CN106530714A - 一种基于交通流数据的二次交通事故时间预测方法 - Google Patents

Abstract

本发明公开了一种基于交通流数据的二次交通事故时间预测方法，获取历史交通事故数据；将原始交通事故划分为主事故、二次事故和普通交通事故；根据二次事故的上下游交通,路段，天气，时间信息准备模型变量；根据模型变量建立二次交通事故发生时间的预测模型；将主事故的路段信息和交通流数据时间差预测模型计算，计算出二次事故发生的时间，在二次事故发生之前时间，处理主事故的事故现场；本发明利用交通流检测设备获取交通流参数，实时检测快速道路发生主事故时与二次事故的时间差，运用可变限速对车辆进行调控，减少二次事故交通事故产生。

Description

一种基于交通流数据的二次交通事故时间预测方法

技术领域

本发明涉及一种基于交通流数据的二次交通事故时间预测方法，属于交通安全中的事故预测领域。

背景技术

近年来，由主交通事故引起的重特大二次交通事故屡屡发生，严重的威胁了人民群众的生命财产安全，对道路交通安全管理的工作提出了更高的要求。二次事故产生的因素有很多，比如没有做好车辆位置标记，没有立即在事故现场后方较远的距离外设置危险警告标志，用于警示事故后方的来车，又或者是在一次事故影响了交通流状况之后，交通管理部门没有及时疏导，从而导致了二次事故的发生。在高速公路、快速路之中高速的车流引发交通事故频率高于一般公路的交通事故，而且如果对交通事故处理经验不足，也又会导致二次事故的发生，二次交通事故往往比一次交通事故更为严重。因此，探究高速公路和快速路发生二次交通事故的原因，同时根据发生原理，预测二次交通事故并制定相应的应急救援策略，对防止高速公路二次事故有非常重大的作用。

在传统的二次事故预测方法中，有很多研究了主事故的发生时间、事故类型、天气以及道路几何特征对二次事故发生概率的影响。但是，相对较少的研究认为实时交通流状况，道路几何线形对二次事故发生时间的影响。与一次事故相关的危险的交通流以及道路线形状况也可能促使二次事故的发生。

以往采用被动、静态方法对二次事故进行预测防范，而如果用实时采集的交通流以及原本的道路线形来判断二次事故发生的时间，就有希望根据主事故发生是的交通信息，道路情况，主动实时预测二次交通事故发生时间，采取实时的交通控制策略来防范二次事故的发生。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于高精度交通流以及道路线形数据的预防二次交通事故发生时间的方法，该方法可以用实时交通流来判断二次事故最有可能的发生时间，从而能使用动态交通控制的方法，主动实时预测二次交通事故，设立警戒标志避免二次事故产生。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于交通流数据的二次交通事故时间预测方法，包括以下步骤：

步骤10)获取历史交通事故数据，

步骤20)根据步骤10)得到的历史交通事故数据将交通事故分类，分别为主事故、二次事故和普通交通事故；分类时使用速度等值线图法识别二次事故；

步骤30)根据步骤步骤10)得到的历史交通事故数据以及步骤20)的交通事故分类获取二次事故的上下游交通信息；

步骤40)根据步骤20)的交通事故分类以及步骤30)获取的二次事故的上下游交通信息准备模型变量；

步骤50)根据步骤40)准备的模型变量建立二次交通事故的时间预测模型：

y_i＝a+b₁x₁+b₂x₂+…+b_kx_k 式(1)

其中，y_i代表第i起二次事故距离主事故的时间对数差，其中，a表示常数，b₁，b₂...b_k表示模型变量的系数，x₁，x₂...x_k表示模型变量，k表示模型变量数目；

步骤60)当公路上发生了一起事故，获取主事故的路段信息，路段信息包括左右匝道差值、是否为辅道、道路宽度、采集主事故发生路段在事故发生前的交通流数据；利用环形线圈检测器获取实时交通流数据，包括上游5分钟时间车辆占有率的标准差、上下游5分钟时间交通流的平均值、主事故持续时间；

