方法 |
CN116798223A (zh) * | 2023-05-26 | 2023-09-22 | 东南大学 | 基于宏观基本图/fcm聚类的子区划分及状态识别方法 |
CN117456342A (zh) * | 2023-09-28 | 2024-01-26 | 华南师范大学 | 一种基于街景影像的交通事故风险评估方法及系统 |
CN117455237A (zh) * | 2023-11-07 | 2024-01-26 | 四川警察学院 | 一种基于多源数据的道路交通事故风险预测方法 |
-
2024
- 2024-05-20 CN CN202410621562.1A patent/CN118197095A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100823827B1 (ko) * | 2007-10-16 | 2008-04-21 | 정양권 | Gis를 기반으로 교통사고 실황지도를 그리는 방법과 교통사고 고유식별용 연속번호를 자동 생성하여 교통사고의 통계를 관리하는 방법과 시스템 |
CN106846863A (zh) * | 2017-01-12 | 2017-06-13 | 叶昊 | 基于增强现实和云端智能决策的车联网事故黑点警告系统及方法 |
CN112907941A (zh) * | 2021-01-07 | 2021-06-04 | 北京交通大学 | 一种事故多发区域应急警力调度点的配置方法 |
CN113628336A (zh) * | 2021-08-10 | 2021-11-09 | 长安大学 | 一种道路交通安全隐患点可视化鉴别方法 |
CN114446057A (zh) * | 2022-04-11 | 2022-05-06 | 武汉智安交通科技有限公司 | 一种基于智能网联环境的事故高发点辨识预警方法及系统 |
CN116542709A (zh) * | 2023-05-24 | 2023-08-04 | 东北师范大学 | 一种基于交通态势感知的电动汽车充电站规划分析方法 |
CN116798223A (zh) * | 2023-05-26 | 2023-09-22 | 东南大学 | 基于宏观基本图/fcm聚类的子区划分及状态识别方法 |
CN117456342A (zh) * | 2023-09-28 | 2024-01-26 | 华南师范大学 | 一种基于街景影像的交通事故风险评估方法及系统 |
CN117455237A (zh) * | 2023-11-07 | 2024-01-26 | 四川警察学院 | 一种基于多源数据的道路交通事故风险预测方法 |
Non-Patent Citations (1)
Title |
---|
黄明月: "基于自适应核密度估计的交通事故黑点识别及预警模型研究", 《硕士学位论文数据库》, 15 May 2022 (2022-05-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108430069B (zh) | 一种v2x网络性能测试及综合评价分析方法 | |
WO2020244288A1 (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 | |
CN113401143B (zh) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
CN106780266B (zh) | 基于主成分贡献度参数的事故热点内特性分析及行车指导方法 | |
CN113570852B (zh) | 基于安全替代评价指标的高风险路段风险防控手段评估的方法 | |
Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
CN114879192A (zh) | 基于路侧毫米波雷达的决策树车型分类方法、电子设备 | |
CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
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 | |
CN115798212B (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
CN115204755B (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN118197095A (zh) | 一种交通事故的安全预警方法 | |
CN114495519B (zh) | 一种高速公路智慧可视化展示系统 | |
Cen et al. | A system design for driving behavior analysis and assessment | |
KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 | |
CN112036709B (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN115472040B (zh) | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 | |
CN117273964B (zh) | 一种自适应行驶数据的智能车险策略生成系统及方法 | |
Han et al. | A study on Autonomous Vehicles’ Driving Behavior Based on Open Road Test Data | |
CN117194930B (zh) | 基于车辆行驶数据的隧道路段安全监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |