一种基于神经网络的高速公路交通运行实时风险评估方法技术

一种基于神经网络的高速公路交通运行实时风险评估方法，步骤为：读取事故样本信息和事故对应的车检器信息，作为事故组信息；同时读取无事故发生时的车检器信息，作为事故对照组信息。对读取的车检器信息进行单位时间统计和处理，获取交通运行风险评估参数数据；选取不同的数据收集时间段进行交通运行风险值的定义和车检器信息提取，将获取的交通运行风险评估参数数据作为输入，将交通运行风险值作为输出，利用自适应神经网络模糊推理系统(ANFIS)进行交通运行风险评估建模；计算不同数据收集时间段下ANFIS模型的训练误差和检验误差，选择训练误差和检验误差加和最小的ANFIS模型作为高速公路交通运行实时风险评估模型；将实时的交通运行风险评估参数数据代入所选择出的ANFIS模型中，进行并完成交通运行实时风险值的计算。

A real-time risk assessment method of expressway traffic operation based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的高速公路交通运行实时风险评估方法
本专利技术涉及一种基于神经网络的高速公路交通运行实时风险评估方法，属于交通运输安全

技术介绍
通常来讲，道路风险评估是指根据采集到道路行车过程中的现场信息，设定风险的接受标准，并依据所确定的风险发生的概率和后果严重程度形成风险评估结论。国内外有关道路风险评估的研究极为广泛，但是多数研究都针对的是宏观方向上的道路风险，主要利用宏观上的事故数据和规划、设计等数据进行道路静态风险和安全等级的研究，有关道路交通运行实时风险评估的研究相对较少。交通运行实时风险可以理解为：特定范围内的道路交通系统，在每个时间点或时间间隔内，可能出现的由交通运行造成系统内出现交通事故的可能性。国内外有关交通运行实时风险评估的研究有：Samimi和Hellinga利用Log-linear线性回归方法分析了加拿大安大略某一高速公路上的实时交通流参数和交通事故之间的关系，建立了实时的交通事故预测模型；Lee和Abdel-Aty通过收集美国佛罗里达州奥兰多市4条高速公路匝道处的数据，并利用two-levelnestedlogit逻辑回归模型对影响匝道动态交通风险的主要交通流参数进行了分析；另外，Pande和Abdel-Aty等还分析了奥兰多市多起追尾事故发生前的动态交通流特性，并利用分类分析方法对实时的追尾事故风险进行了评估；东南大学徐铖铖等则利用Logistic回归模型对美国加州I-880N高速公路上恶劣天气下的实时事故风险进行了分析和预测。但上述研究均针对国外的高速公路或城市道路，其所用模型和研究成果很难准确反映出中国的道路交通运行特点。检索现有技术，未发现有针对我国高速公路实时风险评估方面的相关专利。
技术实现思路
本专利技术技术解决问题：克服现有技术的不足，提供一种基于神经网络的高速公路交通运行实时风险评估方法，以我国高速公路作为研究对象，基于交通流特性与事故风险之间的内在关联性，建立高速公路交通运行的实时风险评估模型，进而能够依据风险评估结果，实时监测高速公路交通运行的风险水平，并制定出有效的事故预防策略和交通管控措施，确保道路交通安全。本专利技术技术解决方案：一种基于神经网络的高速公路交通运行实时风险评估方法，包括以下步骤：步骤S01：读取事故样本信息和事故对应的车检器信息，作为事故组信息；同时读取无事故发生时的车检器信息，作为事故对照组信息，对读取的车检器信息进行单位时间统计和处理，获取交通运行风险评估参数数据；步骤S02：选取不同的数据收集时间段进行交通运行风险值的定义和车检器信息提取，将获取的交通运行风险评估参数数据作为输入，将交通运行风险值作为输出，利用自适应神经网络模糊推理系统(ANFIS)进行交通运行风险评估建模；步骤S03：计算S02中不同数据收集时间段下ANFIS模型的训练误差和检验误差，选择训练误差和检验误差加和最小的ANFIS模型作为高速公路交通运行实时风险评估模型；步骤S04:将实时的交通运行风险评估参数数据代入S03中选择出的ANFIS模型中，进行交通运行实时风险值的计算，完成高速公路交通运行实时风险评估。在所述步骤S01中，事故样本尽可能避免选取由于天气、线形或者明显的驾驶员、车辆个体等外部因素所导致的交通事故。考虑到车流量较少(服务水平较高)时，单车事故的发生可能受交通流参数变化的影响不大，因此事故样本筛选更偏重于选择在交通量与道路通行能力的比值大于等于0.75时发生的多车事故。所述步骤S01中，车检器信息来源于每个交通事故发生所在位置最近的上游车检器，并对车检器断面在事故发生前30分钟内每5分钟的交通流参数及其各事故对照组的交通流参数进行算数处理，得到每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差等9个参数，这9个参数即为交通运行风险评估参数。所述步骤S01中，事故对照组的选择方法如下：为尽量避免周末和工作日不同交通特性对风险评估模型的影响，选择各事故发生前第7天和事故发生前第14天其最近的上游检测器断面相同的30分钟时间段内无事故发生时的交通流数据作为对照组，并计算对照组每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差等9个交通运行风险评估参数。所述步骤S02中，分别选择事故发生前0～5分钟，事故发生前0～15分钟、事故发生前0～30分钟内以及各对照组相同时间段内的数据进行交通运行风险值的定义，具体风险值的定义与取值如下所示：(1)对于事故发生前0～5分钟的时间段而言，由于交通运行风险值的大小可以根据事故的发生时刻来衡量，因此定义：对于事故组，事故发生前5分钟内风险值较高，均为1；对于无事故发生的对照组，其前5分钟内的风险值较低，均为0。(2)对于事故发生前0～15分钟这一时间段，可认为越接近事故的发生时刻，交通运行的风险值越高；越远离事故的发生时刻，风险值越低；且从事故发生前第15分钟到事故发生这个时间段内每5分钟时间间隔上的风险值是线性递增的。因此，对于事故组，事故发生前第1个5分钟时间间隔内风险值可定义为1，事故发生前5到10分钟内的风险值定义为0.5，事故发生前第10到15分钟内的风险值定义为0。对于无事故发生的对照组，各时间间隔的风险值均为0。(3)对于事故发生前0～30分钟的时间段，可认为从事故发生前第30分钟到事故发生这个时间段内每5分钟时间间隔上的风险值也是线性递增的。对于事故组，事故发生前第1个5分钟时间间隔的风险值定义为1，则事故发生前第2个到第6个5分钟时间间隔内的风险分别定为0.8，0.6，0.4，0.2，0。对于无事故发生的对照组，各时间间隔的风险值均为0。所述步骤S02中，将不同数据收集时间段下每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差等9个参数作为模型输入参数，将交通运行风险值作为模型输出参数，并将不同数据收集时间段下的模型输入参数和对应的输出参数都分为两类，分别为训练数据和检验数据；利用训练数据中的模型输入参数和输出参数进行ANFIS建模，计算模型训练误差；利用检验数据进行ANFIS模型验证，计算模型检验误差。本专利技术与现有技术相比的优点在于：(1)通过选取不同的数据收集时间段进行风险值的定义和基于自适应神经网络模糊推理系统(ANFIS)的交通运行风险评估建模，之后可通过误差分析确定最优的时间选择条件和最终的风险评估模型，与传统技术相比，能够保证高速公路交通运行实时风险评估的快速响应。(2)本专利技术将风险的事后评价转到风险的事前分析上，并突破过去仅利用静态数据和历史数据对道路风险进行分析的传统研究模式，其研究成果可用来实时监测城高速公路上的交通运行风险水平，并能以监测结果为依据，制定出有针对性的事故预警和交通管控措施，从而提高本文档来自技高网...

