一种雾天状态下减少交通事故的车辆调控方法

摘要

本发明公开了一种雾天状态下减少交通事故的车辆调控方法，步骤10）获取事故路段的基本信息；步骤20）采集雾天状况下的事故组交通数据和天气数据；步骤30）采集雾天状况下的正常组交通数据和天气数据；步骤40）建立雾天状况下交通流数据总样本；步骤50）建立初始雾天状况下的交通事故判别函数；步骤60）确定标定后的雾天状态下交通事故判别函数；步骤70）检测在雾天状态下发生交通事故的判别函数值，并进行车辆调控；步骤80）重复步骤70），进行下一个设定时间发生交通事故判别函数值的检测，直至结束检测。该车辆调控方法实时检测高速公路在雾天状态下发生交通事故的判别函数值，对车辆进行调控，减少交通事故。

说明书

技术领域

本发明属于高速公路交通智能管理和控制领域，具体来说，涉及一种雾天状 态下减少交通事故的车辆调控方法。

背景技术

雾天对高速公路的交通安全产生了严重的影响，在雾天下发生交通事故的严 重程度往往比较高，涉及到人员伤亡。由于雾天的能见度比较低，当遇到危险状 况是，驾驶员往往没有足够反应时间采取避险行为，造成交通事故的发生。根据 《中华人民共和国公安部交通事故统计年报》，2006年和2010年中分别有2,626 和1,527起交通事故发生在雨天状况下，死亡人数分别为1,047和803人，受伤 人数分别为3,325和2,006，直接经济损失分别为3.13千万元和2.33千万元。 因而，如何提升雾天下高速公路行车安全问题具有重要的实际意义。

通常大雾天气下，高速公路封闭通行，而对于薄雾天气的交通事故预防的方 法还比较简单，难以对高速公路交通事故进行有效的预防与降低。近些年来，随 着高速公路交通智能管理和控制领域的不断发展，交通安全领域开始研究高速公 路交通事故实时预测模型，该预测模型能够利用交通安全管理系统中的交通流检 测设备实时监测交通流运行状况，区分正常交通流状态和高事故风险的危险交通 流状态。当检测到危险交通流状况，系统通过主动式干预交通流运行来消除危险 交通流状态，从而到达实时提升快速道路交通安全状况的目的。因而，通过监测 雾天下的高风险交通流状态能够对雾天的交通事故进行有效的预防，当在雾天下 检测到高风险交通流状态，可以通过匝道控制降低上游车流量，并利用可变限速 控制逐步降低车辆行驶速度，来消除高风险交通流状态从而达到降雾天交通事故 数量的目的。然而，目前还没有专门针对雾天的交通事故实时预测模型，本发明 将提出一种基于可变限速和匝道控制的雾天下高速公路事故预防方法。

发明内容

技术问题：本发明所要解决的技术问题是：提供一种雾天状态下减少交通事 故的车辆调控方法，该车辆调控方法利用交通流检测设备获取实时交通数据和环 境气象站获取的天气数据，实时检测快速道路在雾天状态下发生交通事故判别函 数值，对车辆进行限速调控，减少交通事故，提高行驶安全性。

技术方案：为解决上述技术问题，本发明采用的一种雾天状态下减少交通事 故的车辆调控方法，该车辆调控方法包括以下步骤：

步骤10）获取事故路段的基本信息：在高速公路上安装q个交通流检测设 备，将相邻两个交通流检测设备之间的高速公路设为一个路段，并且在快速道路 上安装w个环境气象站；确定雾天状况下每起交通事故的发生路段，并确定每 起交通事故发生地点上游和下游两个交通流检测设备，以及距离该交通事故发生 地点最近的环境气象站；q和w均为大于1的整数；

