CN101826258B

CN101826258B - 高速公路简约事故预测方法

Info

Publication number: CN101826258B
Application number: CN2010101458112A
Authority: CN
Inventors: 贺玉龙; 钟连德; 孙小端; 陈永胜; 刘小明; 张�杰; 孙明玲; 徐婷; 连嘉
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2010-04-09
Filing date: 2010-04-09
Publication date: 2011-12-07
Anticipated expiration: 2030-04-09
Also published as: CN101826258A

Abstract

本发明是一种高速公路简约事故预测方法，可用来预测高速公路某个路段交通事故的发生数，属于交通安全领域。交通事故不仅与速度、速度差有关，而且与交通量、平纵线形也有密切联系。该发明利用统计回归的方法建立事故与平曲线转角、纵坡坡度等的关系模型。实践证明，该方法预测的事故数与实际发生的事故数能够很好地紊和，从而为改造事故多发点，预防交通事故的发生，降低事故的严重程度提供了可靠的理论和依据。

Description

高速公路简约事故预测方法

技术领域

本发明是一种高速公路简约事故预测方法，可用来预测高速公路某个路段交通事故的发生数，属于交通安全领域。

背景技术

统计数据表明，高速公路在全世界范围内都是安全程度最高的公路，而在我国却恰恰相反。据日本统计，其高速公路每百公里的事故发生率仅为普通公路的1/2或1/3，而交通流量却是普通公路的10倍左右；美国的统计结果是，其高速公路每百公里的事故发生率仅为普通公路的1/10，还远远优于日本。而在我国，高速公路的交通流量基本与国外相似，甚至低于很多国家，但据我国公安部交通管理局统计，每百公里事故发生率却是普通公路的4倍多。如果再将交通量等因素考虑进去，我国高速公路的交通安全状况将更加令人担忧。因此，有必要建立一套完善的高速公路交通事故预测方法，为我国高速公路交通事故的预测和预防提供理论依据。

根据美国国家严重事故研究所(NCSS)的数据，交通事故死亡率与运行速度梯度(ΔV))的四次方成正比。近似函数如下：

Death = {(\frac{ΔV}{114.24})}^{4} - - - (1)

式中：Death—交通事故死亡率，％；

ΔV-车辆运行速度梯度，km/h；

哈尔滨工业大学裴玉龙等人对中国七条高速公路上的车速标准差与亿车公里事故率进行回归分析，得到了亿车公里事故率和车速标准离差的关系模型。模型表明：车速分布越离散，事故率越高，模型如下：

AR＝9.583e^0.0553σ(2)

式中：AR——亿车公里事故率；

σ——车速的标准差(km/h)。

同济大学的杜博英在对国外高速公路的事故率与运行车速进行综合分析的基础上，阐述了高速公路上基于运行车速的交通事故预测方法。

高速公路死亡率的计算公式如下：

I_{Death} = [V^{(2 E - 09) \times V^{3.667}} - (1 - V / \overset{&OverBar;}{V})] \cdot {[\frac{ΔV}{114.24}]}^{4} - - - (3)

式中I_Death——交通事故死亡率(次/10⁶veh*km)；

V——运行速度(km/h)；

ΔV——速度梯度，即断面运行车速与平均运行车速的差值(km/h)；

——平均运行车速(km/h)。

早在1964年，Solomon就开始对车速与安全的关系进行研究，大多讨论速度与事故之间的关系，没有考虑交通量的影响。纵观国内外，在对速度与安全的影响研究中，大部分都是在讨论运行速度、速度差与事故之间的关系，没有量化诸如交通量的变化，因此结论并不均有较强的说服力。由于我国的特殊的国情及高速公路的特点，不能直接照搬国外的车速理论模型，还需要进行具体的理论研究和工程实践，不断总结我国高速公路的车速安全理论，提出合理的解决对策。

