CN107766636A - 一种基于极值理论与微观仿真的城市交叉口安全评价方法 - Google Patents
一种基于极值理论与微观仿真的城市交叉口安全评价方法 Download PDFInfo
- Publication number
- CN107766636A CN107766636A CN201710946960.0A CN201710946960A CN107766636A CN 107766636 A CN107766636 A CN 107766636A CN 201710946960 A CN201710946960 A CN 201710946960A CN 107766636 A CN107766636 A CN 107766636A
- Authority
- CN
- China
- Prior art keywords
- intersection
- simulation
- traffic
- extreme value
- conflict
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 56
- 238000011156 evaluation Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000005094 computer simulation Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 22
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000000540 analysis of variance Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000011551 log transformation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于极值理论与微观仿真的城市交叉口安全评价方法,通过视频采集交叉口高峰时段的运行状况,对交叉口冲突进行识别和数据提取,应用仿真软件VISSIM进行交通路网仿真建模与标定,提取冲突轨迹文件并筛选冲突数据。应用极值模型对交通冲突数据进行建模,计算交叉口的事故风险率。具体为使用TCT法和极值理论方法(Strategy 3),分别计算风险度,比较Pearson系数和Spearman Rank系数。Pearson系数直接将实际事故数与安全风险指标进行关联度计算。Spearman Rank系数根据风险指标和实际事故数分别对路口进行安全排序,选择与实际事故反映的安全性最接近的安全评价方法。
Description
技术领域
本发明涉及一种城市交叉口安全评价方法,特别是一种基于极值理论与微观仿真的城市交叉口安全评价方法。
背景技术
城市道路交叉口是城市道路网的交汇点,是行人、车辆汇合、转向、分流的地方,是道路网灵活性的关键。但是由于交叉口通常有多向交通流集中,所以在整个路网中,平面交叉口是道路通行能力的瓶颈和交通事故的多发地。据统计发生在平面交叉口的交通事故占很大的比例,我国对国内城市的交通事故抽样表明,发生在平面交叉口的交通事故数约占30%,联邦德国城市的交通事故发生在平面交叉口约占60%-80%。由此可见城市交叉口的交通安全问题更加值得重视。而提高城市交叉***通安全的有效手段是对其进行合理设计和科学管理,即在实施交叉口安全设计之前,对其进行交通安全评价,然后再根据其评价结果,进行合理有效设计,保障改善措施合理性和科学性。道路交叉口作为道路最重要的组成部分也是事故发生率较高的部分,对其做出相应的安全评价以便交通部门对现有交叉口做出改进有极其重要的意义。
极值理论已被应用在多个领域(如金融、保险、风险管理)根据正常观测预测极端或不可观测的极端事件的概率。根据现场观测到的冲突,它可成功检测交叉口和高速公路匝道的交通安全。但是它还没被用在基于仿真的冲突研究中。
国外针对道路交通安全的研究较早,并且提出了较完善的安全***理论,如英国1987年开始安全审核研究工作,到1996年IHT出版了道路安全评价指南(Guidelines toRoad Safety Audit of Highway),明确规定了安全审查的实施方法和实施规程,并提出了评价清单;美国1995年提出安全审核报告《Road safety Audit:A New Tool for AccidentPrevention》,这份报告对安全性和道路及其环境的影响,保证安全性的设计参数取值都做了详细的论述。对于交通安全评价方法的研究主要有专家经验法、回归法、速度中介法。目前,国内对交通安全的评价方法大致可以分为2类:概率数理统计方法和强度分析法。
对于交通安全评价方法的研究主要有专家经验法、回归法、速度中介法。
专家经验法:由长期从事道路工作的专家对道路的各种条件进行安全评价。这种方法随机性较大,只能作定性分析,不能给出定量模型;回归法:
回归法又包括线性回归模型、非线性回归模型、确定性模型和概率模型。线性回归模型是最基本的模型,它假设道路交通事故的发生与若干个道路条件因素相关,根据一定量的统计数据进行回归分析。这种模型由于在自变量的选择上有很大的主观随意性,并且假设事故数是若干因素的确定函数,往往得到的结果跟实际有很大的差距;
速度中介法:这种方法认为车速和事故间存在密切关系,而且是酿成事故的主要原因,特别是道路条件对车辆的最直接影响表现在速度上,因此可以利用运行车辆的速度特征及其变化来分析道路条件与事故间的关系。
目前,国内对交通安全的评价方法大致可以分为2类:概率数理统计方法和强度分析法。概率数理统计法中包含事故绝对数法、事故率法等,这种方法在统计上简单易行,不足之处是对事故的分析过于简单,没有考虑到不同道路交通条件的差别,使得评价结果往往缺乏科学性和说服力。事故率法采用相对比较和统计分析的方法,孤立地分析各道路因素与事故的关系,得出各道路因素对交通安全的影响系数,某路段上的各因素安全系数的乘积作为路段的安全系数。这种方法虽简便易行,但各路段上的交通安全状况是由众多因素综合作用的结果,而分析中未考虑各因素间的综合作用,因而这种方法缺乏理论上的严密性。
发明内容
发明目的:本发明针对上述问题,提供一种基于极值理论与微观仿真的城市交叉口安全评价方法。