步骤20）采集雾天状况下的事故组交通数据和天气数据：通过步骤10）确 定的交通事故发生地点上游和下游两个交通流检测设备，采集雾天状况下事故发 生地点的交通数据，该交通数据包括交通事故发生前，在设定时间T内的18个 交通流参数，18个交通流参数为该路段的上游交通流量平均值x₁、上游交通占 有率平均值x₂、上游车辆速度平均值x₃、上游交通流量标准差x₄、上游交通占 有率标准差x₅、上游车辆速度标准差x₆、下游交通流量平均值x₇、下游交通占 有率平均值x₈、下游车辆速度平均值x₉、下游交通流量标准差x₁₀、下游交通占 有率标准差x₁₁、下游车辆速度标准差x₁₂、上下游交通流量差绝对值的平均值x₁₃、 上下游交通占有率差绝对值的平均值x₁₄、上下游车辆速度差绝对值的平均值 x₁₅、上下游交通流量差绝对值的标准差x₁₆、上下游交通占有率差绝对值的标准 差x₁₇、上下游车辆速度差绝对值的标准差x₁₈；并通过距离交通事故发生地点最 近的环境气象站，采集雾天状况下，交通事故发生前的天气数据，天气数据是该 路段在交通事故发生前，设定时间T内的路面能见度x₁₉；

步骤30）采集雾天状况下的正常组交通数据和天气数据：对应于雾天状况 下的每起交通事故，采用病例对照研究法，按1∶a比例选取交通事故发生路段 在雾天、正常状态下的交通数据和天气数据，所述的正常状态是指路段没有发生 交通事故时的状态，所述的1∶a是指对应于每个交通事故的交通数据和天气数 据，选取该交通事故发生路段在正常状态下的a个交通数据和a个天气数据；交 通数据包括该路段在雾天、正常状态下，设定时间T内的上游交通流量平均值x₁、 上游交通占有率平均值x₂、上游车辆速度平均值x₃、上游交通流量标准差x₄、 上游交通占有率标准差x₅、上游车辆速度标准差x₆、下游交通流量平均值x₇、 下游交通占有率平均值x₈、下游车辆速度平均值x₉、下游交通流量标准差x₁₀、 下游交通占有率标准差x₁₁、下游车辆速度标准差x₁₂、上下游交通流量差绝对值 的平均值x₁₃、上下游交通占有率差绝对值的平均值x₁₄、上下游车辆速度差绝对 值的平均值x₁₅、上下游交通流量差绝对值的标准差x₁₆、上下游交通占有率差绝 对值的标准差x₁₇、上下游车辆速度差绝对值的标准差x₁₈；天气数据是该路段在 雾天、正常状态下，设定时间T内的路面能见度x₁₉；a为大于等于5的整数；

步骤40）建立雾天状况下交通流数据总样本：对于每个路段，将该路段上 游和下游两个交通流检测设备在设定时间T内采集的交通数据，以及距离该路段 最近的环境气象站采集的天气数据组合后，建立一个交通流数据样本；在每个路 段中，所有在雾天、发生交通事故状态下形成的交通流数据样本组成事故组数据 样本，所有在雾天、正常状态下形成的交通流数据样本组成正常组数据样本；将 该快速道路所有路段中的事故组数据样本和正常组数据样本组合后，形成包含雾 天状况下n个子样本的交通流数据总样本；n为大于6的整数；

步骤50）建立初始雾天状况下的交通事故判别函数：利用费歇尔判别方法， 建立18个交通流参数和1个天气参数的线性组合，作为初始雾天状况下的交通 事故判别函数，如式（1）所示：

y_i＝β₀+β₁x_i1+β₂x_i2+β₃x_i3+β₄x_i4+β₅x_i5+β₆x_i6+β₇x_i7+β₈x_i8+β₉x_i9+β₁₀x_i10

+β₁₁x_i11+β₁₂x_i12+β₁₃x_i13+β₁₄x_i14+β₁₅x_i15+β₁₆x_i16+β₁₇x_i17+β₁₈x_i18+β₁₉x_i19

