一种数据驱动的交通安全风险评估与可变限速管控算法及系统技术方案

本申请是数据驱动的交通安全风险评估与可变限速管控算法及系统，涉及高速公路管理领域。所述算法包括获取交通安全关联的第一数据和交通事故关联的第二数据；基于所述第一数据与第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；生成可变限速管控算法；根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；若所述风险评估值不大于所述预设阈值，不开启限速管控措施。本申请基于交通安全风险评估与可变限速管控算法，分车道进行可变限速管控，保障高速公路安全。保障高速公路安全。保障高速公路安全。

【技术实现步骤摘要】
一种数据驱动的交通安全风险评估与可变限速管控算法及系统


[0001]本申请涉及高速公路管理领域，尤其涉及数据驱动的交通安全风险评估与可变限速管控算法及系统。

技术介绍

[0002]目前，高速公路交通安全风险评估模型，一般利用高速公路历史的交通事故统计数据与交通流检测数据，构建交通事故与交通流平均车头时距之间的数学函数关系，即模型驱动的高速交通安全风险评估模型。但是，模型驱动的交通安全风险评估模型，要求长时间序列的交通事故历史数据作为数据源，更适用于宏观层面研判高速公路交通安全，很难支撑动态的对车道级的高速交通安全风险进行动态评估，而且无法综合考虑不同车辆类型构成、不同天气条件、不同道路几何特征等影响因素条件下的车道级精细化安全风险等级评估。此外，若考虑上述影响因素将导致模型复杂化，同时存在模型参数拟合困难等问题。
[0003]因此，期望提供一种数据驱动的交通安全风险评估与可变限速管控算法及系统，基于实时采集的分车道分车型交通流数据、动态的天气数据以及道路交通事件数据，构建车道级的交通安全风险评估模型，支持不同车辆类型构成、不同天气条件、不同道路几何特征条件下智慧高速分车道动态限速管控，有效提高高速公路路段安全水平，保障高速公路安全。

