CN109493600B - 基于事故危险度的交通事故多发路段识别方法 - Google Patents

基于事故危险度的交通事故多发路段识别方法 Download PDF

Info

Publication number
CN109493600B
CN109493600B CN201811390609.9A CN201811390609A CN109493600B CN 109493600 B CN109493600 B CN 109493600B CN 201811390609 A CN201811390609 A CN 201811390609A CN 109493600 B CN109493600 B CN 109493600B
Authority
CN
China
Prior art keywords
accident
identified
occurrence
traffic
weather
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
Application number
CN201811390609.9A
Other languages
English (en)
Other versions
CN109493600A (zh
Inventor
张延孔
谢文军
刘璐
刘新月
罗月童
梁樑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201811390609.9A priority Critical patent/CN109493600B/zh
Publication of CN109493600A publication Critical patent/CN109493600A/zh
Application granted granted Critical
Publication of CN109493600B publication Critical patent/CN109493600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于事故危险度的交通事故多发路段识别方法，在被识别道段已发生的历史交通事故选择出所有符合设定的时间和天气的历史交通事故构成交通事故数据集；根据设定的时间和天气，确定符合条件的时间长度；计算获得交通事故数据集中每一个历史交通事故对被识别道段中的被识别点的事故危险度的影响值，依据高斯分布函数计算获得被识别的点事故危险度，再根据设定事故危险度安全阈值，判断事故多发路段。本发明能有效识别不同时间、不同天气限定条件下的事故多发路段，为交警部门根据时间、天气因素合理部署警力和救援设备提供依据，且操作简单，可移植性强，易于推广应用。

Description

基于事故危险度的交通事故多发路段识别方法
技术领域
本发明属于公路交通安全管理研究领域，具体涉及一种基于事故危险度的交通事故多发路段识别方法。
背景技术
随着汽车保有量的持续增加，道路交通安全形势显得尤为严峻，识别公路交通事故多发路段对于交警部门根据不同时间、天气情况合理分配警力及救援设备部署，从而提高交通管制能力有重要意义。
目前，国内外交通事故多发路段识别方法主要有以下几类：
第一类是运用交通冲突分析技术(TCT)，通过预测车辆运行轨迹判断可能存在的交通冲突点，将交通冲突较为严重的位置判断为事故多发路段。该方法对交通事故历史数据的依赖程度较小，但是由于交通冲突分析方法工作量较大，因此只适用于小范围城市道路的交通事故黑点鉴别。
第二类是建立在历史交通事故数据上，首先对所研究道路人工分段，然后直接运用事故数法和事故率法鉴别事故多发路段，或者通过构建泊松回归、负二项回归以及经验贝叶斯方法等模型回归分析事故数据，根据对事故发展趋势的预测判断事故多发路段。这一类方法由于需要人工在识别前对道路进行分段，分段的结果将直接影响交通事故多发路段的影响。另一方面，时间和天气情况对于交通安全有重大的影响，但以上现有技术中交通事故多发路段识别方法并未考虑时间和天气情况，大大降低了识别结果准确性。
发明内容
本发明是为避免上述现有技术所存在的不足，提供一种基于事故危险度的交通事故多发路段识别方法，提高识别结果的准确性，为交警部门根据不同时间、天气因素合理部署警力和救援设备提供依据。
本发明为解决技术问题采用如下技术方案：
本发明基于事故危险度的交通事故多发路段识别方法的特点是按如下步骤进行：
步骤1：针对被识别道段A中已发生的历史交通事故，确定每起历史交通事故的发生时间、发生天气和发生地点；
步骤2：在所述历史交通事故中，选择出所有符合设定的时间和天气的历史交通事故构成交通事故数据集S；
步骤3：根据设定的时间和天气，确定符合条件、且以天计的时间长度T；
步骤4：依据式(1)所表征的高斯分布函数计算获得交通事故数据集S中每一个历史交通事故Si对所述被识别道段A中的被识别点Aj的事故危险度的影响值f(xi|Aj)：
Figure BDA0001873966610000021
式(1)中，m0为被识别点Aj距离被识别道段起点A0的距离；xi为历史交通事故Si的发生地点距离被识别道段起点A0的距离；k是与历史交通事故Si的伤亡人数相关的系数，σ是与被识别道段A最高限速相关的系数；
由式(2)计算获得被识别点Aj的事故危险度f(Aj)：
Figure BDA0001873966610000022
|S|是指交通事故数据集S中的历史交通事故的个数；
步骤5：设定事故危险度安全阈值为L，判断事故多发路段：
若有：f(Aj)≥L，则判断被识别点Aj为事故多发点；
步骤6、按步骤4和步骤5获得被识别道段A中每一个被识别点Aj的事故危险度f(Aj)，并判断其是否为事故多发点，将所有事故多发点组成的区间识别为事故多发路段。
本发明基于事故危险度的交通事故多发路段识别方法的特点也在于：在所述步骤1中，将历史交通事故的发生时间设置为季度、星期、昼夜和时刻等的不同描述形式；将历史交通事故的发生天气设置为气温、天气、风力和风向等不同的描述形式，将事故发生地点定义为事故发生地距离道路起点的距离。
与已有技术相比，本发明有益效果体现在：
1、本发明结合交通事故发生的时间、天气因素，有效识别不同条件下的事故多发路段，从而可以使交警部门根据不同时间、天气因素合理的部署警力和救援设备，有效提高管控效率，降低交通事故发生率。
2、本发明采用事故危险度的概念，计算道路上每一点的事故危险度，将事故危险度多的点聚合为事故多发路段，无需人工分段，提高了识别准确率。
3、本发明方法简单，容易理解，且有很强的可移植性，易于推广。
附图说明
图1为本发明事故多发路段识别流程图；
图2为本发明方法中单次事故发生时，公路上每点的事故危险度曲线；
图3为本发明方法应用在某路段周末的道路危险度曲线图；
图4为本发明方法应用在某路段周末的事故多发路段示意图；
图5为本发明方法应用在某路段工作日的道路危险度曲线图；
图6为本发明方法应用在某路段工作日的事故多发路段示意图
具体实施方式
参见图1，本实施例中基于事故危险度的交通事故多发路段识别方法是按如下步骤进行：
步骤1：针对被识别道段A中已发生的历史交通事故，确定每起历史交通事故的发生时间、发生天气和发生地点。
可以将历史交通事故的发生时间设置为季度、星期、昼夜和时刻等的不同描述形式；将历史交通事故的发生天气设置为气温、天气、风力和风向等不同的描述形式，将事故发生地点定义为事故发生地距离道路起点的距离。
步骤2：在所述历史交通事故中，选择出所有符合设定的时间和天气的历史交通事故构成交通事故数据集S。
步骤3：根据设定的时间和天气，确定符合条件、且以天计的时间长度T，根据用户的要求，时间长度T可以是设定的起始到结束时间之间的时间段，或为设定的季度或星期；若时间段不满一天，则直接按照整天计算，再按相应的比例进行调整。
步骤4：依据式(1)所表征的高斯分布函数计算获得交通事故数据集S中每一个历史交通事故Si对所述被识别道段A中的被识别点Aj的事故危险度的影响值f(xi|Aj)：
Figure BDA0001873966610000031
式(1)中，m0为被识别点Aj距离被识别道段起点A0的距离；xi为历史交通事故Si的发生地点距离被识别道段起点A0的距离；k是与历史交通事故Si的伤亡人数相关的系数，具体可以取值为历史交通事故Si中造成死亡的人的数量；σ是与被识别道段A最高限速相关的系数，具体可以取值为被识别道段A中的最高限速；
由式(2)计算获得被识别点Aj的事故危险度f(Aj)：
Figure BDA0001873966610000032
|S|是指交通事故数据集S中的历史交通事故的个数。
步骤5：设定事故危险度安全阈值为L，判断事故多发路段：
若有：f(Aj)≥L，则判断被识别点Aj为事故多发点；
步骤6、按步骤4和步骤5获得被识别道段A中每一个被识别点Aj的事故危险度f(Aj)，并判断其是否为事故多发点，将所有事故多发点组成的区间识别为事故多发路段。由于针对道路危险度采用了高斯分布函数进行确定，因此公路上相邻点的事故危险度值是连续的，事故事危险度大于阈值的点可以聚合成段，该段即为事故多发路段。
事故危险度安全阈值L由人工综合考虑多种因素进行确定，包括：道路事故危险度曲线线形、道路所处区段以及警力配备情况等。道路事故危险度曲线是一种折线图，横坐标为所识别路段各点到道路起点的距离，纵坐标为每一点的事故危险度值。
本实施例中并非将交通事故发生点当做点来处理，而是将其采用高斯分布拓展为段，在事故发生点，道路的事故危险度最高，距离事故发生地越远，事故危险度越低。根据交通事故的伤亡人数对事故危险度进行加权处理。单次事故发生时，公路上每点的事故危险度曲线如图2所示。当有多次事故发生时，将道路上该点的事故危险度累加即可。为了使事故危险度不会随着时间长度的变化而变化，用时间长度将其标准化，从而使得任意的时间长度内求得的事故危险度达到一致，不会造成时间越长事故危险度越高的情况。
实施例：针对某城市某路段事故多发路段进行鉴别
设定起始时间为2014年1月1日到2016年12月31日，符合条件的时间总长度为：365×3＝1095天，将时间限定为周末，则时间长度即为：1095×2÷7＝312.86天。
根据符合限定条件的交通事故数据和时间长度计算该路段每一点的事故危险度，并绘制出道路事故危险度曲线如图3所示，设置事故危险度安全阈值L为0.2，则道路危险度曲线上值大于阈值L的点对应的路段即为交通事故多发路段，如图4所示。图4中黑色的线条为所识别的道路，本实施例中是针对安徽省合肥市休宁路进行识别，黑色线条中的白色线段是利用本发明方法识别出的事故多发路段，由图4可知，周末的事故多发路段共有5段。
将时间限定条件的周末改为工作日，则时间长度为1095×5÷7＝782.14天，此时重新确定符合限定条件的交通事故数据，再次计算每一点的事故危险度曲线，此时曲线发生了极大的变换，如图5所示，设置事故危险度安全阈值L为0.2，此时的道路事故多发路段如图6所示。图6中黑色的线条为所识别的道路，同样是针对安徽省合肥市休宁路进行识别，黑色线条中的白色线段为识别出的事故多发路段，图6示出，在同样的阈值下，工作日的事故多发路段为3段，且长度比图4明显变短。
对比图4和图6，对于周末和工作日，该路段上的事故多发路段发生了明显的变化。交警部门可以根据识别结果，在工作日将警力分配到其他事故发生率跟高的路段，从而在同样的警力配备下提高了交通管制效果。

