连续数据环境下的道路交通事故风险预测模型

针对现有研究多基于病例对照的欠采样方法,即每起事故从连续交通流数据中按一定比例抽取对照的非事故数据构建模型,而该类模型在连续数据环境中的预测精度存在缺陷的状况,对城市交通连续观测并动态调控的技术环境（简称连续数据环境）开展道路交通事故风险预测模型构建研究。首先提出基于全样本交通流数据,结合“调整事故分类阈值”的方法解决事故风险预测研究中的非平衡数据分类问题;而后采用上海市城市快速路2014年5,6月的线圈检测交通流数据及历史事故数据开展实证研究,以受试者工作特征曲线下面积为评价指标,对比基于全样本和抽样样本构建的常用事故风险预测模型（逻辑回归、随机森林）的整体预测能力;以灵敏度和特异度的几何均数为评价指标,对比3种分类阈值计算方式（约登指数法、事故占比法和交叉点法）对事故/非事故综合预测精度的影响。结果表明：在连续数据环境下,采用全样本数据建模能使模型整体预测能力提高13.06%;基于约登指数法进行分类阈值计算可使模型的事故/非事故综合预测精度最佳。     

山区双车道公路事故预测模型研究及在安全性评价中的应用

根据采集的双车道公路的事故、线形、交通等数据,考虑公路横向干扰、路侧情况等,将双车道公路划分为普通路段、村庄路段和交叉口,分别建立了事故总数、一般以上事故次数以及碰撞、追尾和路侧等不同形态的事故次数与道路和交通要素关系的双车道公路事故预测基础模型.然后,应用统计分析方法进行了路基宽度等事故修正因子(AMF)的研究;使用基础模型经过AMF修正、经验贝叶斯过程(EB过程)、标定等进行双车道公路机体事故预测.最后,介绍了双车道公路事故预测模型在安全性评价中的应用.     

基于有限混合零截尾事故预测模型的事故多发段判别方法

为了准确判别事故多发段,有针对性地提出安全应对措施以提升道路交通的安全水平,针对零值缺失交通事故数据并考虑其异质性特点,在单零截尾负二项(ZTNB)模型的基础上建立有限混合零截尾事故预测模型(FMZTNB)。应用R软件对单零截尾负二项模型中的参数进行估计,采用马尔科夫链蒙特卡洛算法(MCMC)对FMZTNB预测模型参数进行求解,并采用Gelman-Rubin收敛统计量对抽样结果进行检查。选择事故风险水平分别为低、中和高的9个路段,分别用2种模型对交通事故次数进行预测。综合观测到的事故次数和相应的事故预测模型结果,采用经验贝叶斯方法对事故相对多发段进行判别。最后采用事故次数一致性检验、判别点段一致性检验和排序一致性检验3种检验方式对判别结果对比分析。结果表明:基于事故率的事故相对多发段判别方法存在较大的不一致性,基于零截尾负二项预测模型的路段事故相对多发判别结果明显优于基于传统负二项预测模型的结果。整体上,基于有限混合零截尾事故预测模型的事故相对多发路段的判别结果高于基于单零截尾负二项分布模型的判别结果。     

双车道高速公路追尾事故实时预测模型

现有的高速公路实时事故预测模型对高速公路信息化采集设备的布设密度和采集的数据粒度要求很高,在低信息化的高速公路管理工作上难以得到应用.结合国内高速公路信息化现状,使用单个检测器所采集的数据,对高速公路追尾事故实时风险进行研究.基于江苏省扬州市启扬高速公路上布设的超声波交通流检测器所采集的交通流数据,采用配对案例对照方法和二元逻辑回归,建立了双车道高速公路追尾事故实时预测模型.对事故前5~20 min的交通流数据分别构建流量时空矩阵、速度时空矩阵、平均车头间距时空矩阵,通过引入矩阵特征值简化建模过程并避免了指标间的相关性过高问题.模型总体精度85.7%,事故预测精度33.3%,误报率低于2%,相比已有模型总体预测精度较高,误报率较低,表明了该方法应用于追尾事故实时预测领域的可行性和有效性.      

面向 NSM 的高速公路大区段事故风险预测方法

为探究路网交通安全管理(NSM )中的事故风险预测方法,以国内高速公路的大区段路段为研究对象,首先分别采用系统聚类、k-means动态聚类和二阶聚类方法对路段进行聚类,确定最优聚类方法和聚类数量,然后对"同质性路段"分别建立负二项回归、贝叶斯负二项回归、随机或固定效应的负二项回归和多层混合效应负二项回归4种模型,通过精度评价指标选择出最优的事故预测模型,最后计算出相应路段的事故风险大小并识别出事故多发路段.结果表明:选择最优的聚类方法和聚类数量相较于未聚类的情况将有效提高事故预测的拟合精度,其均方方差下降了64% .当选择二阶聚类方法且聚类数量为3时,"同质性路段"负二项回归的事故模型拟合精度最高,其模型的赤池信息量 A IC为464 .79 ,贝叶斯信息量 BIC为476 .98 ,均方方差为99 .22 .在4种事故预测模型中,负二项回归具有良好的预测精度,其预测结果的均方方差最小,为108 .64 .采用统计学方法识别"同质性路段"的事故多发路段,共识别出辽宁省22条事故多发路段.      

