一种城市道路交通事故风险实时预测方法

摘要

本发明提供了一种城市道路交通事故风险实时预测方法，通过提取观测集中的各个观测对象的几何线形数据、交通事故发生前n分钟的历史交通流基础数据以及历史天气状况数据进行计算，得到交通事故发生前n分钟的交通流特征参数和天气状况数据转为分类变量后的等级以及该等级的分布概率，再建立基于泊松分布的城市道路交通事故实时预测模型，利用确定的交通流特征参数和天气状况数据的等级以及该等级的分布概率对预测模型进行标定，在对所需预测对象的交通事故风险进行预测的时候，只需实时计算所需预测对象的实时交通流特征参数和天气状况数据转为分类变量后的等级以及该等级的分布概率，即可利用标定的公式对所需预测对象的交通事故风险进行预测。

主权项

一种城市道路交通事故风险实时预测方法，其特征在于：包括以下步骤：S1.确定所需预测对象的类型，选择若干类型相同的城市道路作为观测对象组成观测集，所述城市道路的类型包括有：路段和交叉口；S2.提取观测集中各个对象的几何线形数据、历史交通事故数据和历史天气状况数据，根据历史交通事故数据获得每起交通事故发生的精确时间，在获取交通事故发生的精确时间之后，再获取每起交通事故发生前n分钟的交通流基础数据和天气状况数据；S3.对于每个观测对象，根据获取的每起交通事故发生前n分钟的交通流基础数据计算交通事故发生前n分钟浮动车车速的变异系数CVS，若所需预测对象的类型为路段，则还需要对交通事故发生时的交通流密度D进行求解，交通事故发生前n分钟浮动车车速的变异系数CVS以及交通事故发生时的交通流密度D均为交通流特征参数；S4.对于每个观测对象，提取观测对象某一天的交通流基础数据，计算当天每n分钟的变异系数CVS，形成变异系数CVS累计分布图；同时还需提取观测对象的历史天气状况数据，通过历史天气状况数据分别计算出历史时段无雨天气、有雨天气两种天气类型的分布概率，若所需预测对象的类型为路段，则还需计算当天每n分钟的交通流密度D，形成交通流密度D累计分布图；S5.将交通事故发生前n分钟浮动车车速的变异系数CVS转为分类变量，根据变异系数CVS累计分布图确定该分类变量的等级，并计算该等级在变异系数CVS累计分布图的分布概率p(CVS)；同时提取交通事故发生前n分钟的天气状况数据，通过该天气状况数据确定交通事故发生前n分钟的天气类型并将其转为分类变量，获得交通事故发生前n分钟的天气状况数据的分布概率p(W)；若所需预测对象的类型为路段，则还需要对交通事故发生时的交通流密度D进行上述处理，以确定交通事故发生时的交通流密度D这个分类变量的等级，以及该等级在交通流密度D累计分布图的分布概率p(D)；S6.在步骤S5的基础上，对观测行驶量EXP进行计算，若所需预测对象的类型为路段，观测行驶量EXP计算如下：EXP＝p(CVS)·p(D)·p(W)·AADT·L·T其中AADT为路段的年平均日交通流量，L为路段的长度，L包含于提取的几何线形数据中；T为观测时间；若所需预测对象的类型为交叉口，则观测行驶量EXP包括交叉口主干道观测量EXPA和交叉口次干道观测量EXPB，计算公式如下：EXPA＝p(CVS)·p(W)·AADTA·TIEXPB＝p(CVS)·p(W)·AADTB·TI其中AADTA和AADTB分别为交叉口主干道和次干道的年平均日交通流量，TI为观测时间；S7.在S6的基础上，构建基于泊松分布的交通事故风险预测模型，表达式如下：$P\left(y\right)=\frac{\exp (-\mu ){\mu }^y}{y!}$其中P(y)为路段或交叉口发生y次交通事故的概率；μ为交通事故风险指数；对于路段，μ的计算方式如下：μ＝EXP^εexp(θ+λ_CVS+λ_D+λ_W)(1)其中θ为常数项，ε为EXP的指数，λ_CVS、λ_D、λ_W分别为交通事故发生前n分钟的变异系数CVS、交通事故发生时交通流密度D、交通事故发生前n分钟的天气状况数据的预测参数，ε、θ、λ_CVS(α)、λ_D(β)、λ_W(γ)均为待标定的参数；对于交叉口，交通事故风险指数μ的计算方式如下：$\mu ={\mathrm{EXPA}}^{\kappa }·{\mathrm{EXPB}}^{\nu }·\exp (\rho +{\lambda }_{\mathrm{CVS}}+{\lambda }_W+\underset{\eta =1}{\overset{4}{\Sigma }}{\lambda }_{\eta }{x}_{\eta })---\left(2\right)$其中ρ为常数项，κ、ν分别为EXPA、EXPB的指数，λ_CVS和λ_W分别为交通事故发生前n分钟的变异系数CVS、交通事故发生前n分钟的天气状况数据的预测参数，x_η表示交叉口的第η个静态变量，所述静态变量包括左转车道情况、右转车道情况，交叉口视距和信号相位数，静态变量包括于提取的几何线形数据中，λ_η为相应静态变量的系数；κ、ν、ρ、λ_CVS(α)、λ_W(γ)和λ_η均为待标定的参数；S8.根据各个观测对象的几何线形数据、历史交通事故数据和历史天气状况数据，利用构建的风险预测模型通过极大似然法对待标定的参数进行标定；S9.实时采集所需预测对象每n分钟的交通流基础数据和天气状况数据，根据天气状况数据确定预测对象每n分钟天气状况数据的分布概率，然后通过交通流基础数据计算获得实时交通流特征参数，确定实时交通流特征参数的等级以及该等级的分布概率之后，利用标定的式(1)或式(2)对所需预测对象的交通事故风险指数μ进行计算，获得μ之后将μ作为预测结果进行输出。