【技术实现步骤摘要】
一种城市快速路交通安全评价方法
[0001]本专利技术涉及交通安全
，尤其是涉及一种城市快速路交通安全评价方法。
技术介绍
[0002]为对城市快速路的交通进行安全评价，一般使用以下几种方法。统计学方法(例如事故率法等)，适用于预测周期长、区域范围大的路网；主成分分析方法，直观明了，但是侧重于道路安全性的比较分析；模糊综合评价法，主观意识太强，随机性比较大，评价结果缺乏可靠性；云模型方法，综合了交通安全定性概念的模糊性和随机性，将云模型与模糊综合评价结合使用，进一步降低模糊综合评价的主观性，从而提高评价结果的可靠性。
[0003]但是，目前在利用云模型进行交通安全评价时，评价指标的选取存在片面性和主观性，导致不同指标得到的安全评价等级存在一定差异。申请人鉴于速度与交通安全的密切关系，从速度指标出发进行交通安全评价，并结合人工智能的卷积神经网络进行短时车速预测，为城市交通安全评价提供了新思路。
技术实现思路
[0004]本专利技术的目的是提供了一种城市快速路交通安全评价方法，用于解决云模型进行交通...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种城市快速路交通安全评价方法，其特征在于，包括如下步骤：S1：评价指标体系初选从车速连续性、离散性和协调性出发进行评价指标初选；S2：基于卷积神经网络对短时车速进行预测鉴于速度的时空特性，构造卷积神经网络进行车速预测；S3：评价指标体系计算依据灰色关联度分析速度指标与交通安全之间的关系，选取灰色关联度大的指标作为最终的评价指标体系；将预测得到的车速值代入评价指标体系，从而获得评价指标体系的计算值；S4：基于云模型的模糊综合评价建立标准云模型以及结果云模型，将结果云模型与标准云模型比较，从而得到直观的评价结果。2.根据权利要求1所述的城市快速路交通安全评价方法，其特征在于，所述S1的具体过程如下：S11：车速连续性分析断面瞬时速度差ΔV＝max{|V
85i
‑
V
85i+1
|},i＝1,2,
…
,n
‑
1；车速降低系数SRC＝V
85i
/V
85i+1
式中，V
85i
和V
85i+1
分别为第i和第i+1个断面的第85％车辆运行车速，n表示断面总个数；S12：车速离散性分析车速标准差V85与V15车速之差ΔV＝V
85
‑
V
15
车速标准差变异系数式中，V
i
为样本路段第i辆车速，为样本路段的平均速度值，n为样本路段车辆总数；V
85
为样本路段第85％位车辆车速，V
15
为样本路段第15％位车辆车速；车速集散度式中，ΔV
i
为第i个断面第85％位运行车辆车速与平均车速之差，即单位长度内的速度梯度，l
i
为第i个断面对应的起点里程桩号，l
i+1
为第i+1个断面对应的起点里程桩号，L为里程长度，n为里程长度L内断面个数；S13：车速协调性分析运行车速与设计速度之差ΔV＝max{|V
i
‑
V
i，d
|}运行车速与限速值之差ΔV＝max{|V
i
‑
V
i，l
|}式中，V
i
为第i个断面的平均车速，V
i，d
为第i个断面的设计车速，V
i，l
为第i个断面在降雨时的限制车速。3.根据权利要求1所述的城市快速路交通安全评价方法，其特征在于，所述S2步骤具体过程为：S21：构造卷积层
第一层卷积的输入为12x12，使用8个5x5的卷积核提取输入矩阵的特征，卷积运算步长为1，采用0对矩阵边缘填充；第二层卷积的输入为12x12，使用12个3x3的卷积核提取输入矩阵的特征，卷积运算步长为1，采用1对矩阵边缘填充；卷积神经网络输出特征图大小的计算公式：式中，P为边缘填充的数量，K为卷积核和池化区域的大小，S为计算操作的步长；S22：激活函数修正采用的激活函数为Relu，Relu的计算公式为：f(x)＝max(0,x)S23：构造池化层选用最大池化的方法对卷积运算的结果进行池化，每一层池化层大小为2x2，步长为2；两个池化层分别为Pool1和Poo12，Pool1的特征图的大小为6X6，Pool2的特征图的大小为3X3；S24：构造全连接层池化层之后是全连接层，该层可以将池化结果以特征向量的形式呈现，模型输出为实际值；在Fc3层之后，使用Fc4层对Fc3层的特征向量整合，并且将分类中的最大概率值作为最终输出的特征值。4.根据权利要求1所述的城市快速路交通安全评价方法，其特征在于，所述S3的过程为：S31：确定评价指标体系(1)确定指标数据的实验数据X'
i
和参考数据X'0X'
技术研发人员：王建军，卢霄娟，王赛，马驰骋，关山，宋明洋，李冬怡，
申请(专利权)人：长安大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。