CN109118773A - 一种高速公路交通事故风险评估方法 - Google Patents
一种高速公路交通事故风险评估方法 Download PDFInfo
- Publication number
- CN109118773A CN109118773A CN201811156908.6A CN201811156908A CN109118773A CN 109118773 A CN109118773 A CN 109118773A CN 201811156908 A CN201811156908 A CN 201811156908A CN 109118773 A CN109118773 A CN 109118773A
- Authority
- CN
- China
- Prior art keywords
- traffic
- section
- accident
- speed
- data
- 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.)
- Granted
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012502 risk assessment Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims description 49
- 238000012417 linear regression Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本本发明属于交通安全技术领域,公开了一种高速公路交通事故风险评估方法,包括:建立交通事故风险评估模型,根据当前实施路段的具体情况获取交通流数据,根据当前实施路段的交通流数据进行参数标定,确定当前实施路段对应的交通事故风险评估模型,基于该模型确定当前实施路段各桩号处的交通事故风险值。基于本发明提供的高速公路交通事故风险评估方法,能够对高速公路的交通事故风险进行有效评估,具有较强的可操作性。
Description
技术领域
本发明涉及交通安全技术领域,尤其涉及一种高速公路交通事故风险评估方法。
背景技术
近年来,随着高速公路交通量的大幅增长,高速公路上的交通拥堵和交通事故也频频发生。如何对高速公路进行交通事故风险评价和事故预防显得尤为重要。
目前,已有一些评估道路交通事故风险的方法,而发明人发现,这些方法大多是理论方面的探索研究,评价模型设计过于理想化,在实际情况中难以实现,在实际的交通管理中可操作性并不是很强。例如,孟祥海等人提出的基于后车侵入时间(Post EncroachmentTime,PET)的风险评估方法,该方法中的PET是指分合流区的车辆在车道变换过程中后车头部到达侵入线的时间与前车尾部离开侵入线的时间之差,该方法要求的数据过于微观,并且对数据的精度要求很高。再如,王晓飞等人提出的基于碰撞危险指数对立交入口区域行车风险进行评价的方法,该方法中的评价模型考虑的因素主要包括碰撞可能性系数、碰撞车辆速度差、目标车道跟驰车辆在碰撞时的速度、加速度、前后车辆间距等5个因素,而这些参数在实际操作中往往难以获取。
综上,目前急需一种适用于高速公路实际环境的交通事故风险评估方法。
发明内容
有鉴于此,本发明提供一种高速公路交通事故风险评估方法,通过建立适用于高速公路实际环境的交通事故风险评估模型,利用该模型能够对高速公路的交通事故风险进行有效评估,具有较强的可操作性。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,提供一种高速公路交通事故风险评估方法,包括:
建立交通事故风险评估模型:F=CV A·qB·vi C·(1+p)D,其中F表示交通事故风险值,CV表示车速变异系数,vi表示比速度,q表示交通饱和度,p表示汽车列车比例,A、B、C、D表示评估模型参数;
对所述交通事故风险评估模型进行对数变换,得到对应的多元线性回归模型:ln(F)=Aln(CV)+Bln(q)+Cln(vi)+Dln(1+p);
获取当前实施路段的至少M起交通事故数据,并确定其中每起交通事故对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值;其中,M为正整数;
将每起交通事故对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值作为一组样本数据,得到M组样本数据;
根据所述M组样本数据对所述多元线性回归模型进行参数标定,确定参数A、B、C、D的取值,进而得到当前实施路段对应的交通事故风险评估模型;
根据当前实施路段对应的交通事故风险评估模型,确定当前实施路段各桩号处的交通事故风险值。
第二方面,一种高速公路交通事故风险评估方法,包括:
建立交通事故风险评估模型:F=CV A·qB·vi C·(1+p)D,其中F表示交通事故风险值,CV表示车速变异系数,vi表示比速度,q表示交通饱和度,p表示汽车列车比例,A、B、C、D表示评估模型参数;
对所述交通事故风险评估模型进行对数变换,得到对应的多元线性回归模型:ln(F)=Aln(CV)+Bln(q)+Cln(vi)+Dln(1+p);
对当前实施路段进行交通冲突统计分析,统计每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值,并将每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值作为一组样本数据;
根据所述样本数据对所述多元线性回归模型进行参数标定,确定参数A、B、C、D的取值,进而得到当前实施路段对应的交通事故风险评估模型;
根据当前实施路段对应的交通事故风险评估模型,确定当前实施路段各桩号处的交通事故风险值。
本发明提供的高速公路交通事故风险评估方法中,通过建立适用于高速公路实际环境的交通事故风险评估模型,并根据当前实施路段的具体情况获取交通流数据,进而根据当前实施路段的交通流数据进行参数标定,确定当前实施路段对应的交通事故风险评估模型,最后基于该模型确定当前实施路段各桩号处的交通事故风险值。基于本发明提供的高速公路交通事故风险评估方法,能够对高速公路的交通事故风险进行有效评估,具有较强的可操作性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高速公路交通事故风险评估方法的流程示意图;