技术方案:本发明提供以下技术方案:
一种基于极值理论与微观仿真的城市交叉口安全评价方法,包括以下步骤:
S1、交叉口基础数据采集;
S2、交叉口冲突识别与数据提取;
S3、交通路网仿真建模;
S4、对仿真模型进行标定;
S5、对标定好的模型进行Leave-one-out交互验证,得到十个交叉路口最终的交通微观仿真模型;
S6、提仿真模型进行标取冲突轨迹文件;
S7、对交通冲突数据进行筛选;为了避免冲突的发生是由于序列相关性,所以需要采用阈值法将时空范围内非常接近的交通冲突进行合并处理;
S8、使用极值模型对交通冲突数据进行建模;
S9、判断交叉口的事故风险率;
S10、与不同安全评价方法的对比。
进一步地,步骤S1交叉口基础数据采集包括以下内容:选取某地十个主要的干线交叉路口进行交叉口基础数据采集,包括道路几何线性勘察,信号配时方案记录,交通流量采集,车辆比例记录等。
进一步地,步骤S2交叉口冲突识别与数据提取包括以下步骤:
S21、通过视频采集交叉口高峰时段的运行状况,通过对坐标的调校,将投影网格与视频进行重合;
S22、通过车辆明显的减速行为,判断冲突的发生;通过训练有经验的观察者,辅助以坐标网格的参照,对冲突发生时的后侵占时间Post-Encroachment Time进行估计。
进一步地,步骤S3交通路网仿真建模包括以下步骤:
S31、将道路几何线性图或者商业软件地图导入仿真软件VISSIM,对比例尺进行标定;
S32、然后描绘交通路网,并设定运行规则,信号配时方案,车辆输入,流量输入等基本参数。
进一步地,步骤S4对仿真模型进行标定包括以下步骤:
S41、确定仿真模型标定的性能指标,包含反映交叉口运行效率的车头时距,以及交通安全性的冲突数量;
S42、缺省参数测试,直接使用模型缺省值进行仿真,建立模型缺省值与仿真性能指标间的关系,判断缺省参数的可行性;
S43、通过ANOVA检验,判断与交通仿真运行指标显著相关的参数;
S44、对于显著影响指标的可行域进行检验,采用拉丁超方设计方法;
S45、对非显著指标与显著指标的联合作用进行检验,最终确定标定集合;
S46、因为包含两个性能评价指标,所以拟采用多参数的仿真标定方法,通过 Log-transformation将不同量纲的两个参数归并到相似的范围内进行优化;
S47、采用遗传算法对其仿真模型进行标定。遗传算法的步骤包括个体编码,初始种群产生,适应度计算,选择运算,交叉运算和变异运算。
进一步地,步骤S6提取冲突轨迹文件包括以下步骤:
S61、运行仿真,输出车辆轨迹文件.trj;
S62、使用SSAM软件对上面获得的.trj文件进行分析提取,获得每个交叉口的交通冲突参数。
进一步地,步骤S8使用极值模型对交通冲突数据进行建模包括以下步骤:
S81、假设交通冲突{zt}的分布函数为F(x),定义Fu(y)为随机变量Z超过阈值u 的条件分布函数,其中Z代表冲突的PET,它可以表示为:
Fu(y)=P(Z-u≤y|Z>u)y≥0
根据条件概率公式我们可以得到
S82、根据Pickands定理:对于一大类分布F条件超限分布函数Fu(y),存在一个G′ξ,σ(y)使得:
当ξ≥0时,y∈[0,∞);当ξ<0时,y∈[0,-σ/ξ];函数G′ξ,σ(y)为广义帕累托分布;
ξ的不同取值取决了G′ξ,σ(y)函数图形尾部的厚度,ξ越大尾部越厚,ξ越小尾部越薄;从G′ξ,σ(y)函数我们还可以看到当ξ<0时,y的最大取值为-σ/ξ,有上界;
对于给定的一个符合广义的帕累托分布的样本{z1,…,zn}的对数似然函数L(ξ,σ|z) 为:
S83、根据超限期望图判断不同交叉口模型的PET极值阈值、Scale参数和shape 参数的取值;
样本的超限期望函数定义为:
超限期望图为点(u,e(u))构成的曲线,选取充分大的u作为阈值,使得当x≥u时e(x) 为近似线性函数;另外,如果超限期望图当x≥u时是向上倾斜的,说明数据来源于参数ξ为正的GPD分布;如果超限期望图当x≥u时是向下倾斜的,说明数据来源于尾部较短的分布;如果超限期望图当x≥u时是水平的,则说明该数据来源于指数分布;这一判断方法是根据广义Pareto分布在参数稳定时,它的超限期望函数是一个线性函数得到的
当u确定以后,利用{zt}的值,根据对数似然函数,进行最大似然估计得到和同时,我们得到{zt}的值中比阈值u大的个数,记为Nu,根据条件概率公式用频率代替 F(u)的值,可以得到F(z)的表达式:
进一步地,步骤S9判断交叉口的事故风险率包括以下步骤:
S91、取冲突度量指标后侵入时间PET<=0作为界限,用如下公式计算:
Risk=1-P(PET<=0)=1-F(z)=1-F(0)
S92、依据上一步得到的Risk值,可计算出该交叉口的预测事故频率:
其中T为1年,即计算得到年平均事故,t为该交叉口的整体观测时间。
进一步地,步骤S10与不同安全评价方法的对比包括以下步骤:
S101、以某地十个典型信号交叉口为例,使用其他TCT法和极值理论方法,分别计算风险度,比较Pearson系数和Spearman Rank系数;
S102、Pearson系数直接将实际事故数与安全风险指标进行关联度计算;Spearman Rank系数根据风险指标和实际事故数分别对路口进行安全排序,再通过计算Spearman Rank系数比较哪一种安全评价方法与实际事故反映的安全性最接近。
有益效果:本发明与现有技术相比:本发明提供一种基于极值理论与微观仿真的城市交叉口安全评价方法,将交通冲突和交通安全相关联,通过分析交叉***通冲突来评价交叉口安全水平。通过视频采集交叉口高峰时段的运行状况,操作简单易行,完成对交叉口冲突的识别和数据提取,这样可以通过短时间的观测获取大量的交通冲突样本,从而在很大程度上克服了事故率评价方法的“小样本、长周期、大区域、低信度”的弊端。
运用仿真方法对交通冲突进行研究,节省人力、物力,更加经济性;仿真过程可重复操作,简单高效;在仿真过程中可以随时对某些参数进行设定,具有可控性。与实际交通调查相比,通过仿真可以快速获得结果,缩短了数据获取周期,还可以避免由于人为因素发生交通中断等干扰而造成的数据丢失或失真。
极值理论已被应用在多个领域,但是它还没被用在基于仿真的冲突研究中。应用极值模型对交通冲突数据进行建模,给出定量模型,通过分析模型,计算交叉口的事故风险率,对交通安全水平可以做出定量分析,而不仅仅是定性分析。
