城市道路交通事故黑点致因与防治新论

我国城镇化建设导致城市道路交通发展的新形式,使城市交通事故黑点呈现出新特点:城市立交桥、快速干道和大型平面交叉路口等成为新型的城市道路交通事故黑点,对交通安全管理工作提出更高的要求。要实现对城市道路交通事故黑点的有效防治、交通安全的可持续发展,必须考虑和引入新理念、新思路以及新技术。可以从实践公共交通为导向的TOD模式,研制道路交通控制技术规范和交通事故黑点处理规程。从研发智能交通安全系统应用技术等方面探索城市道路交通事故黑点综合治理,更重要的是应健全道路交通安全法制,建构公民交通意识。

基于GIS的城市道路交通事故黑点鉴别

结合GIS系统与交通事故数据,对事故数据的属性信息和空间位置进行融合,采用以事故发生次数为主、事故严重程度为辅的方法对事故黑点的鉴别进行了研究。使用基于ArcGIS的核密度分析工具利用事故点的危险程度近似服从正态分布的特点,实现多个事故点的危险程度的重叠,从而可以得到城市道路的真实危险情况。并对长春市经济技术开发区的交通事故数据进行了前述处理,验证了前述方法的有效性。

基于时空结合的道路交通事故的黑点判别方法

为精准识别道路交通事故黑点,辅助交通事故的防控,提出了一种基于时空结合的交通事故黑点判别方法。以时空重叠率,来衡量道路危险程度;用双曲正切函数拟合时空重叠率的累积频率;将拟合函数最小曲率半径对应的点,规定为临界值;以大于临界值的时空复合点,来判别为事故黑点;对成南(成都—南充)高速第二辖区交警大队收集的交通事故数据,进行实例研究。利用本时空结合的判别方法,从64例有效案例中,共判别出13个事故黑点。结果表明:事故频率法、累积频率曲线法、核密度分析法、时空重叠率法的碰撞预测准确率指标(CPAI)值分别为2.29、2.03、2.03、2.29,这意味着:时空重叠率法具有良好的判别准确性。时空重叠率法同时结合空间和时间维度,增加了黑点判别的可靠性。

内河航道事故黑点识别自适应参数DBSCAN聚类算法研究

内河水上交通事故时有发生,对水路运输安全、高效发展带来威胁。研究提出一种基于自适应参数的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法,用于识别内河事故黑点水域。该方法支持对邻域半径ε和邻域中数据对象数目阈值P_(min)参数的自动选取,可提高聚类分析的精度和效率。基于2010—2019年长江干线下游散货船舶事故数据开展案例研究,对各典型事故黑点段的事故特征和事故原因进行分析,得到8个事故黑点。此外,采用Getis-Ord General G聚类识别事故黑点中的高等级事故区域,得到事故黑点及高等级事故主要分布于江心洲、桥区、港口码头区域。研究结果与实际情况基本吻合,一定程度上表明了该方法在内河水上交通事故分布特征分析上的科学性和实用性。

基于改进网络核密度和负二项回归的事故黑点鉴别

已有的交通事故黑点鉴别研究大多基于事故频数或事故率,并未考虑交通事故对不同发生地的影响特征。为了综合考虑交通事故在不同交通环境和路网特征下的差异影响,并解决交通事故数据中零值远超经典离散分布的零膨胀问题,本文提出一种考虑节点综合重要度的改进网络核密度估计法,并基于零膨胀负二项回归模型对城市交通事故黑点进行鉴别。首先,在拓扑路网中综合考虑事故发生地的交通环境和道路条件构建事故综合影响度指标,连同事故严重程度指数嵌入到传统网络核密度估计中,通过在道路网络上生成平滑的密度表面定性体现点事件的空间聚集性。在此基础上,构建基于零膨胀负二项回归鉴别模型,明晰事故高发区域边界范围,定量刻画不同严重等级的事故黑点路段空间分布特征。最后,以深圳市华强北街道为例进行实例分析。结果表明,在90%、80%和70%的阈值水平下本文提出的事故黑点鉴别法的有效搜索率均高于平面核密度估计法,且考虑节点综合影响度后,部分无道路区域不再被误识,模型准确率比传统网络核密度法分别提升了3.60%、5.31%和7.20%。

