專利名稱：快速道路危險(xiǎn)交通流特征的自動(dòng)檢測(cè)確認(rèn)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于交通智能管理和控制技術(shù)領(lǐng)域，為一種快速道路危險(xiǎn)交通流特征的自動(dòng)檢測(cè)確認(rèn)方法，可實(shí)時(shí)自動(dòng)檢測(cè)并確認(rèn)快速道路危險(xiǎn)交通流特征。
背景技術(shù)：
在過(guò)去的10年中，國(guó)內(nèi)的機(jī)動(dòng)車保有量經(jīng)歷了飛速的發(fā)展，1994年國(guó)內(nèi)的機(jī)動(dòng)車保有量只有940萬(wàn)輛，而到了 2009年國(guó)內(nèi)的機(jī)動(dòng)車保有量增加到1. 8億輛，在機(jī)動(dòng)車保有量和公路通車?yán)锍虜?shù)迅速增長(zhǎng)的同時(shí)，道路交通安全形勢(shì)也日益嚴(yán)峻。據(jù)公安部交通管理局的事故統(tǒng)計(jì)資料分析，在2006到2008年間，我國(guó)道路共發(fā)生事故382，340起，由道路交通事故造成的總死亡人數(shù)達(dá)對(duì)4，588人，總受傷人數(shù)1，116，500。觸目驚心的數(shù)字背后是我國(guó)公路交通事故比例高，事故嚴(yán)重程度大的嚴(yán)峻安全現(xiàn)狀。因而道路交通安全已經(jīng)成為一個(gè)社會(huì)熱點(diǎn)問(wèn)題，越來(lái)越受到社會(huì)各方面的廣泛關(guān)注和研究，這對(duì)提高我國(guó)交通安全管理工作水平，對(duì)于減少人員傷亡和財(cái)產(chǎn)損失，發(fā)展新時(shí)期和諧交通具有重要的現(xiàn)實(shí)意義。已有的研究表明交通流特征對(duì)道路交通安全有顯著的影響作用，然而這些研究往往采用一段時(shí)間的交通數(shù)據(jù)的平均值來(lái)表示道路交通的安全狀況，例如年平均日交通量，AADT，因而很難利用這些研究結(jié)果來(lái)實(shí)時(shí)監(jiān)測(cè)道路交通安全狀況。另一方面，越來(lái)越多的快速道路上開(kāi)始安裝智能交通系統(tǒng)設(shè)備，這些設(shè)備常用來(lái)檢測(cè)交通流的實(shí)時(shí)數(shù)據(jù)，很少用來(lái)實(shí)時(shí)監(jiān)測(cè)道路安全狀況。

發(fā)明內(nèi)容
本發(fā)明要解決的問(wèn)題是現(xiàn)有的交通監(jiān)測(cè)控制中，主要監(jiān)測(cè)交通流的擁堵等數(shù)據(jù)， 沒(méi)有對(duì)快速道路實(shí)時(shí)交通安全狀況進(jìn)行交通監(jiān)測(cè)控制，現(xiàn)有對(duì)交通狀態(tài)的監(jiān)測(cè)不能滿足實(shí)時(shí)性的要求。本發(fā)明的技術(shù)方案為快速道路危險(xiǎn)交通流特征的自動(dòng)檢測(cè)確認(rèn)方法，包括以下步驟1)收集待檢測(cè)高速公路路段的事故數(shù)據(jù)，確定各起交通事故的發(fā)生地點(diǎn)，選取交通事故發(fā)生地點(diǎn)上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)的交通數(shù)據(jù)，所述檢測(cè)點(diǎn)之間相距800 米，交通數(shù)據(jù)包括事故發(fā)生前5分鐘這段時(shí)間內(nèi)各個(gè)檢測(cè)點(diǎn)的交通占有率，交通占有率數(shù)據(jù)由設(shè)置在檢測(cè)點(diǎn)的交通流檢測(cè)設(shè)備直接檢測(cè)，并且以30s為采集精度進(jìn)行采集；2)對(duì)于每起交通事故，采用病例-對(duì)照研究法按1 