使用其他TCT法和极值理论方法(Strategy 3),分别计算风险度,比较Pearson 系数和Spearman Rank系数。Pearson系数直接将实际事故数与安全风险指标进行关联度计算。Spearman Rank系数根据风险指标和实际事故数分别对路口进行安全排序,再通过计算Spearman Rank系数比较哪一种安全评价方法与实际事故反映的安全性最接近,进而得出更加科学合理的安全评价方法。
附图说明
图1为本发明的方法流程图;
图2为超限期望图示例;
图3为Scale参数随阈值变化的示意图;
图4为shape参数随阈值变化的示意图。
具体实施方式
下面结合附图对本发明作进一步的解释。
一种基于极值理论与微观仿真的城市交叉口安全评价方法,包括以下步骤:
S1、交叉口基础数据采集;
S2、交叉口冲突识别与数据提取;
S3、交通路网仿真建模;
S4、对仿真模型进行标定;
S5、对标定好的模型进行Leave-one-out交互验证,得到十个交叉路口最终的交通微观仿真模型;
S6、提仿真模型进行标取冲突轨迹文件;
S7、对交通冲突数据进行筛选。为了避免冲突的发生是由于序列相关性(serialdependence),所以需要将时空范围内非常接近的交通冲突进行合并处理,这里主要采用阈值法;
S8、使用极值模型对交通冲突数据进行建模;
S9、判断交叉口的事故风险率;
S10、与不同安全评价方法的对比。
进一步地,步骤S1交叉口基础数据采集包括以下内容:选取了上海奉贤区十个主要的干线交叉路口进行交叉口基础数据采集,包括道路几何线性勘察,信号配时方案记录,交通流量采集,车辆比例记录等。
进一步地,步骤S2交叉口冲突识别与数据提取包括以下步骤:
S21、通过视频采集交叉口高峰时段的运行状况,通过对坐标的调校,将投影网格与视频进行重合;
S22、通过车辆明显的减速行为,判断冲突的发生。通过训练有经验的观察者,辅助以坐标网格的参照,对冲突发生时的后侵占时间Post-Encroachment Time进行估计。
进一步地,步骤S3交通路网仿真建模包括以下步骤:
S31、将道路几何线性图(CAD)或者商业软件地图导入仿真软件VISSIM,对比例尺进行标定;
S32、然后描绘交通路网,并设定运行规则,信号配时方案,车辆输入,流量输入等基本参数。
进一步地,步骤S4对仿真模型进行标定包括以下步骤:
S41、确定仿真模型标定的性能指标,包含反映交叉口运行效率的车头时距,以及交通安全性的冲突数量;
S42、缺省参数测试,直接使用模型缺省值进行仿真,建立模型缺省值与仿真性能指标间的关系,判断缺省参数的可行性;
S43、通过ANOVA检验,判断与交通仿真运行指标显著相关的参数;
S44、对于显著影响指标的可行域进行检验,采用拉丁超方设计方法;
S45、对非显著指标与显著指标的联合作用进行检验,最终确定标定集合;
S46、因为包含两个性能评价指标,所以拟采用多参数的仿真标定方法,通过 Log-transformation将不同量纲的两个参数归并到相似的范围内进行优化;
S47、采用遗传算法对其仿真模型进行标定。遗传算法的步骤包括个体编码,初始种群产生,适应度计算,选择运算,交叉运算和变异运算。可以获得的最终参数:
进一步地,步骤S6提取冲突轨迹文件包括以下步骤:
S61、运行仿真,输出车辆轨迹文件.trj;
S62、使用SSAM软件对上面获得的.trj文件进行分析提取,获得每个交叉口的交通冲突参数。
进一步地,步骤S8使用极值模型对交通冲突数据进行建模包括以下步骤:
S81、假设交通冲突{zt}的分布函数为F(x),定义Fu(y)为随机变量Z超过阈值u 的条件分布函数,其中Z代表冲突的PET,它可以表示为:
Fu(y)=P(Z-u≤y|Z>u)y≥0
根据条件概率公式我们可以得到
S82、根据Pickands定理:对于一大类分布F(几乎包括所有的常用分布)条件超限分布函数Fu(y),存在一个G′ξ,σ(y)使得:
当ξ≥0时,y∈[0,∞);当ξ<0时,y∈[0,-σ/ξ]。函数G′ξ,σ(y)为广义帕累托分布。ξ的不同取值取决了G′ξ,σ(y)函数图形尾部的厚度,ξ越大尾部越厚,ξ越小尾部越薄。从G′ξ,σ(y)函数我们还可以看到当ξ<0时,y的最大取值为-σ/ξ,有上界。
对于给定的一个符合广义的帕累托分布的样本{z1,…,zn}的对数似然函数L(ξ,σ|z) 为:
S83、根据超限期望图判断不同交叉口模型的PET极值阈值、Scale参数和shape 参数的取值。
样本的超限期望函数定义为:
超限期望图为点(u,e(u))构成的曲线,选取充分大的u作为阈值,使得当x≥u时e(x) 为近似线性函数。另外,如果超限期望图当x≥u时是向上倾斜的,说明数据来源于参数ξ为正的GPD分布;如果超限期望图当x≥u时是向下倾斜的,说明数据来源于尾部较短的分布;如果超限期望图当x≥u时是水平的,则说明该数据来源于指数分布。这一判断方法是根据广义Pareto分布在参数稳定时,它的超限期望函数是一个线性函数得到的
当u确定以后,利用{zt}的值,根据对数似然函数,进行最大似然估计得到和同时,我们得到{zt}的值中比阈值u大的个数,记为Nu,根据条件概率公式用频率代替 F(u)的值,可以得到F(z)的表达式:
进一步地,步骤S9判断交叉口的事故风险率包括以下步骤:
S91、取冲突度量指标后侵入时间PET<=0作为界限,用如下公式计算:
Risk=1-P(PET<=0)=1-F(z)=1-F(0)
S92、依据上一步得到的Risk值,可计算出该交叉口的预测事故频率:
其中T为1年(即年平均事故),t为该交叉口的整体观测时间。
进一步地,步骤S10与不同安全评价方法的对比包括以下步骤:
S101、以上海市奉贤区十个典型信号交叉口为例,使用其他TCT法和极值理论方法(Strategy 3),分别计算风险度,比较Pearson系数和Spearman Rank系数;
S102、Pearson系数直接将实际事故数与安全风险指标进行关联度计算。SpearmanRank系数根据风险指标和实际事故数分别对路口进行安全排序,再通过计算SpearmanRank系数比较哪一种安全评价方法与实际事故反映的安全性最接近。
本发明提供了一种基于极值理论与微观仿真的城市交叉口安全评价方法,具体实现该技术方案的方法和途径很多,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,本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (9)
