CN102360526A - 一种快速道路路段状态的实时监测方法 - Google Patents

Abstract

一种快速道路路段状态的实时监测方法，在待检查的快速道路上设置交通流检测点，各个检测点之间布设的间距为800米，每个检测点覆盖上游400米到下游400米范围的路段，收集历史交通流数据和事故数据，通过聚类分析和回归分析提取危险交通流运行状态，并通过决策树方法给出交通流运行状态的监测判别方法。本发明方法处理简单易行，便于实时鉴别快速道路事故“黑点”，使用本发明方法实时监测快速道路事故危险路段具有实际的工程运用价值。

Description

一种快速道路路段状态的实时监测方法

技术领域

本发明属于交通智能管理和控制技术领域，为一种快速道路路段状态的实时监测方法，可实时鉴别快速道路上有发生交通事故风险的路段。

背景技术

随着改革的深化和城市化、机动化进程的不断深入，自20世纪80年代中期开始，我国交通运输业迅速发展，路网结构得到不断完善，交通基础设施条件不断改善，机动车保有量和交通需求迅速增加。但是，车辆与道路增长速度的不协调以及管理手段的不当，也带来了严重的交通安全问题。在这样的背景下，道路交通安全问题成为越来越受到关注的热点问题，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。

为了预防和降低交通事故数量，如何鉴别事故高发路段是首要解决的问题。目前，交通管理相关部门主要通过一些传统的方法来实现对事故黑点的鉴别，这些方法往往需要采集较长一段时间内的事故数据、交通数据、天气数据和道路参数，一般国际上推荐采用3年的事故数据进行分析。虽然这些方法在鉴别快速道路事故黑点方面是有效的，但是这些方法难以在短时间内对事故易发路段进行鉴别。

而另一方面，在交通安全前沿研究中，学者们开始关注实时交通流信息与交通安全之间的关系。目前，交通流的不同运行状态是否与交通安全相关，它们之间关联度究竟多大，事故发生前是否存在某种可作为事故征兆的“危险”交通流状态，一直没有得到很好的解答。本发明提出一种提取快速道路“危险”交通流状态的方法，并将该方法应用于快速道路事故危险路段的实时鉴别中，通过检测快速道路上各个检测点的交通流状态，实时鉴别事故危险路段，从而解决已有事故黑点鉴别方法难以在短时间内鉴别危险路段的缺陷。

发明内容

本发明要解决的问题是：克服已有事故黑点鉴别方法的不足，利用现有智能交通***检测的实时交通流数据，提出一种能够实时判别快速道路危险路段的方法。

本发明的技术方案为：快速道路事故路段状态的实时监测方法，包括以下步骤：

1)在快速道路上每隔800米设置一个交通流检测点，收集待检查的快速道路的事故数据，确立各起交通事故的发生地点，从而确定与交通事故发生地点距离最近的一个交通流检测点，提取该检测点在事故发生前半小时内的交通数据，包括交通流率和速度，其采样精度为每5分钟采集一次；

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)将事故发生前的交通数据和步骤2)选取的对应的正常交通流状态数据以及周围发生事故最少的一个检测点2个月内交通数据组合成交通流数据样本，采用K-means动态聚类分析方法，选用交通流率和速度2个交通流参数对交通流数据样本进行聚类分析；

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Logistic回归，自变量为交通流状态，应变量为是否发生交通事故，根据Logistic回归中各交通流状态前面系数的显著水平P-value是否显著来确定交通流状态是否为危险交通流运行状态，当显著水平P-value小于0.05时，代表该交通流状态为危险交通流状态，反之，当显著水平P-value大于0.05时，代表该交通流状态不是危险交通流状态；

5)采用QUEST决策树模型确立各种交通流状态的边界用于判别实时交通流状态：以交通密度作为QUEST决策树模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的边界，即各种交通流状态对应的交通密度范围，其中交通密度＝交通流率/速度，交通流率与速度由检测点获得；

6)每隔5分钟采集各个检测点的交通流率和速度，计算得到各个点的交通密度，根据QUEST决策树模型确立的各种交通流状态对应的交通密度范围，判断整条快速道路是否有检测点出现危险交通流状态，如果某个检测点得到的交通密度落在危险交通流状态对应的交通密度范围，说明该检测点附近出现危险交通流状态，则表明该检测点覆盖的800米路段为危险路段，有发生交通事故的危险性，进行预警提示。

