公开/公告号CN105096586A
专利类型发明专利
公开/公告日2015-11-25
原文格式PDF
申请/专利权人 交通运输部公路科学研究所;北京中交华安科技有限公司;
申请/专利号CN201410204184.3
申请日2014-05-15
分类号G08G1/00(20060101);
代理机构北京卓恒知识产权代理事务所(特殊普通合伙);
代理人唐曙晖;刘明芳
地址 100088 北京市海淀区西土城路8号
入库时间 2023-12-18 12:26:02
法律状态公告日
法律状态信息
法律状态
2018-06-05
授权
授权
2015-12-23
实质审查的生效 IPC(主分类):G08G1/00 申请日:20140515
实质审查的生效
2015-11-25
公开
公开
技术领域
本发明涉及一种平原区高速公路事故预测方法,尤其涉及一种基于 交通流特征参数、来预测平原区高速公路特定路段的交通事故发生数量 的方法。
背景技术
随着经济、社会的发展,汽车逐渐成为人们日常生活中常见的交通 工具,但是随之而来的交通事故不仅给人们造成经济、财产上的损失, 而且也威胁到人们的健康和生命安全。如何在享受汽车给我们带来的便 利的同时尽可能地减少甚至避免交通事故,是人们一直以来都希望实现 的目标。
为此,各国均投入大量人力、物力进行交通安全研究,其中对事故 的分析和预防尤其受到人们的重视。在我国,与一般公路相比,高速公 路,尤其是平原区高速公路,具有线形标准高、路面状况好、交通工程 设施齐备等优势,但统计表明,高速公路的事故率却远高于普通公路, 这表明,影响平原区高速公路交通安全的因素以及这些因素的作用模式 与一般公路不同。
因此,建立一套适用于我国高速公路,尤其是平原区高速公路,的 交通事故预测方法和系统是十分有必要的。
发明内容
本发明的目的在于,基于交通流特征参数对平原区高速公路的交通 事故事进行准确的预测。
为了实现上述目的,本发明提供了一种基于交通流特征参数的平原 区高速公路事故预测方法,基于特定路段上特定时间段内的交通流特征 参数信息以及暴露变量,利用如下公式对该路段上的交通事故数进行预 测,
λ=EXPO.exp(-2.851349+0.9423701.Truck%+0.0246028.Spe_truck)
其中:λ为该路段上特定时间段内的预测的年平均事故数;
其中,所述交通流特征参数信息进一步包括:
(a)大车百分比
其中:Vol_truck表示大车流量,单位为辆/h,
Vol_total表示车辆总流量,单位为辆/h,
(b)大车速度
Spe_truck表示车辆的行驶车速,表示车辆在道路某一区间内的行驶 距离和行驶时间(即行驶时间中扣除停车延误时间)的比值,单位km/h;
其中,暴露变量为:
EXPO=AADT×365×L×10-6×Y
其中:AADT表示特定时间段内的年平均交通量,单位为辆/单位时 间;
L表示路段长度,单位为km;
Y表示预测持续时间,单位为年。
本发明的平原区高速公路事故预测方法,在对我国高速公路运行特 点进行分析的基础上,综合考虑了交通事故与交通量、路段长度以及大 车相关变量(尤其是大车速度和大车百分比)之间的潜在联系,利用由 此构建的事故预测模型,能够基于交通流特征参数有效地预测特定路段 的交通事故数量,对交通事故的预防以及交通管理和调度具有重要的指 导意义。
具体实施方式
交通事故的发生与道路、车辆、天气、驾驶员、行人以及突发事件 等众多因素都存在关联。人们一直试图获得交通事故与一些可控的客观 因素之间的关系,进而有效地调整这些因素,以便减少交通事故的数量。 道路本身的状况一直被认为是与交通事故存在密切关系的因素。然而, 发明人通过研究发现,对于平原区高速公路而言,由于其线形一致性较 好,路面状况好、交通工程设施齐备,交通事故与道路自身条件之间的 关联相对较弱,而是与交通流量、速度、密度和交通组成等交通流要素 的相关性更为密切。发明人进一步的研究表明,在对平原区高速公路的 交通事故进行预测时,并不需要考虑道路条件因素的影响。这可以通过 下面详细描述的具体实施例得到证实。
