CN107392373B - 一种基于敏感性分析与行车安全的线形指标选择与优化方法 - Google Patents
一种基于敏感性分析与行车安全的线形指标选择与优化方法 Download PDFInfo
- Publication number
- CN107392373B CN107392373B CN201710592024.4A CN201710592024A CN107392373B CN 107392373 B CN107392373 B CN 107392373B CN 201710592024 A CN201710592024 A CN 201710592024A CN 107392373 B CN107392373 B CN 107392373B
- Authority
- CN
- China
- Prior art keywords
- linear index
- road section
- accident
- coefficient
- linear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及高速公路线形指标与事故率分析领域,具体涉及基于敏感性分析与行车安全的线形指标选择与优化方法,本发明为了解决现有的事故率分析方法未能针对平纵组合路段研究事故率影响,进而使得对事故易发路段识别不够准确的缺点,本发明的方法包括:对于高速公路的每个路段,计算预测得到的平均每公里每年发生的交通事故数量;为每一个路段设定线形指标修正系数;计算路段的事故预测模型;选取线形指标,并根据路段的类型计算各个线形指标的敏感系数;选取敏感系数最小的线形指标,计算事故率的增长系数;根据线形指标与事故率增长系数的关系筛选出安全度高的线形指标范围。本发明适用于高速公路的安全性筛选鉴别。
Description
技术领域
本发明涉及高速公路线形指标与事故率分析领域,具体涉及一种基于敏感性分析与行车安全的线形指标选择与优化方法。
背景技术
近年来,我国公路建设迅速发展,高速公路建设取得了举世瞩目的成果。但与此同时,随着我国高速公路的快速发展,高速公路交通事故逐年上升,高速公路交通事故死亡人数明显增加,高速公路的安全性未能有效体现。高速公路在给我们提供方便快捷的出行同时,交通安全也是我们追求的重中之重。
高速公路的安全保障是一个复杂的***工程,其中,关键线形指标的识别是交通安全保障的重要一步。
国内道路线形与事故率的研究主要有:同济大学的梁夏、郭忠印、方守恩应用前/后分析法研究了道路线形与事故率的统计关系。哈尔滨工业大学研究了道路条件与交通事故的相关关系,并从道路设计条件提出了预防事故的对策。湖北省交通规划设计院的兰志雄、宋继宏与北京工业大学的陈永胜、王广山合作研究了高速公路上直线、平曲线、纵坡、平纵配合等线形指标与事故率的相关关系,从而为道路设计过程中的安全审计提供了技术支持。
Tamar Ben-Bassat等认为道路设计会显著影响驾驶员的驾驶行为,几何线形、路肩的宽度等会显著影响车辆行驶速度,从而影响行车安全;FU Rui等]通过大量的数据分析,认为道路平面线形和纵断面线形对交通事故有着显著的影响;同样,希腊的MatthewG.Karlafti等采用非参数统计方法,分析道路几何线形、流量等与事故率之间的关系,发现道路几何设计和路面类型是两个影响事故率的最主要的因素。
在道路平面线形与事故的关系上,新西兰的Robin Haynes等研究平面线形和事故之间的关系,发现道路长度与两点间直线距离之比和每千米累计转角的大小显著影响事故率;美国学者Islam和Seneviratne通过实地观测数据发现平曲线半径对运行速度有着显著影响,在曲线的不同位置,运行速度也明显不同,通过回归分析建立了平曲线上不同位置运行速度的模型;马来西亚的Ali Aram通过研究双车道公路平曲线路段上的交通事故数据,发现平曲线半径、平曲线路段长度、曲线超高、缓和曲线长度、路肩宽度等对事故形成影响较大,曲线路段比相同长度的直线路段更加危险,这一现象在半径小于1000m时开始明显,在半径小于200m十分突出。
发明内容
本发明的目的是为了解决现有的道路平面线形与事故关系分析中,对各个指标分析较单一,且缺乏对关键线形指标甄别的缺点而提出一种基于敏感性分析与行车安全的线形指标选择与优化方法。
一种基于敏感性分析与行车安全的线形指标选择与优化方法,包括:
步骤一、根据目标高速公路的地形特点,将目标高速公路分为k个路段;路段的类型包括山岭区高速公路、丘陵区高速公路以及平原区高速公路。
步骤二、对于每一个路段,计算该路段预测得到的平均每公里每年发生的交通事故数量。
步骤三、为每一个路段设定线形指标修正系数;线形指标修正系数包括直线段长度修正系数βLZ、平曲线半径修正系数βRP、平曲线偏角修正系数βα、纵坡坡度修正系数βi以及竖曲线半径修正系数βRS。
步骤四、根据每个路段的类型,将该路段预测得到的平均每公里每年发生的交通事故数量乘以该路段的所有线形指标修正系数,得到该路段的事故预测模型。
步骤五、选取直线段长度、平曲线半径、平曲线偏角、纵坡坡度和竖曲线半径作为线形指标,并根据路段的类型分别计算各个线形指标的敏感系数,所述敏感系数用于描述线形指标对事故率预测值的影响程度。
步骤六、选取敏感系数最小的线形指标,求当线形指标发生变化时事故率的增长系数。
步骤七、根据线形指标与事故率增长系数的关系筛选出安全度高的线形指标范围。
本发明的有益效果为:
1、对于平纵组合路段,研究其关键线形指标不同取值时,事故率的变化情况,填补了技术领域的空白。
2、结合敏感性分析的方法,提出对影响道路交通安全关键线形指标进行甄别和优化的方法,有助于在道路设计及后期安全条件改善时,确定关键线形指标并进行调整。
3、根据本发明的方法分析可以得到以下结论:山岭区高速公路纵坡为3%时,平曲线半径取值建议应大于1500m;纵坡为4%时,平曲线半径取值建议应大于2500m;纵坡为5%时,平曲线半径取值建议应大于6500m。丘陵区高速公路纵坡为3%时,平曲线半径取值建议应大于1000m;纵坡为4%时,平曲线半径取值建议应大于1500m;纵坡为5%时,平曲线半径取值建议应大于7500m。山岭区高速公路竖曲线半径小于6000m时,平曲线半径取值建议应大于2000m。丘陵区高速公路竖曲线半径小于17000m时,平曲线半径取值建议应大于1500m。
附图说明
图1为本发明实施例的流程图。
具体实施方式
具体实施方式一:本实施方式的基于敏感性分析与行车安全的线形指标选择与优化方法,其特征在于,包括:
步骤一、根据目标高速公路的地形特点,将目标高速公路分为k个路段;路段的类型包括山岭区高速公路、丘陵区高速公路以及平原区高速公路。
步骤二、对于每一个路段,计算该路段预测得到的平均每公里每年发生的交通事故数量。
步骤三、为每一个路段设定线形指标修正系数;线形指标修正系数包括直线段长度修正系数βLZ、平曲线半径修正系数βRP、平曲线偏角修正系数βα、纵坡坡度修正系数βi以及竖曲线半径修正系数βRS。
步骤四、根据每个路段的类型,将该路段预测得到的平均每公里每年发生的交通事故数量乘以该路段的所有线形指标修正系数,得到该路段的事故预测模型。
步骤五、选取直线段长度、平曲线半径、平曲线偏角、纵坡坡度和竖曲线半径作为线形指标,并根据路段的类型分别计算各个线形指标的敏感系数,所述敏感系数用于描述线形指标对事故率预测值的影响程度。
步骤六、选取敏感系数最小的线形指标,求当线形指标发生变化时事故率的增长系数。
步骤七、根据线形指标与事故率增长系数的关系筛选出安全度高的线形指标范围。
具体实施方式二:本实施方式与具体实施方式一不同的是:
步骤二中,
当路段为山岭高速公路时,通过如下公式计算预测得到的平均每公里每年发生的交通事故数量NB:
NB=1.0×10-6×AADT1.411
其中AADT表示年平均日交通量;
当路段为丘陵高速公路时,通过如下公式计算预测得到的平均每公里每年发生的交通事故数量NB:
NB=2.06×10-7×AADT1.520
当路段为平原区高速公路时,通过如下公式计算预测得到的平均每公里每年发生的交通事故数量NB:
NB=2.2×10-9×AADT2-3.75×10-5×AADT+0.96。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:
步骤四中,
当路段为山岭区高速公路时,该路段的事故预测模型为:
N=NB×βRP×βLZ×βα×βi×βRS
NB=1.0×10-6×AADT1.411
βRP=1248.1RP-1.041+1
βLZ=0.264LZ2-0.587LZ+1.44
βα=-9.25×10-6×α3+9.38×10-4×α2-2.38×10-2×α+1.204
βi=0.072i2-0.081i+1.226
βRS=12.54RS-0.46+1
当路段为丘陵区高速公路时,该路段的事故预测模型为:
N=NB×βRP×βLZ×βα×βi×βRS
NB=2.06×10-7×AADT1.520
βRP=18755RP-1.51+1
