交通事故黑点鉴别方法研究综述

交通事故黑点的鉴别与改善历来是交通管理实践者与学者所关注的重要研究对象。改善黑点的致灾因素,可以显著的改变道路交通安全管理形势。首先对黑点的定义进行讨论,然后分析了几种常见的确定交通事故黑点的理论方法的优缺点,最后指出了黑点鉴别方法的研究的新趋势。     

道路交通事故黑点鉴别方法研究

道路交通事故频发,损失巨大。精准的事故黑点鉴别方法可有效降低道路交通事故率,提高安全性。文中梳理了事故频数法、事故频率法、事故频数-事故频率矩阵法、当量总事故数法、质量控制法、累计频率法、聚类分析法、灰色分析法、粗集理论法、BP神经网络算法、GIS(地理信息系统)等道路交通事故黑点鉴别方法的原理、优缺点、适用条件及应用,并指明其发展趋势。     

山区公路黑点段鉴别新方法与实例研究

山区公路黑点段鉴别研究是交通安全领域的一项重要研究内容,当道路技术指标不能够为车辆运行提供安全保障时,车辆运行将趋向于危险,形成黑点段.车辆运动过程中对安全影响较大的参数是运行速度和加速度,它们在不同程度上反映出车辆的运行状态.通过综合分析速度连续性因素和加速度因素,提出一种山区公路黑点段鉴别新方法——车辆运动参数综合分析法.在阐述该方法基本思想的基础上,制订出切实可行的应用条件和技术步骤,实例研究表明该方法能够对复杂道路条件下的山区公路黑点段进行有效鉴别.     

城市道路交通事故黑点整治方案及经济评价

事故黑点一直是城市道路交通安全的最大威胁。在事故黑点界定和诱因分析的基础上,本文分别从城市道路交叉口及路段2个方面设计相应的事故黑点整治方案,包括增设非机动车道、合理确定人行横道位置等;运用交通事故减少量预测、工程措施投资的经济分析方法对整治方案进行经济评价。昆山市长江中路与前进中路交叉口整治与经济评价实例表明:所设计的整治方案能够消除事故黑点的诱因;经济评价反映了整治方案所具有的安全效益。     

基于GIS的道路交通事故黑点分析处理系统研究

事故黑点分析处理是道路交通安全管理过程中的一个重要环节.文中结合我国道路交通安全管理中的事故黑点分析工作实际,在用户需求和功能需求分析基础上,提出了基于GIS的道路交通事故黑点分析处理系统的总体设计方案,并对道路交通安全多维信息管理技术、系统数据库技术和基于GIS的事故黑点分析技术等进行了研究.     

基于BP神经网络的事故黑点治理紧迫性排序研究

在当前社会经济水平下,有限的治理资金限制了治理道路危险源的数量,为了在保障道路安全的前提下,使有限的资金达到最大的治理效果,必须根据各类事故黑点的危险程度及治理的迫切性等对事故黑点治理紧迫性进行排序,从而根据紧迫性大小制定事故黑点的整治计划。该文提出基于BP神经网络的事故黑点治理紧迫性的排序方法,考虑多重因素建立了包括4个一级指标和6个二级指标的事故黑点治理紧迫性评价体系,并将评价指标作为BP神经网络的输入单元,通过模型设计、参数设计以及样本训练,建立基于BP神经网络的事故黑点治理紧迫性排序模型。最后,本文用实例验证了该模型对检验样本的输出值与期望值一致。     

数据挖掘技术在交通事故黑点整治中的运用

目前我国城市道路交通事故频发,而许多城市道路事故黑点的整治工作仍然依靠人工或简单的数据库来进行。为了系统和科学地整治交通事故黑点,本文提出了利用数据预处理技术处理事故黑点数据库,运用关联规则技术分析黑点事故成因,为城市道路交通事故黑点的整治提供了有效的方法。     

城市道路交通事故多发位置鉴别

针对现有相关鉴别法的不足,以核密度估计和计数数据模型为理论基础,GIS为技术基础,建立基于点模式和面模式的空间聚类分析模型,提出了1种基于空间聚类分析技术的城市道路事故多发位置鉴别方法,充分挖掘空间数据,实现分析结果的可视化。研究表明,空间单元标准化 Z值>2.58,对应于α=0.01的显著性水平,表明该单元是1个极高值的空间聚类,为1级事故多发点;1.96< Z<2.58对应于α=0.05的显著性水平,表明该单元是1个高值的空间聚类,为2级事故多发点。      