4比例選取事發(fā)路段正常交通流狀態(tài)下，即沒(méi)有發(fā)生事故時(shí)的交通占有率數(shù)據(jù)，所述1 4指，對(duì)應(yīng)于每個(gè)事故范例，選取4個(gè)相應(yīng)的正常交通流狀態(tài)范例；3)將事故組和非事故組組合成交通流數(shù)據(jù)樣本，所述事故組為事故發(fā)生前5分鐘的交通占有率數(shù)據(jù)，非事故組為正常交通流狀態(tài)下交通占有率數(shù)據(jù)，采用K-means動(dòng)態(tài)聚類分析方法，選用上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率進(jìn)行聚類分析，得到交通流數(shù)據(jù)樣本中各條數(shù)據(jù)對(duì)應(yīng)的交通流狀態(tài)；
4)對(duì)由K-means動(dòng)態(tài)聚類分析方法劃分得到的各交通流狀態(tài)進(jìn)行病例-對(duì)照研究，自變量為交通流狀態(tài)，應(yīng)變量為是否發(fā)生交通事故，根據(jù)病例-對(duì)照研究中各交通流狀態(tài)的比值比來(lái)確定是否存在與交通事故相關(guān)的危險(xiǎn)交通流特征，其中比值比大于1的交通流狀態(tài)代表該交通流特征與交通事故高度相關(guān)，即定義該交通流狀態(tài)為事故發(fā)生前的危險(xiǎn)交通流特征；其中某交通流狀態(tài)的比值比為事故組的曝露比值除以非事故組的曝露比值，事故組的曝露比值為事故組中該種交通流狀態(tài)出現(xiàn)的次數(shù)除以其它交通流狀態(tài)出現(xiàn)的次數(shù)，非事故組的曝露比值為非事故組中該種交通流狀態(tài)出現(xiàn)的次數(shù)除以其它交通流狀態(tài)出現(xiàn)的次數(shù)；5)對(duì)實(shí)時(shí)交通流建立判別方法采用Bayesian判別分析方法建立各種交通流實(shí)時(shí)狀態(tài)的判別方法，以上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率作為 Bayesian判別模型中的解釋變量，以交通流狀態(tài)為目標(biāo)變量，確立各種交通流狀態(tài)的實(shí)時(shí)檢測(cè)函數(shù)；6)檢測(cè)上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率，根據(jù)由 Bayesian判別模型建立的判別函數(shù)，實(shí)時(shí)檢測(cè)是否出現(xiàn)步驟4)中確立的危險(xiǎn)交通流特征， 如果出現(xiàn)危險(xiǎn)交通流特征，表明有發(fā)生事故的危險(xiǎn)性，則在前方通過(guò)可變信息板對(duì)駕駛員進(jìn)行預(yù)警提示。本發(fā)明提出一種利用實(shí)時(shí)交通數(shù)據(jù)來(lái)自動(dòng)檢測(cè)確認(rèn)危險(xiǎn)交通流特征的方法，隨著快速道路交通基礎(chǔ)設(shè)施的不斷完善，越來(lái)越多的城市已經(jīng)在快速道路上安裝htelligent Transportation System(ITS)智能交通系統(tǒng)，然而目前很少有智能交通系統(tǒng)應(yīng)用于提升快速道路交通安全方面，本發(fā)明將快速道路危險(xiǎn)交通流特征的自動(dòng)檢測(cè)確認(rèn)方法集成到智能交通系統(tǒng)中，一是實(shí)現(xiàn)了實(shí)時(shí)對(duì)交通流特征狀態(tài)的監(jiān)測(cè)，二是可以充分發(fā)揮智能交通系統(tǒng)設(shè)備的作用，當(dāng)某檢測(cè)路段出現(xiàn)危險(xiǎn)交通流特征時(shí)，ITS系統(tǒng)可以提前向駕駛員發(fā)布信息， 提醒駕駛員謹(jǐn)慎駕駛，從而提升快速道路的交通安全狀況。