式（1）

式（1）中，i=1、2、3、…、n；y_i表示雾天状况下交通流数据总样本中第i 个子样本的数据测出的交通事故判别函数值；x_i1表示雾天状况下的交通流数据 总样本中第i个子样本的上游交通流量平均值；x_i2表示雾天状况下的交通流数据 总样本中第i个子样本的上游交通占有率平均值，x_i3表示雾天状况下的交通流数 据总样本中第i个子样本的上游车辆速度平均值，x_i4表示雾天状况下的交通流数 据总样本中第i个子样本的上游交通流量标准差，x_i5表示雾天状况下的交通流数 据总样本中第i个子样本的上游交通占有率标准差，x_i6表示雾天状况下的交通流 数据总样本中第i个子样本的上游车辆速度标准差，x_i7表示雾天状况下的交通流 数据总样本中第i个子样本的下游交通流量平均值，x_i8表示雾天状况下的交通流 数据总样本中第i个子样本的下游交通占有率平均值，x_i9表示雾天状况下的交通 流数据总样本中第i个子样本的下游车辆速度平均值，x_i10表示雾天状况下的交 通流数据总样本中第i个子样本的下游交通流量标准差，x_i11表示雾天状况下的 交通流数据总样本中第i个子样本的下游交通占有率标准差，x_i12表示雾天状况 下的交通流数据总样本中第i个子样本的下游车辆速度标准差，x_i13表示雾天状 况下的交通流数据总样本中第i个子样本的上下游交通流量差绝对值的平均值， x_i14表示雾天状况下的交通流数据总样本中第i个子样本的上下游交通占有率差 绝对值的平均值，x_i15表示雾天状况下的交通流数据总样本中第i个子样本的上 下游车辆速度差绝对值的平均值，x_i16表示雾天状况下的交通流数据总样本中第 i个子样本的上下游交通流量差绝对值的标准差，x_i17表示雾天状况下的交通流 数据总样本中第i个子样本的上下游交通占有率差绝对值的标准差，x_i18表示雾 天状况下的交通流数据总样本中第i个子样本的上下游车辆速度差绝对值的标准 差，x_i19表示雾天状况下的交通流数据总样本中第i个子样本的路面能见度；β₀为 常数系数，β₁是x_i1的对应系数，β₂是x_i2的对应系数，β₃是x_i3的对应系数，β₄是 x_i4的对应系数，β₅是x_i5的对应系数，β₆是x_i6的对应系数，β₇是x_i7的对应系数， β₈是x_i8的对应系数，β₉是x_i9的对应系数，β₁₀是x_i10的对应系数，β₁₁是x_i11的对 应系数，β₁₂是x_i12的对应系数，β₁₃是x_i13的对应系数，β₁₄是x_i14的对应系数，β₁₅是x_i15的对应系数，β₁₆是x_i16的对应系数，β₁₇是x_i17的对应系数，β₁₈是x_i18的对 应系数，β₁₉是x_i19的对应系数；

步骤60）确定标定后的雾天状态下交通事故判别函数：通过测算式（2）的 最大值，确定β₁、β₂、β₃、β₄、β₅、β₆、β₇、β₈、β₉、β₁₀、β₁₁、β₁₂、β₁₃、 β₁₄、β₁₅、β₁₆、β₁₇、β₁₈和β₁₉值；

$L=\frac{{(\frac{1}{n_1}\underset{m=1}{\overset{n_1}{\Sigma }}{y}_m^{\left(1\right)}-\frac{1}{n_2}\underset{r=1}{\overset{n_2}{\Sigma }}{y}_r^{\left(2\right)})}^2}{\underset{m=1}{\overset{n_1}{\Sigma }}{(y_m^{\left(1\right)}-\frac{1}{n_1}\underset{m=1}{\overset{n_1}{\Sigma }}{y}_m^{\left(1\right)})}^2+\underset{r=1}{\overset{n_2}{\Sigma }}{(y_r^{\left(2\right)}-\frac{1}{n_2}\underset{r=1}{\overset{n_2}{\Sigma }}{y}_r^{\left(2\right)})}^2}$式（2）

式（2）中，L表示组间差与组内差的比值，n₁表示正常组数据样本的样 本量，表示正常组数据样本中第m个子样本由式（1）得到判别函数值，m= 1、2、3、…、n₁；n₂表示事故组数据样本的样本量，表示事故组数据样本中 第r个子样本由式（1）得到判别函数值,r=1、2、3、…、n₂；

接着将得到的β₁、β₂、β₃、β₄、β₅、β₆、β₇、β₈、β₉、β₁₀、β₁₁、β₁₂、 β₁₃、β₁₄、β₁₅、β₁₆、β₁₇、β₁₈和β₁₉值，带入式（1）中，得到标定后的雾天状 态下交通事故判别函数；

步骤70）检测在雾天状态下发生交通事故的判别函数值，并进行车辆调控：

首先利用式（3）测算交通事故判别函数的临界值Y₀：

$Y_0=\frac{\underset{m=1}{\overset{n_1}{\Sigma }}{y}_m^{\left(1\right)}+\underset{r=1}{\overset{n_2}{\Sigma }}{y}_r^{\left(2\right)}}{n_1+n_2}$式（3）