自适应邻域密度聚类及事故黑点识别应用

聚类作为识别交通事故黑点的主要方法之一,其主要问题是交通事故多发区事先无法确定,即无法提前知道聚类簇数。利用样本点之间的连接概率定义了数据点的局部密度,根据局部密度大小来确定聚类中心和簇数,再对数据点进行聚类。结果表明:一是算法对参数不敏感,具有较好的通用性;二是算法能自动确定聚类簇数;三是算法聚类过程只依赖局部密度与邻接点,能够识别噪声点,提升结果的准确性。运用算法在一些真实数据集上进行试验,将聚类结果与其他算法结果利用评价指标ARI(Adjusted Rand Index)和NMI(Normalized Mutual Information)进行比较。最后利用算法对美国6个州的交通事故进行聚类,结果表明算法对交通事故有较好的适应性,能将城市及周边道路上事故密集区域准确识别出来。

基于时间序列聚类的交通事故黑点识别与分析

【目的】鉴别道路交通事故黑点以及探究事故高发区域的致因。【方法】结合地理信息软件与可解释性机器学习算法,提出一种考虑交通事故时空属性的事故黑点识别及致因分析的方法。【结果】事故高发区域主要聚集在大型商业圈、客运车站与工业区附近,其事故密度为事故低发区域的6.61倍。在事故高发区域,起决定性影响的因素是碰撞形态、天气、能见度、车道类型及两轮车类型。而在事故低发区域,碰撞形态、道路等级、能见度、路面材料以及两轮车类型为主要影响因素。此外,路口路段类型、车道类型、两轮车类型以及肇事逃逸等因素在不同事故区域的影响不同。【结论】交通事故在城市内存在事故黑点,且部分道路环境因素在不同事故区域的影响不一致。研究成果可为交管部门针对事故黑点区域制定防范措施提供指导。

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(BP)模型、自回归滑动平均(ARIMA)模型和支持向量机(SVR)模型等事故预测模型进行对比。结果表明:BiLSTM模型、GRU模型、LSTM模型、BP模型、ARIMA模型和SVR模型对各事故黑点的日均事故频次平均预测精度分别为93.1%、88.8%、88.0%、85.2%、84.4%和84.2%;均方根误差分别为0.092、0.146、0.142、0.147、0.177和0.176。该结果说明,所提BiLSTM模型具有更高的预测精度和更强的鲁棒性。

基于GIS的合肥市道路交通事故黑点鉴别

文章以基于GIS的合肥市道路交通事故黑点鉴别进行讨论。首先,对现有事故黑点定义及事故黑点鉴别方法理论研究进行论述,为后续研究提供较为翔实的理论数据及案例支撑。其次,选取以2020合肥市蜀山区道路交通事故统计数据为研究样本,通过噪声数据处理筛选得出可用数据262条作为后续研究数据,讨论合肥市交通事故分布规律及形态类型的基础上,结合GIS空间分析技术特征展开分析。通过验证与历史数据吻合,证明鉴别方法有效。

道路交通事故的灰色预测与黑点分析

以某市区为研究对象,分析该市区人口密度较高的三个区域交通事故现状,首先利用灰色预测法建立道路交通事故GM(1,1)灰色预测模型,对未来几年市区道路交通事故数进行预测;然后根据道路交通安全影响因素,研究市内三个区域交通事故黑点分布;最后基于人、车、道路、环境综合影响分析,结合事故类型和易发地点判定,找出道路交通事故黑点产生的原因,并根据具体情况提出相应防治措施,以期为城市交通安全管控提供依据.