1.一种基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:包括以下步骤:
S1、交叉口基础数据采集;
S2、交叉口冲突识别与数据提取;
S3、交通路网仿真建模;
S4、对仿真模型进行标定;
S5、对标定好的模型进行Leave-one-out交互验证,得到十个交叉路口最终的交通微观仿真模型;
S6、提仿真模型进行标取冲突轨迹文件;
S7、对交通冲突数据进行筛选;为了避免冲突的发生是由于序列相关性,所以需要采用阈值法将时空范围内非常接近的交通冲突进行合并处理;
S8、使用极值模型对交通冲突数据进行建模;
S9、判断交叉口的事故风险率;
S10、与不同安全评价方法的对比。
2.如权利要求1所述的基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:步骤S1交叉口基础数据采集包括以下内容:选取某地十个主要的干线交叉路口进行交叉口基础数据采集,包括道路几何线性勘察,信号配时方案记录,交通流量采集,车辆比例记录等。
3.如权利要求1所述的基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:步骤S2交叉口冲突识别与数据提取包括以下步骤:
S21、通过视频采集交叉口高峰时段的运行状况,通过对坐标的调校,将投影网格与视频进行重合;
S22、通过车辆明显的减速行为,判断冲突的发生;通过训练有经验的观察者,辅助以坐标网格的参照,对冲突发生时的后侵占时间Post-Encroachment Time进行估计。
4.如权利要求1所述的基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:步骤S3交通路网仿真建模包括以下步骤:
S31、将道路几何线性图或者商业软件地图导入仿真软件VISSIM,对比例尺进行标定;
S32、然后描绘交通路网,并设定运行规则,信号配时方案,车辆输入,流量输入等基本参数。
5.如权利要求1所述的基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:步骤S4对仿真模型进行标定包括以下步骤:
S41、确定仿真模型标定的性能指标,包含反映交叉口运行效率的车头时距,以及交通安全性的冲突数量;
S42、缺省参数测试,直接使用模型缺省值进行仿真,建立模型缺省值与仿真性能指标间的关系,判断缺省参数的可行性;
S43、通过ANOVA检验,判断与交通仿真运行指标显著相关的参数;
S44、对于显著影响指标的可行域进行检验,采用拉丁超方设计方法;
S45、对非显著指标与显著指标的联合作用进行检验,最终确定标定集合;
S46、因为包含两个性能评价指标,所以拟采用多参数的仿真标定方法,通过Log-transformation将不同量纲的两个参数归并到相似的范围内进行优化;
S47、采用遗传算法对其仿真模型进行标定。遗传算法的步骤包括个体编码,初始种群产生,适应度计算,选择运算,交叉运算和变异运算。
6.如权利要求1所述的基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:步骤S6提取冲突轨迹文件包括以下步骤:
S61、运行仿真,输出车辆轨迹文件.trj;
S62、使用SSAM软件对上面获得的.trj文件进行分析提取,获得每个交叉口的交通冲突参数。
7.如权利要求1所述的基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:步骤S8使用极值模型对交通冲突数据进行建模包括以下步骤:
S81、假设交通冲突{zt}的分布函数为F(x),定义Fu(y)为随机变量Z超过阈值u的条件分布函数,其中Z代表冲突的PET,由于Z比u要,所以Z-u大于零,而y是Z-u的上界,因此y大于等于零,它可以表示为:
Fu(y)=P(Z-u≤y|Z>u)y≥0
根据条件概率公式我们可以得到
<mrow>
<msub>
<mi>F</mi>
<mi>u</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>+</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&DoubleRightArrow;</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>u</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>F</mi>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>z</mi>
<mo>&GreaterEqual;</mo>
<mi>u</mi>
</mrow>
S82、根据Pickands定理:对于一大类分布F条件超限分布函数Fu(y),存在一个G′ξ,σ(y)使得:
<mrow>
<msub>
<mi>F</mi>
<mi>u</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<msubsup>
<mi>G</mi>
<mrow>
<mi>&xi;</mi>
<mo>,</mo>
<mi>&sigma;</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mi>&xi;</mi>
<mi>&sigma;</mi>
</mfrac>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mi>&xi;</mi>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&xi;</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>y</mi>
<mo>/</mo>
<mi>&sigma;</mi>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&xi;</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>u</mi>