步骤70)将主事故的路段信息和其对应的交通流数据带入步骤50)的时间差预测模型，进行计算，预测出二次事故发生的时间。

进一步地：还包括根据步骤60)获取的路段信息和交通流数据，在预测的二次事故发生时间T之内，利用可变限速的方法调控车辆，直至结束检测。

优选的：所述步骤50)时间预测模型为：

y_i＝4.701325+0.0068333x_1i-0.0942883x_2i+0.044625x_3i+0.2053786x_4i+1.578892x_5i-0.0167416x_6i

其中，y_i代表第i起二次事故距离主事故的时间对数差，x_1i表示持续时间，x_2i表示上游5分钟时间车辆占有率的标准差，x_3i表示上下游5分钟时间交通流的平均值，x_4i表示左右匝道差值，x_5i表示是否为辅道，x_6i表示道路宽度。

优选的：所述步骤10)中交通事故数据包括事故的发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

优选的：所述的步骤10)中历史交通事故数据通过安置在道路上的环形检测器获得，在公路上每隔一定距离设置一个环形线圈检测器，通过环形线圈检测器采集事故发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

优选的：所述步骤30)中获取二次事故的上下游交通信息方法：首先匹配出每一个事故发生地点距离最近的上游环形线圈检测器和下游环形线圈检测器，然后提取事故发生时前30分钟的交通数据作为二次事故的上下游交通信息，所述二次事故的上下游交通信息包括上下游线圈的交通量、车速和车辆占有率。

优选的：所述步骤40)中模型变量包括实时交通流数据、二次事故特征、环境状况以及道路几何特征，其中：

所述实时交通流数据：将步骤30)的上下游交通信息以5分钟为时间间隔进行合并，之后计算出每一个事故对应的车辆数、车辆速度和车辆占有率三个变量在5分钟时间间隔内的平均值、标准差；考虑到事故报道发生时间的潜在的不准确性，最终交通流数据提取时间为事故发生之前9分钟；

所述二次事故特征包括事故严重程度、事故发生类型、事故发生时间段、与主事故时间差、桩号差、二次事故持续时间、事故发生的路段；

所述环境状况包括天气情况、道路表面状况、光线优良；

所述道路几何特征包括车道数、道路表面宽度、车道宽度、路肩宽度、道路线形、匝道数。

本发明相比现有技术，具有以下有益效果：

1.以往的研究在构建预测二次交通事故时间预测模型时，大多是只考虑事故特征，很少有考虑实时交通流状况的。本发明在选取变量时，综合考虑了实时交通流状况、事故特征、道路环境状况以及道路几何特征对二次交通事故发生概率的影响，使得模型的精准率更高。

2.该车辆调控方法利用交通流检测设备获取实时交通数据，以及事故发生地的道路线形数据，实时检测高速道路发生主事故之后，产生二次事故的最有可能的时间，通过提前树立标志牌，同时运用动态交通控制方法，减少交通事故。

附图说明

图1是本发明的流程框图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于交通流数据的二次交通事故时间预测方法，如图1所示，包括以下步骤：

步骤10)获取历史交通事故数据，交通事故数据包括事故的发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率等内容。

交通事故数据通过安置在道路上的环形检测器获得，在公路上每隔一定距离(如0.8英里)设置一个环形线圈检测器，通过环形线圈检测器采集事故发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

步骤20)根据步骤10)得到的历史交通事故数据将交通事故分类，分别为主事故、二次事故和普通交通事故；这一步骤涉及二次交通事故的识别，分类时使用速度等值线图法识别二次事故。

步骤30)根据步骤步骤10)得到的历史交通事故数据以及步骤20)的交通事故分类获取二次事故的上下游交通信息。方法为：首先匹配出每一个事故发生地点距离最近的上游环形线圈检测器和下游环形线圈检测器，然后提取事故发生时前30分钟的交通数据作为二次事故的上下游交通信息，所述二次事故的上下游交通信息包括上下游线圈的交通量、车速和车辆占有率

步骤40)根据步骤20)的交通事故分类以及步骤30)获取的二次事故的上下游交通信息准备模型变量，选取模型变量考虑以下四个方面。

(1)实时交通流数据：将步骤30)的上下游交通信息以5分钟为时间间隔进行合并，之后计算出每一个事故对应的车辆数、车辆速度和车辆占有率三个变量在5分钟时间间隔内的平均值、标准差(包括上游、下游以及上下游之差)；考虑到事故报道发生时间的潜在的不准确性，最终交通流数据提取时间为事故发生之前9分钟；