图2为本发明实施例提供的另一种高速公路交通事故风险评估方法的流程示意图;
图3为本发明实施例提供的示例中某高速公路的小时交通量图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1所示为本发明实施例提供的一种高速公路交通事故风险评估方法的流程示意图,该方法适用于有历史事故数据与交通流数据的高速公路的交通事故风险评估。
如图1所示,本发明实施例提供的高速公路交通事故风险评估方法包括以下步骤:
S101、建立交通事故风险评估模型:F=CV A·qB·vi C·(1+p)D。
其中,F表示交通事故风险值,CV表示车速变异系数,q表示交通饱和度,vi表示比速度,p表示汽车列车比例,A、B、C、D表示评估模型参数,以上参数均为正数。
需要说明的是,本发明实施例所建立的上述交通事故风险评估模型主要基于两方面的考量——事故发生的可能性以及事故的严重性。
其中,对于事故发生的可能性,可通过车速的离散程度与交通流的饱和度来表征。一般来说,对于车速的离散程度,可利用车速标准差进行表达,但标准差的大小通常与平均值的大小有一定的关系,平均速度越高其离散程度也就越大,平均速度越低其离散程度也就越低。因此,对于平均水平不同或者计量单位不同的变量,不宜用标准差直接比较其离散程度。为此,可采用车速变异系数(Coefficient of Variation)来比较数据离散程度,以消除不同数据之间的测量尺度相差太大或者数据量纲的不同的影响,表征车速的离散程度,并且变异系数越大表示车速离散程度越大。另外,对于交通流的饱和程度,则可以直接利用交通饱和度来表征。交通饱和度是交通强度的表征,可以表征交通流量的大小。根据公路工程技术标准(JTG B01—2014)中的定义,交通饱和度是交通量与基准通行能力之比,其中高速公路基准通行能力是指五级服务水平下对应的最大小时交通量。
对于事故的严重性,通过对大量的汽车碰撞试验数据分析发现,当碰撞速度较高以及车辆质量较大时,事故的严重性程度就越高。这是因为在碰撞的瞬间汽车的动能会转变为碰撞过程中的其他能量形式,而车辆发生碰撞时的动能可以表示为:m即表示车辆质量,v即表示车辆速度。基于此,本发明实施例采用比速度和汽车列车比例来表征事故的严重性程度。其中,比速度为车辆平均速度与120km/h的比值,120km/h为我国高速公路最高限速。汽车列车比例即汽车列车占车辆总数的比例,汽车列车是指载重量大于20吨的货车。
S102、对交通事故风险评估模型进行对数变换,得到对应的多元线性回归模型:ln(F)=Aln(CV)+Bln(q)+Cln(vi)+Dln(1+p)。
S103、获取当前实施路段的至少M起交通事故数据,并确定其中每起交通事故对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值。
其中,M为正整数。
本发明实施例的一种具体实现方式,步骤S103中,获取当前实施路段的至少M起交通事故数据,具体可以包括:
收集当前实施路段的历史事故数据和交通流数据,根据当前实施路段的历史事故数据和交通流数据,获取当前实施路段的至少M起交通事故数据。
其中,每起交通事故数据包括事故发生前一段时间内经过事故发生地的车辆数、车型及车速,以及事故中有损伤的车辆数n。也即,事故发生地上游的交通流数据。具体的,可根据事故记录资料,确定每起事故的桩号位置,获取事故桩号位置上游(不超过1公里)的交通流观测断面在事故发生前一段时间内(具体可以是5分钟之内)的交通流数据。所谓的交通流观测断面,是指为了研究某一路段上的交通状况,垂直于该路段截出的断面。观测经过该断面的交通流状况,即可获知该路段的交通状况。具体来讲,通常会选取检测线圈、雷达、微波以及视频等监测设备所在的位置作为观测断面。
另外,需要说明的是,历史事故数据具体可以从路政部门或者交警部门获取,并且需要剔除其中不良天气(包括雨、雪、雾等)条件下发生的交通事故的数据以及由于驾驶员本身所造成的交通事故的数据,例如疲劳驾驶、醉酒驾驶等事故数据,最终得到正常交通条件下,正常气象条件下的交通流数据与事故数据。此外,考虑到风险评估模型参数的精确度以及实际情况下交通事故数据获取的难度,需要获取至少500起交通事故数据。
本发明实施例的一种具体实现方式,步骤S103中,确定每起交通事故对应的车速变异系数、比速度、交通饱和度、汽车列车比例,具体包括:
根据事故发生前一段时间内经过事故发生地的车辆数及车速,计算得到每起交通事故中的车速标准差σ以及车速平均值
根据车速标准差和车速平均值,利用第一预设公式:确定每起交通事故对应的车速变异系数CV;
根据车速平均值,利用第二预设公式:确定每起交通事故对应的比速度vi;
根据事故发生前一段时间内经过事故发生地的车辆数及车型,计算得到一小时内通过交通事故发生地的总交通量Q,利用第三预设公式:确定每起交通事故对应的交通饱和度q;式中,C表示五级服务水平的道路对应的最大小时交通量。
统计每起交通事故中汽车列车的数量P,利用第四预设公式:确定每起交通事故对应的汽车列车比例p;式中,N表示事故发生前一段时间内经过事故发生地的车辆数。
其中,需要说明的是,事故发生前一段时间内经过事故发生地的交通量转换为小时交通量即为一小时内通过交通事故发生地的总交通量Q。举例来说,假设事故发生前5分钟内的经过事故发生地的车辆的交通量为50pcu,那么Q即为50×12=600pcu/h。其中,在计算事故发生前一段时间内经过事故发生地的交通量时,需要根据具体车型折算成对应的当量小汽车数,具体如何折算属于本领域公知常识,本发明实施例对此不再赘述。
另外,还需要指出的是,五级服务水平的道路对应的最大小时交通量C的具体取值和当前高速公路设计速度有关。具体来说,根据《公路工程技术标准(JTG B01-2014)》的记载,当高速公路设计速度为120km/h时,五级服务水平下的最大小时交通量为2200[pcu/(h〃ln)];当高速公路设计速度为100km/h时,五级服务水平下的最大小时交通量为2100[pcu/(h〃ln)];当高速公路设计速度为80km/h时,五级服务水平下的最大小时交通量为2000[pcu/(h〃ln)]。本发明实施例的一种具体实现方式中,步骤S103中,确定每起交通事故对应的交通事故风险值,具体包括:
根据事故发生前一段时间内经过事故发生地的车辆数N以及事故中有损伤的车辆数n,确定每起交通事故对应的交通事故风险值
S104、将每起交通事故对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值作为一组样本数据,得到M组样本数据。
S105、根据M组样本数据对多元线性回归模型进行参数标定,确定参数A、B、C、D的取值,进而得到当前实施路段对应的交通事故风险评估模型。
具体而言,可采用目前常用的数据统计软件,如SPSS,实现模型参数的标定。标定过程中,模型的自变量与因变量的关系如表1所示。表1中数据的计算以每起交通事故对应的一组样本数据为一个计算单元,分别计算自变量与因变量对应的数值,之后开展相关参数的标定工作。
表1
S106、根据当前实施路段对应的交通事故风险评估模型,确定当前实施路段各桩号处的交通事故风险值。
即,获取当前实施路段各桩号处的实时交通流数据,确定经过各桩号对应的车速变异系数、比速度、交通饱和度、汽车列车比例,将这些数据代入当前实施路段的交通事故风险评估模型,即可得到各桩号处的交通事故风险值。交通事故风险值越大,表示该桩号处发生交通事故的概率就越高。这样一来,即可在当前实施路段交通事故风险值较大的地方优先布设监测设备及警示装置,以监控和警示过往车辆。
综上,在本发明实施例提供的高速公路交通事故风险评估方法中,通过建立适用于高速公路实际环境的交通事故风险评估模型,进而对交通事故风险评估模型进行对数变换,得到对应的多元线性回归模型,并获取当前实施路段的至少M起交通事故数据,根据当前实施路段的至少M起交通事故数据,确定当前实施路段对应的交通事故风险评估模型,最后基于该模型确定当前实施路段各桩号处的交通事故风险值。基于本发明实施例提供的高速公路交通事故风险评估方法,能够对高速公路的交通事故风险进行有效评估,具有较强的可操作性。
基于上述本发明实施例提供的高速公路的交通事故风险评估方法,可对有历史事故数据与交通流数据的高速公路进行交通事故风险评估。然而,在实际应用中,事故数据往往很难获取,又或者事故数据详细程度不够,此时就难以根据交通事故数据建立对应的评估模型进行风险评估。
针对于此,本发明实施例提供了另一种高速公路交通事故风险评估方法,适用于无法获取实施路段历史事故数据的情形,图2所示为该方法的流程示意图。
如图2所示,本发明实施例提供的高速公路交通事故风险评估方法,包括以下步骤:
S201、建立交通事故风险评估模型:F=CV A·qB·vi C·(1+p)D。
其中,F表示交通事故风险值,CV表示车速变异系数,vi表示比速度,q表示交通饱和度,p表示汽车列车比例,A、B、C、D表示评估模型参数。
S202、对交通事故风险评估模型进行对数变换,得到对应的多元线性回归模型:ln(F)=Aln(CV)+Bln(q)+Cln(vi)+Dln(1+p)。
S203、若当前实施路段存在交通流数据但无历史事故数据,并且具备拍摄视频的条件,则根据当前实施路段的历史交通流数据确定拍摄时段,利用无人机在拍摄时段对当前实施路段进行视频拍摄,基于所拍摄视频对当前实施路段进行交通冲突统计分析,确定每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值;若当前实施路段存在交通量数据但无历史事故数据,并且无法拍摄视频,则根据当前实施路段的交通量数据,利用交通仿真方法,建立当前实施路段的虚拟道路模型,基于当前实施路段的虚拟道路模型进行交通冲突分析,确定每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值。
其中,交通冲突是指在可观测条件下,两个或两个以上道路使用者在同一时间、空间上相互接近,如果其中一方采取非正常交通行为,如转换方向、改变车速、突然停车等,除非另一方也相应采取避险行为,否则,会发生碰撞的现象。
具体来说,若当前实施路段存在交通流数据但无历史事故数据,并且可以拍摄视频,则可通过视频拍摄(如采用目前流行的无人机进行拍摄),之后利用软件或者人工的方法统计交通冲突数据,以此来建立交通事故风险评估模型。在进行拍摄时,需要根据当前实施路段的具体情况选取拍摄路段。例如,可以根据管理者的实际需要选定地点,或者在典型路段(直线段、曲线段、主线的主入口等地点)开展拍摄。此外,拍摄路段的长度应不低于500m,考虑到摄像机的清晰拍摄范围有限,也可同时架设两台摄像机进行拍摄。同时,拍摄时间不得少于60小时,例如,在白天平峰期拍摄30小时,分为10组拍摄,每组3小时,在高峰期拍摄30小时,分为10组拍摄,每组3小时。此外,考虑到模型的精确性,对风险较高的情况准确建模,统计的严重冲突数不得少于1000次。如果严重冲突次数较少,则需要继续延长拍摄时间。其中,高峰期是指小时交通量最大的一个小时及其前后各一小时所组成的时间段,平峰期是指小时交通量最小的一个小时及其前后各一个小时所组成的时间段。
若当前实施路段存在交通量数据但无历史事故数据,并且无法拍摄视频,则利用交通仿真的方法,根据设计文件建立虚拟的道路模型,并输入当前实施路段的交通量数据,最终获取冲突数据。该情况主要指处于规划、建设阶段的道路,还未投入实际运营,交通量数据在规划阶段通过预测得到,所述的交通量数据包括车辆类型以及每种类型车辆对应的车辆数,可通过项目的工程可行性研究报告得到。该种情况下,统计的严重冲突总数不得少于1000次。其中,关于虚拟道路模型的建立,可利用目前市场上较为流行的VISSIM等微观仿真软件,对高速公路上车辆的跟驰行为进行模拟,从而建立虚拟道路模型。
另外,需要说明的是,交通冲突统计分析的时间长度单元具体可以是20分钟,即每20分钟作为一个分析单元进行数据统计。之所以以20分钟为一个分析单元,是考虑到在实际情况中,尤其是交通量较小的情况下,交通冲突数据会较少,因此将分析单元设置的较长。当然,也可根据实际情况灵活设置,本发明实施例对此不作具体限定。
本发明实施例的一种具体实现方式中,步骤S203中,确定每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值,具体包括:
统计每个分析单元中经过分析路段中间位置的车辆数及车速,进而计算得到车速标准差σ以及车速平均值
根据车速标准差以及车速平均值,利用第一预设公式:确定每个分析单元对应的车速变异系数CV;
根据车速平均值,利用第二预设公式:确定每个分析单元对应的比速度vi;
统计每个分析单元中经过分析路段中间位置的车型,根据每个分析单元中经过分析路段中间位置的车辆数及车型,计算得到一小时内通过分析路段的总交通量Q,利用第三预设公式:确定每个分析单元对应的交通饱和度q;其中,C表示五级服务水平的道路对应的最大小时交通量;
统计每个分析单元中经过分析路段中间位置的汽车列车的数量P,利用第四预设公式:确定每个分析单元对应的汽车列车比例p;其中,N表示每个分析单元中经过分析路段中间位置的车辆数。
需要说明的是,分析路段指的是在获取交通冲突数据的过程中选定的路段。
本发明实施例的一种具体实现方式中,步骤S203中,确定每个分析单元对应的交通事故风险值,具体包括:
统计每个分析单元中严重冲突的数量s,根据严重冲突的数量s以及经过分析路段中间位置的车辆数N,确定每个分析单元对应的交通事故风险值
其中,需要说明的是,交通冲突分为一般冲突和严重冲突。严重冲突是指交通参与者感知到危险时心理压力相当大,必须快速采取有效紧急避险行为才能避免事故发生,从危险感知到采取避险行为的时间很短的交通冲突。在高速公路中,交通冲突分为追尾冲突与变道冲突。对于追尾冲突,一般追尾冲突和严重追尾冲突的划分界限以碰撞时间(Timeto Collision,TTC)为准,TTC小于2s即属于严重冲突,TTC大于2s即属于一般冲突。TTC是指前后相邻的两个车辆(后车车速高于前车)如果不采取必要的规避行为而发生碰撞所需的时间;对于变道冲突,一般变道冲突和严重变道冲突的划分界限以PET为准,PET小于2s即属于严重冲突,PET大于2s即属于一般冲突。
S204、将每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值作为一组样本数据。
S205、根据样本数据对多元线性回归模型进行参数标定,确定参数A、B、C、D的取值,进而得到当前实施路段对应的交通事故风险评估模型。
类似的,可采用目前常用的数据统计软件,如SPSS,实现模型参数的标定。标定过程中,模型的自变量与因变量的关系参见前述表1。表1中数据的计算以每各分析单元对应的一组样本数据为一个计算单元,分别计算自变量与因变量对应的数值,之后开展相关参数的标定工作。
S206、根据当前实施路段对应的交通事故风险评估模型,确定当前实施路段各桩号处的交通事故风险值。
即,获取当前实施路段各桩号处的实时交通流数据,确定经过各桩号对应的车速变异系数、比速度、交通饱和度、汽车列车比例,将这些数据代入当前实施路段的交通事故风险评估模型,即可得到各桩号处的交通事故风险值。交通事故风险值越大,表示该桩号处发生交通事故的概率就越高。这样一来,即可在当前实施路段交通事故风险值较大的地方优先布设监测设备及警示装置,以监控和警示过往车辆。
示例性的,以下给出以具体案例以对本发明实施例提供的高速公路交通事故风险评估方法进行进一步说明:
以国内某条高速公路立交出口区域为例,该路段双向六车道,设计速度为120km/h。由于没有收集到交通事故数据,因此采用无人机进行视频拍摄,获取分流鼻至上游500m范围内的交通流运行状态。具体步骤如下:
(1)确定视频拍摄范围500m,根据实际地形以及拍摄图像清晰度,合理规划所需要的摄像机数量;根据现场测试的结果,计划采用两台无人机进行拍摄。
(2)现场视频拍摄,保证图像效果清晰,能够明确辨识车辆的运行状态。为了保证最终模型参数的准确性,尽可能对不同的交通流状态进行拍摄,包括平峰期以及高峰期的交通流状态。
(3)将一天中,白天(8:00-17:00)的小时交通量按照时间的顺序,绘制柱状图,确定小时交通量的最高值与最小值。为了保证拍摄视频中的车辆清晰可见,仅选择白天进行视频拍摄。
(4)根据小时交通量的最高值与最小值,确定拍摄时间:根据图3可知,交通量最小值所对应的时间前一小时以及后一小时的3小时(即11:00-14:00)为平峰期,平峰期拍摄10组,合计30小时;交通量最高值的前一小时以及后一小时的3小时(即14:00-17:00)为高峰期,高峰期拍摄10组,合计30小时。这样,根据平峰期与高峰期总拍摄的60小时的视频来标定模型参数。在天气良好的条件下进行拍摄,不考虑恶劣气象条件的影响。
(5)为了保证模型参数的准确性,数据量越大越好,因此在条件允许的情况下可延长视频拍摄的时间,以获取更多的交通冲突数据,但是最短的视频拍摄时间不得少于60小时。
(6)此外,考虑到模型的精确性,对风险较高的情况准确建模,统计的严重冲突数不得少于1000次。如果严重冲突次数较少,则继续延长拍摄时间。表2所示为部分数据统计结果。
在统计冲突数据的同时,采集拍摄路段中间位置的车辆行驶速度,车辆数以及车型,采集观测路段范围内的严重冲突数。
表2
第二步,参数标定:
首先,对交通事故风险评估模型的进行对数转换:
ln(F)=Aln(CV)+Bln(q)+Cln(vi)+Dln(1+p),
在此基础上,完成数据的进一步处理工作,具体要求见前述的表1。
接着,采用目前的流行数据统计软件Spss开展参数标定工作,求解模型参数A、B、C、D。
本案例中最终标定的参数模型结果如下:
F=CV -0.52·q5.07·vi 10.04·(1+p)-2.18。
第三,风险评估:
根据上述模型求解结果,结合已有的交通流数据(公路上的检测线圈、微波以及视频等设备),计算自变量的取值,得出同一条道路不同桩号的风险值,将风险从高到低进行排列,计算结果如表3所示:
表3
桩号 | 风险排序 |
K3+000 | 1 |
K2+000 | 2 |
K7+000 | 3 |
K4+000 | 4 |
K9+000 | 5 |
K6+000 | 6 |
K1+000 | 7 |
K8+000 | 8 |
K5+000 | 9 |
… | … |
综上所述,在本发明实施例提供的高速公路交通事故风险评估方法中,通过建立适用于高速公路实际环境的交通事故风险评估模型,进而对交通事故风险评估模型进行对数变换,得到对应的多元线性回归模型,并根据具体情况获取当前实施路段的交通冲突数据,据此确定当前实施路段对应的交通事故风险评估模型,最后基于该模型确定当前实施路段各桩号处的交通事故风险值。基于本发明实施例提供的高速公路交通事故风险评估方法,能够对高速公路的交通事故风险进行有效评估,具有较强的可操作性。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种高速公路交通事故风险评估方法,其特征在于,包括:
建立交通事故风险评估模型:F=CV A·qB·vi C·(1+p)D,其中F表示交通事故风险值,CV表示车速变异系数,q表示交通饱和度,vi表示比速度,p表示汽车列车比例,A、B、C、D表示评估模型参数;
对所述交通事故风险评估模型进行对数变换,得到对应的多元线性回归模型:ln(F)=Aln(CV)+Bln(q)+Cln(vi)+Dln(1+p);
获取当前实施路段的至少M起交通事故数据,并确定其中每起交通事故对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值;其中,M为正整数;
将每起交通事故对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值作为一组样本数据,得到M组样本数据;
根据所述M组样本数据对所述多元线性回归模型进行参数标定,确定参数A、B、C、D的取值,进而得到当前实施路段对应的交通事故风险评估模型;
根据当前实施路段对应的交通事故风险评估模型,确定当前实施路段各桩号处的交通事故风险值。
2.根据权利要求1所述的方法,其特征在于,所述获取当前实施路段的至少M起交通事故数据,包括:
收集当前实施路段的历史事故数据和交通流数据,根据当前实施路段的历史事故数据和交通流数据,获取当前实施路段的至少M起交通事故数据;
其中,每起交通事故数据包括事故发生前一段时间内经过事故发生地的车辆数、车型及车速,以及事故中有损伤的车辆数n。
3.根据权利要求1所述的方法,其特征在于,所述确定每起交通事故对应的车速变异系数、比速度、交通饱和度、汽车列车比例,包括:
根据事故发生前一段时间内经过事故发生地的车辆数及车速,计算得到每起交通事故中的车速标准差σ以及车速平均值
根据所述车速标准差和所述车速平均值,利用第一预设公式:确定每起交通事故对应的车速变异系数CV;
根据所述车速平均值,利用第二预设公式:确定每起交通事故对应的比速度vi;
根据事故发生前一段时间内经过事故发生地的车辆数及车型,计算得到一小时内通过交通事故发生地的总交通量Q,利用第三预设公式:确定每起交通事故对应的交通饱和度q;其中,C表示五级服务水平的道路对应的最大小时交通量;
统计每起交通事故中汽车列车的数量P,利用第四预设公式:确定每起交通事故对应的汽车列车比例p;其中,N表示事故发生前一段时间内经过事故发生地的车辆数。
4.根据权利要求2所述的方法,其特征在于,所述确定每起交通事故对应的交通事故风险值,包括:
根据事故发生前一段时间内经过事故发生地的车辆数N以及事故中有损伤的车辆数n,确定每起交通事故对应的交通事故风险值
5.一种高速公路交通事故风险评估方法,其特征在于,包括:
建立交通事故风险评估模型:F=CV A·qB·vi C·(1+p)D,其中F表示交通事故风险值,CV表示车速变异系数,vi表示比速度,q表示交通饱和度,p表示汽车列车比例,A、B、C、D表示评估模型参数;
对所述交通事故风险评估模型进行对数变换,得到对应的多元线性回归模型:ln(F)=Aln(CV)+Bln(q)+Cln(vi)+Dln(1+p);
若当前实施路段存在交通流数据但无历史事故数据,并且具备视频拍摄条件,则根据当前实施路段的历史交通流数据确定拍摄时段,利用无人机在拍摄时段对当前实施路段进行视频拍摄,基于所拍摄视频对当前实施路段进行交通冲突统计分析,确定每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值;
若当前实施路段存在交通量数据但无历史事故数据,并且无法拍摄视频,则根据当前实施路段的交通量数据,利用交通仿真方法,建立当前实施路段的虚拟道路模型,基于当前实施路段的虚拟道路模型进行交通冲突分析,确定每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值;
将每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值作为一组样本数据;
根据所述样本数据对所述多元线性回归模型进行参数标定,确定参数A、B、C、D的取值,进而得到当前实施路段对应的交通事故风险评估模型;
根据当前实施路段对应的交通事故风险评估模型,确定当前实施路段各桩号处的交通事故风险值。
6.根据权利要求5所述的方法,其特征在于,所述确定每个分析单元对应的车速变异系数、比速度、交通饱和度、汽车列车比例以及交通事故风险值,包括:
统计每个分析单元中经过分析路段中间位置的车辆数及车速,进而计算得到车速标准差σ以及车速平均值
根据所述车速标准差以及所述车速平均值,利用第一预设公式:确定每个分析单元对应的车速变异系数CV;
根据所述车速平均值,利用第二预设公式:确定每个分析单元对应的比速度vi;
统计每个分析单元中经过分析路段中间位置的车型,根据每个分析单元中经过分析路段中间位置的车辆数及车型,计算得到一小时内通过分析路段的总交通量Q,利用第三预设公式:确定每个分析单元对应的交通饱和度q;其中,C表示五级服务水平的道路对应的最大小时交通量;
统计每个分析单元中经过分析路段中间位置的汽车列车的数量P,利用第四预设公式:确定每个分析单元对应的汽车列车比例p;其中,N表示每个分析单元中经过分析路段中间位置的车辆数。
7.根据权利要求5所述的方法,其特征在于,所述确定每个分析单元对应的交通事故风险值,包括:
统计每个分析单元中严重冲突的数量s,根据严重冲突的数量s以及经过分析路段中间位置的车辆数N,确定每个分析单元对应的交通事故风险值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811156908.6A CN109118773B (zh) | 2018-09-30 | 2018-09-30 | 一种高速公路交通事故风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811156908.6A CN109118773B (zh) | 2018-09-30 | 2018-09-30 | 一种高速公路交通事故风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118773A true CN109118773A (zh) | 2019-01-01 |
CN109118773B CN109118773B (zh) | 2019-10-01 |
Family
ID=64857154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811156908.6A Active CN109118773B (zh) | 2018-09-30 | 2018-09-30 | 一种高速公路交通事故风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118773B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348129A (zh) * | 2019-07-12 | 2019-10-18 | 山西省交通规划勘察设计院有限公司 | 一种公路跨线桥防撞缓冲设施设计方法 |
CN111598482A (zh) * | 2020-05-26 | 2020-08-28 | 中国国家铁路集团有限公司 | 一种铁路运输安全评估方法、装置及计算机设备 |
CN112037513A (zh) * | 2020-09-01 | 2020-12-04 | 清华大学 | 一种实时交通安全指数动态综合评价***及其构建方法 |
CN112365707A (zh) * | 2020-09-22 | 2021-02-12 | 合肥工业大学 | 无人机交通巡逻业务的评价方法和*** |
CN112435458A (zh) * | 2019-06-21 | 2021-03-02 | 北京航空航天大学 | 一种交通事故下的高速公路无人机应急仿真方法 |
CN112562337A (zh) * | 2020-12-10 | 2021-03-26 | 之江实验室 | 一种基于深度学习的高速公路实时交通事故风险评估方法 |
CN113345224A (zh) * | 2021-05-20 | 2021-09-03 | 河南硕翔信息技术有限公司 | 基于计算机视觉的高速公路数据高效存储*** |
WO2021203972A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
CN113780783A (zh) * | 2021-09-01 | 2021-12-10 | 苏交科集团股份有限公司 | 一种针对道路交通安全事故风险度的自动分析方法 |
CN113920726A (zh) * | 2021-09-30 | 2022-01-11 | 东南大学 | 一种大型活动道路交通运行的多源风险叠加分级方法 |
CN114241753A (zh) * | 2021-12-03 | 2022-03-25 | 东南大学 | 一种基于多维度影响因素的道路安全评价方法及*** |
CN114492544A (zh) * | 2022-04-15 | 2022-05-13 | 腾讯科技(深圳)有限公司 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
CN114973648A (zh) * | 2022-04-11 | 2022-08-30 | 长安大学 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
CN115762140A (zh) * | 2022-11-01 | 2023-03-07 | 山东高速集团有限公司 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
WO2023151034A1 (zh) * | 2022-02-11 | 2023-08-17 | 华为技术有限公司 | 路况检测方法、可读介质以及电子设备 |
CN116739354A (zh) * | 2023-08-14 | 2023-09-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路安全风险评估指标计算方法、电子设备及存储介质 |
CN116959248A (zh) * | 2023-07-22 | 2023-10-27 | 同济大学 | 一种基于交互式自解释模型的高速公路事故风险优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937421A (zh) * | 2009-07-03 | 2011-01-05 | 上海大潮电子技术有限公司 | 采集车辆实时运行信息而进行运行安全风险评估的方法 |
CN103093620A (zh) * | 2013-01-07 | 2013-05-08 | 东南大学 | 基于冲突车流流量特征的机动车交通冲突数的确定方法 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及*** |
CN106897826A (zh) * | 2017-02-23 | 2017-06-27 | 吉林大学 | 一种交通事故风险评估方法及*** |
CN108109379A (zh) * | 2018-01-26 | 2018-06-01 | 东南大学 | 一种高速公路出口匝道区域安全评价方法 |
-
2018
- 2018-09-30 CN CN201811156908.6A patent/CN109118773B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937421A (zh) * | 2009-07-03 | 2011-01-05 | 上海大潮电子技术有限公司 | 采集车辆实时运行信息而进行运行安全风险评估的方法 |
