基于监控数据的高速公路实时事故风险模型

近年来,高速公路事故发生率高居不下.同时,对于高速公路而言,其交通流检测器安装又较为普遍.因此研究如何深入挖掘交通流检测数据以实现对高速公路事故风险实时预测很有必要.基于美国加州2012年发生事故最多的4条高速公路I5,I10,I405和I15的全年事故数据和交通流数据,以病例对照基本思路选取事故组和对照组数据,选定交通流数据研究范围,并选用ADASYN算法处理不平衡数据集问题.基于随机森林模型,利用事故发生前10~40 min内的事故地上游4个检测器、下游2个检测器的3种基本交通流数据构建高速公路实时事故风险模型,事故预测准确率可达到88.02%.选取重要性前十的变量作为事故重要诱导因素,对事故重要诱导因素进行调值,将调值后的测试集放入之前构建的随机森林模型进行分类预测,结果显示减少了41.82%的事故,故可认为利用事故重要诱导因素可进行事故先兆预警工作,从而减少事故的发生.      

降雪天气下高速公路交通流状态划分

为了给降雪天气下高速公路交通管理者提供合理、准确的交通状态信息,提出了一种可用于高速公路降雪天气下交通状态划分方法。考虑到高速公路交通状态分类存在模糊性的特点,以速度、密度作为样本数据的特征属性,提出了改进的模糊C均值聚类(FCM)的交通状态分类方法。针对传统算法要求事先确定交通状态划分的数目c存在的缺陷,利用自适应函数求得聚类数c。以乌鲁木齐市机场高速公路为实例进行分析,获得降雪天气下交通流状态的划分结果。     

基于PCA-RF组合模型的隧道交通事故持续时间预测

使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测.主成分分析用来提高随机森林模型的精度与效率.此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合.参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差.用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2115起事故数据.每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等.结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果.并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度.且PCA能够降低数据维度,提高算法的效率.与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高.      

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.      

融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型

山区高速公路事故严重程度预测对保障交通安全具有重大意义。针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型。该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程度与影响因素将事故划分为财产损失、轻伤事故、重伤事故和死亡事故4类;然后将影响因素处理成图片的形式,进而将事故严重程度预测问题转化为图像的分类问题,随之构建基于反残差与注意力机制的山区高速公路事故严重程度预测模型,其中：基于深度可分离卷积的反残差结构可以以较少训练参数获取较高的准确率,基于软阈值的注意力机制作为一种非线性层可以忽略与事故严重程度无关的信息,Mish激活函数可以确保更好的信息流入神经网络。结果表明：在山区高速公路交通安全事故严重程度评估中,相比于传统的机器学习模型,所提出的模型识别准确率具有明显的提高,且测试准确率为85%左右,满足山区高速公路安全评估的实际预测需求。     

基于聚类分析的高速公路事故黑点鉴别及成因分析研究

为了提高事故黑点鉴别的客观性、公正性及识别水平,提出基于灰色聚类评价的事故黑点鉴别方法,并结合聚类因子法识别事故黑点诱发因素。该方法是将聚类思想应用于事故黑点鉴别及成因分析的全过程,可实现对不同层次事故黑点的分级管理。经鉴别,可将评价路段单元分为正常路段、一般路段及事故黑点3类,从而将道路几何条件、交通条件、环境特性属性相似的事故黑点聚为一类进行事故成因分析。依托长余高速公路的交通事故数据进行实例分析,确定上下行事故黑点数,并对其进行成因分析,且将基于聚类分析得到的事故黑点及其成因与实际考察得到的事故黑点及其成因进行对比分析。结果表明:基于聚类分析得到的事故黑点与实际路段事故黑点基本吻合,采用基于聚类分析预测事故黑点是可靠的。     

基于SVM事故分类的连环追尾事故影响因素分析

以美国公路2013—2015年所有的追尾事故数据为样本,研究导致连环追尾事故发生的关键影响因素.通过随机森林进行特征筛选,选取了与时间、驾驶人、车辆、道路和环境有关的14个相关因素作为支持向量机的输入变量,建立了基于SVM的2车追尾事故与连环追尾事故二分类模型.得到分类准确率:训练集为97.42%,测试集为80.32%,AUC为0.7,说明2种事故之间存在显著差异,且SVM模型能够较好的将2种事故进行区分.根据SVM-RFE算法计算影响分类效果的特征变量的相对重要度,得到4个对2种事故产生区别影响较大的因素,依次为:碰撞前首车的运动情况、道路的限速、季节和车道数.进一步对比各因素下2种事故发生的百分比发现,在首车停车或减速、道路限速超过80 km/h、夏季以及车道数大于2车道的情况下,更容易发生连环追尾事故.      

高速公路隧道机房环境智能监测系统设计

隧道作为高速公路的咽喉路段,一旦隧道机房突发险情而不能及时发现,容易造成重大财产损失、人员伤亡,引发恶性交通事故。基于此,提出了一种基于仿射传播聚类算法的危险事件智能识别模型,进而设计了整套高速公路隧道机房环境智能监测系统。提出的模型综合传感器所采集到的多类别环境信息,得到聚类图用于判断当前环境状况。系统中采用新型的聚类算法,得到环境聚类图,智能区分各种高速公路隧道机房发生的危险事件,增加整个监测系统的智能化与信息化程度。在实验与测试中,通过使用本系统,维护人员可准确把控整个隧道机房情况,测试结果表明,该系统提升了公路的运营、管理、养护效率,具有良好的参考意义。     

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.      

高速公路收费费率模型研究

基于道路使用者路线选择行为理论、存在竞争线路条件下道路使用者选择行驶道路时的影响因素研究以及道路使用效益最大化和运营成本最小化的基本原则,从高速公路管理者和使用者的视角构建高速公路收费最优费率的双层优化模型,并给出模型的求解算法。根据沪蓉高速公路重庆长寿至万州段客货交通量预测结果,采用一维搜索求解算法计算得到该段高速公路2013—2033年的最优收费费率为0.613元/(veh·km)。