然后利用待检测路段上游和下游两个交通流检测设备，采集当前该路段的 18个交通流参数和1个天气参数，并带入步骤60）得到的标定后的雾天状态下 交通事故判别函数，测算出判别函数值y，当时，如果y<Y₀， 则该待检测路段在雾天状况下有发生交通事故的风险，在该路段前方通过可变信 息板对驾驶员进行预警提示，并启动高速公路匝道控制设备和可变限速控制设 备，通过控制快速道路的匝道，降低上游车辆流量，通过可变限速板对当前车辆 限速，降低上游车辆的行驶速度，如果y≥Y₀，则该待检测路段当前没有发生交 通事故的风险，不发出警报提示；

当时，如果y>Y₀，则该待检测路段在雾天状况下有发 生交通事故的风险，在该路段前方通过可变信息板对驾驶员进行预警提示，并启 动高速公路匝道控制设备和可变限速控制设备，通过控制快速道路的匝道，降低 上游车辆流量，通过可变限速板对当前车辆限速，降低上游车辆的行驶速度，如 果y≤Y₀，则该待检测路段当前没有发生追尾事故的风险，不发出警报提示；

步骤80）重复步骤70），进行待检测路段下一个设定时间T发生交通事故判 别函数值的检测，并进行车辆调控，直至结束检测。

有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：

1.车辆调控准确率高，提高了雾天状况下高速公路上车辆的行驶安全。已 有的交通事故概率检测方法只利用交通流数据测算交通事故概率，没有考虑天气 因素对交通事故的影响。本发明的车辆调控方法是专门针对雾天状态下的车辆调 控。本发明采集交通流参数，并加入了雾天状态下的天气数据对交通事故的影响 因素，可以提高交通事故概率检测精度。本发明建立的雾天状态下的交通事故判 别函数，考虑了天气状况对交通事故的影响。这样，该交通事故判别函数关系式 就能更为准确的反映路段发生交通事故的风险，因为发生交通事故不仅与车辆本 身有关，还与事故当时的天气状况有关。将实时采集的路段的交通数据带入交通 事故概率关系式中，实时对路段发生交通事故进行检测。根据交通事故判别函数 值，决定当前是否需要启动预警手段，来降低交通事故风险，从而提高了车辆调 控的准确率，降低了交通事故，有效的保障了快速道路的交通安全。

2.检测过程简单。在本发明的步骤60）确立标定后的雾天状态下交通事故 判别函数后，只需要采集路段在雾天下新的交通流参数和天气数据，就可以实时 预测设定时间内，该路段在雾天下发生交通事故的判别函数值，使用简便、实用 性强，具有较好的应用前景。

附图说明

图1是本发明的交通流检测设备和环境气象站的布设示意图。

图2是本发明的流程框图。

具体实施方式

下面结合附图和实施例，对本发明的技术方案作进一步详细说明。

如图1和图2所示，本发明的一种雾天状态下减少交通事故的车辆调控方法， 包括以下步骤：

步骤10）获取事故路段的基本信息：在高速公路上安装q个交通流检测设 备，将相邻两个交通流检测设备之间的高速公路设为一个路段，并且在快速道路 上安装w个环境气象站；确定雾天状况下每起交通事故的发生路段，并确定每 起交通事故发生地点上游和下游两个交通流检测设备，以及距离该交通事故发生 地点最近的环境气象站；q和w均为大于1的整数。

在步骤10）中，相邻的两个交通流检测设备之间距离为500米到1500米， 相邻的两个环境气象站之间距离为5公里到15公里，且交通流检测设备和环境 气象站均沿快速道路均匀布置。所述的交通流检测设备为电磁感应线圈，或者视 频交通流检测设备。