通过广泛采集平原区高速公路的交通流要素以及交通事故数量等数 据样本,采用广义回归模型(也称为概率模型)对样本数据进行处理, 并通过相关性分析确定纳入模型的变量,对自变量和因变量进行拟合, 最终得到了如下的基于交通流特征参数的负二项分布形式的事故数均值 预测模型:
λ=EXPO.exp(-2.851349+0.9423701.Truck%+0.0246028.Spe_truck)(1)
其中:λ为该路段上特定时间段内的预测的年平均事故数;
Truck%为大车百分比,可通过下式计算:
其中:Vol_truck表示大车流量,单位为辆/h,
Vol_total表示车辆总流量,单位为辆/h,
Spe_truck为大车的行驶车速,表示车辆在道路某一区间内的行驶距 离和行驶时间(即行驶时间中扣除停车延误时间)的比值,单位km/h;
EXPO为暴露变量:
EXPO=AADT×365×L×10-6×Y
其中:AADT表示该特定时间段内的年平均交通量,单位为辆/单位 时间;
L表示路段长度,单位为km;
Y表示预测持续时间,单位为年。
在使用公式(1)进行计算时,只是进行单纯的数值运算,并不需要 代入单位。当AADT为每天的年平均交通量时,即其以辆/日为单位取值 时,得到的预测结果λ为每天的年平均事故数;当基于每天中第i小时 (i取值从0至23)的年平均交通量计算AADT时,即以辆/h为单位取值 时,得到的预测结果λ为每天中第i小时的年平均事故数。实际上,公 式(1)并不局限于以上述两种时间单位进行预测,进行预测的时间段可 以是每天中的任意一段时间,比如,早、晚高峰时段,早7点至9点或 晚17点至19点。相应地,AADT也需要以每天中该特定时段上的年平均 交通量为基础进行计算,可以以辆/单位时间为单位取值。
以京津塘高速公路k0-k35路段上午8:00-9:00的交通数据为例,路 段长度为35km,年平均小时交通量为3442辆/h,其中大车流量为246 辆/h,大车速度为70km/h,将以上数据代入公式(1)进行计算,即可 预测该路段三年内的交通事故发生数。
计算大车比例:
计算暴露变量:
EXPO=AADT×365×L×10-6×Y=3442×365×35×10-6×3=131.9
进而,得到该路段三年内的交通事故发生数的预测值为:
λi=EXPO.exp(-2.851349+0.9423701.Truck%+0.0246028.Spe_truck)
=131.9.exp(-2.851349+0.9423701.7%+0.0246028.70)
=45.6
分别使用京津塘高速、长万高速和上界高速的交通流参数的实际数 据对公式(1)进行验证,结果如下表所示。
从以上结果可以看出,各个路段的预测事故数基本与实际发生事故 数较好地吻合,从而证明了上述模型的准确性和实用性。
通过上述的预测模型,可以针对性地限制特定时段的大车比例和/ 或车速,进而在尽可能不影响交通运营的情况下,减少可能发生的交通 事故。此外,还可以在宏观上对高速公路的运营管理提供决策支持。
由于上述模型没有考虑与道路自身条件相关的参数,相比于考虑道 路道路线型的模型,排除了不必要的干扰,更能准确地体现平原区高速 公路的交通流变量对事故发生的影响。
本领域技术人员应该认识到,不背离本发明的实质和范围,可以对 各个特定的实施例进行各种的变化和/或修改。本发明的保护范围并不局 限于各个实施例所描述的形式。
机译: 用于针对包括高速公路事故中交通事故频发区在内的相应危险区段爆发状况的状况不间断流动高速公路的控制装置及其方法
机译: 用于减少高速公路上的交通事故,交通事故的产品,还可以通过数字化帮助高速公路管理系统来确定高速公路规则并减少等待时间,以减少高速公路收费。
机译: 基于深层神经网络的高速公路交通流状态识别方法