快速道路危险交通流特征的自动检测确认方法技术

快速道路危险交通流特征的自动检测确认方法，收集待检测高速公路路段的事故数据，计算交通流状态划分，并在其中确立危险交通流状态，由Bayesian判别分析方法实现交通流特征的实时自动检测，比对确定当前快速道路的交通流特征状态。本发明专利技术提出一种利用实时交通数据来自动检测确认危险交通流特征的方法，随着快速道路交通基础设施的不断完善，越来越多的城市已经在快速道路上安装智能交通系统ITS，本发明专利技术实现了实时对交通流特征状态的监测，同时充分发挥智能交通系统设备的作用，当某检测路段出现危险交通流特征时，ITS可以提前向驾驶员发布信息，提醒驾驶员谨慎驾驶，从而提升快速道路的交通安全状况。

【技术实现步骤摘要】

本专利技术属于交通智能管理和控制
，为一种，可实时自动检测并确认快速道路危险交通流特征。
技术介绍
在过去的10年中，国内的机动车保有量经历了飞速的发展，1994年国内的机动车保有量只有940万辆，而到了 2009年国内的机动车保有量增加到1. 8亿辆，在机动车保有量和公路通车里程数迅速增长的同时，道路交通安全形势也日益严峻。据公安部交通管理局的事故统计资料分析，在2006到2008年间，我国道路共发生事故382，340起，由道路交通事故造成的总死亡人数达对4，588人，总受伤人数1，116，500。触目惊心的数字背后是我国公路交通事故比例高，事故严重程度大的严峻安全现状。因而道路交通安全已经成为一个社会热点问题，越来越受到社会各方面的广泛关注和研究，这对提高我国交通安全管理工作水平，对于减少人员伤亡和财产损失，发展新时期和谐交通具有重要的现实意义。已有的研究表明交通流特征对道路交通安全有显著的影响作用，然而这些研究往往采用一段时间的交通数据的平均值来表示道路交通的安全状况，例如年平均日交通量，AADT，因而很难利用这些研究结果来实时监测道路交通安全状况。另一方面，越来越多的快速道路上开始安装智能交通系统设备，这些设备常用来检测交通流的实时数据，很少用来实时监测道路安全状况。
技术实现思路
本专利技术要解决的问题是现有的交通监测控制中，主要监测交通流的拥堵等数据， 没有对快速道路实时交通安全状况进行交通监测控制，现有对交通状态的监测不能满足实时性的要求。本专利技术的技术方案为，包括以下步骤1)收集待检测高速公路路段的事故数据，确定各起交通事故的发生地点，选取交通事故发生地点上游两个检测点和下游两个检测点的交通数据，所述检测点之间相距800 米，交通数据包括事故发生前5分钟这段时间内各个检测点的交通占有率，交通占有率数据由设置在检测点的交通流检测设备直接检测，并且以30s为采集精度进行采集；2)对于每起交通事故，采用病例-对照研究法按1 4比例选取事发路段正常交通流状态下，即没有发生事故时的交通占有率数据，所述1 4指，对应于每个事故范例，选取4个相应的正常交通流状态范例；3)将事故组和非事故组组合成交通流数据样本，所述事故组为事故发生前5分钟的交通占有率数据，非事故组为正常交通流状态下交通占有率数据，采用K-means动态聚类分析方法，选用上游两个检测点和下游两个检测点共4个检测点的交通占有率进行聚类分析，得到交通流数据样本中各条数据对应的交通流状态；4)对由K-means动态聚类分析方法划分得到的各交通流状态进行病例-对照研究，自变量为交通流状态，应变量为是否发生交通事故，根据病例-对照研究中各交通流状态的比值比来确定是否存在与交通事故相关的危险交通流特征，其中比值比大于1的交通流状态代表该交通流特征与交通事故高度相关，即定义该交通流状态为事故发生前的危险交通流特征；其中某交通流状态的比值比为事故组的曝露比值除以非事故组的曝露比值，事故组的曝露比值为事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数，非事故组的曝露比值为非事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数；5)对实时交通流建立判别方法采用Bayesian判别分析方法建立各种交通流实时状态的判别方法，以上游两个检测点和下游两个检测点共4个检测点的交通占有率作为 Bayesian判别模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的实时检测函数；6)检测上游两个检测点和下游两个检测点共4个检测点的交通占有率，根据由 Bayesian判别模型建立的判别函数，实时检测是否出现步骤4)中确立的危险交通流特征， 如果出现危险交通流特征，表明有发生事故的危险性，则在前方通过可变信息板对驾驶员进行预警提示。本专利技术提出一种利用实时交通数据来自动检测确认危险交通流特征的方法，随着快速道路交通基础设施的不断完善，越来越多的城市已经在快速道路上安装htelligent Transportation System(ITS)智能交通系统，然而目前很少有智能交通系统应用于提升快速道路交通安全方面，本专利技术将集成到智能交通系统中，一是实现了实时对交通流特征状态的监测，二是可以充分发挥智能交通系统设备的作用，当某检测路段出现危险交通流特征时，ITS系统可以提前向驾驶员发布信息， 提醒驾驶员谨慎驾驶，从而提升快速道路的交通安全状况。附图说明图1为本专利技术实施例的检测点示意图。图2综合运用K-means聚类、病例对照研究和Bayesian判别分析的建模流程框图。图3为本专利技术的流程图。 具体实施例方式本专利技术将K-means聚类、Case-control病例对照研究和Bayesian判别分析用于自动检测并确认快速道路危险交通流特征，提出一种1)收集待检测高速公路路段的事故数据，确定各起交通事故的发生地点，选取交通事故发生地点上游两个检测点和下游两个检测点的交通数据，所述检测点之间相距800 米，交通数据包括事故发生前5分钟这段时间内各个检测点的交通占有率，交通占有率数据由设置在检测点的交通流检测设备直接检测，并且以30s为采集精度进行采集；2)对于每起交通事故，采用病例-对照研究法按1 4比例选取事发路段正常交通流状态下，即没有发生事故时的交通占有率数据，所述1 4指，对应于每个事故范例，选取4个相应的正常交通流状态范例；3)将事故组和非事故组组合成交通流数据样本，所述事故组为事故发生前5分钟的交通占有率数据，非事故组为正常交通流状态下交通占有率数据，采用K-means动态聚类分析方法，选用上游两个检测点和下游两个检测点共4个检测点的交通占有率进行聚类分析，得到交通流数据样本中各条数据对应的交通流状态；4)对由K-means动态聚类分析方法划分得到的各交通流状态进行病例-对照研究，自变量为交通流状态，应变量为是否发生交通事故，根据病例-对照研究中各交通流状态的比值比来确定是否存在与交通事故相关的危险交通流特征，其中比值比大于1的交通流状态代表该交通流特征与交通事故高度相关，即定义该交通流状态为事故发生前的危险交通流特征；其中某交通流状态的比值比为事故组(事故发生前交通流数据)的曝露比值除以非事故组的曝露比值，事故组的曝露比值为事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数，非事故组(没有发生事故时的交通流数据)的曝露比值为非事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数；5)由于聚类分析只能对已经采集数据的交通流状态进行分类，无法判别实时交通流究竟处于何种状态下，因而本专利技术采用Bayesian判别分析方法建立各种交通流状态的判别方法，以上游两个检测点和下游两个检测点共4个检测点的交通占有率作为Bayesian 判别模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的实时检测函数；步骤1)-4)根据采集的历史数据，将交通流划分不同状态，并确定危险交通流特征，步骤5)用于对实时的交通流进行判别，建立检测危险交通流状态的方法；6)检测上游两个检测点和下游两个检测点共4个检测点的交通占有率，根据由 Bayesian判别模型建立的判别函数，实时检测是否出现步骤4)中确立的危险交通流特征， 如果出现危险交通本文档来自技高网...