Claims (2)

1.基于事故危险度的交通事故多发路段识别方法，其特征是按如下步骤进行：
步骤1：针对被识别道段A中已发生的历史交通事故，确定每起历史交通事故的发生时间、发生天气和发生地点；
步骤2：在所述历史交通事故中，选择出所有符合设定的时间和天气的历史交通事故构成交通事故数据集S；
步骤3：根据设定的时间和天气，确定符合条件、且以天计的时间长度T；
步骤4：依据式(1)所表征的高斯分布函数计算获得交通事故数据集S中每一个历史交通事故Si对所述被识别道段A中的被识别点Aj的事故危险度的影响值f(xi|Aj)：
Figure FDA0002807479680000011
式(1)中，m0为被识别点Aj距离被识别道段起点A0的距离；xi为历史交通事故Si的发生地点距离被识别道段起点A0的距离；k是与历史交通事故Si的伤亡人数相关的系数，σ是与被识别道段A最高限速相关的系数；
由式(2)计算获得被识别点Aj的事故危险度f(Aj)：
Figure FDA0002807479680000012
|S|是指交通事故数据集S中的历史交通事故的个数；
步骤5：设定事故危险度安全阈值为L，判断事故多发路段：
若有：f(Aj)≥L，则判断被识别点Aj为事故多发点；
步骤6、按步骤4和步骤5获得被识别道段A中每一个被识别点Aj的事故危险度f(Aj)，并判断其是否为事故多发点，将所有事故多发点组成的区间识别为事故多发路段。
2.根据权利要求1所述的基于事故危险度的交通事故多发路段识别方法，其特征是：
在所述步骤1中，将历史交通事故的发生时间设置为季度、星期、昼夜和时刻的不同描述形式；将历史交通事故的发生天气设置为气温、天气、风力和风向的不同描述形式，将事故发生地点定义为事故发生地距离道路起点的距离。
CN201811390609.9A 2018-11-21 2018-11-21 基于事故危险度的交通事故多发路段识别方法 Active CN109493600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811390609.9A CN109493600B (zh) 2018-11-21 2018-11-21 基于事故危险度的交通事故多发路段识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811390609.9A CN109493600B (zh) 2018-11-21 2018-11-21 基于事故危险度的交通事故多发路段识别方法

Publications (2)

Publication Number Publication Date
CN109493600A CN109493600A (zh) 2019-03-19
CN109493600B true CN109493600B (zh) 2021-02-05

Family

ID=65697079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811390609.9A Active CN109493600B (zh) 2018-11-21 2018-11-21 基于事故危险度的交通事故多发路段识别方法

Country Status (1)

Country Link
CN (1) CN109493600B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110675626B (zh) * 2019-09-27 2021-01-12 汉纳森（厦门）数据股份有限公司 基于多维数据的交通事故黑点预测方法、装置及介质
CN111640295B (zh) * 2020-05-09 2023-03-28 天津市政工程设计研究总院有限公司 基于潜在冲突风险评估的交叉口事故黑点判别方法
EP4112411B1 (en) * 2021-07-01 2024-03-27 Zenseact AB Estimation of accident intensity for vehicles
CN114220268A (zh) * 2021-12-16 2022-03-22 济南市公安局交通警察支队 一种基于道路安全指数进行最优派警的方法及***
CN114627643B (zh) * 2022-02-28 2023-07-14 青岛海信网络科技股份有限公司 一种高速公路事故风险预测方法、装置、设备及介质
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
CN114582132B (zh) * 2022-05-05 2022-08-09 四川九通智路科技有限公司 一种基于机器视觉的车辆碰撞检测预警***及方法
CN115240407B (zh) * 2022-06-10 2024-01-12 深圳市综合交通与市政工程设计研究总院有限公司 交通事故黑点的鉴别方法、装置、电子设备及存储介质
CN115880906B (zh) * 2022-12-02 2024-05-24 公安部交通管理科学研究所 基于自适应聚合算法的交通事故多发路段识别方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254430A (zh) * 2011-06-03 2011-11-23 东南大学 一种利用交通冲突判别事故易发路段的方法
CN103578295A (zh) * 2013-11-20 2014-02-12 东南大学 一种快速道路排队尾部追尾事故风险实时预测与预防方法
CN103955596A (zh) * 2014-03-14 2014-07-30 安徽科力信息产业有限责任公司 一种基于交通事故采集技术的事故热点综合判定方法
CN105008860A (zh) * 2013-01-18 2015-10-28 通腾发展德国公司 用于创建地图数据的方法及设备
KR20160036710A (ko) * 2014-09-25 2016-04-05 주식회사 유투앤 미래 교통 상황 예측 시스템
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
CN106530720A (zh) * 2016-12-28 2017-03-22 吉林大学 一种高速公路道路交通安全黑点路段识别与预警方法
CN107067781A (zh) * 2017-04-07 2017-08-18 叶昊 一种用于先进驾驶辅助***应用的gis道路黑点地图生成方法
CN108491418A (zh) * 2018-02-06 2018-09-04 西南交通大学 一种交通事故数据信息化采集、管理和分析***及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4849148B2 (ja) * 2009-03-30 2012-01-11 アイシン・エィ・ダブリュ株式会社 車両操作診断装置、車両操作診断方法及びコンピュータプログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254430A (zh) * 2011-06-03 2011-11-23 东南大学 一种利用交通冲突判别事故易发路段的方法
CN105008860A (zh) * 2013-01-18 2015-10-28 通腾发展德国公司 用于创建地图数据的方法及设备
CN103578295A (zh) * 2013-11-20 2014-02-12 东南大学 一种快速道路排队尾部追尾事故风险实时预测与预防方法
CN103955596A (zh) * 2014-03-14 2014-07-30 安徽科力信息产业有限责任公司 一种基于交通事故采集技术的事故热点综合判定方法
KR20160036710A (ko) * 2014-09-25 2016-04-05 주식회사 유투앤 미래 교통 상황 예측 시스템
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
CN106530720A (zh) * 2016-12-28 2017-03-22 吉林大学 一种高速公路道路交通安全黑点路段识别与预警方法
CN107067781A (zh) * 2017-04-07 2017-08-18 叶昊 一种用于先进驾驶辅助***应用的gis道路黑点地图生成方法
CN108491418A (zh) * 2018-02-06 2018-09-04 西南交通大学 一种交通事故数据信息化采集、管理和分析***及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
道路交通安全评价研究;李政;《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》;20020615;C034-224 *
高速公路出行决策信息研究;孙铸;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140515;C034-693 *