βLZ=0.373LZ2-0.758LZ+1.49
βα=-1.19×10-5×α3+1.89×10-3×α2-0.08α+1.93
βi=0.138i2+0.019i+0.99
βRS=11.77RS-0.43+1
当路段为平原区高速公路时,该路段的事故预测模型为:
N=NB×βLZ
NB=2.2×10-9×AADT2-3.75×10-5×AADT+0.96
βLZ=0.247LZ2-0.883LZ+1.91。
其中,LZ为直线段长度、RP为平曲线半径、α为平曲线偏角、i为纵坡坡度、RS为竖曲线半径。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:
步骤五中,敏感系数的表达式为:
其中m表示对路段进行了m次采样,xi′表示对线形指标进行第i′次采样的采样值,f(xi′)表示与第i′次采样的采样值对应的事故率变化率,min{f(x1),f(x2),…f(xm)}表示从所有的m次采样对应的事故变化率中取最小值。
每个敏感系数△yi′表示对某个单项线形指标的敏感系数,例如在表1中,可以针对直线段长度LZ计算敏感系数:直线段长度LZ一共进行了10次采样(即从0.50km到2.75km),修正系数是根据现有技术的方法计算确定的;先计算各段采样的事故率变化率,以第一行为例,0.07是由(1.08-1.01)/1.01计算得到的,其中1.08是本次采样的修正系数,1.01是所有修正系数中取值最小的那个,即然后将所有的事故变化率加和,然后除以采样数,得到的就是对应线形指标的敏感系数,即表2中的各项数值。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:
步骤六中,事故率增长系数的计算公式为:
其中ξi″j为事故率增长系数;β1i″为纵坡坡度修正系数中的第i″个取值点,i″=1,2,3,4……;β2j为平曲线半径修正系数中第j个取值点,j=1,2,3,4……。
此处的ξi″j可以理解为表3中的第j行第i列的数值,用第2行第1列举例,其中β11表示坡度为-6时的纵坡坡度修正系数,纵坡坡度修正系数可以根据现有技术的公式进行计算,例如公式5至公式9中的各个公式。β22表示平曲线半径为250m时的平曲线半径。分母min(β1i·β2i)表示对表中的每一个β1i·β2i进行计算,然后选出其中的最小值。
<实施例>
本实施例的流程图如图1所示,具体包括:
(1)建立事故预测模型
借鉴IHSDM事故预测模型的建模思想,建立理想线形条件下事故率预测模型,然后引入平面、纵断面线形修正系数,对基本事故预测模型进行线形条件的逐步修正,进而得到实际道路条件及交通环境下的事故预测模型。山岭区、丘陵区以及平原区高速公路事故预测模型的总体结构见式1。
式中Ni——预测得到的预测单元i上平均每公里、每年发生的交通事故数量,即模型输出的事故率(次/km·年);
NBi——当预测单元i的线形处于最优时,预测得到的平均每公里每年发生的交通事故数量,即基础事故率(次/km·年);
βj——线形指标修正系数。
其中,基本事故预测模型(即NB)仅与年平均日交通量(AADT)有关。
由统计结果可知,当高速公路线形处于理想线形条件时,事故率随交通量(AADT)的增加快速增加。统计得到事故率与年平均日交通量的函数关系,即基础事故预测模型,见式2至式4。
山岭区高速公路:
NB=1.0×10-6×AADT1.411(R2=0.65) (2)
丘陵区高速公路:
NB=2.06×10-7×AADT1.520(R2=0.69) (3)
平原区高速公路:
NB=2.2×10-9×AADT2-3.75×10-5×AADT+0.96(R2=0.85) (4)
(2)基础事故预测模型的修正系数
由界定的理想线形条件,确定直线段长度修正系数βLZ、平曲线半径修正系数βRP、平曲线偏角修正系数βα、纵坡坡度修正系数βi及竖曲线半径修正系数βRS。
各线形指标的修正系数。
βRP=NiRP/NiBRP (5)
βLT=NiLT/NiBLT (6)
βα=Niα/(NiBα×βRP) (7)
βi=Nii/NiBi×βRP×βα×βLT (8)
βRS=NiRS/(NiBi×βRP×βα×βLT) (9)
(3)高速公路事故预测模型汇总
事故预测模型为基础事故率预测模型与各线形指标修正系数的乘积。结合前述研究成果,建立的山岭区、丘陵区、平原区高速公路事故预测模型见式10至式26。
山岭区高速公路事故预测模型:
N=NB×βRP×βLZ×βα×βi×βRS (10)