(2)二次事故特征：包括事故严重程度、事故发生类型、事故发生时间段、与主事故时间差、桩号差、二次事故持续时间、事故发生的路段等；

(3)环境状况：包括天气情况、道路表面状况、光线优良(能见度)等；

(4)道路几何特征：包括车道数、道路表面宽度、车道宽度、路肩宽度、道路线形(是否为曲线)、匝道数等。

步骤50)根据步骤40)准备的模型变量建立二次交通事故的时间预测模型：

y_i＝a+b₁x₁+b₂x₂+…+b_kx_k 式(1)

其中，y_i代表第i起二次事故距离主事故的时间对数差，时间以分钟为单位，a表示常数，b₁，b₂...b_k表示模型变量的系数，x₁，x₂...x_k表示模型变量，k表示模型变量数目；模型中使用的时间对数差是因变量。协变量是步骤40)中选取的变量。通过相关性检验，逐步筛选变量，使得模型的所有协变量与因变量显著相关。最终二次交通事故预测模型是如式(1)所示的方程。

检测路段发生二次交通事故发生时间，并调控车辆。当公路上发生了一起事故，环形线圈检测器会获取实时交通流数据，并将这些数据带入二次交通事故时间预测模型中，根据具体的交通流、道路线形情况，来判断二次交通事故发生的时间。在此时间之前，交警应及时处理一次事故现场，并采取实时的交通控制策略，如可变限速、匝道控制、车联网控制下动态实时调控，来防止二次交通事故的发生。具体的：

步骤60)当公路上发生了一起事故，获取主事故的路段信息，路段信息包括左右匝道差值、是否为辅道、道路宽度、采集主事故发生路段在事故发生前的交通流数据；利用环形线圈检测器获取实时交通流数据，包括上游5分钟时间车辆占有率的标准差、上下游5分钟时间交通流的平均值、主事故持续时间；

步骤70)将主事故的路段信息和其对应的交通流数据带入步骤50)的时间差预测模型，进行计算，预测出二次事故发生的时间，在二次事故发生之前时间，交警应及时处理主事故现场。

步骤80)检测主事故发生路段的交通流情况，并用可变限速的方法调控车辆；

步骤90)重复步骤80)根据主事故发生路段的交通流情况以及路面情况，在预测的二次事故发生时间T之内，利用可变限速并进行车辆调控，直至结束检测。该车辆调控方法利用交通流检测设备获取交通流参数，实时检测快速道路发生主事故时与二次事故的时间差，运用可变限速对车辆进行调控，减少二次事故交通事故产生。

实例

利用美国加利福尼亚州I-5高速公路上的一个34英里的路段上，从2010年到2015年间采集的数据。交通事故数据总量为20709起，其中普通事故19363起，主事故561起，二次事故785起。

通过速度等值线图法分类出来的三类事故如下表所示：

表1事故分类结果

利用多元线性回归模型构建二次交通事故发生时间的预测模型：

y_i＝4.701325+0.0068333x_1i-0.0942883x_2i+0.044625x_3i+0.2053786x_4i+1.578892x_5i-0.0167416x_6i 式(5)

y_i——Time，第i起二次事故与主事故的时间对数差(min)；

x_1i——Duration，持续时间(min)；

x_2i——AvgOcc1，上游5分钟时间车辆占有率的标准差(％)；

x_3i——DevFlo12，上下游5分钟时间交通流的平均值(辆/30s)；

x_4i——Difference，左右匝道差值(个)；

x_5i——Road，是否为辅道(是为1，不是为0)；

x_6i——RoadWidth，道路宽度(feet)；

利用上述线形回归模型，在排除掉了主事故与二次事故时间差在15分钟时间的事故数据之后，带入相关的道路与交通流数据，检验所获得的模型精度为82.138％。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于交通流数据的二次交通事故时间预测方法，其特征在于，包括以下步骤：

