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.      

基于相空间重构和PSO-GPR的短时交通流预测

准确实时的短时交通流预测是智能交通诱导的关键.为提高短时交通流预测精度,研究了基于相空间重构和粒子群优化高斯过程回归的短时交通流预测模型.针对交通流时间序列的非线性、复杂性和随机性,基于混沌理论确定原始时间序列的最佳延迟时间和嵌入维数,进行相空间重构,获得与原始数据具有相同动态特性的更为合理的模型输入-输出数据集.利用粒子群算法改进传统高斯过程模型参数优化的不足,构建预测模型.以重构序列作为预测模型的训练集和测试集,实现短时交通流预测.采用北京市东四环快速路检测器实测数据对比分析模型预测效果.结果表明,基于PSR和PSO-GPR的短时交通流预测模型评价指标均优于对比模型,其中绝对误差平均降低4.88,绝对百分比误差平均降低3.97%,均等系数达到0.963,所研究模型能够有效提高短时交通流预测精度.      

基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时，存在大量指标变量，导致数据难以采集，不仅不利于构建预测模型，且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量，提升预测模型可用性，降低预测模型过拟合影响，构建具有可解释性的2种交通流稳定性系数以简化指标集，分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据，选用支持向量机、随机森林、Logistic回归模型，分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性，以检验其有效性；通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用，并通过训练耗时评估模型的计算效率，以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922，显著大于其他受试指标，与交通事故实时风险显著相关。在3种预测模型中，包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%，与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%；平均AUC值差异分别为1.61%和5.87%；平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性，同时显著提升了模型的计算效率。      

基于广义线性模型的高速公路交通事故预测

为分析高速公路交通流状态参数对交通事故的影响,建立了基于广义线性模型的高速公路交通事故预测模型。采用美国8号州际高速公路的实时交通流数据和交通事故数据,建立了实时交通流状态下的高速公路泊松分布预测模型和负二项分布预测模型,并给出了模型变量弹性系数的计算方法,用以确定高速公路交通事故的突出诱导因素。研究结果表明:广义线性模型能够很好的拟合高速公路交通事故,并且负二项分布预测模型的预测精度高于泊松分布预测模型;交通量、占有率、大车比例和速度标准差是高速公路交通事故的显著影响参数,并且与之呈正向关系;交通量是诱导高速公路交通事故发生最突出因素,交通量增长1%,可导致交通事故增长5.8%。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

短时段交通流预测的RBF神经网络模型

介绍了基于RBF神经网络的短时段交通量预测模型,并利用该模型对高速公路所采集的数据进行仿真预测分析。预测结果表明RBF神经网络预测方法通过定义合理的网络结构参数可以获得较高的预测精度,能够满足路网调度对短时段交通流预测的需求。     

高速公路短时交通流预测方法对比分析

高速公路短时交通流预测对于高速公路智能管控具有重要意义。通过总结不同文献中关于高速公路短时交通流预测的研究内容，发现了目前高速公路短时交通流预测研究存在的不足，给出了高速公路短时交通流预测的流程，对高速公路短时交通流预测模型进行了分类比较，明确了不同模型的适用场景和优缺点，通过具体案例数据分析比较了KNN模型、SVM模型、LSTM模型的预测精度，研究发现KNN模型的预测精度最高，明确了数据质量和算法精度是交通流预测的关键。本研究可以为高速公路短时交通流预测发展提供借鉴。     

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

基于实时多模态时空数据的时空图卷积网络精准鲁棒交通流预测模型

随着我国城市规模的不断扩张,绕城高速公路被各大城市相继采用,在疏导城市过境交通、缓解市内拥堵、提高通行效率等方面起到积极作用。然而,少有学者针对绕城高速公路开展全面和系统的研究,在其交通流特性、态势评估预测、运营管理措施等方面有着较大的研究空间。传统基于单一或部分数据源进行交通预测受到数据源的限制,在精准度、鲁棒性和实用性上都有待提高。本研究选择成都绕城高速公路(国道G4202)作为试点路段,基于系统视频智能分析平台对车流速进行实时监测,并基于实时多模态时空数据的时空图卷积网络进行精准鲁棒交通预测模型的研究。该方法结合了时空图卷积网络以及卡尔曼滤波(Kalman Filtering)校正相点的未来演化规律,预测模型通过自学习对比实际交通监测数据进行优化,并提供交通预测模型的有效性与可信度评估。实际交通流数据测试结果表明,文中所提出的预测模型与传统预测模型相比具有更高的预测精度,是一种有效的交通流预测方法。     

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.      