<mo>&RightArrow;</mo>
<mi>&infin;</mi>
</mrow>
当ξ≥0时,y∈[0,∞);当ξ<0时,y∈[0,-σ/ξ];函数G′ξ,σ(y)为广义帕累托分布;
ξ的不同取值取决了G′ξ,σ(y)函数图形尾部的厚度,ξ越大尾部越厚,ξ越小尾部越薄;从G′ξ,σ(y)函数我们还可以看到当ξ<0时,y的最大取值为-σ/ξ,有上界;
对于给定的一个符合广义的帕累托分布的样本{z1,…,zn}的对数似然函数L(ξ,σ|z)为:
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>|</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi> </mi>
<mi>l</mi>
<mi>n</mi>
<mi>&sigma;</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>&xi;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mi>&xi;</mi>
<mi>&sigma;</mi>
</mfrac>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&xi;</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi> </mi>
<mi>l</mi>
<mi>n</mi>
<mi>&sigma;</mi>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>&sigma;</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&xi;</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
S83、根据超限期望图判断不同交叉口模型的PET极值阈值、Scale参数和shape参数的取值;
样本的超限期望函数定义为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>k</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mi>i</mi>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mi>u</mi>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
超限期望图为点(u,e(u))构成的曲线,选取充分大的u作为阈值,使得当x≥u时e(x)为近似线性函数;另外,如果超限期望图当x≥u时是向上倾斜的,说明数据来源于参数ξ为正的GPD分布;如果超限期望图当x≥u时是向下倾斜的,说明数据来源于尾部较短的分布;如果超限期望图当x≥u时是水平的,则说明该数据来源于指数分布;这一判断方法是根据广义Pareto分布在参数稳定时,它的超限期望函数是一个线性函数得到的
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>m</mi>
<mo>|</mo>
<mi>X</mi>
<mo>></mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&sigma;</mi>
<mo>+</mo>
<mi>&xi;</mi>
<mi>m</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>&xi;</mi>
</mrow>
</mfrac>
</mrow>
当u确定以后,利用{zt}的值,根据对数似然函数,进行最大似然估计得到和同时,我们得到{zt}的值中比阈值u大的个数,记为Nu,根据条件概率公式用频率代替F(u)的值,可以得到F(z)的表达式:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>u</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>F</mi>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>N</mi>
<mi>u</mi>
</msub>
<mi>N</mi>
</mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mi>&xi;</mi>
<mi>&sigma;</mi>
</mfrac>
<mrow>
<mo>(</mo>
<mrow>
<mi>z</mi>
<mo>-</mo>
<mi>u</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mi>&xi;</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>u</mi>
</msub>
<mi>N</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>N</mi>
<mi>u</mi>
</msub>
<mi>N</mi>
</mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>-</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>&sigma;</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>u</mi>
</msub>
<mi>N</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>u</mi>
</msub>
<mi>N</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mi>&xi;</mi>
