基于VISSIM仿真的事故路段通行能力估算方法

通过对交通事故下城市快速路局部通行状态的演变过程分解和影响因素分析,构建了基于VISSIM仿真的城市快速路事故路段通行能力估算方法。该方法引入决策树ID算法,利用信息增益值求解事故延迟时间,以车流波动理论为基础,确定了事故拥挤消散时间。以事故延迟时间为观测周期,单位时间内通过的最大车辆数为事故路段的通行能力,运用VISSIM仿真软件,对其进行仿真计算。仿真结果表明:车辆抛锚的事故延迟时间与拥挤消散时间最小,事故路段剩余通行能力最大,为3 776 pcu/h,其比例为69.926%;车辆起火、车辆追尾、车辆翻车的剩余通行能力为3 327,3 229,3 071 pcu/h,其比例分别为61.611%,59.796%,56.870%;车辆碰撞的事故延迟时间与拥挤消散时间最大,事故路段剩余通行能力最小,为2 698 pcu/h,其比例为49.963%;不同的事故类型,其拥挤消散时间与事故延迟时间之间的比值和事故路段的剩余通行能力有关,事故路段剩余通行能力越大,其比值就越小,反之就越大。     

基于线形指标的山岭重丘区高速公路事故预测模型

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.     

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...     

交通事故导致的高速公路拥堵状态判别方法

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...     

高速公路交通事故数据分析方法研究

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。     

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

三车道高速公路事发路段交通控制等级划分标准研究

首先提出目前我国标准、应急预案中事件严重程度的判断标准仅适用于划定事件本身,对严重程度判断具有主观性,不能客观科学地预估事故对道路交通产生的影响。本文首次提出事发路段交通控制等级的概念,以事件占用车道数、车道关闭时间和流量饱和度三项指标来判断事发路段的交通控制等级。以三车道高速公路为研究对象,利用VISSIM仿真软件模拟,得出不同条件下事发路段的最大排队长度和消散时间,初步提出三车道高速公路事发路段交通控制等级划分标准及相应的控制措施。     

基于工作流模型的水上交通事故应急处置效能评价

应急处置中密集的信息传递和交换对应急处理的最终效果具有重要的影响。现有对水上交通事故的应急处置机制中缺乏对救援时效与决策指令流的量化建模与性能提升策略的研究。为此,引入工作流模型以优化水上应急处置指令传递与信息流动的时效性和准确性。通过分析水上应急处置流程,设置典型的水上交通事故场景,在组织部门-执行时间-应急资源-消息传递网(OTRM-NET)工作流模型的基础上增加了指令存储库所。在传统的 Petri 网建模基础上,提出了一种包含了信息反馈的水上交通事故应急处置的建模方法。之后,利用模型的时间性能获得应急处置的预估时间,通过仿真实验对比 OTRM-NET 与传统应急救援方法在水上应急处置的用时,并采用错误传递率定量表示信息传递效能,提出了评价指令传递性能的算法,并应用该算法对应急处置预案进行了模拟计算,得到其信息传递效能。对一种典型的水上交通事故案例,对比 OTRM-NET 与传统应急救援方法的结果显示,OTRM-NET 在已设置案例中用时平均降低了2721 s,减少了应急流程所消耗的时间。以事故船舶信息传递库所为例,通过设计工作流的优化方案,其中船舶交通管理系统(VTS)发现事故出错的全局传递率从15%降低到9.52%,局部传递率从37.5%降低到22.22%。这表示,相比 VTS 确认船舶信息添加前,VTS 发现事故出错对于整个工作流的影响降低了36.53%,对于事故船舶信息传递路径上的影响降低了40.75%。同时可以提前2个任务周期发现并纠正错误,从而有效降低指令执行偏差。该模型和效能评价方法可以对预案编制、应急工作流提供有效的决策支持。      

基于BP神经网络与多元回归的公路客运量预测研究

根据公路客运量的历史数据及相关影响因素数据,采用SPSS及MATLAB软件分别建立多元回归及BP神经网络预测模型,通过将2种模型输出的预测结果与实际数据进行对比,得出采用多元回归方法在预测客运量变化过程中所产生的误差远小于BP神经网络方法所产生的误差,认为,当数据样本量较小时,多元线性回归预测模型优于BP神经网络预测模型。     

西汉高速公路交通事故客观因素分析及对策

为了更好地预防西汉（西安—汉中）高速公路下行线交通事故,对该路段的交通事故进行了统计分析,研究了其交通事故的时间分布与空间分布特点;在此基础上分析了该路交通事故客观影响因素,探讨了交通事故成因,并从道路安全设施设置、车辆管理及事故应急措施等方面提出了改善交通安全状况的建议。     

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。     

基于支持向量机和改进BP神经网络的路基边坡稳定性研究

针对京新高速公路项目在建设中遇到的裂缝、滑移、倾倒等大量边坡稳定性问题,为了探讨边坡岩土体参数与边坡稳定性间的相关关系,以及保证研究项目路段在运营期间的行车安全,实现公路网尤其是山区公路的安全、高效、便捷运行,在已有研究的基础上,分别建立了支持向量机以及附加动量因子mc而改进后的BP神经网络两种边坡稳定性预测模型。通过引入45个训练样本,对5个工程边坡实例的安全系数进行预测计算,分析了两种模型的平均误差和最大误差,比较了两种模型的预测精度和适用范围,并且对京新高速公路胶泥湾至冀晋界路段的工程边坡稳定性进行了预测。结果显示,样本训练阶段,支持向量机和BP神经网络两种模型均具有较高的模拟精度,而BP神经网络更优;在样本预测阶段,支持向量机的预测精度明显优于BP网络;当随着样本容量不断增大时,两种计算模型的预测精度也逐渐提高;通过结果可以得出,支持向量机预测模型有较强的外推能力和预测计算的有效性,可以更好地描述边坡稳定性复杂的非线性关系,更适用于边坡稳定性的预测分析。     

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（B...     

