一种山区道路的安全评估与优化方法技术

本发明专利技术涉及一种山区道路的安全评估与优化方法，包括：获取道路线形参数和车辆的运动状态；构建道路运行指标预测模型，从潜在解释变量中筛选显著变量并筛选最优上下游距离；采用复杂道路运行指标预测模型对显著变量进行验证；若验证通过，则基于道路运行指标预测模型预测车辆运行指标，若验证未通过，则重新构建道路运行指标预测模型并对重新确定的显著变量进行验证，直至验证通过；计算事故替代指标；基于事故替代指标，利用描述性统计方法，确定道路线形参数与事故替代指标之间的关系，对道路的安全性进行评价，并对道路线形参数进行优化。与现有技术相比，本发明专利技术可以在道路设计阶段实现前瞻性的道路安全评估与优化。阶段实现前瞻性的道路安全评估与优化。阶段实现前瞻性的道路安全评估与优化。

【技术实现步骤摘要】
一种山区道路的安全评估与优化方法


[0001]本专利技术涉及道路安全评估与优化领域，尤其是涉及一种山区道路的安全评估与优化方法。

技术介绍

[0002]随着我国高速公路的快速发展，高速公路交通安全越来越收到社会各界的重视。我国未来公路的主要建设区将转移到我国的中西部地区，但由于其地形条件复杂，组合线形将会有更大的应用场景。但是现有的公路设计和安全评价规范对驾驶人的考虑不足，对线形设计值的约束单一。
[0003]道路线形设计与交通事故间有显著关系，道路曲线半径、视距、最大坡度与坡长及不良线形组合是道路设计安全评价中主要考虑的因素。这是因为驾驶人在驾驶车辆过程中，通过获取的道路环境信息，采取相应的驾驶行为控制车辆运行。不协调的道路线形，如在相邻组合路段上，线形设计元素突变，不仅会有道驾驶人产生无意识的危险驾驶行为，甚至会令驾驶人感到措手不及而引发不当的驾驶操作。
[0004]在传统的道路线性安全研究中，已经存在大量的车速模型均采用的是基于定点数据构建速度特征点的速度预测策略。现有的预测模型在应用时有两个主要的缺陷：一是路段的划分割裂了道路线形变化的连续性，驾驶员不是在路段单元上重复加减速，而是受道路线形限制最大的路段影响，在驾驶的全过程中保持有惯性，但现有预测模型将道路切割为不同的单元进行分析，影响其适用性；二是假定的速度特征点不一定是速度变化的极值点，比如已有研究者发现驾驶员经过平曲线或弯坡路段并不总是在中点附近达到速度最小值，所以现有预测模型的基准点就存在偏差。
[0005]事故是进行安全评估最直接的指标，但直接基于线形参数估计事故的相关研究具有一些缺陷，一方面需要大量的事故样本和研究点位作为支撑，另一方面由于事故发生具有偶然性和小概率的特点，事故与线形设计参数之间的关联常常并不显著。