<mi>&sigma;</mi>
</mfrac>
<mo>(</mo>
<mrow>
<mi>z</mi>
<mo>-</mo>
<mi>u</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mi>&xi;</mi>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&xi;</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>u</mi>
</msub>
<mi>N</mi>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>-</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>&sigma;</mi>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&xi;</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
8.如权利要求1所述的基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:步骤S9判断交叉口的事故风险率包括以下步骤:
S91、取冲突度量指标后侵入时间PET<=0作为界限,用如下公式计算:
Risk=1-P(PET<=0)=1-F(z)=1-F(0)
S92、依据上一步得到的Risk值,可计算出该交叉口的预测事故频率:
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>R</mi>
<mi>i</mi>
<mi>s</mi>
<mi>k</mi>
<mo>*</mo>
<mfrac>
<mi>T</mi>
<mi>t</mi>
</mfrac>
</mrow>
其中T为1年,即计算得到年平均事故,t为该交叉口的整体观测时间。
9.如权利要求1所述的基于极值理论与微观仿真的城市交叉口安全评价方法,其特征在于:步骤S10与不同安全评价方法的对比包括以下步骤:
S101、以某地十个典型信号交叉口为例,使用其他TCT法和极值理论方法,分别计算风险度,比较Pearson系数和Spearman Rank系数;
S102、Pearson系数直接将实际事故数与安全风险指标进行关联度计算;SpearmanRank系数根据风险指标和实际事故数分别对路口进行安全排序,再通过计算SpearmanRank系数比较哪一种安全评价方法与实际事故反映的安全性最接近。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710946960.0A CN107766636A (zh) | 2017-10-12 | 2017-10-12 | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710946960.0A CN107766636A (zh) | 2017-10-12 | 2017-10-12 | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766636A true CN107766636A (zh) | 2018-03-06 |
Family
ID=61267884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710946960.0A Pending CN107766636A (zh) | 2017-10-12 | 2017-10-12 | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766636A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922170A (zh) * | 2018-06-13 | 2018-11-30 | 同济大学 | 一种基于电子警察抓拍数据的交叉口安全评价方法 |
CN108961748A (zh) * | 2018-07-09 | 2018-12-07 | 同济大学 | 一种基于当量违法率的交叉口运行安全状态排名方法 |
CN109710892A (zh) * | 2018-12-28 | 2019-05-03 | 哈尔滨工业大学 | 一种基于冲突极值的道路交通安全评价方法 |
CN109859478A (zh) * | 2019-04-03 | 2019-06-07 | 苏州易通交通科技有限公司 | 基于车辆轨迹的信号控制交叉口驾驶决策事件识别方法 |
CN110021178A (zh) * | 2019-04-18 | 2019-07-16 | 浙江工业大学 | 一种基于路口相似度的信号配时方案推荐方法 |
CN111243338A (zh) * | 2020-02-12 | 2020-06-05 | 南京理工大学 | 基于车辆加速度的碰撞风险评价方法 |
CN112150046A (zh) * | 2020-11-06 | 2020-12-29 | 上海交通大学 | 一种道路交叉口安全风险指数计算方法 |
CN112580954A (zh) * | 2020-12-11 | 2021-03-30 | 东南大学 | 一种基于交通冲突极值分布的仿真模型标定方法 |
CN113095584A (zh) * | 2021-04-23 | 2021-07-09 | 中南大学 | 一种基于交通流特征的交叉口安全水平短时预测方法、***、终端及可读存储介质 |
CN114116454A (zh) * | 2021-11-03 | 2022-03-01 | 同济大学 | 一种机非冲突场景下车辆自动紧急刹车模型的标定方法 |
CN115240411A (zh) * | 2022-06-29 | 2022-10-25 | 合肥工业大学 | 一种城市道路交叉口右转冲突警示线测画方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082806A1 (en) * | 1995-01-13 | 2002-06-27 | Kaub Alan R. | Traffic safety prediction model |