步骤20）采集雾天状况下的事故组交通数据和天气数据：通过步骤10）确 定的交通事故发生地点上游和下游两个交通流检测设备，采集雾天状况下事故发 生地点的交通数据，该交通数据包括交通事故发生前，在设定时间T内的18个 交通流参数，18个交通流参数为该路段的上游交通流量平均值x₁、上游交通占 有率平均值x₂、上游车辆速度平均值x₃、上游交通流量标准差x₄、上游交通占 有率标准差x₅、上游车辆速度标准差x₆、下游交通流量平均值x₇、下游交通占 有率平均值x₈、下游车辆速度平均值x₉、下游交通流量标准差x₁₀、下游交通占 有率标准差x₁₁、下游车辆速度标准差x₁₂、上下游交通流量差绝对值的平均值x₁₃、 上下游交通占有率差绝对值的平均值x₁₄、上下游车辆速度差绝对值的平均值 x₁₅、上下游交通流量差绝对值的标准差x₁₆、上下游交通占有率差绝对值的标准 差x₁₇、上下游车辆速度差绝对值的标准差x₁₈；并通过距离交通事故发生地点最 近的环境气象站，采集雾天状况下，交通事故发生前的天气数据，天气数据是该 路段在交通事故发生前，设定时间T内的路面能见度x₁₉；

在步骤20）中，两个交通流检测设备按照采样步长采集待检测路段的交通 数据，然后每隔设定时间T测算各参数的平均值和标准差，获得18个交通流参 数。采样步长优选为30秒。设定时间T优选为5—10分钟。

步骤30）采集雾天状况下的正常组交通数据和天气数据：对应于雾天状况 下的每起交通事故，采用病例对照研究法，按1∶a比例选取交通事故发生路段 在雾天、正常状态下的交通数据和天气数据，所述的正常状态是指路段没有发生 交通事故时的状态，所述的1∶a是指对应于每个交通事故的交通数据和天气数 据，选取该交通事故发生路段在正常状态下的a个交通数据和a个天气数据；交 通数据包括该路段在雾天、正常状态下，设定时间T内的上游交通流量平均值x₁、 上游交通占有率平均值x₂、上游车辆速度平均值x₃、上游交通流量标准差x₄、 上游交通占有率标准差x₅、上游车辆速度标准差x₆、下游交通流量平均值x₇、 下游交通占有率平均值x₈、下游车辆速度平均值x₉、下游交通流量标准差x₁₀、 下游交通占有率标准差x₁₁、下游车辆速度标准差x₁₂、上下游交通流量差绝对值 的平均值x₁₃、上下游交通占有率差绝对值的平均值x₁₄、上下游车辆速度差绝对 值的平均值x₁₅、上下游交通流量差绝对值的标准差x₁₆、上下游交通占有率差绝 对值的标准差x₁₇、上下游车辆速度差绝对值的标准差x₁₈；天气数据是该路段在 雾天、正常状态下，设定时间T内的路面能见度x₁₉。a为大于等于5的整数。a 优选为10。

步骤40）建立雾天状况下交通流数据总样本：对于每个路段，将该路段上 游和下游两个交通流检测设备在设定时间T内采集的交通数据，以及距离该路段 最近的环境气象站采集的天气数据组合后，建立一个交通流数据样本；在每个路 段中，所有在雾天、发生交通事故状态下形成的交通流数据样本组成事故组数据 样本，所有在雾天、正常状态下形成的交通流数据样本组成正常组数据样本；将 该快速道路所有路段中的事故组数据样本和正常组数据样本组合后，形成包含雾 天状况下n个子样本的交通流数据总样本；n为大于6的整数。

步骤50）建立初始雾天状况下的交通事故判别函数：利用费歇尔判别方法， 建立18个交通流参数和1个天气参数的线性组合，作为初始雾天状况下的交通 事故判别函数，如式（1）所示：

y_i＝β₀+β₁x_i1+β₂x_i2+β₃x_i3+β₄x_i4+β₅x_i5+β₆x_i6+β₇x_i7+β₈x_i8+β₉x_i9+β₁₀x_i10

+β₁₁x_i11+β₁₂x_i12+β₁₃x_i13+β₁₄x_i14+β₁₅x_i15+β₁₆x_i16+β₁₇x_i17+β₁₈x_i18+β₁₉x_i19