【技术保护点】
1.一种基于神经网络的高速公路交通运行实时风险评估方法，其特征在于，包括以下步骤：/n步骤S01：读取事故样本信息和事故对应的车检器信息，作为事故组信息；同时读取无事故发生时的车检器信息，作为事故对照组信息，对读取的车检器信息进行单位时间统计和处理，获取交通运行风险评估参数数据；/n步骤S02：选取不同的数据收集时间段进行交通运行风险值的定义和车检器信息提取，将获取的交通运行风险评估参数数据作为输入，将交通运行风险值作为输出，利用自适应神经网络模糊推理系统(ANFIS)进行交通运行风险评估建模；/n步骤S03：计算S02中不同数据收集时间段下ANFIS模型的训练误差和检验误差，选择训练误差和检验误差加和最小的ANFIS模型作为高速公路交通运行实时风险评估模型；/n步骤S04:将实时的交通运行风险评估参数数据代入S03中选择出的ANFIS模型中，进行交通运行实时风险值的计算，完成高速公路交通运行实时风险评估。/n

【技术特征摘要】
1.一种基于神经网络的高速公路交通运行实时风险评估方法，其特征在于，包括以下步骤：
步骤S01：读取事故样本信息和事故对应的车检器信息，作为事故组信息；同时读取无事故发生时的车检器信息，作为事故对照组信息，对读取的车检器信息进行单位时间统计和处理，获取交通运行风险评估参数数据；
步骤S02：选取不同的数据收集时间段进行交通运行风险值的定义和车检器信息提取，将获取的交通运行风险评估参数数据作为输入，将交通运行风险值作为输出，利用自适应神经网络模糊推理系统(ANFIS)进行交通运行风险评估建模；
步骤S03：计算S02中不同数据收集时间段下ANFIS模型的训练误差和检验误差，选择训练误差和检验误差加和最小的ANFIS模型作为高速公路交通运行实时风险评估模型；
步骤S04:将实时的交通运行风险评估参数数据代入S03中选择出的ANFIS模型中，进行交通运行实时风险值的计算，完成高速公路交通运行实时风险评估。


2.根据权利要求1所述的基于神经网络的高速公路交通运行实时风险评估方法，其特征在于：所述步骤S01中，事故样本选择在交通量与道路通行能力的比值大于等于0.75时发生的多车事故。


3.根据权利要求1所述的基于神经网络的高速公路交通运行实时风险评估方法，其特征在于：所述步骤S01中，车检器信息来源于每个交通事故发生所在位置最近的上游车检器，并对车检器断面在事故发生前30分钟内每5分钟的交通流参数及其各事故对照组的交通流参数进行算数处理，得到每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差9个参数，这9个参数即为交通运行风险评估参数。


4.根据权利要求1所述的基于神经网络的高速公路交通运行实时风险评估方法，其特征在于：所述步骤S01中，事故对照组的选择方法如下：为尽量避免周末和工作日不同交通特性对风险评估模型的影响，选择各事故发生前第7天和事故发生前第14天其最近的上游检测器断面相同的30分钟时间段内无事故发生时的交通流数据作为对照组，并计算对照组每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度...

【专利技术属性】
技术研发人员：刘淼淼，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11