NB=1.0×10-6×AADT1.411(R2=0.65) (11)
βRP=1248.1RP-1.041+1(R2=0.62) (12)
βLZ=0.264LZ2-0.587LZ+1.44(R2=0.65) (13)
βα=-9.25×10-6×α3+9.38×10-4×α2-2.38×10-2×α+1.204(R2=0.70) (14)
βi=0.072i2-0.081i+1.226(R2=0.71) (15)
βRS=12.54RS-0.46+1(R2=0.57) (16)
丘陵区高速公路事故预测模型:
N=NB×βRP×βLZ×βα×βi×βRS (17)
NB=2.06×10-7×AADT1.520(R2=0.66) (18)
βRP=18755RP-1.51+1(R2=0.73) (19)
βLZ=0.373LZ2-0.758LZ+1.49(R2=0.62) (20)
βα=-1.19×10-5×α3+1.89×10-3×α2-0.08α+1.93(R2=0.72) (21)
βi=0.138i2+0.019i+0.99(R2=0.68) (22)
βRS=11.77RS-0.43+1(R2=0.71) (23)
平原区高速公路事故预测模型:
N=NB×βLZ (24)
NB=2.2×10-9×AADT2-3.75×10-5×AADT+0.96(R2=0.85) (25)
βLZ=0.247LZ2-0.883LZ+1.91(R2=0.60) (26)
步骤二、选取线形指标;
敏感性分析,就是假设模型表示为y=f(x1,x2,…,xn),其中xi为模型的第i个自变量,令每个自变量在可能的取值范围内变动,研究和预测这些自变量的变动对模型输出值的影响程度,并将影响程度的大小称为该自变量的敏感性系数。敏感性系数越大,自变量对模型输出的影响越大。简而言之,敏感性分析就是一种定量描述模型输入变量对输出变量的重要程度的一种方法。指标选择,就是选择对模型的自变量,也就是对模型输出有影响的变量。
对高速公路事故预测模型而言,其线形指标众多,例如直线段长度(LZ)、平曲线半径(RP)、平曲线偏角(α)、纵坡坡度(i)和竖曲线半径(RS)等。
步骤三、计算各线形指标的敏感性系数△yi;
根据敏感性分析的范围,可以将其分为局部和全局敏感性分析。局部敏感性分析只检验单个自变量对模型的影响程度,而全局敏感性分析,检验多个自变量对模型结果产生的总影响,并分析自变量之间的相互作用对模型输出的影响。局部敏感性分析因其在计算方面的简单快捷,具有很强的可操作性。
依据局部敏感性分析的原理,对步骤一所选择的线形指标进行敏感性系数计算。使某一个线形指标在可能的取值范围内进行增大或减小,可得其变化对事故预测模型预测值的变化,进而得到各个线形指标的敏感性系数△yi,f(x1,x2,…,xn)为步骤一中事故率预测模型,见式27。
式中f(xi)——事故预测模型,xi为事故预测模型自变量的不同取值;
m——将自变量的取值范围划成m等份;
△yi——敏感性系数。
步骤四、确定关键线形指标。
关键线形指标是指对高速公路事故率有突出影响的线形指标,即敏感性系数最大的线形指标。由高速公路事故预测模型可知,线形指标的修正系数越大,高速公路事故率的预测值也就越大。高速公路线形指标取不同值时,以修正系数最小值为基础,可得事故率变化率。采用局部敏感性分析的方法可鉴别出高速公路事故预测模型中对事故率有突出影响的关键线形指标。
步骤五、考虑行车安全,计算当线形指标的取值发生变化时事故率的增长系数。
以所求得的修正系数最小值为基础值,进而求得当线形指标的取值发生变化时事故率的增长系数,其计算公式见式28。
式中ξ——事故率增长系数;
β——线形指标修正系数。
步骤六、确定路段关键线形指标的取值范围建议值,选取优化后的关键线形指标。
计算步骤四中事故率增长系数的均值,并将事故率增长系数的均值作为可接受安全水平的上限,在此基础上,确定平纵组合路段关键线形指标的取值范围。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种新型的关键线形指标识别与优化方法具体是按照以下步骤制备的:
本例以辽宁省高速公路数据为基础,依据本研究的目的并结合试验路段的几何线形条件,进行关键线形指标选择及优化。高速公路线形指标取不同值时,以修正系数最小值为基础,可得事故率变化率见表-1。采用局部敏感性分析的方法可鉴别出高速公路事故预测模型中对事故率有突出影响的关键线形指标,这些关键线形指标的敏感性系数见表-2。