式（1）

式（1）中，i=1、2、3、…、n；y_i表示雾天状况下交通流数据总样本中第i 个子样本的数据测出的交通事故判别函数值；x_i1表示雾天状况下的交通流数据 总样本中第i个子样本的上游交通流量平均值；x_i2表示雾天状况下的交通流数据 总样本中第i个子样本的上游交通占有率平均值，x_i3表示雾天状况下的交通流数 据总样本中第i个子样本的上游车辆速度平均值，x_i4表示雾天状况下的交通流数 据总样本中第i个子样本的上游交通流量标准差，x_i5表示雾天状况下的交通流数 据总样本中第i个子样本的上游交通占有率标准差，x_i6表示雾天状况下的交通流 数据总样本中第i个子样本的上游车辆速度标准差，x_i7表示雾天状况下的交通流 数据总样本中第i个子样本的下游交通流量平均值，x_i8表示雾天状况下的交通流 数据总样本中第i个子样本的下游交通占有率平均值，x_i9表示雾天状况下的交通 流数据总样本中第i个子样本的下游车辆速度平均值，x_i10表示雾天状况下的交 通流数据总样本中第i个子样本的下游交通流量标准差，x_i11表示雾天状况下的 交通流数据总样本中第i个子样本的下游交通占有率标准差，x_i12表示雾天状况 下的交通流数据总样本中第i个子样本的下游车辆速度标准差，x_i13表示雾天状 况下的交通流数据总样本中第i个子样本的上下游交通流量差绝对值的平均值， x_i14表示雾天状况下的交通流数据总样本中第i个子样本的上下游交通占有率差 绝对值的平均值，x_i15表示雾天状况下的交通流数据总样本中第i个子样本的上 下游车辆速度差绝对值的平均值，x_i16表示雾天状况下的交通流数据总样本中第 i个子样本的上下游交通流量差绝对值的标准差，x_i17表示雾天状况下的交通流 数据总样本中第i个子样本的上下游交通占有率差绝对值的标准差，x_i18表示雾 天状况下的交通流数据总样本中第i个子样本的上下游车辆速度差绝对值的标准 差，x_i19表示雾天状况下的交通流数据总样本中第i个子样本的路面能见度；β₀为 常数系数，β₁是x_i1的对应系数，β₂是x_i2的对应系数，β₃是x_i3的对应系数，β₄是 x_i4的对应系数，β₅是x_i5的对应系数，β₆是x_i6的对应系数，β₇是x_i7的对应系数， β₈是x_i8的对应系数，β₉是x_i9的对应系数，β₁₀是x_i10的对应系数，β₁₁是x_i11的对 应系数，β₁₂是x_i12的对应系数，β₁₃是x_i13的对应系数，β₁₄是x_i14的对应系数，β₁₅是x_i15的对应系数，β₁₆是x_i16的对应系数，β₁₇是x_i17的对应系数，β₁₈是x_i18的对 应系数，β₁₉是x_i19的对应系数。

步骤60）确定标定后的雾天状态下交通事故判别函数：通过测算式（2）的 最大值，确定β₁、β₂、β₃、β₄、β₅、β₆、β₇、β₈、β₉、β₁₀、β₁₁、β₁₂、β₁₃、 β₁₄、β₁₅、β₁₆、β₁₇、β₁₈和β₁₉值；

$L=\frac{{(\frac{1}{n_1}\underset{m=1}{\overset{n_1}{\Sigma }}{y}_m^{\left(1\right)}-\frac{1}{n_2}\underset{r=1}{\overset{n_2}{\Sigma }}{y}_r^{\left(2\right)})}^2}{\underset{m=1}{\overset{n_1}{\Sigma }}{(y_m^{\left(1\right)}-\frac{1}{n_1}\underset{m=1}{\overset{n_1}{\Sigma }}{y}_m^{\left(1\right)})}^2+\underset{r=1}{\overset{n_2}{\Sigma }}{(y_r^{\left(2\right)}-\frac{1}{n_2}\underset{r=1}{\overset{n_2}{\Sigma }}{y}_r^{\left(2\right)})}^2}$式（2）

式（2）中，L表示组间差与组内差的比值，n₁表示正常组数据样本的样 本量，表示正常组数据样本中第m个子样本由式（1）得到判别函数值，m= 1、2、3、…、n₁；n₂表示事故组数据样本的样本量，表示事故组数据样本中 第r个子样本由式（1）得到判别函数值,r=1、2、3、…、n₂；

接着将得到的β₁、β₂、β₃、β₄、β₅、β₆、β₇、β₈、β₉、β₁₀、β₁₁、β₁₂、 β₁₃、β₁₄、β₁₅、β₁₆、β₁₇、β₁₈和β₁₉值，带入式（1）中，得到标定后的雾天状 态下交通事故判别函数。