基于一种组合新模型的翻车事故严重性预测

由于近年来发生在高速公路上的翻车事故较多,且预测翻车事故严重性的文献较少,故通过一种组合新模型来预测翻车事故的严重程度。通过收集的2012年—2016年1 939起高速公路翻车事故数据,采用Logistic回归与朴素贝叶斯组合的新模型作为翻车事故严重性的预测方法。为了进一步验证组合预测模型的优越性,构建了朴素贝叶斯预测模型和Logistic回归预测模型。对比这3个预测模型的预测数据正确率值,表明组合预测模型效果更好。同时,11个候选变量经过单因素分析和多因素分析,选出7个显著性变量:驾驶员年龄、事故涉及车型、事故涉及车辆数、事故发生时段、天气条件、事故是否发生在匝道、肇事车辆是否超载超限。当相应道路或环境条件得到改善后,组合预测模型有助于道路管理者了解翻车事故严重程度可能的变化情况;当出现一起翻车事故时,可根据已知的有限信息利用组合预测模型预估事故严重程度,以便开展后期救援。     

高速公路交通事故模糊逻辑预测模型改进研究

以AADT、路段长度、车道数、大型车比例和地形条件作为模型输入变量,以每公里事故数作为模型输出变量,结合辽宁省高速公路数据构建基本的交通事故模糊逻辑预测模型.考虑到模糊集合结构和模糊控制规则对预测结果可能产生的影响,提出调整模糊集合和融入先验知识构建规则库的模型改进方法.以粤赣高速和开阳高速为案例,分析了基本模型与改进模型的可移植性.最后,应用同样的数据构建了负二项分布事故预测模型,并与模糊逻辑预测模型进行了对比分析.研究结果表明,纵向比较,模糊集合细化一定程度提高模型预测精度,细分模型相较于基本模型,总体平均相对误差减少8.3%,模型优度提高0.357;横向比较,融入先验知识构建模糊规则库能一定程度提高模型预测精度,基本先验模型相较于基本模型,总体平均相对误差减少1.9%,模型优度提高0.164.融入先验知识后模型的可移植性增强,平均预测精度高于基本模型,相对误差大于0.5的样本数减少3.8%,总体误差减少3.4%,总体平均相对误差减少4.1%,模型优度提高0.385;但细化集合的模型可移植性较低,与粗分和基本模型相比各个指标值均不同程度变差;而模糊逻辑事故预测模型与负二项分布事故预测模型在预测精度和可移植性方面均无显著差异.      

基于数据分类的高速铁路运营事故预测方法

高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92%,13.68%,345.25%,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.      

山区双车道公路事故预测模型路侧危险度事故修正系数研究

在综合事故预测模型的研究和应用中,包括基础模型、事故修正系数、标度程度、EB函数应用等几个部分。事故修正系数的研究和使用可以使事故预测模型应用时包含更多、更可靠的影响要素信息。针对我国山区双车道公路两侧路侧危险度的实际情况,对路侧危险度对安全的影响规律做了具体分析,分别建立了针对全部事故预测模型、碰撞事故预测模型和路侧事故预测模型的我国双车道公路路侧危险度事故修正系数函数。     

高级车辆事故自动呼救系统阈值对驾驶员伤情预测的影响

为提高高级车辆事故自动呼救(AACN)系统的抗干扰性和事故信息的准确性,对AACN系统的门槛阈值设定进行了研究。首先,选取统计的交通事故数据进行影响因素分析,得到速度变化量对驾驶员伤情的影响较大的结论,同时建立驾驶员伤情预测模型;然后,对台车碰撞加速度数据进行处理得到不同门槛阈值下的速度变化量,分析其对驾驶员伤情预测的影响;最后,提出考虑伤情等级补偿的AACN系统触发算法。结果表明:AACN系统门槛阈值影响对驾驶员伤情的预测,通过补偿算法,可以有效提高AACN系统伤情等级预测的准确性。     

基于指数平滑技术的灰色沉降预测模型及应用

GM(1,1)模型是沉降预测中应用较为广泛的模型之一,在实际应用当中发现其预测效果有时候较差甚至完全失效。将指数平滑技术引入到灰色预测模型中,该方法既充分利用了观测序列中的有用信息,又大大减少其随机性,将平均斜率法对灰色模型的背景值计算方法进行了改进,将原始观测数据序列变换成规律性强的呈指数变化的序列。某公路试验段实测沉降数据计算表明,新方法有满意的拟合和预测效果,为提高建模精度提供了新的途径。     