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。     

山区高速公路弯坡路段事故黑点评价与改善对策

山区高速公路弯坡路段是弯平曲线和坡纵曲线的组合路段,安全隐患多,常因行驶速度、运动视距、交通管理、安全防护等原因成为交通事故高发的高风险路段,其安全性能对高速公路全线运营安全和通行效率至关重要。本文以事故多发的某弯坡路段为例,通过现场的交通调查和实际行车实验,从实际交通流特性的角度,分析连续弯坡路段事故的致因,并提出针对性的改善对策。分析发现:运行速度过高、运动状态下弯道视线受限、交通组成多样、速度离散性、大型车弯道借道等就导致交通事故的主要原因。     

道路交通事故多发位置的鉴别

交通事故多发位置的鉴别是道路安全工程中的一个重要组成部分。文中对道路交通事故多发位置的内涵、研究内容及鉴别方法进行了描述，给出了事故多发位置鉴别的实际意义。     

基于BiLSTM神经网络的交通事故黑点路段日均事故频次预测方法

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（BP）模型、自回归滑动平均（ARIMA）模型和支持向量机（SVR）模型等事故预测模型进行对比。结果表明：BiLSTM模型、GRU模型、LSTM模型、BP模型、ARIMA模型和SVR模型对各事故黑点的日均事故频次平均预测精度分别为93.1%、88.8%、88.0%、85.2%、84.4%和84.2%;均方根误差分别为0.092、0.146、0.142、0.147、0.177和0.176。该结果说明,所提BiLSTM模型具有更高的预测精度和更强的鲁棒性。     

公路交通事故黑点鉴别方法研究

通过对公路交通安全系统中各影响因素分析，将影响因素共分为七大类，建立影响因素指标体系，以综合加权的方法实现交通事故率标准化，以类比分析确定相应指标对交通事故率的影响强度，并按各指标影响强度累乘的方法确定公路交通安全系统综合影响强度，利用“综合影响强度事故率法”建立了公路交通事故黑点鉴别方法。     

车速与交通事故综合研究

随着人们对交通安全问题日益关注,道路交通安全技术和相关研究也得以快速发展。分析车速对交通事故率及事故严重程度的影响,建立车速与交通事故率和事故严重程度2者之间的相关关系。研究发现,车速偏差越大,事故率越高;事故冲撞前后车速变化越大,事故越严重。由此可知,车速对交通安全有显著影响。     

公路交通事故多发点段交通安全改善建议

正《公路交通事故多发点段及严重安全隐患排查工作规范(试行)》中的公路交通事故多发点段交通安全改善建议主要参照全球道路安全评估组织(iRAP),全球运输知识伙伴组织(GTKP)和世界银行全球道路安全基金联合开发的"道路安全工具箱"编制,该"工具箱"基于数十年道路安全研究经验,旨在提供多样化的道路安全改善方案。     

泉南高速公路柳南段事故黑点鉴别及组合因素影响分析

针对泉南高速公路柳南段交通事故,采用累计频率法对道路黑点进行鉴别,曲线中累计频率大于95.0%路段有12处,即为事故黑点（段）。结合贝叶斯定理,建立了道路联合概率分布模型,以泉南高速公路柳南段94.1 km的184起交通事故数据,进行模型检验,结果表明:大雾天气时道路小半径平曲线处发生事故概率最大,约37.3%;大雨天气时12∶00～18∶00时间段发生事故概率次之,约25.7%,其中大部分事故发生在时间段12∶00～15∶00;晴天时大半径平曲线处发生事故概率最小,占事故总数约4.5%。     

鉴别道路交通事故多发点的突出因素法

结合中国高等级公路的交通条件与交通事故特点，提出了分析道路交通事故多发点事故成因的突出因素法。在鉴别道路交通事故多发点时认为，若事故多发点的某些事故因素或综合因素在与事故的平均因素相比时很突出，则认为这些突出的因素或事故综合因素即为事故多发点的事故诱发因素，分为两步骤进行：第一步是选择一组显著性变量，第二步是建立数学模型，分析计算结果，得出结论。该方法的特点是主要考虑显著性因素的影响，忽略了不显著因素的影响。采用该方法对沈大路K343 800m～K344 200m段事故多发点的事故成因做了实例分析，经现场调查与观测，证实了该方法鉴别结果的正确性。     

鉴别道路交通事故多发点的模糊评价法

道路交通事故多发点的鉴别是改善道路交通安全状况最关键、最重要的一步,当被鉴别路段或交叉口的道路条件、交通条件相差较大时,采用原有的鉴别方法就难以保证鉴别精度,而又鉴于交通安全概念的模糊性、评价者思维方式的多样性以及评价结果常以口语化词汇表达的特点,提出了鉴别道路交通事故多发点的模糊评价方法。经过分析比较,模糊评价方法采用的指标是亿车公里死亡率、万车死亡率、万车当量总事故次数及事故严重性指数。在此基础上,建立了二层模糊数学评价模型,以哈尔滨市区内部分道路路段及交叉口的交通事故多发点作为应用示例进行了道路交通事故多发点鉴别。