基于GIS的道路交通事故黑点分析处理系统研究

事故黑点分析处理是道路交通安全管理过程中的一个重要环节。文中结合我国道路交通安全管理中的事故黑点分析工作实际,在用户需求和功能需求分析基础上,提出了基于GIS的道路交通事故黑点分析处理系统的总体设计方案,并对道路交通安全多维信息管理技术、系统数据库技术和基于GIS的事故黑点分析技术等进行了研究。

基于GIS的道路交通事故黑点智能鉴别与信息发布

文中主要讲述基于GIS(地理信息系统)的道路交通事故黑点智能鉴别与信息发布系统的实现原理及方法,重点讨论了基于GIS空间分析技术的道路交通事故黑点智能鉴别方法,通过该系统准确的鉴别和发布道路交通事故黑点分布地图,为大众提供安全出行信息咨询,在一定程度上满足了大众安全出行的需求。

道路交通事故黑点鉴别方法研究

道路交通事故频发,损失巨大。精准的事故黑点鉴别方法可有效降低道路交通事故率,提高安全性。文中梳理了事故频数法、事故频率法、事故频数-事故频率矩阵法、当量总事故数法、质量控制法、累计频率法、聚类分析法、灰色分析法、粗集理论法、BP神经网络算法、GIS(地理信息系统)等道路交通事故黑点鉴别方法的原理、优缺点、适用条件及应用,并指明其发展趋势。

道路交通事故黑点治理的流程、方法与策略

结合现有的道路交通安全管理体制,提出了道路交通事故黑点治理的流程。在分析了已有的各类交通事故黑点鉴别理论的基础上,指出事故次数法与事故率法在我国现阶段仍具有初步筛选的现实意义。最后,结合日益普及的高速公路路网,分析了此类道路黑点的改造策略。

基于网络核密度估计的交通事故黑点识别

为了对交通事故多发点进行分析,识别事故黑点并进行针对性治理,以深圳市龙华区2018—2020年3年间的1 105起道路交通事故数据及道路网络数据作为研究对象,采用高斯函数作为内核函数的道路网络核密度估计,通过K-means聚类进行路段密度等级划分。为进一步考虑路段之间的相关性,提高事故多发点识别精度,采用Local Moran′s I对事故多发点进行识别。对比平面核密度估计结果表明,所采用的基于网络核密度的Local Moran′s I的方法体现了事故多发点在路段及交叉口的分布特征。研究结论对识别事故黑点、进一步提高交通安全水平具有现实意义。

道路交通事故黑点整治策略选择的粗集算法

粗集算法比较适合于不完全信息条件下的推理分析。在简要介绍粗集理论的基础上,设计了该理论应用于道路交通事故黑点整治的基本步骤与实施要点,并给出了一个计算示例。结果表明,粗集算法具有较强的实用性与合理性,有助于道路交通管理部门合理选择黑点的整治策略。

道路交通事故黑点治理的流程、方法与策略

交通事故黑点的有效鉴别可以显著降低交通事故的发生率与损失后果。首先结合现有的道路交通安全管理体制,提出了道路交通事故黑点治理的流程,然后在分析了已有的各类交通事故黑点鉴别理论的基础上指出,事故次数法与事故率法在我国现阶段仍具有初步筛选的现实意义,最后结合日益普及的高速公路路网,分析了此类道路黑点的改造策略。

基于GIS与主成份分析的道路交通事故黑点研究

为准确找出道路交通事故发生的原因,提出了一种基于主成份分析的黑点识别方法,并将GIS相关技术应用到道路交通事故黑点研究中。通过实实例,验证所述的黑点研究方法能够为交通管理部门制定减少交通事故发生,提高道路安全水平的措施提供决策支持。

鉴别道路交通事故黑点的聚类分析方法研究

对道路交通事故黑点的鉴别方法进行综述,提出鉴别道路交通事故黑点的聚类分析法,利用该法对菏泽市牡丹区境内国道220交通事故黑点进行鉴别,可为进一步研究鉴别道路交通事故黑点的方法提供不同的思路。

道路环境与交通事故黑点关系研究

事故黑点对行车安全造成极大影响。为了探索道路环境与事故黑点的关系,文中以山东省滨莱(滨州—莱芜)高速公路淄博段为研究对象,采用改进的事故频数法确定事故黑点,专家评分法探究道路环境与事故数的关系,最后对道路环境影响因素加以分析。结果表明不同道路环境给驾驶人以不同的心理负荷,道路环境差的路段带给驾驶人的心理负荷大,造成判断或操作失误,事故率高,形成事故黑点。