由表-2可知:
(1)对山岭区高速公路而言,纵坡坡度的敏感性系数最大,因此可认为纵坡坡度是影响山岭区高速公路事故率的关键线形指标;
(2)对丘陵区高速公路而言,直线段长度的敏感性系数最大,可认为直线段长度是影响丘陵区高速公路事故率的关键线形指标;
(3)对平原区高速公路而言,由于直线段长度是平原区高速公路事故预测模型的唯一线形指标变量,因此,可认为直线段长度是影响平原区高速公路事故率的关键线形指标。
表1高速公路线形指标修正系数及事故率变化率
表2高速公路各线形指标的敏感性系数
以高速公路平纵组合路段为研究对象,研究了高速公路平纵组合路段关键线形指标(平曲线半径、纵坡坡度、竖曲线半径等)不同取值时,事故率的变化情况,最后得出基于行车安全的高速公路平纵组合路段关键线形指标取值范围的推荐值。
山岭区高速公路和丘陵区高速公路平纵组合路段的事故率增长系数分别见表3至表6。
由表3至表6可知:
(1)事故率的增长系数随平曲线半径的减小而增加,随竖曲线半径的减小而增加,随纵坡坡度的增加而增加;
(2)对于山岭区高速公路和丘陵区高速公路,当平曲线半径取250m(设计速度80km/h时的极限值)或400m(设计速度100km/h时的极限值)时,无论纵坡坡度取值大小、竖曲线半径取值大小事故率的增长系数均处于较高值;
(3)当竖曲线半径的取值受地形条件限制取极限值时,可以通过增加平曲线半径的大小将事故率的增长系数减小到较低值(均值);当平曲线半径取极限值时,无法通过增加竖曲线半径将事故率的增长系数减小到较低值。
表3山岭区高速公路平曲线与纵坡组合路段事故率的增长系数
表4丘陵区高速公路平曲线与纵坡组合路段事故率的增长系数
表5山岭区高速公路平曲线与竖曲线组合路段事故率的增长系数
表6丘陵区高速公路平曲线与竖曲线组合路段事故率的增长系数
如果将事故率增长系数的均值作为可接受安全水平的上限,在此基础上,确定的平纵组合路段关键线形指标的取值范围建议值如下:
(1)平曲线与纵坡组合路段线形指标取值范围
山岭区高速公路纵坡为3%时,平曲线半径取值建议应大于1500m;纵坡为4%时,平曲线半径取值建议应大于2500m;纵坡为5%时,平曲线半径取值建议应大于6500m。
丘陵区高速公路纵坡为3%时,平曲线半径取值建议应大于1000m;纵坡为4%时,平曲线半径取值建议应大于1500m;纵坡为5%时,平曲线半径取值建议应大于7500m。
(2)平曲线与竖曲线组合路段线形指标取值范围
山岭区高速公路竖曲线半径小于6000m时,平曲线半径取值建议应大于2000m。丘陵区高速公路竖曲线半径小于17000m时,平曲线半径取值建议应大于1500m。
平纵组合路段关键线形指标的取值范围建议值,见表7。
表7平纵组合路段关键线形指标的取值范围建议值
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种基于敏感性分析与行车安全的线形指标选择与优化方法,其特征在于,包括:
步骤一、根据目标高速公路的地形特点,将目标高速公路分为k个路段;路段的类型包括山岭区高速公路、丘陵区高速公路以及平原区高速公路;
步骤二、对于每一个路段,计算该路段预测得到的平均每公里每年发生的交通事故数量;
步骤三、为每一个路段设定线形指标修正系数;线形指标修正系数包括直线段长度修正系数βLZ、平曲线半径修正系数βRP、平曲线偏角修正系数βα、纵坡坡度修正系数βi以及竖曲线半径修正系数βRS;
步骤四、根据每个路段的类型,将该路段预测得到的平均每公里每年发生的交通事故数量乘以该路段的所有线形指标修正系数,得到该路段的事故预测模型;
步骤五、选取直线段长度、平曲线半径、平曲线偏角、纵坡坡度和竖曲线半径作为线形指标,并根据路段的类型分别计算各个线形指标的敏感系数,所述敏感系数用于描述线形指标对事故率预测值的影响程度;
敏感系数Δyi′的表达式为:
其中m表示对路段进行了m次采样,xi′表示对线形指标进行第i′次采样的采样值,f(xi′)表示与第i′次采样的采样值对应的事故率变化率,min{f(x1),f(x2),…f(xm)}表示从所有的m次采样对应的事故变化率中取最小值;
步骤六、选取敏感系数最小的线形指标,求当线形指标发生变化时事故率的增长系数;
步骤七、根据线形指标与事故率增长系数的关系筛选出安全度高的线形指标范围。
2.根据权利要求1所述的基于敏感性分析与行车安全的线形指标选择与优化方法,其特征在于,步骤二中,
当路段为山岭高速公路时,通过如下公式计算预测得到的平均每公里每年发生的交通事故数量NB:
NB=1.0×10-6×AADT1.411
其中AADT表示年平均日交通量;
当路段为丘陵高速公路时,通过如下公式计算预测得到的平均每公里每年发生的交通事故数量NB:
NB=2.06×10-7×AADT1.520
当路段为平原区高速公路时,通过如下公式计算预测得到的平均每公里每年发生的交通事故数量NB:
NB=2.2×10-9×AADT2-3.75×10-5×AADT+0.96。
3.根据权利要求2所述的基于敏感性分析与行车安全的线形指标选择与优化方法,其特征在于,步骤四中,
当路段为山岭区高速公路时,该路段的事故预测模型为:
N=NB×βRP×βLZ×βα×βi×βRS
NB=1.0×10-6×AADT1.411
βRP=1248.1RP-1.041+1
βLZ=0.264LZ2-0.587LZ+1.44
βα=-9.25×10-6×α3+9.38×10-4×α2-2.38×10-2×α+1.204
βi=0.072i2-0.081i+1.226
βRS=12.54RS-0.46+1
当路段为丘陵区高速公路时,该路段的事故预测模型为:
N=NB×βRP×βLZ×βα×βi×βRS
NB=2.06×10-7×AADT1.520
βRP=18755RP-1.51+1
βLZ=0.373LZ2-0.758LZ+1.49
βα=-1.19×10-5×α3+1.89×10-3×α2-0.08α+1.93
βi=0.138i2+0.019i+0.99
βRS=11.77RS-0.43+1
当路段为平原区高速公路时,该路段的事故预测模型为:
N=NB×βLZ
NB=2.2×10-9×AADT2-3.75×10-5×AADT+0.96
βLZ=0.247LZ2-0.883LZ+1.91
其中,LZ为直线段长度、RP为平曲线半径、α为平曲线偏角、i为纵坡坡度、RS为竖曲线半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710592024.4A CN107392373B (zh) | 2017-07-19 | 2017-07-19 | 一种基于敏感性分析与行车安全的线形指标选择与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710592024.4A CN107392373B (zh) | 2017-07-19 | 2017-07-19 | 一种基于敏感性分析与行车安全的线形指标选择与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392373A CN107392373A (zh) | 2017-11-24 |
CN107392373B true CN107392373B (zh) | 2021-02-09 |
Family
ID=60336424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710592024.4A Active CN107392373B (zh) | 2017-07-19 | 2017-07-19 | 一种基于敏感性分析与行车安全的线形指标选择与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392373B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264724B (zh) * | 2019-07-09 | 2020-08-25 | 哈尔滨工业大学 | 一种交互式高速公路交通事故预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608902A (zh) * | 2016-03-28 | 2016-05-25 | 辽宁省交通科学研究院 | 一种高速公路事故多发点鉴别***及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6662141B2 (en) * | 1995-01-13 | 2003-12-09 | Alan R. Kaub | Traffic safety prediction model |
CN101694745A (zh) * | 2009-06-16 | 2010-04-14 | 同济大学 | 基于高速公路几何线形综合技术指标的安全检测方法 |