隧道施工不良地质探地雷达超前探测全波形反演研究

为了解掌子面前方不良地质体赋存状况，保障工程施工安全，提出基于全波形反演的探地雷达隧道超前探测数据解译方法。首先，考虑隧道典型不良地质类型，建立溶洞、岩体裂隙和岩体破碎带等数值模型，进行正演模拟分析，总结典型不良地质体的地质雷达正演响应特征。其次，基于全波形反演方法对正演模拟数据进行处理，得到最优的相对介电常数分布，分析反演结果，并总结其相较于正演剖面图解译的优势。研究结果表明，全波形反演可以得到探测区域相对介电常数的较准确分布，得到的不良地质体形态与真实情况较为一致，成像效果明显优于原始雷达剖面图，提高了对不良地质体进行判断的直观性和准确性。     

基于MM-STConv的端到端自动驾驶行为决策模型

针对现有端到端自动驾驶模型输入数据类型单一导致预测精确度低的问题，选取RGB图像、深度图像和车辆历史连续运动状态序列作为多模态输入，并利用语义信息构建一种基于时空卷积的多模态多任务（Multimodal Multitask of Spatial-temporal Convolution，MM-STConv）端到端自动驾驶行为决策模型，得到速度和转向多任务预测参量。首先，通过不同复杂度的卷积神经网络提取场景空间位置特征，构建空间特征提取子网络，准确解析场景目标空间特征及语义信息；其次，通过长短期记忆网络（LSTM）编码-解码结构捕捉场景时间上、下文特征，构建时间特征提取子网络，理解并记忆场景时间序列信息；最后，采用硬参数共享方式构建多任务预测子网络，输出速度和转向角的预测值，实现对车辆的行为预测。基于AirSim自动驾驶仿真平台采集虚拟场景数据，以98 200帧虚拟图像及对应的车辆速度和转向角标签作为训练集，历经10 000次训练周期、6 h训练时长后，利用真实驾驶场景数据集BDD100K进行模型的测试与验证工作。研究结果表明：MM-STConv模型的训练误差为0.130 5，预测精确度达到83.6%，在多种真实驾驶场景中预测效果较好；与现有其他主流模型相比，该模型综合场景空间信息与时间序列信息，在预测车辆速度和转向角方面具有明显的优势，可提升模型的预测精度、稳定性和泛化能力。     

隧道洞口边坡变形的多阶段递进预测研究

为及时掌握隧道洞口边坡的变形规律,保证隧道进洞过程的安全,采用小波变换剔除变形序列中的误差信息,将原始序列分解为趋势项和误差项序列,并采用PSO-LSSVM模型和ARMA模型分别对趋势项和误差项进行预测,将两者叠加即得到边坡的综合变形预测值,再利用马尔科夫链建立预测误差的修正模型,进一步提高预测精度。对预测模型进行实例分析,结果表明： sym9小波函数、启发式阈值标准、硬阈值选取标准及10层小波分解的去噪效果较优,且通过综合预测,得到边坡变形预测结果的相对误差均值为1.03%,方差值为0.042 6,预测精度和稳定性较高,验证了预测模型的有效性。     

基于动态GM-Markov优化模型的高铁路基冻胀变形预测研究

由于传统灰色模型在预测波动性较大的数据时精度不高，提出一种改进的动态GM-Markov预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进，通过原始序列的动态更新实现模型的参数更新，在此基础上利用马尔科夫模型进行残差修正，得到改进动态GM-Markov预测模型。利用某高铁路基冻胀变形监测数据进行实例分析，将改进的动态GM-Markov模型预测结果与灰色以及非等间距无偏灰色模型、最优组合模型预测结果进行对比分析，结果表明:改进的动态GM-Markov模型对于波动性较大的冻胀变形可以取得较好预测效果，提高了预测精度与稳定性。     