基于时空交互模型的高速公路季节事故频次影响因素分析

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。     

消除高速公路运动波的可变限速控制方法

运动波是高速公路一种常见的交通拥堵，可通过可变限速控制有效消除。近年来，研究中提出了大量消除高速公路运动波的可变限速控制方法，却鲜有方法成功落地应用。可变限速控制方法的成功应用需满足3个基本条件，即模型预测的准确性，优化求解的实时性，以及控制方案的安全性，而当前研究中的方法难以同时满足上述基本条件。因此，为提高高速公路交通效率，保障高速公路交通安全，提出了消除高速公路运动波的可变限速优化控制方法。构建了模拟运动波传播的离散一阶交通流模型，解析了可变限速控制对交通效率及安全的影响机理，建立了提升交通效率、保障交通安全的可变限速优化控制方法。利用数值仿真模拟，测试了轻微拥堵与严重拥堵2种不同场景下限速控制方法的控制效果，评估了控制方法在提升交通效率和安全方面的表现，对比了所提方法与文献经典方法在控制效果上的优劣。结果表明：可变限速优化控制方法在2种场景下降低总行程时间分别为10.1%和10.6%，降低事故风险指标TET分别为72.6%和73.1%，降低事故风险指标TIT分别为92.4%和82.9%。与文献方法相比，在预测模型准确性以及对交通流效率与安全的改善方面均有提升，其中在严重拥堵测试场景下，效果提升更为显著。     

A Novel Method to Predict Traffic Features Based on Rolling Self-Structured Traffic Patterns

In this study, a novel method is proposed to predict the traffic features in a long freeway corridor with a number of time steps ahead. The proposed method, on the basis of rolling self-structured traffic patterns, utilizes the growing hierarchical self-organizing map model to partition the unlabeled traffic patterns into an appropriate number of clusters and then develops the genetic programming model for each cluster to predict its corresponding traffic features. For demonstration, the proposed method is tested against a 110-km freeway stretch, on which 48 time steps of 5-min traffic flows are predicted (i.e., a 4-h prediction). The prediction accuracy of the proposed method is compared with other models (ARIMA, SARIMA, and naive models) and the results support the superiority of the proposed method. Further analyses indicate that applications of the proposed method to larger scale freeway networks require sufficient lengths of observation to acquire enough traffic patterns for training and validation in order to achieve higher prediction accuracy.     

Modeling lane-change-related crashes with lane-specific real-time traffic and weather data

This study investigates the relationship between lane-change-related crashes and lane-specific, real-time traffic factors. It is anticipated that the real-time traffic data for the two lanes—the vehicle's lane (subject lane) and the lane to which that a vehicle intends to change (target lane)—are more closely related to lane-change-related crashes, as opposed to congregated traffic data for all lanes. Lane-change-related crash data were obtained from a 62-mile long freeway in Southeast Wisconsin in 2012 and 2013. One-minute traffic data from the 5- to 10-minute interval prior to the crashes were extracted from an immediately upstream detector station and two immediately downstream stations from the crash location. Weather information was collected from a major historical weather database. A matched case-control logistic regression was used for analysis. Results show that the following factors significantly affect the probability of a lane-change-related crash: average flow into the target lane at the first downstream station, the flow ratio at the second downstream station, and snow conditions. Additionally, the average speed in the target lane at the first downstream station contributes to the occurrence of lane-change crashes during snowy conditions. According to the model, the probability of a lane-change-related crash under real-time traffic conditions can aid in flagging potential crash-prone conditions. The identified contributing factors can help traffic operators select traffic control and management countermeasures to proactively mitigate lane-change-related crashes.     

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory,LSTM）自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于...     

道路因素对典型较严重道路交通事故严重性的影响分析

基于道路交通事故数据探究事故影响因素对于认识事故的影响因素、提高交通安全水平具有重要意义。利用近年来国内典型较严重道路交通事故数据,应用泊松模型和负二项模型,以区分事故形态的方式建立追尾事故、侧碰事故及撞行人事故的事故死亡率的道路影响因素分析模型。这些模型以三类事故中涉及人员的死亡数为因变量,以一系列道路因素为自变量,将事故涉及人数作为偏移变量。模型的具体形式以过离散系数及赤池信息量准则(AIC)为依据进行选择。结果显示,追尾事故的死亡率与道路等级、路侧防护设施显著相关;侧碰事故则与天气、路表情况、路口路段位置、坡度以及道路结构有关;撞行人事故与路表情况、道路等级、车道数、平曲线半径有关。本文拓展了事故严重性研究的深度,其研究成果对于更好地利用重特大事故的深入调查数据有现实意义,也可为事故分析及道路设计等提供借鉴。      

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

服务于高速公路实时容错性评价的车辆检测器布设研究

车辆检测器采集到的信息的准确度与检测器的空间密度和空间位置有极大的关系,而目前车辆检测器的布设却没有统一的标准。本文以高速公路实时容错性评价模型为基本的分析方法,首先通过道路线形安全评价对高速公路进行路段划分,然后采用仿真手段研究车辆检测器不同布设间距条件下,高速公路实时容错性评价模型对交通事件响应时间的变化规律,最后得到服务于高速公路实时容错性评价的车辆检测器布设方法,并给出各种路段安全等级和交通量条件下的车辆检测器布设间距推荐值。     

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。     

基于负二项分布的高速公路交通事故影响因素分析

为分析高速公路交通事故的影响因素,构建基于负二项分布的事故分析模型,探究事故数与交通特性、公路线形及路面性能间关系.鉴于传统固定参数模型难以刻画各因素对事故风险影响的异质性,引入了随机参数建模方法.结果表明:相比于固定参数负二项模型,构建的随机参数负二项模型有更好的拟合优度,且能更合理地反映各因素对事故的作用效果;将随...