技术实现思路

[0006]本专利技术的目的就是为了提供一种山区道路的安全评估与优化方法。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]S1、获取目标路段的道路线形参数和车辆的运动状态；
[0009]S2、基于车辆的运动状态构建因变量，基于道路线形参数构建自变量并作为潜在解释变量；
[0010]S3、构建道路运行指标预测模型，基于方差扩大因子解决变量的多重共线性，并基于模型拟合度与变量交通含义，从潜在解释变量中筛选显著变量并筛选最优上下游距离；
[0011]S4、基于驾驶人之间的差异，采用复杂道路运行指标预测模型对显著变量进行验证；
[0012]S5、若验证通过，则基于道路运行指标预测模型预测车辆运行指标，若验证未通
过，则重新执行步骤S3
‑
S5，重新构建道路运行指标预测模型并对重新确定的显著变量进行验证，直至验证通过；
[0013]S6、基于车辆运行指标计算事故替代指标；
[0014]S7、基于目标路段的道路线形参数，构建不同线形参数的路段，并基于事故替代指标，利用描述性统计方法，确定道路线形参数与事故替代指标之间的关系，对道路的安全性进行评价，并对道路线形参数进行优化。
[0015]所述道路线形参数包括坡度、曲率、是否为变坡点、是否为S型曲线。
[0016]所述车辆的运动状态包括车辆的运行速度、纵向加速度、横向加速度和车道偏移值；
[0017]所述因变量包括运行速度、纵向加速度、横向加速度和车道偏移等级；
[0018]构建自变量时，分别提取上下游预配置距离间隔处的前后路段曲率、坡度的集计值，作为潜在解释变量。
[0019]所述集计值包括极值、平均值、比例和分类变量。
[0020]所述构建道路运行指标预测模型分为两部分：
[0021]对车辆的运行速度、纵向加速度和横向加速度构建多元线性回归模型：
[0022]y＝β0+β1x1+β2x2…
+β
p
x
p
+ε
[0023]其中，β0是回归常数，β1…
β
p
是回归系数，y是因变量，x1,x2…
x
p
是p个可以精确测量并控制的自变量，ε是随机误差；
[0024]对车道偏移等级构建有序Logit模型：
[0025][0026]其中，p
j
是因变量，为前j种类别的概率，α
j
是第j种类别的常数，γ1…
γ
p
是模型系数。
[0027]所述复杂道路运行指标预测模型分为两部分：
[0028]对车辆的运行速度、纵向加速度和横向加速度构建混合线性模型：
[0029]y
k
＝λ
k0
+λ
k1
x1+
…
λ
kj
x
j
…
+λ
kp
x
p
+
[0030]λ[driver
k
]0+λ[driver
k
]1x1+
…
λ[driver
k
]j
x
j
…
+λ[driver
k
]p
x
p
[0031]其中，λ
k0
为第k个驾驶员的截距项，λ
kj
为固定自变量的系数，λ[driver
k
]0为第k个驾驶员的随机参数截距，λ[driver
k
]j
为第k个驾驶员的随机自变量参数，j＝1,2,
…
,p，y是因变量，x1,x2…
x
p
是p个可以精确测量并控制的自变量；
[0032]对车道偏移等级构建分层有序Logit模型：
[0033][0034]η
kj
＝η
k
+b
j
[0035]其中，η
k
表示所有组的截距变量，b
j
为均值为零的随机变量，服从Gamma(0.01,0.01)分布，作为随机效应用于表征组内差异，μ
j
为模型系数。
[0036]所述事故替代指标包括运行车速与设计车速差、断面车速差、加减速率的85th分位值、速度方差、最小纵向加速度、无偏移比例、严重偏移比例。
[0037]所述描述性统计方法为箱式图。
[0038]与现有技术相比，本专利技术具有以下有益效果：
[0039](1)本专利技术建立了考虑上下游特征的连续建模策略，更能准确描述速度在组合线形路段上的连续变化。
[0040](2)本专利技术选择各个上下游集计距离的潜在解释变量，构建多元线性回归模型和有序Logit模型，筛选出显著变量；为了深入理解驾驶员个体差异，探索极端驾驶员样本对道路线形变化的反应，利用混合线性模型和分层有序Logit模型对显著变量进行验证。
[0041](3)本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种山区道路的安全评估与优化方法，其特征在于，包括以下步骤：S1、获取目标路段的道路线形参数和车辆的运动状态；S2、基于车辆的运动状态构建因变量，基于道路线形参数构建自变量并作为潜在解释变量；S3、构建道路运行指标预测模型，基于方差扩大因子解决变量的多重共线性，并基于模型拟合度与变量交通含义，从潜在解释变量中筛选显著变量并筛选最优上下游距离；S4、基于驾驶人之间的差异，采用复杂道路运行指标预测模型对显著变量进行验证；S5、若验证通过，则基于道路运行指标预测模型预测车辆运行指标，若验证未通过，则重新执行步骤S3
‑
S5，重新构建道路运行指标预测模型并对重新确定的显著变量进行验证，直至验证通过；S6、基于车辆运行指标计算事故替代指标；S7、基于目标路段的道路线形参数，构建不同线形参数的路段，并基于事故替代指标，利用描述性统计方法，确定道路线形参数与事故替代指标之间的关系，对道路的安全性进行评价，并对道路线形参数进行优化。2.根据权利要求1所述的一种山区道路的安全评估与优化方法，其特征在于，所述道路线形参数包括坡度、曲率、是否为变坡点、是否为S型曲线。3.根据权利要求1所述的一种山区道路的安全评估与优化方法，其特征在于，所述车辆的运动状态包括车辆的运行速度、纵向加速度、横向加速度和车道偏移值。4.根据权利要求3所述的一种山区道路的安全评估与优化方法，其特征在于，所述因变量包括运行速度、纵向加速度、横向加速度和车道偏移等级。5.根据权利要求2所述的一种山区道路的安全评估与优化方法，其特征在于，构建自变量时，分别提取上下游预配置距离间隔处的前后路段曲率、坡度的集计值，作为潜在解释变量。6.根据权利要求5所述的一种山区道路的安全评估与优化方法，其特征在于，所述集计值包括极值、平均值、比例和分类变量。7.根据权利要求4所述的一种山区道路的安全评估与优化方法，其特征在于，所述构建道路运行指标预测模型分为两部分：对车辆的运行速度、纵向加速度和横向加速度构建多元线性回归模型：y＝β0+β1x1+β2x2…
+β
p
x
p
+ε其中，β0是回归常数，β1…
β
p
是回归系数，y是因变量，x1，x2…
x
p
是p个可以精确测量并控制的自变量，ε是随机误差；对车道偏移等级构建有序Logit模型：其中，p
j<...

【专利技术属性】
技术研发人员：王雪松，王一凡，
申请(专利权)人：同济大学，
类型：发明
国别省市：