Also Published As

Publication number Publication date
CN109493600A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN109493600B (zh) 基于事故危险度的交通事故多发路段识别方法
CN109359880B (zh) 城市道路交通执勤警力部署方法
CN108665707B (zh) 一种预防局部交通拥堵的高速公路入口分流及流量协同控制方法
CN111724595B (zh) 一种基于收费数据的高速公路断面流量估计方法
CN112419709B (zh) 一种基于路段异质性的快速路事故风险实时预测方法
CN111260922B (zh) 一种基于拥堵态势分级的匝道控制方法
CN103646534A (zh) 一种道路实时交通事故风险控制方法
CN111275974B (zh) 一种高速公路施工区动态限速推荐值计算方法
CN109087502B (zh) 基于订单分布的车辆调度方法、调度***、计算机设备
CN103942953A (zh) 一种基于浮动车数据的城市路网动态交通拥挤预测方法
CN106816008A (zh) 一种道路拥堵预警及拥堵形成时间预测方法
CN111145544B (zh) 一种基于拥堵蔓延消散模型的行程时间及路径预测方法
CN103730005B (zh) 一种路程行驶时间的预测方法和***
CN113947899B (zh) 一种低渗透率轨迹数据下排队服务时间动态估计方法
CN103093619A (zh) 基于智能交通***的交通评价方法及装置
CN106875681A (zh) 一种交通拥塞趋势预测方法及***
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN113158141B (zh) 基于大数据的新能源汽车超载检测方法
CN114241754A (zh) 基于高速公路合流影响区事故前兆特征的实时控制方法
CN115731693A (zh) 一种车道划分方法以及相关装置
CN106056923B (zh) 基于交通场面雷达的路段交通状态判别方法
CN111798663B (zh) 一种路网关键路段辨识方法
CN107146416B (zh) 一种智能交通管理***
CN112183597B (zh) 一种基于谱聚类的非均衡交通事故严重程度分析方法
CN112131069B (zh) 基于聚类的设备运行监测方法及***

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