步骤10)获取历史交通事故数据，

步骤20)根据步骤10)得到的历史交通事故数据将交通事故分类，分别为主事故、二次事故和普通交通事故；

步骤30)根据步骤步骤10)得到的历史交通事故数据以及步骤20)的交通事故分类获取二次事故的上下游交通信息；

步骤40)根据步骤20)的交通事故分类以及步骤30)获取的二次事故的上下游交通信息准备模型变量；

步骤50)根据步骤40)准备的模型变量建立二次交通事故的时间预测模型：

y_i＝a+b₁x₁+b₂x₂+…+b_kx_k 式(1)

其中，y_i代表第i起二次事故距离主事故的时间对数差，其中，a表示常数，b₁，b₂...b_k表示模型变量的系数，x₁，x₂...x_k表示模型变量，k表示模型变量数目；

步骤60)当公路上发生了一起事故，获取主事故的路段信息，路段信息包括左右匝道差值、是否为辅道、道路宽度等信息；利用环形线圈检测器获取主事故路段发生前的实时交通流数据，包括上游5分钟时间车辆占有率的标准差、上下游5分钟时间时间交通流的平均值、主事故持续时间；

步骤70)将主事故的路段信息和其对应的交通流数据带入步骤50)的时间差预测模型，进行计算，预测出二次事故发生的时间。

2.根据权利要求1所述基于交通流数据的二次交通事故时间预测方法，其特征在于：还包括根据步骤60)获取的路段信息和交通流数据，在预测的二次事故发生时间T之内，利用可变限速的方法调控车辆，直至结束检测。

3.根据权利要求1所述基于交通流数据的二次交通事故时间预测方法，其特征在于：所述步骤50)时间预测模型为：

y_i＝4.701325+0.0068333x_1i-0.0942883x_2i

+0.044625x_3i+0.2053786x_4i+1.578892x_5i-0.0167416x_6i

其中，y_i代表第i起二次事故距离主事故的时间对数差，x_1i表示持续时间，x_2i表示上游5分钟时间车辆占有率的标准差，x_3i表示上下游5分钟时间交通流的平均值，x_4i表示左右匝道差值，x_5i表示是否为辅道，x_6i表示道路宽度。

4.根据权利要求1所述基于交通流数据的二次交通事故时间预测方法，其特征在于：所述步骤10)中交通事故数据包括事故的发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

5.根据权利要求1所述基于交通流数据的二次交通事故时间预测方法，其特征在于：所述的步骤10)中历史交通事故数据通过安置在道路上的环形检测器获得，在公路上每隔一定距离设置一个环形线圈检测器，通过环形线圈检测器采集事故发生日期、时间、地点、事故的严重程度、事故类型、路面条件、所涉及的车辆、天气条件、照明条件、采集交通量、车速和车辆占有率。

6.根据权利要求1所述基于交通流数据的二次交通事故时间预测方法，其特征在于：所述步骤20)中分类时使用速度等值线图法识别二次事故。

7.根据权利要求1所述基于交通流数据的二次交通事故时间预测方法，其特征在于：所述步骤30)中获取二次事故的上下游交通信息方法：首先匹配出每一个事故发生地点距离最近的上游环形线圈检测器和下游环形线圈检测器，然后提取事故发生时前30分钟的交通数据作为二次事故的上下游交通信息，所述二次事故的上下游交通信息包括上下游线圈的交通量、车速和车辆占有率。

8.根据权利要求1所述基于交通流数据的二次交通事故时间预测方法，其特征在于：所述步骤40)中模型变量包括实时交通流数据、二次事故特征、环境状况以及道路几何特征，其中：

所述实时交通流数据：将步骤30)的上下游交通信息以5分钟为时间间隔进行合并，之后计算出每一个事故对应的车辆数、车辆速度和车辆占有率三个变量在5分钟时间间隔内的平均值、标准差；考虑到事故报道发生时间的潜在的不准确性，最终交通流数据提取时间为事故发生之前9分钟；

所述二次事故特征包括事故严重程度、事故发生类型、事故发生时间段、与主事故时间差、桩号差、二次事故持续时间、事故发生的路段；

所述环境状况包括天气情况、道路表面状况、光线优良；

所述道路几何特征包括车道数、道路表面宽度、车道宽度、路肩宽度、道路线形、匝道数。