CN102521438A (zh) * | 2011-12-02 | 2012-06-27 | 东南大学 | 交通冲突仿真两阶段参数标定方法 |
CN103077275A (zh) * | 2013-01-06 | 2013-05-01 | 东南大学 | 高速公路匝道仿真模型的参数标定方法 |
CN103077279A (zh) * | 2013-01-10 | 2013-05-01 | 东南大学 | 一种城市交通环境下平面交叉口安全水平的评价方法 |
US20150073688A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Traffic Impact Prediction for Multiple Event Planning |
CN105930614A (zh) * | 2016-05-13 | 2016-09-07 | 东南大学 | 一种针对可变限速控制的元胞传输模型参数标定与验证方法 |
CN106960097A (zh) * | 2017-03-27 | 2017-07-18 | 北京图安世纪科技股份有限公司 | 一种构建三维城市级路网及微观交通流仿真方法及*** |
-
2017
- 2017-10-12 CN CN201710946960.0A patent/CN107766636A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082806A1 (en) * | 1995-01-13 | 2002-06-27 | Kaub Alan R. | Traffic safety prediction model |
CN102521438A (zh) * | 2011-12-02 | 2012-06-27 | 东南大学 | 交通冲突仿真两阶段参数标定方法 |
CN103077275A (zh) * | 2013-01-06 | 2013-05-01 | 东南大学 | 高速公路匝道仿真模型的参数标定方法 |
CN103077279A (zh) * | 2013-01-10 | 2013-05-01 | 东南大学 | 一种城市交通环境下平面交叉口安全水平的评价方法 |
US20150073688A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Traffic Impact Prediction for Multiple Event Planning |
CN105930614A (zh) * | 2016-05-13 | 2016-09-07 | 东南大学 | 一种针对可变限速控制的元胞传输模型参数标定与验证方法 |
CN106960097A (zh) * | 2017-03-27 | 2017-07-18 | 北京图安世纪科技股份有限公司 | 一种构建三维城市级路网及微观交通流仿真方法及*** |
Non-Patent Citations (4)
Title |
---|
TARKO, A.P: "Use of crash surrogates and exceedance statistics toestimate road safety", 《ACCIDENT ANALYSIS AND PREVENTION》 * |
王青燕: "微观交通仿真模型参数标定及检验研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
郑来: "基于交通冲突极值统计的安全分析模型研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
高岳: "《利率管制与发行主体偏好下企业债券风险的假说与验证》", 30 September 2012, 中国金融出版社 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922170B (zh) * | 2018-06-13 | 2020-11-27 | 同济大学 | 一种基于电子警察抓拍数据的交叉口安全评价方法 |
CN108922170A (zh) * | 2018-06-13 | 2018-11-30 | 同济大学 | 一种基于电子警察抓拍数据的交叉口安全评价方法 |
CN108961748A (zh) * | 2018-07-09 | 2018-12-07 | 同济大学 | 一种基于当量违法率的交叉口运行安全状态排名方法 |
CN109710892A (zh) * | 2018-12-28 | 2019-05-03 | 哈尔滨工业大学 | 一种基于冲突极值的道路交通安全评价方法 |
CN109859478A (zh) * | 2019-04-03 | 2019-06-07 | 苏州易通交通科技有限公司 | 基于车辆轨迹的信号控制交叉口驾驶决策事件识别方法 |
CN110021178A (zh) * | 2019-04-18 | 2019-07-16 | 浙江工业大学 | 一种基于路口相似度的信号配时方案推荐方法 |
CN111243338A (zh) * | 2020-02-12 | 2020-06-05 | 南京理工大学 | 基于车辆加速度的碰撞风险评价方法 |
CN112150046A (zh) * | 2020-11-06 | 2020-12-29 | 上海交通大学 | 一种道路交叉口安全风险指数计算方法 |
CN112580954A (zh) * | 2020-12-11 | 2021-03-30 | 东南大学 | 一种基于交通冲突极值分布的仿真模型标定方法 |
CN113095584A (zh) * | 2021-04-23 | 2021-07-09 | 中南大学 | 一种基于交通流特征的交叉口安全水平短时预测方法、***、终端及可读存储介质 |
CN113095584B (zh) * | 2021-04-23 | 2023-08-15 | 中南大学 | 一种基于交通流特征的交叉口安全水平短时预测方法、***、终端及可读存储介质 |
CN114116454A (zh) * | 2021-11-03 | 2022-03-01 | 同济大学 | 一种机非冲突场景下车辆自动紧急刹车模型的标定方法 |
