[发明专利]一种城市道路交通事故风险实时预测方法

说明书

技术领域

本发明涉及交通安全技术领域，更具体地，涉及一种城市道路交通事故风险实时预测方法。

背景技术

随着我国社会经济的不断发展和国内机动车保有量的大幅增加，我国道路交通事故发生量也呈现不断增加的趋势。在2012年，我国道路交通事故的发生量为20.4万起，因道路交通事故造成的人员伤亡达28.4万人。这表明我国道路交通安全状况仍然十分严峻。而城市道路作为我国道路交通系统的重要组成部分，是人民生活必不可少的公共基础设施，其交通事故发生量历年均占总事故发生量的40％以上。对城市道路交通事故进行预测能估计和推测道路所处的风险状态，找出事故的发展趋势，从而让交通管理部门采取科学的手段对其进行控制和预防。因此，进行城市道路交通事故的预测具有非常重要的意义。

然而，现有的道路交通事故预测方法往往针对的是高速公路或城市快速路的交通事故进行预测，并没有考虑城市道路的情况。此外，其预测方法通常利用概率模型来分析交通事故发生的可能性与道路的几何设计、道路条件和年平均交通量等宏观因素的关系，并基于上述因素对道路的年交通事故进行预测。而该方法忽略了交通流量的短期变化对交通事故发生概率的影响，而这种影响对城市道路的交通影响相当大，因此上述方法预测的准确度较低，无法应用于城市道路交通事故的实时预测中。

另一方面，随着数据技术的不断发展和智能交通系统的应用，交通管理部门已能通过视频检测、浮动车技术等技术，方便地获取实时的交通流数据。将实时交通流特征参数与统计回归分析方法相结合，能有效地预测城市道路交通事故发生概率的实时变化情况，有利于交通管理人员对事故的发生进行预防。

发明内容

本发明为弥补现有技术的道路交通事故预测方法未对交通流量短期变化的影响进行考虑的技术缺陷，提出了一种将实时交通流特征参数、天气状况对交通事故的影响考虑在内的实时预测方法，该方法与现有技术提供的方法相比，其预测的准确度明显提高。

为实现以上发明目的，采用的技术方案如下：

一种城市道路交通事故风险实时预测方法，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·TI