本发明利用快速道路上各个检测点采集的交通数据，实时检测各个检测点附近是否出现危险交通流状态，从而达到实时鉴别事故易发路段的目的。相对于传统快速道路事故黑点鉴别方法而言，本方法能够在较短时间内发现事故危险路段，并且处理简单易行。因而，使用本方法鉴别快速道路危险交通流运行状态具有实际的工程运用价值。

附图说明

图1为本发明实施例的检测点示意图。

图2为本发明监测方法的流程图。

图3为本发明综合运用K-means聚类、Logistic回归和QUEST决策树模型的建模程序框图。

图4为本发明实施例的聚类后交通流状态划分图。

具体实施方式

本发明将K-means聚类、Logistic回归和QUEST决策树模型用于实时监测事故易发路段，一种快速道路事故危险路段的实时监测方法，包括以下步骤：

1)在快速道路上每隔800米设置一个交通流检测点，收集待检查的快速道路的事故数据，确立各起交通事故的发生地点，从而确定与交通事故发生地点距离最近的一个交通流检测点，提取该检测点在事故发生前半小时内的交通数据，包括交通流率和速度，其采样精度为每5分钟采集一次；

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)将事故发生前的交通数据和步骤2)选取的对应的正常交通流状态数据以及周围发生事故最少的一个检测点2个月内交通数据组合成交通流数据样本，采用K-means动态聚类分析方法，选用交通流率和速度2个交通流参数对交通流数据样本进行聚类分析；

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Logistic回归，自变量为交通流状态，应变量为是否发生交通事故，根据Logistic回归中各交通流状态前面系数的显著水平P-value是否显著来确定交通流状态是否为危险交通流运行状态，当显著水平P-value小于0.05时，代表该交通流状态为危险交通流状态，反之，当显著水平P-value大于0.05时，代表该交通流状态不是危险交通流状态；

5)由于聚类分析方法是对收集的历史数据进行分类，只能给出各个状态的聚类中心，无法判别当前交通流究竟处于何种状态下，因而本发明采用QUEST决策树模型确立各种交通流状态的边界，用于判别实时交通流状态：以交通密度作为QUEST决策树模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的边界，即各种交通流状态对应的交通密度范围，其中交通密度＝交通流率/速度，交通流率与速度由检测点获得；

6)每隔5分钟采集各个检测点的交通流率和速度，计算得到各个点的交通密度，根据QUEST决策树模型确立的各种交通流状态对应的交通密度范围，判断整条快速道路是否有检测点出现危险交通流状态，如果某个检测点得到的交通密度落在危险交通流状态对应的交通密度范围，说明该检测点附近出现危险交通流状态，则表明该检测点覆盖的800米路段为危险路段，有发生交通事故的危险性，进行预警提示。

步骤1)-4)将交通流划分不同状态，并利用P-value从中确立危险交通流状态，完成对交通流状态的划分；步骤5)确立危险交通流状态对应的交通密度范围，当当前交通密度落在危险交通流状态对应的交通密度范围时，即判定当前交通流为危险状态。

下面用结合附图说明本发明。在快速道路待检测区域上下游设置检测点，在检测点布置检测设备，例如电磁感应线圈或者其他交通流检测设备，各检测点之间相隔800米，如图1所示。

检测点以5分钟为一个采样单位采集交通流率和速度。令X为上述5分钟内交通流参数交通流率和速度，y为是否发生交通事故，发生交通事故时y取值为1，没有发生交通事故时y取值为-1，则，

$Y=\left[\begin{array}{c}{y}_1\\ y_2\\ .\\ .\\ .\\ y_n\end{array}\right]=\left[\begin{array}{c}1/-1\\ 1/-1\\ .\\ .\\ .\\ 1/-1\end{array}\right]$

实际运用过程分为模型标定和模型使用两个过程。

模型标定：收集或采集上述各检测点一段时间内的交通数据，含事故样本和非事故样本。为了保证模型的准确性，保证模型能够反映交通流检测参数与交通事故发生之间的关系，样本应该足够大，根据已有研究事故范例不应该小于50个。根据前述步骤1)～5)，计算得到交通流状态划分，并在其中确立危险交通流状态，由分类树最终得到危险交通流状态的边界值。

