共查询到20条相似文献,搜索用时 31 毫秒
1.
针对传统数理统计方法对交通事故的时空分析可视化效果差且多发路段识别等数据挖掘深度不足的问题,提出并建立基于地理信息系统(GIS)的高速公路交通事故时空分析系统。为准确掌握交通事故时空分布特征和识别事故时空多发路段,在传统数理统计方法的基础上,结合GIS与改进的时空密度聚类方法对高速公路交通事故进行时空可视化统计分析与事故多发路段识别;利用2016—2018年湖南省高速公路交通事故数据进行测试,结果表明该系统可直观展示2016—2018年湖南省高速公路交通事故时空分布特征和事故多发路段。 相似文献
2.
高速公路交通事故数据对管理部门提升道路交通安全具有重要意义。为研究贵州省某两条高速公路历史交通事故数据分布规律与事故发展趋势,首先利用邻近度与关联性分析方法,完善事故数据;然后分析道路特征对交通安全的影响,划分连续下坡路段、隧道路段单元范围;最后对路段单元进一步划分为区块,建立不同区块范围内的事故概率与区块位置的预测模型,其中连续下坡路段后半段符合线形关系,隧道进出口段符合二次函数关系,并根据事故分布特征提出改善方案,进而辅助管理者掌握不同特征路段未来可能发生交通事故的路段范围以及改善的优先级。 相似文献
3.
作为交通事故易发路段,高速公路爬坡路段的交通安全问题已引起广泛关注.以宁杭高速公路东庐山段为例,通过对该爬坡路段2006年1月~2010年7月的交通事故资料的统计,从事故地点、事故时段、事故形态和事故车型等方面分析了爬坡路段交通事故的主要特征.研究发现:高速公路爬坡路段发生交通事故的风险要远大于下坡及其他路段;事故多发生在直坡段的中后部和竖曲线段,坡道后段的安全性更低;事故形态主要是追尾、撞护栏和撞固定物,而且重特大交通事故中追尾事故比例大;夜间的事故率和严重程度高于白天,尤其是凌晨2:00~6:00为重特大交通事故高发期;爬坡路段大货车和小客车相互干扰严重,是爬坡路段交通事故的主要车型.研究结果可为高速公路爬坡路段交通安全的改善提供依据. 相似文献
4.
5.
通过对宁杭高速公路东庐山段2006年1月~2010年7月的交通事故资料的统计,从事故地点、事故时段、事故形态和事故车型等方面分析了上坡段交通事故的主要特征.研究发现:高速公路上坡段发生交通事故的风险要远大于下坡及其他路段;事故多发生在长大上坡段的中后部和竖曲线段;事故形态主要是追尾、撞护栏和撞固定物,而且重特大交通事故中追尾事故比例大;夜间的事故率和严重程度高于白天,尤其是凌晨02:00~06:00时为重特大交通事故高发期;大货车和小客车是坡段内交通事故的主要车型.上坡段事故的致因为疲劳驾驶、车辆速度离散性大、交通组成复杂. 相似文献
6.
7.
<正>交通事故是高速公路发生拥挤的主要原因,而且已经证实,通过尽早发现和排除高速公路上的事故可以大大减少交通延误。交通事故中的人员伤亡率已成为衡量交通管理水准的重要标准。高速公路紧急救援系统就是针对高速公路的特点、事故特征而建立的,以期及时、准确地检测事故,迅速、及时、适当地排除事故,最大限度地减少人员的伤害,降低事故死亡率。保障高速公路安全、畅通、高效运行。 相似文献
8.
为了深入了解影响高速公路事故频次的显著因素,采集2014年广东省开阳高速公路的事故、道路、交通和气象数据,以曲率和坡度同质性为原则将整条公路划分为154条路段,采用时空交互模型拟合路段季节事故数和道路设计参数、交通特征、气象因素间的内在关系。该模型不仅解释了相邻路段间的空间效应和相邻季节间的时间效应,而且还考虑了时空效应间的相互作用,有助于提高模型的拟合预测性能、减少参数估计偏倚。基于贝叶斯推断的模型估计和评价结果显示:事故数据中存在显著的时空关联和交互效应;时空交互模型比传统层级泊松模型的拟合优度更高;路段长度与事故频次线性相关,而交通量则与事故频次间存在非线性关系;高速公路交通安全性随着中、大型客、货车(三类车)比例的增加而显著提高;路段曲率、坡度越大,交通事故风险越高;风速越高、降水量越多的季节,事故频次将显著上升。研究结果可为高速公路交通安全改善方案的制定提供理论依据。 相似文献
9.
依据我国山岭重丘区高速公路几何线形和交通事故数据,建立了基于交通流量和几何线形指标的高速公路基本路段事故预测模型.首先,基于几何线形条件对基本路段进行了划分,确定了路段单元.其次,分析并确定了理想线形条件的范围,建立了理想线形条件下的基本事故率预测模型.再次,应用BP神经网络与敏感性分析相结合的方法,确定出了对事故发生有突出影响的道路纵坡、平曲线半径和直线段长度3个线形指标,并确定了上述线形指标的事故率修正系数.依据基本事故率预测模型及事故率修正系数即可进行事故预测.模型验证结果表明:该模型能够对路段单元进行事故预测,事故总体预测值与实际值的相对误差在-5.85%~-7.87%之间. 相似文献
10.
11.
12.