【技术保护点】
１．快速道路危险交通流特征的自动检测确认方法，其特征是包括以下步骤：１）收集待检测高速公路路段的事故数据，确定各起交通事故的发生地点，选取交通事故发生地点上游两个检测点和下游两个检测点的交通数据，所述检测点之间相距８００米，交通数据包括事故发生前５分钟这段时间内各个检测点的交通占有率，交通占有率数据由设置在检测点的交通流检测设备直接检测，并且以３０ｓ为采集精度进行采集；２）对于每起交通事故，采用病例－对照研究法按１∶４比例选取事发路段正常交通流状态下，即没有发生事故时的交通占有率数据，所述１∶４指，对应于每个事故范例，选取４个相应的正常交通流状态范例；３）将事故组和非事故组组合成交通流数据样本，所述事故组为事故发生前５分钟的交通占有率数据，非事故组为正常交通流状态下交通占有率数据，采用Ｋ－ｍｅａｎｓ动态聚类分析方法，选用上游两个检测点和下游两个检测点共４个检测点的交通占有率进行聚类分析，得到交通流数据样本中各条数据对应的交通流状态；４）对由Ｋ－ｍｅａｎｓ动态聚类分析方法划分得到的各交通流状态进行病例－对照研究，自变量为交通流状态，应变量为是否发生交通事故，根据病例－对照研究中各交通流状态的比值比来确定是否存在与交通事故相关的危险交通流特征，其中比值比大于１的交通流状态代表该交通流特征与交通事故高度相关，即定义该交通流状态为事故发生前的危险交通流特征；其中某交通流状态的比值比为事故组的曝露比值除以非事故组的曝露比值，事故组的曝露比值为事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数，非事故组的曝露比值为非事故组中该种交通流状态出现的次数除以其它交通流状态出现的次数；５）对实时交通流建立判别方法：采用Ｂａｙｅｓｉａｎ判别分析方法建立各种交通流实时状态的判别方法，以上游两个检测点和下游两个检测点共４个检测点的交通占有率作为Ｂａｙｅｓｉａｎ判别模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的实时检测函数；６）检测上游两个检测点和下游两个检测点共４个检测点的交通占有率，根据由Ｂａｙｅｓｉａｎ判别模型建立的判别函数，实时检测是否出现步骤４）中确立的危险交通流特征，如果出现危险交通流特征，表明有发生事故的危险性，则在前方通过可变信息板对驾驶员进行预警提示。...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘攀，徐铖铖，王炜，
申请(专利权)人：东南大学，
类型：发明
国别省市：84