模型使用：实时采集各个检测点5分钟交通流率和速度，将各个点检测到的交通流率和速度与模型标定中确立的危险交通流状态边界值进行比较，当发现某点检测到的交通流率和速度处于危险交通流状态所在范围时，表明该点覆盖的800米路段有发生交通事故的危险性。此时应该通过快速道路可变信息显示板向驾驶员发布该点覆盖的路段有发生交通事故的危险性，提醒驾驶员谨慎驾驶车辆。

本实施例用加利福尼亚旧金山海湾地区的I-880高速公路上采集的真实交通数据和事故数据(I-880数据)来展示本方法的工作流程。数据包括待检查点的交通流率和速度，每隔5分钟采集一次。

在I-880数据库中总共提取了80个交通事故范例，选取了80起交通事故发生的交通流数据(包括交通流率和速度)，同时利用病例-对照研究法按1∶4比例选取对应于各起交通事故的正常交通流状态下(没有发生交通事故)的交通数据。将事故组数据和正常交通流数据以及一个检测点2个月内的交通流数据组合成交通流数据样本。

利用运用K-means动态聚类法首先将交通流状态分为如图4中的6个状态，并利用Logistic回归发现状态5和状态6为交通事故发生前的危险交通流状态。

在确立危险交通流状态后，利用QUEST决策树模型确立6类交通流状态的边界值如表1：

表1 6类交通流状态的边界值

交通流状态	交通密度(交通流率除以速度)边界值
		交通流状态1	0＜交通密度≤17.6
交通流状态2	17.6＜交通密度≤27.2
		交通流状态3	27.2＜交通密度≤36.8
交通流状态4	36.8＜交通密度≤56.0
		交通流状态5(危险交通流状态)	56.0＜交通密度≤76.8
交通流状态6(危险交通流状态)	交通密度≥76.8

在确立各交通流状态的边界值之后，每隔5分钟采集各个检测点的交通流率和速度，将各个点检测到的实时交通流数据与危险交通流状态的边界值进行比较，当发现某点的检测到的实时交通流数据处于交通流状态5或者6(危险交通流状态)所在范围时，表明该点覆盖的800米路段有发生交通事故的危险性。此时应该通过高速公路可变显示板向驾驶员发布该点有发生交通事故的危险性，提醒驾驶员谨慎驾驶车辆。

由于本方法处理简单易行，不受人为因素影响，便于实时鉴别快速道路事故危险路段；因此，使用本方法监测快速道路事故危险路段具有实际的工程运用价值。

Claims (1)

1.一种快速道路路段状态的实时监测方法，其特征是包括以下步骤：

1)在快速道路上每隔800米设置一个交通流检测点，收集待检查的快速道路的事故数据，确立各起交通事故的发生地点，从而确定与交通事故发生地点距离最近的一个交通流检测点，提取该检测点在事故发生前半小时内的交通数据，包括交通流率和速度，其采样精度为每5分钟采集一次；

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)将事故发生前的交通数据和步骤2)选取的对应的正常交通流状态数据，以及周围发生事故最少的一个检测点2个月内交通数据组合成交通流数据样本，采用K-means动态聚类分析方法，选用交通流率和速度2个交通流参数对交通流数据样本进行聚类分析；

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Logistic回归，自变量为交通流状态，应变量为是否发生交通事故，根据Logistic回归中各交通流状态前面系数的显著水平P-value是否显著来确定交通流状态是否为危险交通流运行状态，当显著水平P-value小于0.05时，代表该交通流状态为危险交通流状态，反之，当显著水平P-value大于0.05时，代表该交通流状态不是危险交通流状态；

5)采用QUEST决策树模型确立各种交通流状态的边界用于判别实时交通流状态：以交通密度作为QUEST决策树模型中的解释变量，以交通流状态为目标变量，确立各种交通流状态的边界，即各种交通流状态对应的交通密度范围，其中交通密度＝交通流率/速度，交通流率与速度由检测点获得；

6)每隔5分钟采集各个检测点的交通流率和速度，计算得到各个点的交通密度，根据QUEST决策树模型确立的各种交通流状态对应的交通密度范围，判断整条快速道路是否有检测点出现危险交通流状态，如果某个检测点得到的交通密度落在危险交通流状态对应的交通密度范围，说明该检测点附近出现危险交通流状态，则表明该检测点覆盖的800米路段为危险路段，有发生交通事故的危险性，进行预警提示。

Images