基于道路环境因素的公路隧道交通事故预测

为提高公路隧道交通事故预测准确率,以西汉高速秦岭某隧道群的496起交通事故作为研究对象,对影响公路隧道交通事故预测的道路环境因素进行相关性分析,针对不同预测类别选定具有显著影响的主要变量,通过贝叶斯模型、随机森林模型、BP神经网络模型和支持向量机模型分别对公路隧道交通事故形态、严重程度、伤亡情况和持续时间进行预测,根据准确率和稳定性确定出最优预测模型。研究结果表明： 1）随机森林模型在预测公路隧道交通事故形态时最为可靠,准确率约为84%; 2）在对公路隧道交通事故严重程度和伤亡情况进行预测时可优先考虑贝叶斯模型,其对重大或特大事故的预测准确率高达50%; 3）选择随机森林模型作为公路隧道交通事故持续时间的预测模型,绝对误差为20 min时模型准确率将超过70%。     

沪渝高速公路鄂西段运营安全管理对策分析与研究

山区高速公路受环境条件多变、交通量大、车流组成复杂、车速不协调等诸多因素影响和制约,容易引发交通堵塞、车辆滞留、交通事故、次生灾害或交通中断.从路况特点、灾害成因、事故预防、应急处置、科技创新等方面,研究和探讨山区高速公路运营安全管理对策,旨在供其它类似路段和经营管理单位学习借鉴,以期实现山区高速公路社会效益和经济效益双赢.     

基于贝叶斯网络的高速公路突发事件态势评估研究

为了提高高速公路应急管理能力,提升高速公路应急效率,从突发事件演化机理着手,基于贝叶斯网络构建了高速公路交通突发事件应急处置的态势评估模型,用于推理学习不同情况下的交通事故概率。评估模型首先确立了高速公路交通突发事件贝叶斯网络总体工作流程,将贝叶斯网络节点设置为高速公路突发事件的影响因素,贝叶斯网络结构根据各节点,即各影响因素之间的相互关系进行构建。其次,根据交通事故数据和专家知识对网络中每个节点进行条件概率赋值,再在条件概率的基础上根据现场初步事故信息运用联合树推理算法将贝叶斯网络转化为联合树,通过定义在联合树上的消息传递过程,计算后验概率;最后,在条件概率的基础上进行推理,建立评估模型实现对高速公路突发事件态势评估。实例分析随机抽取50次高速公路交通突发事件数据用于贝叶斯网络,通过软件Ge Nie2.2,以事故车辆类型,事故车辆数量,得到事故信息的时间,事发时天气及事发时段为证据信息,推理得出高速公路突发事件概率,预测结果表明基于贝叶斯网络的高速公路交通突发事件应急处置态势评估模型具有较高的准确性。     

基于广义线性模型的干线公路交通事故预测

为掌握干线公路交通安全状况,探究影响其事故发生的显著影响因素,收集国道主干线昌金(昌傅—金鱼石)高速公路K905—K982段2010年发生的240起交通事故数据和交通流数据,按照定长法对路段进行划分,共获得77个样本路段,建立了基于广义负二项线性回归的干线公路事故预测模型,并引入弹性系数概念对影响因素的影响程度进行量化分析。结果表明交通量、道路平均占有率、大车比例和速度标准差对干线公路交通事故的发生影响显著,且均与之呈正相关关系;应用该模型对该路段2011年事故数进行预测,总体相对误差为7.6%,预测精度满足要求。     

高速公路爬坡路段交通事故特征分析

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.     

高速公路事故多发路段的鉴别及成因分析

事故多发路段是影响高速公路安全性的关键因素。为了对高速公路事故多发路段进行有效鉴别,采用累积频率法作为事故多发路段的鉴别方法。以广云高速公路马安至河口段为例,结合累积频率法分析了该路段近三年的交通事故数据,确定了事故多发路段并对其事故成因进行了相应的探讨。     

基于BP神经网络的小汽车纵坡路段运行碳排放率预测

随着高速公路里程规划和建设发展,公路行业节能减排目标的提出,如何实现对公路碳排放的控制和预测是研究的热点和难点问题之一。在广州增派公路设立试验路段进行现场行车试验,通过车载OBD设备获取油耗数据并换算成碳排放量。根据已有线形资料和路段划分,选取了弯坡路段平、纵线形9个相关参数作为影响因素,以碳排放率作为预测目标建立公路小客车弯坡路段行驶碳排放率多因素BP神经网络预测模型,进行了模型训练和预测性能检验。结果表明,所建立的BP神经网络模型在碳排放率预测方面具有较高的准确率,且其预测性能显著优于传统的多元线性回归模型。