CN114241753B - 一种基于多维度影响因素的道路安全评价方法及*** - Google Patents

一种基于多维度影响因素的道路安全评价方法及*** Download PDF

Info

Publication number
CN114241753B
CN114241753B CN202111465931.5A CN202111465931A CN114241753B CN 114241753 B CN114241753 B CN 114241753B CN 202111465931 A CN202111465931 A CN 202111465931A CN 114241753 B CN114241753 B CN 114241753B
Authority
CN
China
Prior art keywords
traffic
road
sub
safety
area
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
CN202111465931.5A
Other languages
English (en)
Other versions
CN114241753A (zh
Inventor
郭延永
丁红亮
吴瑶
刘攀
刘佩
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202111465931.5A priority Critical patent/CN114241753B/zh
Publication of CN114241753A publication Critical patent/CN114241753A/zh
Priority to US17/925,748 priority patent/US11887472B2/en
Priority to PCT/CN2022/103535 priority patent/WO2023098076A1/zh
Application granted granted Critical
Publication of CN114241753B publication Critical patent/CN114241753B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多维度影响因素的道路安全评价方法及***，涉及道路安全技术领域，基于历史交通数据以及对应的安全影响因素分别构建不同维度下的安全评价模型，并对道路安全风险曝光量进行了弹性分类，通过约束函数链接宏观与微观维度下的安全评价模型并分别判断各安全影响因素的影响机理，具体地，分别针对限定区域范围内的各个子区域，构建并获得安全评价模型，应用安全评价模型，获得影响子区域中各交通道路安全的影响因素，对子区域进行安全评价，通过本发明的技术方案，提供了一种精确、全面、客观、反映影响数据具有真实性的道路安全评价方法，适用范围更广。

