无信号环形交叉口机非冲突机器学习预测方法

为高效精确地预测无信号环形交叉口机动车与非机动车的交通冲突,提出了基于遗传算法优化的BP神经网络(genetic algorithm and back propagation,GA-BP)和支持向量回归(support vector regression,SVR)的组合预测模型(SVR-GA-BP)。通过无人机采集混合交通流高清视频,利用视频识别软件Tracker提取机非交通冲突轨迹数据,以距离碰撞时间(time to collision,TTC)为判别指标,确定机非冲突严重程度。基于偏相关性分析确定交通量、平均速度、大车比例等为机非交通冲突的显著影响因素,选取均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)等五种评价指标对SVR模型、BP神经网络、SVR-GA-BP模型的预测值进行精度分析。结果表明,组合模型在一般冲突预测中精度为97.1%,相比SVR和BP神经网络分别提高6.9%和2.5%,在严重冲突预测中精度为96.1%,相比SVR和BP神经网络分别提高7.3%和5.1%。可见SVR-GA-BP组合模型能够有效预测无信号环形交叉口的机非冲突且精度最高,可为同类型交叉口的安全评价提供借鉴。

无信号控制环形交叉口的发展与启示

为了克服国内对无信号控制环形交叉进行盲目改造的误区,从环形交叉口的起源与发展入手,通过对不同形式的无信号控制环形交叉口的优缺点进行对比分析,在总结国外的经验与教训的基础上,指出了不同的无信号控制环形交叉口的适用范围以及我国在无信号控制环形交叉口领域存在的问题,提出了相应的改善措施,在对常规环形交叉口进行改造时应采用入环车辆让行的规则以避免锁死现象的发生,采用进口道偏移的手段以降低入环车辆的速度以提高交叉口的安全性,增加进口道与环道的车道数以提高交叉口的通行能力。