区分冲突类型的路段实时碰撞风险预测模型

摘要

使用交通数据建立路段实时碰撞风险预测模型(RTCPM)是主动交通安全管理的基础,路侧精细感知的行车数据和替代安全指标(SSMs)在RTCPM领域有着潜在价值。基于此,采用路侧精细感知数据生成SSMs作为输入,提出一种区分冲突类型的路段实时碰撞风险预测模型。以路段精细交通数据为基础,提取多种类别的交通参数以构建包含多类交通参数的精细数据库,参数包括车辆运动参数和SSMs等。提出一种基于车辆规避行为和时空接近性的交通冲突提取方法,从精细交通数据库中提取侧向和纵向交通冲突;将带有标签的交通冲突事件作为碰撞风险预测建模中样本的类别标签。极限梯度提升算法(XGBoost)被用于实时碰撞风险预测建模,使用了ENN方法重采样以消除样本数量不平衡问题,引入SHAP以解释模型特征对结果的贡献度。将交通冲突发生前的交通参数以30 s为时间窗进行集计,作为样本特征输入到XGBoost模型中进行训练和测试。研究结果表明:所建立的XGBoost模型能够在碰撞发生前30 s预测碰撞风险及类别,模型能够实现97.4%的总体准确率,以0.13%的误报率预测出93.0%的纵向冲突,以0.12%的误报率预测出61.8%的横向冲突;SHAP模型解释结果显示SSMs对于预测起到了比较重要的作用,5%分位的1/MTTC对纵向冲突预测模型的影响最大,交通流量和加速度的平均值是侧向冲突预测最重要的特征;提出的模型框架可为互通出入口影响区主动交通管理提供依据。