为了识别高速公路事故黑点,基于历史交通事故数据,建立贝叶斯时空交互模型,估计高速公路路段事故率和超常事故率.根据其后验期望序号对路段安全性进行排序,将排序靠前的一定比例路段判定为事故黑点.利用该方法对广东开阳高速公路进行事故黑点判别,并与基于贝叶斯层级泊松模型的黑点判别结果进行对比.结果表明,时空交互模型和层级泊松模型的事故路段排序结果存在显著差异.以事故率为安全评价指标时,2个方法判别的事故黑点中有73%相同;以超常事故率为安全评价指标时,2个方法判别的事故黑点中仅有20%相同.这与类似研究的结论一致,体现了解析时空关联和交互对事故黑点判别的重要性.另外,还对比了基于评价指标后验期望序号和后验均值的事故路段排序序号.结果显示二者的一致性较高. 相似文献
13.
14.
为量化分析不同交通事故条件下的高速公路路段拥堵情况,研究路段偶发性拥堵规律,本文构建了1个基于行程时间可靠性指标的高速公路路段拥堵判别方法。建立基于美国《公路通行能力手册》中行程时间可靠性分析方法的路段行程时间可靠性模型,并采用西南某高速公路路段实际数据校准模型。利用蒙特卡洛模拟方法生成交通事故场景,将交通事故解构为交通事故发生位置、交通事故严重程度、交通事故持续时间、交通事故发生频率4个特征,并以行程时间指数为路段拥堵量化指标,研究不同交通事故特征水平下的高速公路路段拥堵规律,并判别路段拥堵程度。研究结果表明:美国《公路通行能力手册》的行程时间可靠性分析方法具有可移植性,校准后可应用于国内高速公路路段;交通量接近饱和时,交通事故发生在出口匝道段的拥堵程度高于基本路段与入口匝道段,单车道关闭场景下的交通事故影响远高于路肩关闭场景下的交通事故;交通量接近自由流状态时,拥堵程度对严重程度不敏感;任何交通量水平下,单车道关闭场景下的交通事故持续时间一旦超过15 min,路段拥堵程度极有可能剧增。本文构建的路段拥堵判别方法,可以在精细化探究偶发性交通事故拥堵规律的同时划分路段拥堵等级,为相关部... 相似文献
15.
16.
通过对山西省已运营高速公路交通事故多发地段的原因调查、分析,总结了高速公路交通事故的特征和成因,对高速公路常见安全隐患路段编制了针对路段特征的综合设计和交通组织方案,为今后新建和改扩建高速公路安全设施提供借鉴和参考。 相似文献
17.
通过收集整理美国、加拿大、英国、澳大利亚等国关于乡村公路交通事故的数据和资料,从事故发生的路段和时段、事故类型、事故中的人员和车辆等几个方面对国外乡村公路交通事故形态进行了分析研究,主要得出如下几点结论:第一,乡村公路等级越低,交通事故后果越严重;第二,曲线路段和限速值不低于80 km/h的路段是乡村公路上事故后果比较严重的路段;第三,在乡村公路上周末和晚上的交通事故后果较为严重;第四,单车事故(主要是驶出路外事故)、平交路口事故和正面碰撞事故是乡村公路交通事故的主要类型;第五,机动车驾驶员和乘员、男性、年轻人是乡村公路交通事故中的主要伤亡人群;第六,在涉入乡村公路交通事故的车辆中,以小型乘用车为主. 相似文献
18.
交通事故多发路段的分类分析 总被引:2,自引:0,他引:2
交通事故多发路段具有很大的危害。为衡量交通事故损害程度对交通事故多发路段的影响,本文在引入“事故累计频率法”和“事故严重度”的基础上,提出了区分交通事故多发路段四种不同类型的方法,并对每一类事故多发路段的危害程度及其特点进行了具体分析。 相似文献
19.
《公路交通科技》2017,(7)
针对交通事故记录位置精度较低和路段划分过短可能引起的分析结论偏差问题,探讨了大区段划分条件下高速公路交通事故预测模型的构建方法。结合辽宁省5条高速公路的交通事故数据和道路交通条件数据,提出了基于高速公路天然节点(互通式立交和服务区)的大区段划分方法。构建了处理大区段内指标异质性的模型变量,应用积分-微分方法确定了变量模块,进而利用负二项回归方法建立了高速公路交通事故预测模型。研究表明:在大区段条件下,年平均日交通量、累积纵坡和标志密度等变量的事故预测模块为Hoerl函数,累积曲率为幂函数,而挖方段比例为指数函数;路段长度、年平均日交通量、累积纵坡和标志密度等因素对大区段上的交通事故发生具有显著影响,且考虑这些变量的模块式模型具有较高的预测精度。 相似文献
20.
为交通管理部门和出行大众提供精准的事故高发黑点预警信息具有重要的意义。为此,研究了1种基于双向长短期记忆神经网络(bidirectional long short-term memory neural network,BiLSTM)的黑点路段交通事故频次预测方法。通过对传统K-means聚类算法的k值选取进行改进,实现了道路交通事故黑点的有效识别,并统计黑点每天事故数作为事故时间序列;利用小波分解对该序列进行降噪处理,通过多层网格搜索法对隐藏层层数、神经元个数等模型的参数进行标定,构建了基于BiLSTM网络的事故频次预测模型;采用滑动窗口的方式将事故时间序列作为内部参数输入模型,以交通流量、节假日、事故天气和事故发生环境等特征作为外部参数,对事故黑点路段未来1 d内可能发生的事故数进行预测,并基于预测结果提出了1种事故黑点路段交通事故预警模型;以浙江省宁波市交警部门某辖区2020年4月—2021年9月常态采集的事故数据为测试集,以7 d的事故数据预测未来1 d的黑点路段事故频次,将BiLSTM模型与门控循环神经网络(GRU)模型、长短期记忆神经网络(LSTM)模型、反向传播神经网络(B... 相似文献