Description

一种基于多维度影响因素的道路安全评价方法及***
技术领域
本发明涉及道路安全技术领域，具体而言涉及一种基于多维度影响因素的道路安全评价方法及***。
背景技术
随着社会经济的发展，小汽车拥有率逐步上升，不仅造成了道路的拥挤，与此同时道路交通事故发生率也逐步上升，为了减少道路事故的发生，提高道路安全性，相关研究领域提出了多种道路安全分析模型，其中道路安全分析模型包含两个层面，一个是宏观维度下的道路安全分析模型，一个是微观层面下的道路安全分析，但是不管在研究领域还是专利领域，都没有相关研究综合考虑宏观与微观层面下的道路安全分析模型之间的关联性。只从单维度视角建立道路安全分析模型会对分析结果造成一定的偏差。此外，年平均机动车日交通量被视为一种有效的安全风险曝光量，对衡量影响因素与事故产生机理具有重要意义。然而相关文献都假设安全风险曝光量的影响是恒定的，本质上该影响应该是弹性变化的，随着年平均机动车日交通量的变化各影响因素会有异同。
发明内容
本发明的目的在于提供一种基于多维度影响因素的道路安全评价方法及***，以解决现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：
本发明的第一方面提出一种基于多维度影响因素的道路安全评价方法，分别针对限定区域范围内的各个子区域，通过步骤A至步骤D构建安全评价模型，应用安全评价模型，通过以下步骤E至步骤F，获得影响子区域中各交通道路安全的影响因素，对子区域进行安全评价：
步骤A、针对子区域，周期获得子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，随后进入步骤B；
步骤B、将机动车日交通量作为安全风险曝光量，基于子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，获得子区域对应的安全风险曝光量、以及子区域所含各个交通道路分别所对应的各个安全风险曝光量，并对各安全风险曝光量进行量化，得到各安全风险曝光量分别所对应的各个分类变量T，随后进入步骤C；
步骤C、分别针对该子区域所包含的各个交通道路，基于其所对应的各历史交通数据、以及步骤B中所获的各个分类变量T，构建道路安全量化子模型，即获得该子区域中各个交通道路分别所对应的道路安全量化子模型；
基于该子区域中各个交通道路分别所对应的道路安全量化子模型、以及该子区域的历史交通数据，构建该子区域所对应的区域安全量化子模型，随后进入步骤D；
步骤D、针对子区域，以该子区域所对应的区域安全量化子模型和该子区域中各个交通道路分别所对应的道路安全量化子模型构成的模型组作为该子区域对应的安全评价模型，并且模型组中各个子模型的输入量为其所对应的历史交通数据；
步骤E、按照步骤A至步骤C中方法，基于子区域的实际交通数据、以及子区域内各个交通道路的实际交通数据，获得子区域所对应的区域安全量化子模型、以及各个道路安全量化子模型，随后进入步骤F；
步骤F、针对该子区域，按照步骤D中方法应用安全评价模型，以约束函数为目标，对子区域对应的区域安全量化子模型、以及各个道路安全量化子模型进行求解，得到影响子区域道路安全的影响因素，根据影响因素对子区域以及该子区域内各个交通道路进行安全评价。
进一步地，前述周期获得限定区域范围内各个子区域在预设时长的历史交通数据，各子区域所对应的历史交通数据分别均包括：子区域的人口密度N、子区域的GDP、子区域内道路网密度K、子区域的机动车年平均日交通量AADT1、子区域绿化面积占比L1、子区域居住区占比L2、子区域非居住区占比L3、子区域道路面积占比L4、以及子区域内的平均行车速度V；
各子区域内的各个交通道路所对应的历史交通数据分别均包括：交通道路长度D、交通道路车道数J、交通道路宽度W、交通道路是否设置有专用车道Q、交通道路的机动车年平均日交通量AADT2、交通道路的交叉口密度A、以及交通道路等级D。
进一步地，前述的步骤B中，基于子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，针对该子区域分别所对应的各个交通道路，根据以下公式：
Figure GDA0003846959010000021
得到该子区域、以及对应各个交通道路的风险曝光量分别所对应的各个分类变量T，其中，AADTi为AADT1或AADT2，当AADTi＝AADT1时，AADTi′为限定区域范围内所有子区域的机动车年平均日交通量的中位数，当AADTi＝AADT2时，AADTi′为子区域内所有交通道路的机动车年平均日交通量的中位数。
进一步地，前述步骤C中，分别针对子区域所包含的各个交通道路，根据以下公式：
Figure GDA0003846959010000031
获得各个交通道路分别所对应的各个道路安全量化子模型lnE2n，其中，E2为交通道路在预设时间周期内的事故发生量，εn为道路安全量化子模型的误差项，n的取值范围为1至N，N为各个子区域中分别所包含的交通道路的总数，AADT2n，Jn，Wn，Qn，Tn，An，Dn分别表示子区域所包含的第n条交通道路的机动车年平均日交通量，交通道路车道数，交通道路宽度，交通道路是否设置有专用车道，交通道路的风险曝光量所对应的分类变量，交通道路的交叉口密度，交通道路等级；θ1，θ2，θ3，θ4，θ6，θ7分别对应子区域的风险曝光量所对应的分类变量，子区域所包含的第n条交通道路的交通道路车道数、交通道路宽度、交通道路是否设置有专用车道、交通道路的交叉口密度、交通道路等级的安全影响系数，
Figure GDA0003846959010000032
表示子区域所包含的第n条交通道路的风险曝光量所对应的分类变量T＝1时的安全影响系数，
Figure GDA0003846959010000033
表示子区域所包含的第n条交通道路的风险曝光量所对应的分类变量T＝0时的安全影响系数；
当交通道路设置有专用车道时Qn＝1，当交通道路无专用车道时Qn＝0，当道路等级为主干道时Dn＝1，当道路等级为次干道时Dn＝2，当道路等级为支路时Dn＝3，其中，
Figure GDA0003846959010000034
此时，AADTi′为子区域内所有交通道路的机动车年平均日交通量的中位数；
分别针对限定区域范围内各个子区域，根据以下公式：
Figure GDA0003846959010000035
获得限定区域范围内各个子区域所对应的各个区域安全量化子模型lnE1m，其中，E1为子区域在预设时间周期内的事故发生量，εm为区域安全量化子模型的误差项，m的取值范围为1至M，M为限定区域范围所包含各个子区域的总数，Nm，GDPm，Km，Tm，AADT1m，Vm，L1m，L2m，L3m，L4m分别表示限定区域范围内第m个子区域的人口密度、GDP、道路网密度、子区域的风险曝光量所对应的分类变量、机动车年平均日交通量、平均行车速度、绿化面积占比、居住区占比、非居住区占比、道路面积占比；β1，β2，β3，β5，β6，β7，β8，β9分别表示限定区域范围内第m个子区域的人口密度、GDP、道路网密度、绿化面积占比、居住区占比、非居住区占比、道路面积占比、平均行车速度的安全影响系数；
Figure GDA0003846959010000041
表示限定区域范围内第m个子区域的风险曝光量所对应的分类变量T＝0时的安全影响系数，
Figure GDA0003846959010000042
表示限定区域范围内第m个子区域的风险曝光量所对应的分类变量T＝1时的安全影响系数；其中，
Figure GDA0003846959010000043
此时，AADTi′为限定区域范围内所有子区域的机动车年平均日交通量的中位数。
进一步地，前述的步骤F中约束函数如下：
Figure GDA0003846959010000044
以该约束函数为训练目标，对安全评价模型进行训练，在约束条件下对子区域对应的区域安全量化子模型、以及各个道路安全量化子模型中的安全影响系数进行求解，获得安全影响系数在95％置信区间内的显著程度，当安全影响系数在95％置信区间内正向显著，则安全影响系数对应的交通数据会增加交通道路上交通事故的发生率，当安全影响系数在95％置信区间内负向显著，则安全影响系数对应的交通数据会降低交通道路上交通事故的发生率。
本发明的第二方面提出一种基于多维度影响因素的道路安全评价***，包括：
一个或多个处理器；
存储器，存储可被执行的指令，所述指令在通过一个或多个处理器执行时，一个或多个处理器执行包括任意一项所述道路安全评价方法的过程。
本发明的第三方面提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时，执行任意一项所述道路安全评价方法的操作。
本发明所述一种基于多维度影响因素的道路安全评价方法及***，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明基于各个交通数据中的中位数，获得子区域对应的安全风险曝光量、以及子区域所含各个交通道路分别所对应的各个安全风险曝光量，进一步得到各个安全风险曝光量所对应的分类变量，考虑安全风险曝光量的弹性变化，使得在目标区域内年平均机动车日交通量的变化受各个影响因素的影响，得到对道路安全的评价结果更为客观，更具有真实性，同时，基于多维度考量在多维度条件下构建的安全量化模型，考虑到道路安全在宏观与微观条件下的关联性，对道路安全的评价结果更为精确、全面，该方法的适用范围更为广泛。
附图说明
图1为本发明示例性实施例的道路安全评价方法的流程示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所示。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
参照图1，本发明提出一种基于多维度影响因素的道路安全评价方法，能够结合考虑宏观与微观道路安全分析模型的基础上准确判断各影响因素对道路事故产生的影响分别针对限定区域范围内的各个子区域，通过步骤A至步骤D构建安全评价模型，应用安全评价模型，通过以下步骤E至步骤F，获得影响子区域中各交通道路安全的影响因素，对子区域进行安全评价：
宏观与微观维度下选取研究单位，宏观维度下的研究单位确定为交通分析小区，微观维度下的研究单位确定为交通分析小区内的各个研究路段。
步骤A、针对交通分析小区，周期获得交通分析小区在预设时长内的历史交通数据、以及交通分析小区内各个交通道路分别在预设时长内的历史交通数据，各交通分析小区所对应的历史交通数据分别均包括：交通分析小区的人口密度N、交通分析小区的GDP、交通分析小区内道路网密度K、交通分析小区的机动车年平均日交通量AADT1、交通分析小区绿化面积占比L1、交通分析小区居住区占比L2、交通分析小区非居住区占比L3、交通分析小区道路面积占比L4、以及交通分析小区内的平均行车速度V，交通分析小区所对应的历史样本数据如表1所示：
表1交通小区样本数据统计表
样本编号 E1 N GDP K L1 L2 L3 L4 V AADT
b<sub>1</sub> E1<sub>1</sub> N<sub>1</sub> GDP<sub>1</sub> K<sub>1</sub> L1<sub>1</sub> L2<sub>1</sub> L3<sub>1</sub> L4<sub>1</sub> V<sub>1</sub> AADT<sub>1</sub>
～ ～ ～ ～ ～ ～ ～ ～ ～ ～ ～
b<sub>10</sub> E1<sub>10</sub> N<sub>10</sub> GDP<sub>10</sub> K<sub>10</sub> L1<sub>10</sub> L2<sub>10</sub> L3<sub>10</sub> L4<sub>10</sub> V<sub>10</sub> AADT<sub>10</sub>
～ ～ ～ ～ ～ ～ ～ ～ ～ ～ ～
b<sub>200</sub> E1<sub>200</sub> N<sub>200</sub> GDP<sub>200</sub> K<sub>200</sub> L1<sub>200</sub> L2<sub>200</sub> L3<sub>200</sub> L4<sub>200</sub> V<sub>200</sub> AADT<sub>200</sub>
交通分析小区内的各个交通道路所对应的历史交通数据分别均包括：交通道路长度D、交通道路车道数J、交通道路宽度W、交通道路是否设置有专用车道Q、交通道路的机动车年平均日交通量AADT2、交通道路的交叉口密度A、以及交通道路等级D，针对单个交通分析小区，其内部所含各交通道路的历史交通数据如表2所示：
表2各路段样本数据统计表
样本编号 E2 T J W Q AADT2 A D
A<sub>1</sub> E2<sub>1</sub> T<sub>1</sub> J<sub>1</sub> W<sub>1</sub> Q<sub>1</sub> AADT2<sub>1</sub> A<sub>1</sub> D<sub>1</sub>
～ ～ ～ ～ ～ ～ ～ ～ ～
A<sub>10</sub> E2<sub>10</sub> T<sub>10</sub> J<sub>10</sub> W<sub>10</sub> Q<sub>10</sub> AADT2<sub>10</sub> A<sub>10</sub> D<sub>10</sub>
～ ～ ～ ～ ～ ～ ～ ～ ～
A<sub>200</sub> E2<sub>200</sub> T<sub>200</sub> J<sub>200</sub> W<sub>200</sub> Q<sub>200</sub> AADT2<sub>200</sub> A<sub>200</sub> D<sub>200</sub>
选取交通小区b1作为本发明实施例的实例，随后进入步骤B。
步骤B、基于子区域b1在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，获得子区域对应的安全风险曝光量、以及子区域所含各个交通道路分别所对应的各个安全风险曝光量，并对各安全风险曝光量进行量化，得到各安全风险曝光量分别所对应的各个分类变量T，基于中位数对道路安全风险曝光量进行分类，低于中位数的称之为低密度机动车日交通量，高于中位数的称之为高密度机动车日交通量；同时基于分类的风险曝光量赋予各研究单位分类变量T，处于高密度机动车日交通量的研究单位T＝1，反之T＝0，，针对该子区域分别所对应的各个交通道路，根据以下公式：
Figure GDA0003846959010000071
得到该子区域b1、以及对应各个交通道路的风险曝光量分别所对应的各个分类变量T，其中，AADTi为AADT1或AADT2，当AADTi＝AADT1时，AADTi′为限定区域范围内所有子区域的机动车年平均日交通量的中位数，当AADTi＝AADT2时，AADTi′为子区域内所有交通道路的机动车年平均日交通量的中位数，随后进入步骤C。
步骤C、分别针对该子区域b1所包含的各个交通道路，基于其所对应的各历史交通数据、以及步骤B中所获的各个分类变量T，构建道路安全量化子模型，即获得该子区域中各个交通道路分别所对应的道路安全量化子模型，以子区域b1中三条路段A1-A3为示例，其分别所对应的道路安全量化子模型分别为：
lnE21＝θ1T+θ2J1+θ3W1+θ4Q1+θ5AADT21+θ6A1+θ7D1+ε2
lnE22＝θ1T+θ2J2+θ3W2+θ4Q2+θ5AADT22+θ6A2+θ7D2+ε2
lnE23＝θ1T+θ2J3+θ3W3+θ4Q3+θ5AADT23+θ6A3+θ7D3+ε2
获得各个交通道路分别所对应的各个道路安全量化子模型lnE2n，其中，E2为交通道路在预设时间周期内的事故发生量，εn为道路安全量化子模型的误差项，n的取值范围为1至N，N为各个子区域中分别所包含的交通道路的总数，AADT2n，Jn，Wn，Qn，Tn，An，Dn分别表示子区域所包含的第n条交通道路的机动车年平均日交通量，交通道路车道数，交通道路宽度，交通道路是否设置有专用车道，交通道路的风险曝光量所对应的分类变量，交通道路的交叉口密度，交通道路等级；θ1，θ2，θ3，θ4，θ6，θ7分别对应子区域的风险曝光量所对应的分类变量，子区域所包含的第n条交通道路的交通道路车道数、交通道路宽度、交通道路是否设置有专用车道、交通道路的交叉口密度、交通道路等级的安全影响系数，
Figure GDA0003846959010000081
表示子区域所包含的第n条交通道路的风险曝光量所对应的分类变量T＝1时的安全影响系数，
Figure GDA0003846959010000082
表示子区域所包含的第n条交通道路的风险曝光量所对应的分类变量T＝0时的安全影响系数；
当交通道路设置有专用车道时Qn＝1，当交通道路无专用车道时Qn＝0，当道路等级为主干道时Dn＝1，当道路等级为次干道时Dn＝2，当道路等级为支路时Dn＝3，其中，
Figure GDA0003846959010000083
此时，AADTi′为子区域内所有交通道路的机动车年平均日交通量的中位数；
基于该子区域b1中各个交通道路分别所对应的道路安全量化子模型、以及该子区域的历史交通数据，构建该子区域所对应的区域安全量化子模型为
Figure GDA0003846959010000084
获得限定区域范围内各个子区域所对应的各个区域安全量化子模型lnE1m，其中，E1为子区域在预设时间周期内的事故发生量，εm为区域安全量化子模型的误差项，m的取值范围为1至M，M为限定区域范围所包含各个子区域的总数，Nm，GDPm，Km，Tm，AADT1m，Vm，L1m，L2m，L3m，L4m分别表示限定区域范围内第m个子区域的人口密度、GDP、道路网密度、子区域的风险曝光量所对应的分类变量、机动车年平均日交通量、平均行车速度、绿化面积占比、居住区占比、非居住区占比、道路面积占比；β1，β2，β3，β5，β6，β7，β8，β9分别表示限定区域范围内第m个子区域的人口密度、GDP、道路网密度、绿化面积占比、居住区占比、非居住区占比、道路面积占比、平均行车速度的安全影响系数；
Figure GDA0003846959010000085
表示限定区域范围内第m个子区域的风险曝光量所对应的分类变量T＝0时的安全影响系数，
Figure GDA0003846959010000086
表示限定区域范围内第m个子区域的风险曝光量所对应的分类变量T＝1时的安全影响系数；其中，
Figure GDA0003846959010000087
此时，AADTi′为限定区域范围内所有子区域的机动车年平均日交通量的中位数，交通小区b1所对应的区域安全量化子模型为：
lnE11＝β1N1+β2GDP1+β3K1+β4AADT11+β5L11+β6L21+β7L31+β8L41+β9V1+ε1
其中，lnE11＝lnE21+lnE22+lnE23，随后进入步骤D。
步骤D、针对子区域，以该子区域所对应的区域安全量化子模型和该子区域中各个交通道路分别所对应的道路安全量化子模型构成的模型组作为该子区域对应的安全评价模型，并且模型组中各个子模型的输入量为其所对应的历史交通数据；
步骤E、按照步骤A至步骤C中方法，基于子区域的实际交通数据、以及子区域内各个交通道路的实际交通数据，获得子区域所对应的区域安全量化子模型、以及各个道路安全量化子模型，随后进入步骤F；
步骤F、针对该子区域，按照步骤D中方法应用安全评价模型，以约束函数为目标，对子区域对应的区域安全量化子模型、以及各个道路安全量化子模型进行求解，得到影响子区域道路安全的影响因素，根据影响因素对子区域以及该子区域内各个交通道路进行安全评价。
在约束条件下，可分别判断各影响因素在不同维度下对道路安全的影响机理，如果影响因素的系数在95％置信区间正向显著，则说明该影响因素会增加交通小区或路段上事故的发生，如果影响因素的系数在95％置信区间负向显著，则说明该影响因素会减少交通小区或路段上事故的发生。
本次发明的实验验证是在假设数据条件下进行的，以交通小区的因素N为例，如果在95％置信区间下β1>0，则说明交通小区内的人口密度与道路事故的产生是正向相关，人口密度越大，交通小区内事故发生越多，如果在95％置信区间下β1<0，则说明交通小区内的人口密度与道路事故的产生是负向相关，人口密度越大，交通小区内事故发生越少。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种基于多维度影响因素的道路安全评价方法，其特征在于，分别针对限定区域范围内的各个子区域，通过步骤A至步骤D构建安全评价模型，应用安全评价模型，通过以下步骤E至步骤F，获得影响子区域中各交通道路安全的影响因素，对子区域进行安全评价：
步骤A、针对子区域，周期获得子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，随后进入步骤B；
步骤B、将机动车日交通量作为安全风险曝光量，基于子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，获得子区域对应的安全风险曝光量、以及子区域所含各个交通道路分别所对应的各个安全风险曝光量，并对各安全风险曝光量进行量化，得到各安全风险曝光量分别所对应的各个分类变量T，随后进入步骤C；
步骤C、分别针对该子区域所包含的各个交通道路，基于其所对应的各历史交通数据、以及步骤B中所获的各个分类变量T，构建道路安全量化子模型，即获得该子区域中各个交通道路分别所对应的道路安全量化子模型；
基于该子区域中各个交通道路分别所对应的道路安全量化子模型、以及该子区域的历史交通数据，构建该子区域所对应的区域安全量化子模型，随后进入步骤D；
步骤D、针对子区域，以该子区域所对应的区域安全量化子模型和该子区域中各个交通道路分别所对应的道路安全量化子模型构成的模型组作为该子区域对应的安全评价模型，并且模型组中各个子模型的输入量为其所对应的历史交通数据；
步骤E、按照步骤A至步骤C中方法，基于子区域的实际交通数据、以及子区域内各个交通道路的实际交通数据，获得子区域所对应的区域安全量化子模型、以及各个道路安全量化子模型，随后进入步骤F；
步骤F、针对该子区域，按照步骤D中方法应用安全评价模型，以约束函数为目标，对子区域对应的区域安全量化子模型、以及各个道路安全量化子模型进行求解，得到影响子区域道路安全的影响因素，根据影响因素对子区域以及该子区域内各个交通道路进行安全评价。
2.根据权利要求1所述的一种基于多维度影响因素的道路安全评价方法，其特征在于，周期获得限定区域范围内各个子区域在预设时长的历史交通数据，各子区域所对应的历史交通数据分别均包括：子区域的人口密度N、子区域的GDP、子区域内道路网密度K、子区域的机动车年平均日交通量AADT1、子区域绿化面积占比L1、子区域居住区占比L2、子区域非居住区占比L3、子区域道路面积占比L4、以及子区域内的平均行车速度V；
各子区域内的各个交通道路所对应的历史交通数据分别均包括：交通道路长度D、交通道路车道数J、交通道路宽度W、交通道路是否设置有专用车道Q、交通道路的机动车年平均日交通量AADT2、交通道路的交叉口密度A、以及交通道路等级D。
3.根据权利要求2所述的一种基于多维度影响因素的道路安全评价方法，其特征在于，所述步骤B中，基于子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，针对该子区域分别所对应的各个交通道路，根据以下公式：
Figure FDA0003846957000000021
得到该子区域、以及对应各个交通道路的风险曝光量分别所对应的各个分类变量T，其中，AADTi为AADT1或AADT2，当AADTi＝AADT1时，AADTi′为限定区域范围内所有子区域的机动车年平均日交通量的中位数，当AADTi＝AADT2时，AADTi′为子区域内所有交通道路的机动车年平均日交通量的中位数。
4.根据权利要求3所述的一种基于多维度影响因素的道路安全评价方法，其特征在于，所述步骤C中，分别针对子区域所包含的各个交通道路，根据以下公式：
Figure FDA0003846957000000022
获得各个交通道路分别所对应的各个道路安全量化子模型lnE2n，其中，E2为交通道路在预设时间周期内的事故发生量，εn为道路安全量化子模型的误差项，n的取值范围为1至N，N为各个子区域中分别所包含的交通道路的总数，AADT2n，Jn，Wn，Qn，Tn，An，Dn分别表示子区域所包含的第n条交通道路的机动车年平均日交通量，交通道路车道数，交通道路宽度，交通道路是否设置有专用车道，交通道路的风险曝光量所对应的分类变量，交通道路的交叉口密度，交通道路等级；θ1，θ2，θ3，θ4，θ6，θ7分别对应子区域的风险曝光量所对应的分类变量，子区域所包含的第n条交通道路的交通道路车道数、交通道路宽度、交通道路是否设置有专用车道、交通道路的交叉口密度、交通道路等级的安全影响系数，
Figure FDA0003846957000000023
表示子区域所包含的第n条交通道路的风险曝光量所对应的分类变量T＝1时的安全影响系数，
Figure FDA0003846957000000024
表示子区域所包含的第n条交通道路的风险曝光量所对应的分类变量T＝0时的安全影响系数；
当交通道路设置有专用车道时Qn＝1，当交通道路无专用车道时Qn＝0，当道路等级为主干道时Dn＝1，当道路等级为次干道时Dn＝2，当道路等级为支路时Dn＝3，其中，
Figure FDA0003846957000000031
此时，AADTi′为子区域内所有交通道路的机动车年平均日交通量的中位数；
分别针对限定区域范围内各个子区域，根据以下公式：
Figure FDA0003846957000000032
获得限定区域范围内各个子区域所对应的各个区域安全量化子模型lnE1m，其中，E1为子区域在预设时间周期内的事故发生量，εm为区域安全量化子模型的误差项，m的取值范围为1至M，M为限定区域范围所包含各个子区域的总数，Nm，GDPm，Km，Tm，AADT1m，Vm，L1m，L2m，L3m，L4m分别表示限定区域范围内第m个子区域的人口密度、GDP、道路网密度、子区域的风险曝光量所对应的分类变量、机动车年平均日交通量、平均行车速度、绿化面积占比、居住区占比、非居住区占比、道路面积占比；β1，β2，β3，β5，β6，β7，β8，β9分别表示限定区域范围内第m个子区域的人口密度、GDP、道路网密度、绿化面积占比、居住区占比、非居住区占比、道路面积占比、平均行车速度的安全影响系数；
Figure FDA0003846957000000033
表示限定区域范围内第m个子区域的风险曝光量所对应的分类变量T＝0时的安全影响系数，
Figure FDA0003846957000000034
表示限定区域范围内第m个子区域的风险曝光量所对应的分类变量T＝1时的安全影响系数；
其中，
Figure FDA0003846957000000035
此时，AADTi′为限定区域范围内所有子区域的机动车年平均日交通量的中位数。
5.根据权利要求4所述的一种基于多维度影响因素的道路安全评价方法，其特征在于，所述步骤F中约束函数如下：
Figure FDA0003846957000000036
以该约束函数为训练目标，对安全评价模型进行训练，在约束条件下对子区域对应的区域安全量化子模型、以及各个道路安全量化子模型中的安全影响系数进行求解，获得安全影响系数在95％置信区间内的显著程度，当安全影响系数在95％置信区间内正向显著，则安全影响系数对应的交通数据会增加交通道路上交通事故的发生率，当安全影响系数在95％置信区间内负向显著，则安全影响系数对应的交通数据会降低交通道路上交通事故的发生率。
6.一种基于多维度影响因素的道路安全评价***，其特征在于，包括：
一个或多个处理器；
存储器，存储可被执行的指令，所述指令在通过一个或多个处理器执行时，一个或多个处理器执行包括权利要求1-5中任意一项所述道路安全评价方法的过程。
7.一种存储软件的计算机可读取介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时，执行如权利要求1-5中任意一项所述道路安全评价方法的操作。
CN202111465931.5A 2021-12-03 2021-12-03 一种基于多维度影响因素的道路安全评价方法及*** Active CN114241753B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111465931.5A CN114241753B (zh) 2021-12-03 2021-12-03 一种基于多维度影响因素的道路安全评价方法及***
US17/925,748 US11887472B2 (en) 2021-12-03 2022-07-04 Method and system for evaluating road safety based on multi-dimensional influencing factors
PCT/CN2022/103535 WO2023098076A1 (zh) 2021-12-03 2022-07-04 一种基于多维度影响因素的道路安全评价方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111465931.5A CN114241753B (zh) 2021-12-03 2021-12-03 一种基于多维度影响因素的道路安全评价方法及***

Publications (2)

Publication Number Publication Date
CN114241753A CN114241753A (zh) 2022-03-25
CN114241753B true CN114241753B (zh) 2022-11-01

Family

ID=80752912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111465931.5A Active CN114241753B (zh) 2021-12-03 2021-12-03 一种基于多维度影响因素的道路安全评价方法及***

Country Status (3)

Country Link
US (1) US11887472B2 (zh)
CN (1) CN114241753B (zh)
WO (1) WO2023098076A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230215270A1 (en) * 2021-12-03 2023-07-06 Southeast University Method and system for evaluating road safety based on multi-dimensional influencing factors

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721550B (zh) * 2023-08-10 2023-10-24 济南高品伟业信息科技有限公司 一种基于网格计算的交通管理***
CN117034435A (zh) * 2023-10-09 2023-11-10 中国公路工程咨询集团有限公司 一种基于bim技术的公路安全评价方法及***
CN117935563B (zh) * 2024-03-22 2024-06-14 长安大学 一种基于交通运输网络的风险点辨识方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530706A (zh) * 2016-12-02 2017-03-22 清华大学 一种基于连通性空间权重矩阵的区域交通安全评价方法
CN107909247A (zh) * 2017-10-26 2018-04-13 东南大学 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法
CN109118773A (zh) * 2018-09-30 2019-01-01 中交第公路勘察设计研究院有限公司 一种高速公路交通事故风险评估方法
CN109448369A (zh) * 2018-10-26 2019-03-08 中交第公路勘察设计研究院有限公司 高速公路实时运行风险计算方法
CN109598929A (zh) * 2018-11-26 2019-04-09 北京交通大学 一种多类别交通事故起数预测方法
CN109714421A (zh) * 2018-12-28 2019-05-03 国汽(北京)智能网联汽车研究院有限公司 基于车路协同的智能网联汽车运行***
CN112447048A (zh) * 2020-11-19 2021-03-05 长安大学 一种基于模糊综合评价的城市道路风险分级***及方法
CN113313357A (zh) * 2021-04-30 2021-08-27 东南大学 一种基于高斯过程回归分析的交通道路安全评价方法
AU2021104800A4 (en) * 2021-08-02 2021-09-30 Wuhan University Urban Compactness Measurement, Evaluation and Optimization Method Based on Traffic Safety
CN113487863A (zh) * 2021-06-30 2021-10-08 中国科学技术大学先进技术研究院 一种多因素交通风险实时定量评估***及方法
WO2021208327A1 (zh) * 2020-04-17 2021-10-21 平安科技（深圳）有限公司 道路优化方法、***、终端及计算机可读存储介质

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5798949A (en) * 1995-01-13 1998-08-25 Kaub; Alan Richard Traffic safety prediction model
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US9932033B2 (en) * 2007-05-10 2018-04-03 Allstate Insurance Company Route risk mitigation
US10157422B2 (en) * 2007-05-10 2018-12-18 Allstate Insurance Company Road segment safety rating
US20140074402A1 (en) * 2012-09-12 2014-03-13 Lexisnexis Risk Solutions Fl Inc. Systems and methods for determining risks associated with driving routes
US10262373B2 (en) * 2013-06-07 2019-04-16 State Farm Mutual Automobile Insurance Company Systems and methods for grid-based insurance rating
WO2016018936A1 (en) * 2014-07-28 2016-02-04 Econolite Group, Inc. Self-configuring traffic signal controller
US10024684B2 (en) * 2014-12-02 2018-07-17 Operr Technologies, Inc. Method and system for avoidance of accidents
CA2975087A1 (en) * 2015-01-28 2016-08-04 Allstate Insurance Company Road segment safety rating
US9747506B2 (en) * 2015-10-21 2017-08-29 Ford Global Technologies, Llc Perception-based speed limit estimation and learning
EP3417242B1 (en) * 2016-02-15 2022-12-21 Allstate Insurance Company Real time risk assessment and operational changes with semi-autonomous vehicles
US10490078B1 (en) * 2017-07-20 2019-11-26 State Farm Mutual Automobile Insurance Company Technology for providing real-time route safety and risk feedback
US11183081B2 (en) * 2017-08-18 2021-11-23 Tourmaline Labs, Inc. System and methods for relative driver scoring using contextual analytics
CN108428340B (zh) 2018-05-11 2021-01-26 深圳市图灵奇点智能科技有限公司 道路交通状况分析方法和***
CN111738474A (zh) 2019-03-25 2020-10-02 京东数字科技控股有限公司 交通状态预测方法和装置
GB202405829D0 (en) * 2019-11-11 2024-06-12 Mobileye Vision Technologies Ltd Systems and methods for determining road safety
FR3104306B1 (fr) * 2019-12-09 2022-02-18 Ifp Energies Now Procédé de détermination d’émissions polluantes et/ou sonores et/ou de paramètres de sécurité routière sur une portion de réseau routier
US20210233395A1 (en) * 2020-01-23 2021-07-29 Lg Electronics Inc. Differentially private solution for traffic monitoring
CN112037513B (zh) * 2020-09-01 2023-04-18 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
CN112100857B (zh) * 2020-09-17 2022-04-12 燕山大学 一种分心驾驶行为的风险评估方法
US20220258739A1 (en) * 2021-02-17 2022-08-18 Qualcomm Incorporated Method and System for Generating a Confidence Value in a Position Overlap Check Using Vehicle Threshold Models
CN112950946B (zh) 2021-02-26 2022-08-05 中冶南方城市建设工程技术有限公司 一种市政道路施工期交通拥堵原因判别方法
US20230033672A1 (en) * 2021-08-02 2023-02-02 Here Global B.V. Determining traffic violation hotspots
US20230093601A1 (en) * 2021-09-14 2023-03-23 Motional Ad Llc Environmental limitation and sensor anomaly system and method
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***
US20230204378A1 (en) * 2021-12-27 2023-06-29 Here Global B.V. Detecting and monitoring dangerous driving conditions
US20230245564A1 (en) * 2022-01-31 2023-08-03 Nissan North America, Inc. System and Method for Intersection Collision Avoidance