CN115240411A (zh) * | 2022-06-29 | 2022-10-25 | 合肥工业大学 | 一种城市道路交叉口右转冲突警示线测画方法 |
CN115240411B (zh) * | 2022-06-29 | 2023-05-09 | 合肥工业大学 | 一种城市道路交叉口右转冲突警示线测画方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766636A (zh) | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 | |
CN110164128B (zh) | 一种城市级智能交通仿真*** | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
Zheng et al. | Before-after safety analysis using extreme value theory: A case of left-turn bay extension | |
Gregoriades et al. | Black spots identification through a Bayesian Networks quantification of accident risk index | |
Hao et al. | Vehicle index estimation for signalized intersections using sample travel times | |
CN106887141B (zh) | 基于排队论的连续交通节点拥塞程度预测模型、***及方法 | |
Peng et al. | Application of latent class growth model to longitudinal analysis of traffic crashes | |
Karimpour et al. | Estimating pedestrian delay at signalized intersections using high-resolution event-based data: a finite mixture modeling method | |
Sheu | A sequential detection approach to real-time freeway incident detection and characterization | |
CN116151493B (zh) | 基于头部效应和循环神经网络的交通拥堵预测方法和装置 | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
Li et al. | Evaluation of link criticality for day-to-day degradable transportation networks | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及*** | |
Sun et al. | A data-driven approach for duration evaluation of accident impacts on urban intersection traffic flow | |
Yang et al. | Rapid analysis and detection algorithm and prevention countermeasures of urban traffic accidents under artificial intelligence | |
Wang et al. | Travel time prediction: Empirical analysis of missing data issues for advanced traveler information system applications | |
Lee et al. | Evaluating the effects of highway traffic accidents in the development of a vehicle accident queue length estimation model | |
Wei et al. | Applying data fusion techniques to traveler information services in highway network | |
Gong | The road traffic safety risk projection based on improved random forest. | |
Al Najada et al. | Highway cluster density and average speed prediction in vehicular ad hoc networks (vanets) | |
Thakur et al. | Evidence of long range dependence and self-similarity in urban traffic systems | |
Mishraa et al. | Short term traffic prediction using Monte Carlo simulation | |
CN117854321B (zh) | 基于交通环境提前感知的交通事故风险预测方法及*** | |
Jiang et al. | Predicting the pavement performance: A comparison on traditional and multivariate time series model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |
|
RJ01 | Rejection of invention patent application after publication |