一种连续流道路场景下的交通事故风险评估方法技术

本发明专利技术公开了一种连续流道路场景下的交通事故风险评估方法，包括：构造病例对照数据集，划分为历史样本数据和测试数据，使用历史样本数据进行自组织映射聚类分析，构建风险场景识别模型；输入待测数据集，判断待测数据所属的风险场景，将所属风险场景的历史样本数据作为训练集进行基学习器模型训练，并输出待测数据的预测结果；对测试数据的预测结果绘制

【技术实现步骤摘要】
一种连续流道路场景下的交通事故风险评估方法


[0001]本专利技术属于智能交通
，具体涉及一种连续流道路场景下的交通事故风险评估方法
。

技术介绍

[0002]连续交通流场景包括高速公路和城市快速路等高等级道路，其特征是限制出入
、
机动车专用
、
全立交和全封闭
。
此类道路若发生事故会对人身财产和交通运输效率带来不利影响
。
为减少连续交通流场景下的交通事故，提升交通运行安全性，研发人员致力于以较低的成本构建可迁移模型，从而实现对大范围高等级道路风险实施短时监测预警，这有利于道路管理者及时发布管控措施，也有助于出行者提前规划线路
。
国内外已有大量关于事故致因分析和安全保障措施的研究，多位学者的研究已证实事故的发生与道路交通流特征有密切关系，事故发生前道路上交通流状态，如交通量
、
平均车速
、
环境信息等参数会表征出某种高风险特征，这使利用道路交通流信息预评估事故风险成为可能
。
>但交通事故频发的现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种连续流道路场景下的交通事故风险评估方法，其特征在于，所述交通事故风险评估方法包括以下步骤：
S1
：获取待评估道路的历史道路事故数据和历史交通流信息，采集一定时间范围内发生的事故数据和以及在此时间范围内的交通流参数，以事故发生与否为因变量，交通流信息为自变量，构造病例对照数据集；所述事故数据包括事故发生的事件
、
位置
、
上下行方向；所述交通流参数包括路段断面的交通量
、
平均车速
、
车道占有率；
S2
：将病例对照数据集中的数据划分为历史样本数据和测试数据两类，使用历史样本数据进行自组织映射聚类分析，构建风险场景识别模型；
S3
：输入待测数据集，判断待测数据所属的风险场景，将所属风险场景的历史样本数据作为训练集进行基学习器模型训练，并输出待测数据的预测结果；
S4
：对测试数据的预测结果绘制
ROC
曲线，采用
AUC
指标评估优度，并根据约登指数选择最佳风险阈值；
S5
：实时获取待评估道路上的交通流参数，使用步骤
S2
确定的风险场景识别模型确定风险场景，使用步骤
S3
和步骤
S4
确定的风险评估模型实时计算待评估道路上的风险水平
。2.
根据权利要求1所述的连续流道路场景下的交通事故风险评估方法，其特征在于，步骤
S1
中，采集一定时间范围内发生的事故数据和以及在此时间范围内的交通流参数的过程包括以下子步骤：
S101
：对获取的历史道路事故数据进行处理，根据交通事故发生的位置，区分所在位置的上下游；
S102
：由布设在车道上的传感器获取历史交通流信息，将交通事故发生地点下游方向的交通流信息传感器记为
K
，上游方向传感器记为
K
‑1，根据交通事故发生的时间，采集传感器
K
和
K
‑1在发生事故前5～
10
分钟和
10
～
15
分钟内的交通流信息，根据断面位置和时间段将交通流参数变量
flowdata
分别记为：
flowdata
＝
[f1，
up
，
v1，
up
，
o1，
up
，
f2，
up
，
v2，
up
，
o2，
up
，
f1，
down
，
v1，
down
，
o1，
down
，
f2，
down
，
v2，
down
，
o2，
down
]
其中，变量名
f
，
v
，
o
分别代表交通量
、
平均车速和车道占有率，下标1代表发生事故前5～
10
分钟，下标2代表发生事故前
10
～
15
分钟，下标
up
代表事故点位上游，下标
down
代表事故点位下游；
S103
：将步骤
S101
中发生事故的数据标签
crash
记为1，选取事故数据相同地点
、
相同时间
、
不同日期的正常行驶数据
crash
记为0，构造得到病例对照数据集，病例对照数据集中的数据
data
的基本结构为：
data
＝
[crash
，
flowdata]。3.
根据权利要求2所述的连续流道路场景下的交通事故风险评估方法，其特征在于，步骤
S1
中，所述历史道路事故数据包括发生交通事故的时间和位置，时间精确到分钟级，位置精确到百米级
。4.
根据权利要求2所述的连续流道路场景下的交通事故风险评估方法，其特征在于，步骤
S1
中，病例对照数据集中，正常行驶数据数量和事故数据数量比例为
3∶1。5.
根据权利要求1所述的连续流道路场景下的交通事故风险评估方法，其特征在于，步骤
S2
中，使用历史样本数据进行自组织映射聚类分析，构建风险场景识别模型的过程包括
以下子步骤：
S201
：按照预测划分比例从病例对照数据集中提取得到历史样本数据和测试数据，且保持历史样本数据集和测试数据集中事故数据和正常行驶数据比例与病例对照数据集中的事故数据和正常行驶数据比例一致；
S202
：使用历史样本数据集进行自组织映射网络模型的训练，根据历史样本数据集的数量
N
，按以下公式选择
SOM
网络边长
M
：其中，
SOM
网络每一边有
M
个神经元，共
M
列，共计
M2个神经元，每个神经元按六边形与其他神经元相连，形成蜂巢网络结构；
S203
：初始化
SOM
网络，给每一个神经元随机赋予
K
维权重
w
j
＝
[a
k
]
，
k
的值和历史样本数据中的
flowdata
自变量元素数一致；
j
为神经元编号，
j
＝1，2，
...
，
M2；
S204
：对历史样本数据集
X
＝
[x1，
x2，
...x
i
...
，
x
N

【专利技术属性】
技术研发人员：陆建，马潇驰，车忠兴，叶凡，夏萧菡，霍宗鑫，
申请(专利权)人：东南大学，
类型：发明
国别省市：