面向数据驱动建模的行人轨迹自适应压缩与误匹配识别分割

轨迹数据驱动的行人行为分析建模在公共场合异常事件监测、人车冲突风险评估等方面具有重要意义,广布的交通视频监控是行人群轨迹数据的重要来源。行人轨迹具有趋势性和规律性,提取的原始轨迹信息冗余较大,且密集行人群频繁遮挡,不同行人轨迹易发生误匹配,导致数据失真。针对以上问题,根据行人轨迹的局部结构特征和数值特性,设计一种改进的两阶段自适应滑窗轨迹压缩算法ATSSW (Adaptive Two Stage Sliding Window)和基于轨迹局部转向角的误匹配识别和分割方法ABTDS (Angle-based Trajectory Detection and Segmentation),清洗和压缩行人轨迹数据。首先,ATSSW算法考虑轨迹各坐标分量的数值分布特征,将提取到的所有原始轨迹分为漂移和非漂移2类,采取不同的策略分别压缩2类轨迹;然后,ABTDS算法分析压缩后的轨迹局部转角特征,辨识误匹配轨迹样本;最后,ABTDS算法分割误匹配样本,并用分割后的轨迹更新原始轨迹数据集。研究结果表明：ATSSW算法压缩了653条原始行人轨迹,总压缩信息损失1 002.04,总平均轨迹压缩率为6.07%,总平均轨迹压缩保留率为95.35%;原始轨迹集中存在126条误匹配轨迹,ABTDS算法辨识并成功分割了其中的107条,检出率为84.92%;所提算法抑制了原始行人轨迹中漂移点和误匹配现象所致的干扰,减少了原始轨迹数据噪声,可提高轨迹数据驱动的行人行为建模精确度;适当压缩原始轨迹,可减轻轨迹数据存储处理的负担。     

不同优化类型组合预测模型在沙漠软土路基的应用

某沙漠重载铁路工程，地势低洼路段雨季易积水，加上原有高地下水位的长期浸泡和植物根系的有机分解积累，形成了淤泥质或泥炭质软土地基；运用理论分析、现场监测等方法，从权重分配合理性和子模型组合结构两方面探讨组合预测模型的精度优化效果，开展沙漠淤泥质软土路基沉降预测研究。结果表明：双曲线法、三点法、指数曲线法、泊松曲线法、BP神经网络5种预测模型均能达到较高水平的拟合程度；变权重组合预测模型、引入鲸鱼优化算法的自适应权重组合预测模型、滚动动态组合预测模型对于预测精度、效果的提升较小；引入BP神经网络的误差补偿组合预测模型，极大程度地降低了人为建立子预测模型组合结构所产生的精度影响，在沙漠淤泥质软土路基中具有更优的预测精度及效果。     

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据，基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素，选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据，选取3 000组实际运行数据完成公交行程时间预测模型的训练，另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间，预测值平均相对误差为3.23%，绝对误差集中在8 s左右，明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型，可认为选择RFID电子车牌数据作为组合模型的输入，能够明显改善模型预测精度；组合模型预测值的残差分布更为集中、鲁棒性较好，泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标，结果进一步表明，组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。     

基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法

铁路运输的低碳发展对交通系统实现“双碳”战略目标有着重要意义。针对当前铁路运输碳排放预测研究较少、预测精度不高的问题,考虑碳排放时间序列数据中历史信息和当前信息间的相关性,引入滑动窗口,结合长短期记忆（LSTM）网络,构建铁路运输碳排放量预测模型。采用灰色关联分析法计算铁路运输碳排放量各影响因素的关联度值,筛选铁路运输碳排放量的关键影响因素,使用高关联性数据作为预测模型的输入变量,提高预测精度;应用LSTM网络为基础预测模型,通过引入滑动窗口改进神经网络的数据输入; 考虑未来减排政策变化对铁路运输碳排放量的影响,融合基于动态政策的情景分析,构建铁路碳排放预测模型,并利用多项式误差拟合方法进行误差修正,提高预测结果准确性。以1980—2019年铁路运输碳排放相关数据为例,从现有文献中总结出17个铁路碳排放影响因素,利用灰色关联分析法从中筛选出6个关键因素,通过滑动窗口对筛选出的数据进行子序列分割,测试不同长度窗口下的预测精度,选择最优窗口参数,建立改进LSTM模型进行预测,并将预测结果与原LSTM、BPNN和RNN模型进行对比,结果表明:改进LSTM模型将相对误差平均值降低至0.392%,而原LSTM模型为3.862%,BPNN模型为1.535%,RNN模型为0.760%,即改进LSTM模型具有更高预测准确性;根据历史趋势和发展政策设置基准情景和3种未来减排情景,利用改进LSTM模型预测未来10年铁路运输碳排放量,在4种模拟情景下,铁路运输2030年的碳排放量分别为9.83×106 t、8.91×106 t、8.62×106 t和8.09×106 t。综上所述,引入滑动窗口的改进LSTM模型能进一步提高铁路运输碳排放量预测准确性,融合动态政策的情景分析可为未来铁路运输低碳发展提供可行路径。      

基于时空融合LSTM网络的驾驶视角轨迹预测

自动驾驶环境感知系统的重要任务之一是对周围交通目标进行轨迹预测,其输出轨迹可为决策控制和路径规划提供所需目标信息.考虑传统轨迹预测方法一般基于俯视视角而难以满足自动驾驶车载感知的实际需求,提出一种基于长短时记忆(LSTM)网络模块、空间交互模块和时间行为注意力模块相融合的驾驶视角轨迹预测算法.为更好体现交通目标与周围环...