步骤70）检测在雾天状态下发生交通事故的判别函数值，并进行车辆调控：

首先利用式（3）测算交通事故判别函数的临界值Y₀：

$Y_0=\frac{\underset{m=1}{\overset{n_1}{\Sigma }}{y}_m^{\left(1\right)}+\underset{r=1}{\overset{n_2}{\Sigma }}{y}_r^{\left(2\right)}}{n_1+n_2}$式（3）

然后利用待检测路段上游和下游两个交通流检测设备，采集当前该路段的 18个交通流参数和1个天气参数，并带入步骤60）得到的标定后的雾天状态下 交通事故判别函数，测算出判别函数值y，当时，如果y<Y₀， 则该待检测路段在雾天状况下有发生交通事故的风险，在该路段前方通过可变信 息板对驾驶员进行预警提示，并启动高速公路匝道控制设备和可变限速控制设 备，通过控制快速道路的匝道，降低上游车辆流量，通过可变限速板对当前车辆 限速，降低上游车辆的行驶速度，如果y≥Y₀，则该待检测路段当前没有发生交 通事故的风险，不发出警报提示；

当时，如果y>Y₀，则该待检测路段在雾天状况下有发 生交通事故的风险，在该路段前方通过可变信息板对驾驶员进行预警提示，并启 动高速公路匝道控制设备和可变限速控制设备，通过控制快速道路的匝道，降低 上游车辆流量，通过可变限速板对当前车辆限速，降低上游车辆的行驶速度，如 果y≤Y₀，则该待检测路段当前没有发生追尾事故的风险，不发出警报提示。通 过可变限速板对当前车辆限速，每次调整变化的车辆速度幅度在5km/h以内。

步骤80）重复步骤70），进行待检测路段下一个设定时间T发生交通事故判 别函数值的检测，并进行车辆调控，直至结束检测。

本发明的车辆调控方法根据采集的实时交通数据和天气数据，判断待检测 路段在雾天状态下是否存在发生交通事故的风险，是采用通过费歇尔判别方法建 立的交通事故判别函数来判断待检测路段在雾天状态下发生交通事故的风险。

本发明实际运用过程分为建立标定后的雾天状态下的交通事故判别函数，以 及检测雾天状态下交通事故判别函数值和调控车辆两个过程。

建立标定后的雾天状态下的交通事故判别函数：收集或采集待检测路段设定 时间内的交通数据。为了保证建立的事故概率关系式能够具有较好的预测精度， 采集的样本尽量大，通常事故组数据样本大于30个，正常组数据样本大于150个。 根据上述步骤10）到步骤60）建立雾天状态下的交通事故判别函数。

检测雾天状态下交通事故判别函数值和调控车辆：实时采集待检测路段的上 游交通流量平均值x₁、上游交通占有率平均值x₂、上游车辆速度平均值x₃、上 游交通流量标准差x₄、上游交通占有率标准差x₅、上游车辆速度标准差x₆、下 游交通流量平均值x₇、下游交通占有率平均值x₈、下游车辆速度平均值x₉、下 游交通流量标准差x₁₀、下游交通占有率标准差x₁₁、下游车辆速度标准差x₁₂、上 下游交通流量差绝对值的平均值x₁₃、上下游交通占有率差绝对值的平均值x₁₄、 上下游车辆速度差绝对值的平均值x₁₅、上下游交通流量差绝对值的标准差x₁₆、 上下游交通占有率差绝对值的标准差x₁₇、上下游车辆速度差绝对值的标准差x₁₈和路面能见度x₁₉，将这19个参数代入所建立的标定后的雾天状态下的交通事故 判别函数中，根据该关系式测算得的判别函数值，对雾天状态下交通事故风险进 行实时测算。当时，如果y<Y₀，则该待检测路段在雾天下 有发生交通事故的风险，在该路段前方通过可变信息板对驾驶员进行预警提示， 通过匝道控制和可变限速降低上游车辆流量和上游车辆的行驶速度，如果y≥ Y₀，则该待检测路段在雾天下没有发生交通事故的风险，不发出警报提示；当 时，如果y>Y₀，该待检测路段在雾天下有发生交通事故的 风险，在该路段前方通过可变信息板对驾驶员进行预警提示，通过匝道控制和可 变限速降低上游车辆流量和上游车辆的行驶速度，如果y≤Y₀，则该待检测路段 在雾天下没有发生交通事故的风险，不发出警报提示。