CN104294720B (zh) * | 2014-09-26 | 2016-06-29 | 哈尔滨工业大学 | 一种高速公路设计方案安全性评价方法 |
-
2017
- 2017-07-19 CN CN201710592024.4A patent/CN107392373B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608902A (zh) * | 2016-03-28 | 2016-05-25 | 辽宁省交通科学研究院 | 一种高速公路事故多发点鉴别***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107392373A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330217B (zh) | 一种基于rbfnn的中观油耗预测方法 | |
Hammarström et al. | Rolling resistance model, fuel consumption model and the traffic energy saving potential from changed road surface conditions | |
CN105303832B (zh) | 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法 | |
CN103093643B (zh) | 一种确定公共停车场泊位数的方法 | |
CN104233935B (zh) | 一种基于道路纵断面信息的路面质量等级辨识方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与*** | |
CN103838971A (zh) | 一种城市路网动态交通能耗及排放的计算方法 | |
Weng et al. | Decision tree–based model for estimation of work zone capacity | |
CN104318773A (zh) | 一种基于交通拥堵时空总量的交通拥堵测定方法 | |
CN101739823A (zh) | 一种适用低频采样的路段平均行程时间测量方法 | |
CN106485919B (zh) | 一种判定快速道路定点测速仪对交通事故数量影响的方法 | |
CN101930670A (zh) | 公交行驶路段社会车辆运行时间预测方法 | |
CN107153737A (zh) | 基于力学‑经验法的路面最佳轴载周期确定方法 | |
Rao et al. | Free speed modeling for urban arterials-A case study on Delhi | |
CN102494667A (zh) | 一种表征地面沉降的方法 | |
CN104252556A (zh) | 一种河流分类*** | |
CN107392373B (zh) | 一种基于敏感性分析与行车安全的线形指标选择与优化方法 | |
Ghosh et al. | Operational performance measures for two-lane roads: an assessment of methodological alternatives | |
CN106651209B (zh) | 一种评估自行车快速路对当地自行车出行量影响的方法 | |
CN106023602A (zh) | 山地城市信号交叉口延误计算方法 | |
Wu et al. | Safety evaluation model of highway construction based on fuzzy grey theory | |
CN106991817A (zh) | 多级路网路段交通容量确定方法 | |
CN105096586B (zh) | 基于交通流特征参数的平原区高速公路事故预测方法 | |
Rengarasu et al. | Effects of road geometry and cross-section variables on traffic accidents: study using homogeneous road segments | |
CN111710156B (zh) | 一种道路交通流量预测方法、***、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |