一种基于路段异质性的快速路事故风险实时预测方法技术

本发明专利技术涉及一种基于路段异质性的快速路事故风险实时预测方法，具体包括以下步骤：S1.获取目标快速路的道路几何数据，以此划分相应的路段类型，并获取历史事故数据，提取事故发生时间；S2.根据路段类型和事故发生时间，结合显著性检验和随机森林算法，计算得到快速路事故风险的主要来源；S3.基于快速路事故风险的主要来源建立事故风险预测模型，实时获取交通流数据和天气数据，结合道路几何数据输入事故风险预测模型，输出获得事故风险预测结果；S4.根据事故风险预测结果，判断是否需要采取交通管控措施，若是则实施相应的交通管控策略，否则返回步骤S3。与现有技术相比，本发明专利技术具有实时性较好、提高事故风险预测模型的准确度与可移植性等优点。移植性等优点。移植性等优点。

【技术实现步骤摘要】
一种基于路段异质性的快速路事故风险实时预测方法


[0001]本专利技术涉及快速路交通安全预测
，尤其是涉及一种基于路段异质性的快速路事故风险实时预测方法。

技术介绍

[0002]城市快速路是现代化交通体系的重要组成部分，其一旦发生交通事故，极易诱发长距离交通拥堵，造成大面积的出行延误情况。在降低快速路事故发生频率的各类措施中，主动安全管控是其关键所在，而精准的事故风险预测则是主动安全管控的前提。事故风险预测结果可作为主动安全管控的输入，从而确定主动安全管控措施的类型与等级。
[0003]事故风险实时预测技术在近年来飞速发展，取得了喜人的成果，但仍存在着一定缺陷，具体如下：
[0004]一、现有的预测技术不考虑各路段类型之间在事故机理上的差异，或针对特定路段类型开发预测模型，导致预测准确度低、可移植性差；
[0005]二、现有预测技术中输入数据的时空维度无法满足网联车辆的实时管控需求，该领域亟需更新频率快的风险预测技术的出现；
[0006]三、现有预测技术无法体现各路段类型之间在事故机理上的相同与差异。

技术实现思路

[0007]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种动态性佳、准确度高、可移植性好的基于路段异质性的快速路事故风险实时预测方法。
[0008]本专利技术的目的可以通过以下技术方案来实现：
[0009]一种基于路段异质性的快速路事故风险实时预测方法，具体包括以下步骤：
[0010]S1.获取目标快速路的道路几何数据，根据所述道路几何数据划分目标快速路的路段类型，获取历史事故数据，根据所述历史事故数据提取事故发生时间；
[0011]S2.根据所述路段类型和事故发生时间，结合显著性检验和随机森林算法，计算得到快速路事故的风险主要来源；
[0012]S3.基于所述快速路事故的风险主要来源建立事故风险预测模型，实时获取目标快速路的交通流数据和天气数据，所述道路几何数据、交通流数据和天气数据输入事故风险预测模型，输出获得事故风险预测结果；
[0013]S4.根据所述事故风险预测结果，实施相应的交通管控策略。
[0014]所述路段类型包括合流段、分流段、交织段和基本路段，所述道路几何数据包括匝道布设数量、中央分隔带宽度、路肩宽度、限速值、辅助车道建设情况、快速路车道数量和路段长度。
[0015]所述目标快速路的道路几何数据和路段类型通过ArcGIS软件收集得到。
[0016]所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据。
[0017]进一步地，所述步骤S1中提取事故发生时间的具体过程为提取路段上游距离所述
事故发生坐标最近的检测器所收集到的数据，根据检测器收集到的数据绘制速度曲线，以速度曲线中速度急剧下降的时刻作为事故准确发生时间。
[0018]所述检测器收集到的数据包括预设时间范围内每条车道的速度曲线。
[0019]所述步骤S2中由显著性分析和随机森林算法对各个时空位置上显著变量的重要度进行计算。
[0020]所述事故风险预测模型为基于巢式Logit理论的预测模型，具体如下所示：
[0021]Logit(p
i
)＝1.62
·
Surface-0.122
·
Visibility+ln(IV)
[0022]IV＝exp[α
1，i
·
(-2.48-0.039m_0MVR+0.174m_0occ_up1
[0023]+0.035m_0str.rat_up1+0.34m_2diff.occ_dw1)-999(1-α
1，i
)][0024]+exp[α
2，i
·
(-7.92+0.966RC2+0.809log(m_0vol_up1)
[0025]+0.799m_1btruck_up4+0.209m_2cha.occ_up4
[0026]+0.175m_2std_spd_up4)-999(1-α
2，i
)][0027]+exp[α
3，i
·
(-6.72+0.234m_0cha.std_spd_dw1
[0028]+0.278m_0diff.occ_up1+0.042m_0str.rat_up1
[0029]+0.288m_2cha.occ_up3+1.16log(m_3vol_up2))-999(1-α
3，i
)][0030]+exp[α
4，i
·
(-2.4-0.077Length+0.076RC4-0.04m_0spd_up2
[0031]+0.1m_0std_spd_up3+0.109m_1cha.occ_up2
[0032]+0.302m_1diff.occ_up4+0.516log(m_3vol_up5))-999(1
[0033]-α
4，i
)][0034]其中，Surface为路面湿滑程度，Visibility为目标能被驾驶员清楚辨认的最远距离，α
1，i
为合流段的类型判断值，α
2，i
为分流段的类型判断值，α
3，i
为交织段的类型判断值，α
4，i
为基本路段的类型判断值，m_0MVR为合流段在第一预设时间内匝道与主线流量的比例，m_0occ_up1为合流段的上游第一个检测器在第一预设时间内的占有率，m_0str.rat_up1为合流段的上游第一个检测器在第一预设时间内的中型车流量比例，m_2diff.occ_dw1为合流段的下游第一个检测器第三预设时间内与第四预设时间内的占有率差的绝对值，RC2为分流段的量化后上游匝道数量及其布设位置的影响大小，log(m_0vol_up1)为分流段的上游第一个检测器第一预设时间内的流量的对数值，m_1btruck_up4为分流段的上游第4个检测器在第二预设时间内的大型车流量，m_2cha.occ_up4为分流段的上游第4个、第5个检测器在第三预设时间内占有率差的绝对值，m_2std_spd_up4为分流段的上游第4个检测器在第三预设时间内的速度标准差，m_0cha.std_spd_dw1为交织段的上游第1个、下游第1个检测器在第一预设时间内速度标准差的差的绝对值，m_0diff.occ_up1为交织段的上游第1个检测器在第一预设时间内与第二预设时间内的占有率差的绝对值，m_0str.rat_up1为交织段的上游第1个检测器在第一预设时间内的中型车比例，m_2cha.occ_up3为交织段的上游第3个、第4个检测器在第三预设时间内占有率差的绝对值，log(m_3vol_up2)为交织段的上游第2个检测器在第四预设时间内的流量的对数值，Length为路段长度，RC4为基本路段的量化后上游匝道布设的影响大小，m_0spd_up2为基本路段的上游本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，具体包括以下步骤：S1.获取目标快速路的道路几何数据，根据所述道路几何数据划分目标快速路的路段类型，获取历史事故数据，根据所述历史事故数据提取事故发生时间；S2.根据所述路段类型和事故发生时间，结合显著性检验和随机森林算法，计算得到快速路事故风险的主要来源；S3.基于所述快速路事故风险的主要来源建立事故风险预测模型，实时获取目标快速路的交通流数据和天气数据，所述道路几何数据、交通流数据和天气数据输入事故风险预测模型，输出获得事故风险预测结果；S4.根据所述事故风险预测结果，判断是否需要采取交通管控措施，若是则实施相应的交通管控策略，实现动态调节，否则返回步骤S3。2.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述路段类型包括合流段、分流段、交织段和基本路段，所述道路几何数据包括匝道布设数量、中央分隔带宽度、路肩宽度、限速值、辅助车道建设情况、快速路车道数量和路段长度。3.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据。4.根据权利要求3所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述步骤S1中提取事故发生时间的具体过程为提取路段上游距离所述事故发生坐标最近的检测器所收集到的数据，根据检测器收集到的数据绘制速度曲线，以速度曲线中速度急剧下降的时刻作为事故准确发生时间。5.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述步骤S2中由显著性分析和随机森林算法对各个时空位置上显著变量的重要度进行计算。6.根据权利要求1所述的一种基于路段异质性的快速路事故风险实时预测方法，其特征在于，所述事故风险预测模型为基于巢式Logit理论的预测模型，具体如下所示：Logit(p
i
)＝1.62
·
Surface-0.122
·
Visibility+ln(IV)IV＝exp[α
1，i
·
(-2.48-0.039m_OMVR+0.174m_Oocc_up1+0.035m_Ostr.rat_up1+0.34m_2diff.occ_dw1)-999(1-α
1，i
)]+exp[α
2，i
·
(-7.92+0.966RC2+0.809log(m_Ovol_up1)+0.799m_1btruck_up4+0.209m_2cha.occ_up4+0.175m_2std_spd_up4)-999(1-α
2，i
)]+exp[α
3，i
·
(-6.72+0.234m_Ocha.std_spd_dw1+0.278m_Odiff.occ_up1+0.042m_Ostr.rat_up1+0.288m_2cha.occ_up3+1.16log(m_3vol_up2))-999(1-α
3，i
)]+exp[α
4，i
·
(-2.4-0.077Length+0.076RC4-0.04m_Ospd_up2+0.1m_Ostd_spd_up3+0.109m_1c...

【专利技术属性】
技术研发人员：王玲，王康，马万经，俞春辉，
申请(专利权)人：同济大学，
类型：发明
国别省市：