CN103093620A (zh) * | 2013-01-07 | 2013-05-08 | 东南大学 | 基于冲突车流流量特征的机动车交通冲突数的确定方法 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及*** |
CN106897826A (zh) * | 2017-02-23 | 2017-06-27 | 吉林大学 | 一种交通事故风险评估方法及*** |
CN108109379A (zh) * | 2018-01-26 | 2018-06-01 | 东南大学 | 一种高速公路出口匝道区域安全评价方法 |
Non-Patent Citations (3)
Title |
---|
CHU ZHAOMING 等: "A Study on the Evaluation Method of the Freeway Traffic Accidents Forewarning System", 《2010 INTERNATIONAL CONFERENCE ON OPTOELECTRONICS AND IMAGE PROCESSING》 * |
王海鹏 等: "基于车型比例的速度离散与交通事故率关系研究", 《青岛理工大学学报》 * |
胡功宏 等: "高速公路交通流实时安全性评价", 《安全与环境学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435458B (zh) * | 2019-06-21 | 2022-03-11 | 北京航空航天大学 | 一种交通事故下的高速公路无人机应急仿真方法 |
CN112435458A (zh) * | 2019-06-21 | 2021-03-02 | 北京航空航天大学 | 一种交通事故下的高速公路无人机应急仿真方法 |
CN110348129A (zh) * | 2019-07-12 | 2019-10-18 | 山西省交通规划勘察设计院有限公司 | 一种公路跨线桥防撞缓冲设施设计方法 |
CN111598482A (zh) * | 2020-05-26 | 2020-08-28 | 中国国家铁路集团有限公司 | 一种铁路运输安全评估方法、装置及计算机设备 |
CN111598482B (zh) * | 2020-05-26 | 2023-08-08 | 中国国家铁路集团有限公司 | 一种铁路运输安全评估方法、装置及计算机设备 |
CN112037513A (zh) * | 2020-09-01 | 2020-12-04 | 清华大学 | 一种实时交通安全指数动态综合评价***及其构建方法 |
CN112365707A (zh) * | 2020-09-22 | 2021-02-12 | 合肥工业大学 | 无人机交通巡逻业务的评价方法和*** |
WO2021203972A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
CN112562337A (zh) * | 2020-12-10 | 2021-03-26 | 之江实验室 | 一种基于深度学习的高速公路实时交通事故风险评估方法 |
CN113345224A (zh) * | 2021-05-20 | 2021-09-03 | 河南硕翔信息技术有限公司 | 基于计算机视觉的高速公路数据高效存储*** |
CN113780783A (zh) * | 2021-09-01 | 2021-12-10 | 苏交科集团股份有限公司 | 一种针对道路交通安全事故风险度的自动分析方法 |
CN113920726A (zh) * | 2021-09-30 | 2022-01-11 | 东南大学 | 一种大型活动道路交通运行的多源风险叠加分级方法 |
US11887472B2 (en) | 2021-12-03 | 2024-01-30 | Southeast University | Method and system for evaluating road safety based on multi-dimensional influencing factors |
US20230215270A1 (en) * | 2021-12-03 | 2023-07-06 | Southeast University | Method and system for evaluating road safety based on multi-dimensional influencing factors |
CN114241753A (zh) * | 2021-12-03 | 2022-03-25 | 东南大学 | 一种基于多维度影响因素的道路安全评价方法及*** |
CN114241753B (zh) * | 2021-12-03 | 2022-11-01 | 东南大学 | 一种基于多维度影响因素的道路安全评价方法及*** |
WO2023151034A1 (zh) * | 2022-02-11 | 2023-08-17 | 华为技术有限公司 | 路况检测方法、可读介质以及电子设备 |
CN114973648A (zh) * | 2022-04-11 | 2022-08-30 | 长安大学 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
CN114973648B (zh) * | 2022-04-11 | 2024-03-19 | 长安大学 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
CN114492544A (zh) * | 2022-04-15 | 2022-05-13 | 腾讯科技(深圳)有限公司 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
CN114492544B (zh) * | 2022-04-15 | 2022-07-26 | 腾讯科技(深圳)有限公司 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