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530706A (zh) * 2016-12-02 2017-03-22 清华大学 一种基于连通性空间权重矩阵的区域交通安全评价方法
CN107909247A (zh) * 2017-10-26 2018-04-13 东南大学 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法
CN109118773A (zh) * 2018-09-30 2019-01-01 中交第公路勘察设计研究院有限公司 一种高速公路交通事故风险评估方法
CN109448369A (zh) * 2018-10-26 2019-03-08 中交第公路勘察设计研究院有限公司 高速公路实时运行风险计算方法
CN109598929A (zh) * 2018-11-26 2019-04-09 北京交通大学 一种多类别交通事故起数预测方法
CN109714421A (zh) * 2018-12-28 2019-05-03 国汽(北京)智能网联汽车研究院有限公司 基于车路协同的智能网联汽车运行***
WO2021208327A1 (zh) * 2020-04-17 2021-10-21 平安科技（深圳）有限公司 道路优化方法、***、终端及计算机可读存储介质
CN112447048A (zh) * 2020-11-19 2021-03-05 长安大学 一种基于模糊综合评价的城市道路风险分级***及方法
CN113313357A (zh) * 2021-04-30 2021-08-27 东南大学 一种基于高斯过程回归分析的交通道路安全评价方法
CN113487863A (zh) * 2021-06-30 2021-10-08 中国科学技术大学先进技术研究院 一种多因素交通风险实时定量评估***及方法
AU2021104800A4 (en) * 2021-08-02 2021-09-30 Wuhan University Urban Compactness Measurement, Evaluation and Optimization Method Based on Traffic Safety

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
区域公路网交通安全态势评估关键技术的探讨;牛建峰等;《上海公路》;20090930(第03期);全文 *
路段动态交通安全综合评价模型;廖军等;《交通运输工程学报》;20090815(第04期);全文 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230215270A1 (en) * 2021-12-03 2023-07-06 Southeast University Method and system for evaluating road safety based on multi-dimensional influencing factors

Also Published As

Publication number Publication date
CN114241753A (zh) 2022-03-25
US20230215270A1 (en) 2023-07-06
US11887472B2 (en) 2024-01-30
WO2023098076A1 (zh) 2023-06-08

Similar Documents

Publication Publication Date Title
CN114241753B (zh) 一种基于多维度影响因素的道路安全评价方法及***
Chen et al. Data-driven fuel consumption estimation: A multivariate adaptive regression spline approach
Abdel-Aty et al. Calibrating a real-time traffic crash-prediction model using archived weather and ITS traffic data
Chengye et al. Modelling motorway accidents using negative binomial regression
CN110288825B (zh) 基于多源数据融合和snmf的交通控制子区聚类划分方法
Vasconcelos et al. Estimating the parameters of Cowan’s M3 headway distribution for roundabout capacity analyses
CN110288826B (zh) 基于多源数据融合和milp的交通控制子区聚类划分方法
Chand et al. Application of Fractal theory for crash rate prediction: Insights from random parameters and latent class tobit models
CN113313357A (zh) 一种基于高斯过程回归分析的交通道路安全评价方法
CN113554263A (zh) 基于交通仿真的高速公路施工组织方案交通影响评估方法
Farrag et al. A microsimulation-based analysis for driving behaviour modelling on a congested expressway
Lyon et al. Empirical investigation of interactive highway safety design model accident prediction algorithm: Rural intersections
Kodi Evaluating the mobility and safety benefits of adaptive signal control technology (ASCT)
CN113570852A (zh) 基于安全替代评价指标的高风险路段风险防控手段评估
CN116596380A (zh) 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质
Kodi et al. Safety evaluation of an adaptive signal control technology using an empirical Bayes approach
Giuffrè et al. Microsimulation-based passenger car equivalents for heavy vehicles driving turbo-roundabouts
Intini et al. Transferred versus local Safety Performance Functions: A geographical analysis considering two European case studies
Jin et al. Determining the breakpoints of fundamental diagrams
CN113111502B (zh) 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法
CN112750304A (zh) 一种基于交通仿真的交叉口数据采集区间确定方法及装置
CN111915880A (zh) 一种高速公路异常事件事发点有效通行能力估计方法
Bartin et al. Safety performance functions for Two-Lane urban arterial segments
Xiong et al. The tolerable waiting time: A generalized pareto distribution model with empirical investigation
Awad et al. Investigation the effect of pavement condition characteristics on bend segments accident frequency: Application of fixed and random parameters negative binomial models

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