技术实现思路

[0004]根据本申请的一些实施例的第一方面，提供了一种数据驱动的交通安全风险评估与可变限速管控算法，应用于终端(例如，管控系统等)中，所述算法可以包括获取交通安全关联的第一数据和交通事故关联的第二数据；基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；生成可变限速管控算法；根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；若所述风险评估值不大于所述预设阈值，不开启限速管控措施。
[0005]在一些实施例中，所述构建交通事故预测模型，具体包括输入所述第一数据，所述第一数据包括交通事故预测模型的自变量x；输入所述第二数据，所述第二数据包括交通事故预测模型的因变量y；构建所述交通事故预测模型y＝f(x)。
[0006]在一些实施例中，所述构建所述交通事故预测模型y＝f(x)，具体包括采用广义线性回归模型构建所述交通事故预测模型y＝f(x)，其中，y
i
样本i的因变量，x
i
样本i的自变量，x
i,d
为样本i第d维自变量，1≤d≤7，ω0、ω1…
ω7为权重系数，ε
i
为分布误差项；利用交通事故关联的第二数据对所述交通事故预测模型y＝f(x)进行拟合。
[0007]在一些实施例中，所述构建交通安全风险评估模型，具体包括设置y为交通事故件数，概率p(y＝y)为发生交通事故件数y的概率，采用负二项模型构建y的分布函数：
[0008][0009]其中，参数θ为随机变量假设服从伽玛分布，λ是y的均值λ＝E(y)；确定参数θ的最优估计。
[0010]在一些实施例中，所述确定参数θ的最优估计，具体包括：
[0011]步骤1，根据贝叶斯理论，设置样本y
i
(i＝1,
…
,n)参数θ的后验概率为：
[0012][0013]其中，P(θ|y
i
)为参数θ的后验概率，P(θ|y
i
)
∝
P(y＝y
i
|θ)π(θ)；
[0014]步骤2，确定似然函数L(θ)，设y1,y2,
…
,y
n
来自总体y的样本，y1,y2,
…
,y
n
假设是独立同分布的，参数θ的似然函数
[0015]步骤3，确定先验概率π(θ)：
[0016][0017]其中，α、β为先验概率π(θ)的超参数；
[0018]步骤4，设y1,y2,
…
,y
n
来自总体y的样本，后验概率P(θ|y1,y2,
…
,y
n
)
∝
L(θ)π(θ)，令
[0019]P(θ|y1,y2,
…
,y
n
)＝k
×
L(θ)
×
π(θ)
[0020]其中，k为常数，k＝1/∫
Θ
P(y＝y
i
|θ)π(θ)dθ；
[0021]步骤5，确定最优参数估计设置为参数θ的估计值，最优参数估计为后验概率P(θ|y1,y2,
…
,y
n
)的期望均值，即
[0022][0023]在一些实施例中，所述确定似然函数L(θ)具体包括，
[0024][0025]其中，n为样本数量，交通事故件数y
i
为样本i的因变量，i∈[1,n]；λ
i
为y
i
的均值λ
i
＝E(y
i
)，λ
i
＝exp{x
i
ω}，x
′
i
＝(x
i1
,x
i2
,
…
,x
ip
)为样本i的自变量，所述自变量包括交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率和天气能见度，p＝7,ω为(p+1)
×
1参数向量，当无先验信息时采用均匀分布作为ω的先验分布。
[0026]在一些实施例中，所述生成可变限速管控算法，具体包括若所述风险评估值大于预设阈值，根据第一车道的风险评估值确定所述第一车道的交通状态；根据所述交通状态，确定所述第一车道的可变限速区间及第一限速值；根据所述交通状态，确定所述第一车道的上游限速路段的空间范围；根据所述空间范围，确定所述第一车道的可变限速值。
[0027]在一些实施例中，所述交通状态包括非常安全、安全、正常、危险、非常危险；所述
确定所述第一车道的上游限速路段的空间范围，具体包括若交通状态为非常危险，开启限速管控措施的管控范围为所述第一车道的上游第一距离路段；若交通状态为危险，开启限速管控措施的管控范围为所述第一车道的上游第二距离路段，所述第一距离大于所述第二距离；若交通状态为正常、安全、非常安全，不开启限速管控措施。
[0028]在一些实施例中，所述确定所述第一车道的可变限速值，具体包括输入所述第一车道的第一限速值v0和上游第一距离路段的平均车速v
u
,计算速度差值Δv＝v
u
‑
v0；确定上游第一距离路段的情报板龙门架的数量m，设置所述上游最近距离处的情报板1对应龙门架1，设置所述上游最远距离处的情报板m对应龙门架m；设置上游限速路段的可变限速值由远及近逐渐减小，确定m个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，包括：获取交通安全关联的第一数据和交通事故关联的第二数据；基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；生成可变限速管控算法；根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；若所述风险评估值不大于所述预设阈值，不开启限速管控措施。2.根据权利要求1所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述构建交通事故预测模型具体包括：输入所述第一数据，所述第一数据包括交通事故预测模型的自变量x；输入所述第二数据，所述第二数据包括交通事故预测模型的因变量y；构建所述交通事故预测模型y＝f(x)。3.根据权利要求2所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述构建所述交通事故预测模型y＝f(x)具体包括：采用广义线性回归模型构建所述交通事故预测模型y＝f(x)，其中，y
i
样本i的因变量，x
i
样本i的自变量，x
i,d
为样本i第d维自变量，1≤d≤7，ω0、ω1…
ω7为权重系数，ε
i
为分布误差项；利用交通事故关联的第二数据对所述交通事故预测模型y＝f(x)进行拟合。4.根据权利要求3所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述构建交通安全风险评估模型具体包括：设置y为交通事故件数，概率p(y＝y)为发生交通事故件数y的概率，采用负二项模型构建y的分布函数：其中，参数θ为随机变量假设服从伽玛分布，λ是y的均值λ＝E(y)；确定参数θ的最优估计。5.根据权利要求4所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述确定参数θ的最优估计，具体包括：步骤1，根据贝叶斯理论，设置样本y
i
(i＝1,
…
,n)参数θ的后验概率为：其中，P(θ|y
i
)为参数θ的后验概率，P(θ|y
i
)
∝
P(y＝y
i
|θ)π(θ)；步骤2，确定似然函数L(θ)，设y1,y2,
…
,y
n
来自总体y的样本，y1,y2,
…
,y
n
假设是独立同分布的，参数θ的似然函数步骤3，确定先验概率π(θ)：
其中，α、β为先验概率π(θ)的超参数；步骤4，设y1,y2,
…
,y
n
来自总体y的样本，后验概率P(θ|y1,y2,
…
,y
n
)
∝
L(θ)π(θ)，令P(θ|y1,y2,
…
,y
n
)＝k
×
L(θ)
×
π(θ)其中，k为常数，k＝1/∫
Θ
P(y＝y
i
|θ)π(θ)dθ；步骤5，确定最优参数估计设置为参数θ的估计值，最优参数估计为后验概率P(θ|y1,y2,
…
,y
n
)的期望均值，即6.根据权利要求5所述的数据驱动的交通安全风险评估与可变限速管控算法，其特...

【专利技术属性】
技术研发人员：袁月明，宦涣，尹伯华，
申请(专利权)人：云控智行上海汽车科技有限公司，
类型：发明
国别省市：