專利名稱:針對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法
技術領域:
本發(fā)明根據(jù)常發(fā)性擁堵快速道路上交通瓶頸上游路段交通流特征與追尾事故發(fā)生條件,提出一種針對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法,屬于智能交通管理和交通安全技術領域。
背景技術:
隨著我國經(jīng)濟高速增長,快速道路經(jīng)歷了跨越式迅猛發(fā)展。截止2011年底,我國高速公路總里程超過8.5萬公里,穩(wěn)居世界第二位,城市內(nèi)及城市間快速道路里程數(shù)迅速增加。近年來,隨著機動車保有量迅速增長,快速道路交通安全問題變得越發(fā)嚴重。快速道路上存在若干交通瓶頸,例如入口匝道位置、出口匝道位置、車道變少位置、施工區(qū)、交通事故發(fā)生區(qū)等。交通瓶頸路段常誘發(fā)交通擁堵,擁堵會形成車輛排隊且排隊狀態(tài)向上游路段傳播,迫使上游車輛突然大幅降低行駛車速。當車輛間距不足以完成安全減速行為時,會導致追尾事故。在我國快速道路交通事故統(tǒng)計中,近50%的事故形態(tài)為追尾事故,表明快速道路常發(fā)性擁堵路段的追尾事故風險較高。對追尾事故進行實時預測,并據(jù)此進行動態(tài)交通的控制和管理,減少追尾事故的發(fā)生,對提高快速道路瓶頸路段的行車安全具有重要意義。隨著當前智能交通系統(tǒng)和先進的交通管理系統(tǒng)的應用,交通控制中心可以通過電磁感應線圈等設備獲得實時準確的交通流數(shù)據(jù)。電磁線圈感應器能夠以30s或者更高的精度實時檢測交通流特征參數(shù),例如交通流量、車輛速度和線圈占有率。在交通流實時數(shù)據(jù)獲取及存儲已變得極為容易的背景下,利用實時交通流數(shù)據(jù)建立交通流特征與交通事故風險之間的關系,以實現(xiàn)在較短時間內(nèi)甚至實時預測交通事故的發(fā)生,已經(jīng)成為了國內(nèi)外交通安全研究的重點,對于改善我國快速道路交通安全現(xiàn)狀具有重要價值。以往并沒有考慮快速道路常發(fā)性擁堵路段獨特的交通流運行特征及運行規(guī)律,現(xiàn)有發(fā)明與技術并不適用于快速道路常發(fā)擁堵路段,且無法對常發(fā)擁堵路段的追尾事故進行實時預測。
發(fā)明內(nèi)容
發(fā)明目的:針對以往交通事故預測方法并不適用于快速道路常發(fā)性擁堵路段,無法依據(jù)實時交通流數(shù)據(jù)對該路段內(nèi)追尾事故進行實時預測,導致缺乏有效交通管理控制手段來預防快速道路追尾事故發(fā)生。本發(fā)明根據(jù)快速道路常發(fā)擁堵路段內(nèi)交通流運行規(guī)律與特征,從運動波傳播角度分析了追尾事故發(fā)生條件,建立了 Logistic回歸模型來實時預測事故發(fā)生概率,彌補了以往無法對快速道路常發(fā)性擁堵路段追尾事故進行實時預測的技術缺陷。技術方案:本發(fā)明提出針對快速道路常發(fā)性擁堵路段追尾事故風險的預測方法,基于運動波傳播特性分析提出追尾事故發(fā)生的條件,基于多個車輛跟馳軌跡的集計建立了Logistic回歸模型,根據(jù)事故發(fā)生前5min交通流數(shù)據(jù)對模型進行參數(shù)標定。實例顯示,本發(fā)明提出的針對快速道路常發(fā)擁堵路段追尾事故預測方法,預測分布情況與實際追尾事故分布吻合較好。本發(fā)明可作為快速道路動態(tài)交通管理與控制的技術支持?!N針對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法,包括以下步驟:I)采集快速道路常發(fā)擁堵路段內(nèi)各斷面各車道速度、流量及占有率,具體包括:101)選取數(shù)據(jù)采集路段;102)確定檢測器安裝間距及檢測數(shù)據(jù)單位:103)采集實時交通流數(shù)據(jù):在每一斷面處采集快速道路路段每30秒各車道速度、流量及占有率數(shù)據(jù);104)數(shù)據(jù)預處理:將步驟103)所采集的實時交通流數(shù)據(jù)中隨機因素導致的追尾事故數(shù)據(jù)剔除,減少對照組樣本數(shù)據(jù)的隨機誤差;2)基于集計交通流數(shù)據(jù)建立追尾事故風險指數(shù)解析模型,步驟包括:201)首先通過對個體車輛及多個車輛的跟馳行駛軌跡分析,推導出運動波傳播過程中追尾事故風險指數(shù)R的解析表達式;202)采用追尾事故風險指數(shù)R反映相鄰檢測器區(qū)間內(nèi)平均交通流狀態(tài),采用步驟201)中的風險指數(shù)R的解析表達式中 涉及參數(shù)的標準差反映交通流波動情況,從而初步建立Logistic回歸模型;203)通過計算Logistic回歸模型中可估計變量的odds ratio值,篩選出與追尾事故概率顯著相關的變量,得到常發(fā)擁堵路段追尾事故風險預測Logistic模型,Logistic模型函數(shù)為:
權利要求
1.一種針對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法,其特征在于,包括如下步驟: 1)采集快速道路常發(fā)擁堵路段內(nèi)各斷面各車道速度、流量及占有率,步驟包括: 101)選取數(shù)據(jù)采集路段; 102)確定檢測器安裝間距及檢測數(shù)據(jù)單位: 103)采集實時交通流數(shù)據(jù):在每一斷面處采集快速道路路段每個時間周期各車道速度、流量及占有率數(shù)據(jù); 104)數(shù)據(jù)預處理:將步驟103)所采集的實時交通流數(shù)據(jù)中隨機因素導致的追尾事故數(shù)據(jù)剔除,減少對照組樣本數(shù)據(jù)的隨機誤差;其中交通流數(shù)據(jù)為真實事故發(fā)生前5分鐘交通流數(shù)據(jù); 2)基于集計交通流數(shù)據(jù)建立追尾事故風險指數(shù)解析模型,步驟包括: 201)首先通過對個體車輛及多個車輛的跟馳行駛軌跡分析,推導出運動波傳播過程中追尾事故風險指數(shù)R的解析表達式; 202)采用追尾事故風險指數(shù)R反映相鄰檢測器區(qū)間內(nèi)平均交通流狀態(tài),采用步驟201)中的風險指標R的解析表達式中涉及參數(shù)的標準差反映交通流波動情況,從而初步建立Logistic回歸模型; 203)通過計算Logistic回歸模型中可估計變量的oddsratio值,篩選出與追尾事故概率顯著相關的變量,得到常發(fā)擁堵路段追尾事故風險預測Logistic模型,模型函數(shù)為:
2.如權利要求1所述的對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法,其特征在于,所述步驟101)中,有效數(shù)據(jù)的采集路段為快速道路瓶頸處的上游路段。
3.如權利要求1所述的對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法,其特征在于,所述步驟102)中,在快速道路路段以不大于Ikm的間距布設交通流檢測器的方法采集數(shù)據(jù);所述步驟103)中通過檢測器每30秒采集一次每一斷面處采集快速道路路段各車道速度、流量及占有率數(shù)據(jù)。
4.如權利要求1所述的對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法,其特征在于,所述步驟104)中,需從所采集的數(shù)據(jù)中挑選出滿足參數(shù)標定要求的數(shù)據(jù):1)交通流檢測器布設在快速道路常發(fā)瓶頸上游路段;2)交通流檢測器布設間距較??;3)交通流檢測器提供檢測周期為30秒的各車道交通流數(shù)據(jù);4)歷史數(shù)據(jù)具有較長保存周期;5)交通事故數(shù)據(jù)精確記錄事故發(fā)生時間和位置。
5.如權利要求1所述的對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法,其特征在于,所述步驟104)中,在病例-對照標定方法中,需剔除由于部分隨機因素導致的追尾事故數(shù)據(jù),需剔除的數(shù)據(jù)包括:1)事故發(fā)生在惡劣天氣下;2)事故中駕駛員酒醉;3)事故與行人、摩托車、動物及固定物相關;4)事故發(fā)生在出入口匝道;5)事故由于道路損壞、施工造成 。
全文摘要
本發(fā)明公開了一種針對快速道路常發(fā)性擁堵路段的追尾事故實時預測方法。首先需要在快速道路上(一般為瓶頸區(qū)上游路段)設置交通流檢測器,采集各道路斷面的實時交通流數(shù)據(jù)。對追尾事故發(fā)生時車輛跟馳行駛軌跡進行分析,建立快速道路常發(fā)性擁堵路段追尾事故風險實時預測Logistic模型,并根據(jù)事故發(fā)生前5分鐘交通流數(shù)據(jù)對模型參數(shù)進行標定。本發(fā)明克服了以往無法對快速道路常發(fā)性擁堵路段追尾事故進行有效實時預測的缺陷,可以根據(jù)快速道路上交通流檢測器采集的交通數(shù)據(jù)對追尾事故風險進行實時評估,進而可以采用動態(tài)交通控制預防追尾事故發(fā)生,在我國具有重要的時間應用價值和廣泛的應用前景。
文檔編號G08G1/16GK103150930SQ201310041720
公開日2013年6月12日 申請日期2013年2月1日 優(yōu)先權日2013年2月1日
發(fā)明者李志斌, 劉攀, 王煒, 徐鋮鋮 申請人:東南大學