CN115762140A (zh) * | 2022-11-01 | 2023-03-07 | 山东高速集团有限公司 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
CN115762140B (zh) * | 2022-11-01 | 2024-06-07 | 山东高速集团有限公司 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
CN116959248A (zh) * | 2023-07-22 | 2023-10-27 | 同济大学 | 一种基于交互式自解释模型的高速公路事故风险优化方法 |
CN116959248B (zh) * | 2023-07-22 | 2024-04-05 | 同济大学 | 一种基于交互式自解释模型的高速公路事故风险优化方法 |
CN116739354A (zh) * | 2023-08-14 | 2023-09-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路安全风险评估指标计算方法、电子设备及存储介质 |
CN116739354B (zh) * | 2023-08-14 | 2024-02-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路安全风险评估指标计算方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109118773B (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118773B (zh) | 一种高速公路交通事故风险评估方法 | |
WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN106355883A (zh) | 基于风险评估模型的交通事故发生概率获取方法及*** | |
CN110020797A (zh) | 基于感知缺陷的自动驾驶测试场景的评价方法 | |
Goyani et al. | Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions | |
CN109002622B (zh) | 一种随机车流作用下大跨径桥梁总体荷载响应估算方法 | |
CN113160593A (zh) | 一种基于边云协同的山区公路行车安全预警方法 | |
CN112735139A (zh) | 一种用于普通公路安全隐患排查的装置和方法 | |
CN109598937A (zh) | 一种道路弯道安全速度检测与警示装置及方法 | |
CN110738591A (zh) | 基于倾向值匹配的爬坡车道交通安全效益计算方法 | |
Ataelmanan et al. | Examination of lane changing duration time on expressway | |
CN117238139B (zh) | 一种基于气象数据的路况实时预警*** | |
Kang et al. | An analysis of characteristics of heavy vehicle behavior at roundabouts in Japan | |
CN116001800B (zh) | 车辆驾驶风险信息获取方法、装置、电子设备及介质 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
Liu et al. | Construction of driving behavior scoring model based on obd terminal data analysis | |
CN115909542A (zh) | 基于预期功能安全的自动驾驶车辆测试方法和测试场 | |
CN108417050A (zh) | 一种基于连续超速gps轨迹点的超速事件实时探测方法 | |
CN114565155A (zh) | 一种公路安全测试方法、装置、电子设备及存储介质 | |
DE102019218111A1 (de) | Verfahren zur Generierung von Ortsinformationen von relevanten Straßenabschnitten für die Detektion von Falschfahrten und Verfahren zur Detektion einer Falschfahrt | |
Leong et al. | Impact of measurement methods on the development of freeflow speed estimation model for basic segment expressways in Malaysia | |
Lu et al. | Safety Benefits Evaluation of Mixed Traffic Flow with Connected and Automated Vehicles under Snowy Conditions | |
CN115410072B (zh) | 一种视频事件检测算法的测试方法及*** | |
CN115171379B (zh) | 基于智慧交通的突发事件响应控制*** |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Liu Jianbei Inventor after: Ma Xiaolong Inventor after: Wu Mingxian Inventor after: Wang Zuo Inventor after: Chi Gandu Inventor before: Liu Jianbei Inventor before: Ma Xiaolong Inventor before: Chi Gandu |
|
GR01 | Patent grant | ||
GR01 | Patent grant |