发明内容

本发明在对国内交通运行特点分析的基础上，综合考虑了平曲线因素、纵断面因素、交通量对事故的影响，经实际验证获得了较好的效果。

使用公式预测高速公路简约交通事故频数步骤：

道路是一条三维空间的实体。一般所说的路线，是指道路中线的空间位置。路线在水平面上的投影称作路线的平面图。沿中线竖直剖切再行展开则是路线的纵断面图。纵断面上两个坡段的转折处，为了便于行车用一段曲线来缓和，称为竖曲线。

(1)确定预测高速公路条件，收集道路信息，包括：

平曲线的平均转角：

Ave_angle = \frac{Σ | α_{i} |}{n} - - - (4)

参数表示意义：

a_i表示路段内第i条平曲线的转角；

n表示路段内包含平曲线数目；

平曲线图如图1所示

2.竖曲线因素：

假设每条竖曲线的一个基本变量是V(i)，其单位是每100m竖曲线坡度的变化。

V (i) = \frac{| g_{i} - g_{i + 1} |}{L_{xi}} - - - (5)

g_i表示坡度，g_i＝tanθ；

竖曲线i的权重：

VC：加权后的坡度变化值

VC＝∑_iWV(i)×V(i) (6)

纵断面的加权坡度：

Ave_slope＝∑_iWG(k)×|g_k|(7)

路段中第k个上/下坡路段的权重

g_k：路段第k个路段的坡度

竖曲线图如图2所示

3.交通组成，大车百分比；

(2)计算暴露变量EXPO

EXPO＝AADT*365*L*10^-6*Y

参数表示意义：

AADT：年平均日交通量

L：路段长度

Y：预测持续年份

(3)采集大车比例，利用Stata9.0软件进行统计分析，采用向后剔除的回归分析法：先建立全模型，根据输出结果中相关指标(|Z|值最小)的判定，每次剔除一个最不符合进入模型的变量，直到回归方程中不再含有不符合判据的自变量为止。因此，依次去掉不符合的自变量重新进行回归，最后得到简约事故模型：

λ_i＝EXPO·EXP(-2.676614+0.0071095·Ave_angle+0.737331·VC+0.2539619·Ave slope+6.14963·Truck)(8)

参数表示意义：

λ_i：i段预测事故数；

EXPO：暴露变量，；

Y：预测持续年份；

L：i路段长度；

Ave_angle：i路段内平曲线平均转角；

VC：：竖曲线指标，加权后的坡度变化值；

Average_slope：竖曲线指标，纵断面的加权坡度；

Truck：大车比例。

附图说明：

图1平曲线示意图；图2竖曲线示意图；图3平曲线实例示意图；图4竖曲线实例示意图。

具体实施方式：

如图3，图4所示为某一高速公路平纵实例图，该高速公路年平均日交通量为2500辆，对该高速公路全年调查统计，大车所占比例为13％。

第一步：计算平曲线平均转角

Ave_angle = \frac{Σ | α_{i} |}{n} = \frac{\frac{5}{18} π + \frac{1}{3} π}{2} = \frac{11}{36} π

第二步：

竖曲线L₁长度＝10000*[2％-(-3％)]＝500m

竖曲线L₂长度＝8000*4.5％＝360m

该路段长度＝150+500+300+360+280＝1590m

V (1) = V (j) = \frac{| g_{j} - g_{j + 1} |}{L_{j}} = \frac{2 % - (- 3 %)}{5} = 1 %

V (2) = V (i) = \frac{| g_{i} - g_{i + 1} |}{L_{i}} = \frac{4.5 %}{3.6} = 1.25 %

VC：加权后的坡度变化值

VC＝∑_iWV(i)×V(i)＝V(1)*WV(1)+V(2)*WV(2)＝0.54％

路段中纵坡i₁＝-3％所占权重：

路段中纵坡i₂＝2％所占权重：

路段中纵坡i₃＝-2.5％所占权重：

纵断面的加权坡度：

Ave_slope＝∑_jWG(k)×|g_k|＝g1*WG(1)+g2*WG(2)+g3*WG(3)＝3％*0.094+2％*0.189+2.5％*0.176＝0.011

第三步：计算大车百分比

由条件知：Truck＝13％

第四步：暴露变量计算

EXPO＝AADT*365*L*10^-6*Y＝2500*365*3*10^-6*1＝2.74

第五步：事故数预测

λ_i＝EXPO·EXP(-2.676614+0.0071095·Ave_angle+0.737331·VC+0.2539619·Ave_slope+6.14963·Truck％)

＝2.74*EXP(-2.676614+0.0071095*0.96+0.737331*0.0054+0.2539619*0.011+6.14963*13％

＝2.74*0.155

＝1

分别使用重庆成渝高速、上界高速、长万高速、云南罗(村口)富(宁)高速、京津塘等多条高速公路的道路交通按照上面，对高速公路简约事故预测模型进行验证，结果如表

高速公路	路段长度(km)	交通量(辆/日)	大车比例(％)	预测持续时间(年)	预测交通事故	实际交通事故
							罗富(K40+791～K41+390)	1	4300	46.2％	1	5	5
罗富(k38+318～K40+39)	1.720	4300	46.2％	1	8	7
							成渝(k8+500～K9+764)	1.264	12473	48％	2	7	6
成渝(k2+100～K3+456)	1.56	17506	48％	2	4	4
							长万(K152+327～K154+772)	2.444	2310	32％	2	8	9
长万(K182+108～K183+507)	1.398	1500	32％	2	10	11
							上界(K26+870～K27+900)	1.03	10748	15.7％	2	17	15
上界(K24+789～K26+930)	2.414	30380	25.7％	2	29	25
							京津塘(K6～K8)	2	18169	27.44％	4	66	64
京津塘(K49～K56)	7	19400	43.11％	4	25	20

从表中可以看出，预测事故数与实际事故数能够比较好的吻合，从而为预防事故的发生提供理论依据。

Claims

1.高速公路简约事故预测方法，其特征在于按以下步骤进行：

路线，是指道路中线的空间位置；路线在水平面上的投影称作路线的平面图；沿中线竖直剖切再行展开则是路线的纵断面图；纵断面上两个坡段的转折处，为了便于行车用一段曲线来缓和，称为竖曲线；

(1)确定预测高速公路条件，收集道路信息，包括：

1.1平曲线的平均转角：

Ave_angle = \frac{Σ | α_{i} |}{n}

参数表示意义：

α_i表示路段内第i条平曲线的转角；

n表示路段内包含平曲线数目；

1.2.竖曲线因素：

假设每条竖曲线的一个基本变量是V(i)，其单位是每100m竖曲线坡度的变化；

V (i) = \frac{| g_{i} - g_{i + 1} |}{L_{xi}}

g_i表示坡度，g_i＝tanθ；

竖曲线i的权重：

VC：加权后的坡度变化值

VC＝∑_iWV(i)×V(i)

纵断面的加权坡度：

Ave_slope＝∑_iWG(k)×|g_k|

路段中第k个上/下坡路段的权重

g_k：路段第k个路段的坡度

1.3.交通组成，大车百分比；

(2)计算暴露变量EXPO

EXPO＝AADT*365*L*10^-6*Y

参数表示意义：

AADT：年平均日交通量

L：路段长度

Y：预测持续年份

(3)利用Stata9.0软件进行统计分析，采用向后剔除的回归分析法：最后得到简约事故模型：

λ_i＝EXPO·EXP(-2.676614+0.0071095·Ave_angle+0.737331·VC

+0.2539619·Ave_slope+6.14963·Truck)

参数表示意义：

λ_i：i段预测事故数；

EXPO：暴露变量；

Y：预测持续年份；

L：i路段长度；

Ave_angle：i路段内平曲线平均转角；

VC：竖曲线指标，加权后的坡度变化值；

Average_slope：竖曲线指标，纵断面的加权坡度；

Truck：大车比例，由历史数据得到。