实施例

利用美国加利福利亚洲I-880道路上的真实交通流和气象数据，测试本发 明在雾天状态下交通事故实时预测方面的性能。采集的数据包括上游交通流量平 均值x₁、上游交通占有率平均值x₂、上游车辆速度平均值x₃、上游交通流量标 准差x₄、上游交通占有率标准差x₅、上游车辆速度标准差x₆、下游交通流量平 均值x₇、下游交通占有率平均值x₈、下游车辆速度平均值x₉、下游交通流量标 准差x₁₀、下游交通占有率标准差x₁₁、下游车辆速度标准差x₁₂、上下游交通流量 差绝对值的平均值x₁₃、上下游交通占有率差绝对值的平均值x₁₄、上下游车辆速 度差绝对值的平均值x₁₅、上下游交通流量差绝对值的标准差x₁₆、上下游交通占 有率差绝对值的标准差x₁₇、上下游车辆速度差绝对值的标准差x₁₈和路面能见度 x₁₉。

现有59个事故组交通数据样本，以及590个正常组交通数据样本（即没有发 生交通事故条件下采集的雾天状态下数据）。从整个样本中随机选取44个事故组 交通数据样本和440个正常组交通数据样本用作训练集。剩下的15个事故组交通 数据样本和150个正常组交通数据样本用作检测集，用来测试本发明的预测精度。

利用选取的训练集，根据本发明的步骤10）—步骤60），确定对应系数的 值，如表1所示，带入式（1）中，得到标定后的雾天状态下交通事故判别函数。

表1

交通流参数 对应系数 上游交通流量平均值（x₁） -0.034（β₁） 上游交通占有率平均值（x₂） 0.052（β₂）

上游车辆速度平均值（x₃） 0.015（β₃） 上游交通流量标准差（x₄） -0.497（β₄） 上游交通占有率标准差（x₅） 0.182（β₅） 上游车辆速度标准差（x₆） -0.007（β₆） 下游交通流量平均值（x₇） -0.119（β₇） 下游交通占有率平均值（x₈） 0.064（β₈） 下游车辆速度平均值（x₉） 0.019（β₉） 下游交通流量标准差（x₁₀） 0.005（β₁₀） 下游交通占有率标准差（x₁₁） 0.218（β₁₁） 下游车辆速度标准差（x₁₂） -0.020（β₁₂） 上下游交通流量差绝对值的平均值（x₁₃） 0.288（β₁₃） 上下游交通占有率差绝对值的平均值（x₁₄） -0.063（β₁₄） 上下游车辆速度差绝对值的平均值（x₁₅） -0.078（β₁₅） 上下游交通流量差绝对值的标准差（x₁₆） -0.008（β₁₆） 上下游交通占有率差绝对值的标准差（x₁₇） -0.393（β₁₇） 上下游车辆速度差绝对值的标准差（x₁₈） 0.058（β₁₈） 路面能见度（x₁₉） 0.031（β₁₈） 常数 -2.594（β₀）

雾天状态下交通事故判别函数的临界值Y₀为0，$\frac{1}{n_2}\underset{r=1}{\overset{n_2}{\Sigma }}{y}_r^{\left(2\right)}=-1.442,$即$\frac{1}{n_1}\underset{m=1}{\overset{n_1}{\Sigma }}{y}_m^{\left(1\right)}>\frac{1}{r=1}\underset{r=1}{\overset{n_2}{\Sigma }}{y}_r^{\left(2\right)},$如果y<Y₀，表明待检测路段当前在 雾天下有发生交通事故的风险；如果y≥Y₀，表明检测路段当前在雾天下发生交 通事故的风险比较小。利用上述判别规则和依据表1建立的标定后的交通事故判 别函数，对包含15个事故组数据样本和150个正常组数据样本的检测集进行判 别。结果表明：标定后的雾天状态下交通事故判别函数对事故组数据样本的预测 准确率为53.3%，对正常组数据样本预测准确率为88.0%，总的检测准确率为 84.8%。因此，本发明的方法通过检测雾天状态下交通事故的判别函数值，调控 车辆，能够有效的降低高速公路雾天下交通事故的发生。本发明的方法具有实际 的工程运用价值。