圖1為本發(fā)明實(shí)施例的檢測(cè)點(diǎn)示意圖。圖2綜合運(yùn)用K-means聚類、病例對(duì)照研究和Bayesian判別分析的建模流程框圖。圖3為本發(fā)明的流程圖。
具體實(shí)施例方式本發(fā)明將K-means聚類、Case-control病例對(duì)照研究和Bayesian判別分析用于自動(dòng)檢測(cè)并確認(rèn)快速道路危險(xiǎn)交通流特征，提出一種快速道路危險(xiǎn)交通流特征的自動(dòng)檢測(cè)確認(rèn)方法1)收集待檢測(cè)高速公路路段的事故數(shù)據(jù)，確定各起交通事故的發(fā)生地點(diǎn)，選取交通事故發(fā)生地點(diǎn)上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)的交通數(shù)據(jù)，所述檢測(cè)點(diǎn)之間相距800 米，交通數(shù)據(jù)包括事故發(fā)生前5分鐘這段時(shí)間內(nèi)各個(gè)檢測(cè)點(diǎn)的交通占有率，交通占有率數(shù)據(jù)由設(shè)置在檢測(cè)點(diǎn)的交通流檢測(cè)設(shè)備直接檢測(cè)，并且以30s為采集精度進(jìn)行采集；
2)對(duì)于每起交通事故，采用病例-對(duì)照研究法按1 4比例選取事發(fā)路段正常交通流狀態(tài)下，即沒(méi)有發(fā)生事故時(shí)的交通占有率數(shù)據(jù)，所述1 4指，對(duì)應(yīng)于每個(gè)事故范例，選取4個(gè)相應(yīng)的正常交通流狀態(tài)范例；3)將事故組和非事故組組合成交通流數(shù)據(jù)樣本，所述事故組為事故發(fā)生前5分鐘的交通占有率數(shù)據(jù)，非事故組為正常交通流狀態(tài)下交通占有率數(shù)據(jù)，采用K-means動(dòng)態(tài)聚類分析方法，選用上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率進(jìn)行聚類分析，得到交通流數(shù)據(jù)樣本中各條數(shù)據(jù)對(duì)應(yīng)的交通流狀態(tài)；4)對(duì)由K-means動(dòng)態(tài)聚類分析方法劃分得到的各交通流狀態(tài)進(jìn)行病例-對(duì)照研究，自變量為交通流狀態(tài)，應(yīng)變量為是否發(fā)生交通事故，根據(jù)病例-對(duì)照研究中各交通流狀態(tài)的比值比來(lái)確定是否存在與交通事故相關(guān)的危險(xiǎn)交通流特征，其中比值比大于1的交通流狀態(tài)代表該交通流特征與交通事故高度相關(guān)，即定義該交通流狀態(tài)為事故發(fā)生前的危險(xiǎn)交通流特征；其中某交通流狀態(tài)的比值比為事故組(事故發(fā)生前交通流數(shù)據(jù))的曝露比值除以非事故組的曝露比值，事故組的曝露比值為事故組中該種交通流狀態(tài)出現(xiàn)的次數(shù)除以其它交通流狀態(tài)出現(xiàn)的次數(shù)，非事故組(沒(méi)有發(fā)生事故時(shí)的交通流數(shù)據(jù))的曝露比值為非事故組中該種交通流狀態(tài)出現(xiàn)的次數(shù)除以其它交通流狀態(tài)出現(xiàn)的次數(shù)；5)由于聚類分析只能對(duì)已經(jīng)采集數(shù)據(jù)的交通流狀態(tài)進(jìn)行分類，無(wú)法判別實(shí)時(shí)交通流究竟處于何種狀態(tài)下，因而本發(fā)明采用Bayesian判別分析方法建立各種交通流狀態(tài)的判別方法，以上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率作為Bayesian 判別模型中的解釋變量，以交通流狀態(tài)為目標(biāo)變量，確立各種交通流狀態(tài)的實(shí)時(shí)檢測(cè)函數(shù)；步驟1)-4)根據(jù)采集的歷史數(shù)據(jù)，將交通流劃分不同狀態(tài)，并確定危險(xiǎn)交通流特征，步驟5)用于對(duì)實(shí)時(shí)的交通流進(jìn)行判別，建立檢測(cè)危險(xiǎn)交通流狀態(tài)的方法；6)檢測(cè)上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率，根據(jù)由 Bayesian判別模型建立的判別函數(shù)，實(shí)時(shí)檢測(cè)是否出現(xiàn)步驟4)中確立的危險(xiǎn)交通流特征， 如果出現(xiàn)危險(xiǎn)交通流特征，表明有發(fā)生事故的危險(xiǎn)性，則在前方通過(guò)可變信息板對(duì)駕駛員進(jìn)行預(yù)警提示。下面用具體實(shí)施例來(lái)說(shuō)明本發(fā)明。在高速公路待檢測(cè)區(qū)域上下游布置檢測(cè)設(shè)備， 例如電磁感應(yīng)線圈或者視頻交通流檢測(cè)設(shè)備，如圖1所示。檢測(cè)器可以是電磁感應(yīng)線圈或視頻交通流檢測(cè)設(shè)備，以30s為一個(gè)采樣單位采集檢測(cè)點(diǎn)1到檢測(cè)點(diǎn)4處的交通占有率。令X為上述30s內(nèi)上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率，Y代表中間圓圈處，即檢測(cè)點(diǎn)2和檢測(cè)點(diǎn)3之間是否發(fā)生交通事故，發(fā)生交通事故時(shí)Y取值為1，沒(méi)有發(fā)生交通事故時(shí)Y取值為-1，則，
權(quán)利要求
1.快速道路危險(xiǎn)交通流特征的自動(dòng)檢測(cè)確認(rèn)方法，其特征是包括以下步驟1)收集待檢測(cè)高速公路路段的事故數(shù)據(jù)，確定各起交通事故的發(fā)生地點(diǎn)，選取交通事故發(fā)生地點(diǎn)上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)的交通數(shù)據(jù)，所述檢測(cè)點(diǎn)之間相距800米， 交通數(shù)據(jù)包括事故發(fā)生前5分鐘這段時(shí)間內(nèi)各個(gè)檢測(cè)點(diǎn)的交通占有率，交通占有率數(shù)據(jù)由設(shè)置在檢測(cè)點(diǎn)的交通流檢測(cè)設(shè)備直接檢測(cè)，并且以30s為采集精度進(jìn)行采集；2)對(duì)于每起交通事故，采用病例-對(duì)照研究法按1 4比例選取事發(fā)路段正常交通流狀態(tài)下，即沒(méi)有發(fā)生事故時(shí)的交通占有率數(shù)據(jù)，所述1 4指，對(duì)應(yīng)于每個(gè)事故范例，選取4 個(gè)相應(yīng)的正常交通流狀態(tài)范例；3)將事故組和非事故組組合成交通流數(shù)據(jù)樣本，所述事故組為事故發(fā)生前5分鐘的交通占有率數(shù)據(jù)，非事故組為正常交通流狀態(tài)下交通占有率數(shù)據(jù)，采用K-means動(dòng)態(tài)聚類分析方法，選用上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率進(jìn)行聚類分析，得到交通流數(shù)據(jù)樣本中各條數(shù)據(jù)對(duì)應(yīng)的交通流狀態(tài)；4)對(duì)由K-means動(dòng)態(tài)聚類分析方法劃分得到的各交通流狀態(tài)進(jìn)行病例-對(duì)照研究，自變量為交通流狀態(tài)，應(yīng)變量為是否發(fā)生交通事故，根據(jù)病例-對(duì)照研究中各交通流狀態(tài)的比值比來(lái)確定是否存在與交通事故相關(guān)的危險(xiǎn)交通流特征，其中比值比大于1的交通流狀態(tài)代表該交通流特征與交通事故高度相關(guān)，即定義該交通流狀態(tài)為事故發(fā)生前的危險(xiǎn)交通流特征；其中某交通流狀態(tài)的比值比為事故組的曝露比值除以非事故組的曝露比值，事故組的曝露比值為事故組中該種交通流狀態(tài)出現(xiàn)的次數(shù)除以其它交通流狀態(tài)出現(xiàn)的次數(shù)，非事故組的曝露比值為非事故組中該種交通流狀態(tài)出現(xiàn)的次數(shù)除以其它交通流狀態(tài)出現(xiàn)的次數(shù)；5)對(duì)實(shí)時(shí)交通流建立判別方法采用Bayesian判別分析方法建立各種交通流實(shí)時(shí)狀態(tài)的判別方法，以上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率作為 Bayesian判別模型中的解釋變量，以交通流狀態(tài)為目標(biāo)變量，確立各種交通流狀態(tài)的實(shí)時(shí)檢測(cè)函數(shù)；6)檢測(cè)上游兩個(gè)檢測(cè)點(diǎn)和下游兩個(gè)檢測(cè)點(diǎn)共4個(gè)檢測(cè)點(diǎn)的交通占有率，根據(jù)由 Bayesian判別模型建立的判別函數(shù)，實(shí)時(shí)檢測(cè)是否出現(xiàn)步驟4)中確立的危險(xiǎn)交通流特征， 如果出現(xiàn)危險(xiǎn)交通流特征，表明有發(fā)生事故的危險(xiǎn)性，則在前方通過(guò)可變信息板對(duì)駕駛員進(jìn)行預(yù)警提示。
全文摘要
快速道路危險(xiǎn)交通流特征的自動(dòng)檢測(cè)確認(rèn)方法，收集待檢測(cè)高速公路路段的事故數(shù)據(jù)，計(jì)算交通流狀態(tài)劃分，并在其中確立危險(xiǎn)交通流狀態(tài)，由Bayesian判別分析方法實(shí)現(xiàn)交通流特征的實(shí)時(shí)自動(dòng)檢測(cè)，比對(duì)確定當(dāng)前快速道路的交通流特征狀態(tài)。本發(fā)明提出一種利用實(shí)時(shí)交通數(shù)據(jù)來(lái)自動(dòng)檢測(cè)確認(rèn)危險(xiǎn)交通流特征的方法，隨著快速道路交通基礎(chǔ)設(shè)施的不斷完善，越來(lái)越多的城市已經(jīng)在快速道路上安裝智能交通系統(tǒng)ITS，本發(fā)明實(shí)現(xiàn)了實(shí)時(shí)對(duì)交通流特征狀態(tài)的監(jiān)測(cè)，同時(shí)充分發(fā)揮智能交通系統(tǒng)設(shè)備的作用，當(dāng)某檢測(cè)路段出現(xiàn)危險(xiǎn)交通流特征時(shí)，ITS可以提前向駕駛員發(fā)布信息，提醒駕駛員謹(jǐn)慎駕駛，從而提升快速道路的交通安全狀況。
文檔編號(hào)G08G1/01GK102360524SQ201110295598
公開(kāi)日2012年2月22日 申請(qǐng)日期2011年9月28日 優(yōu)先權(quán)日2011年9月28日
發(fā)明者劉攀, 徐鋮鋮, 王煒 申請(qǐng)人:東南大學(xué)