深入分析交通事故数据可以为规避事故发生、降低事故严重程度提供重要理论依据,然而,在事故数据采集、传输、存储过程中往往会产生数据缺失,导致统计分析结果的准确性下降、模型的误判风险上升。本文以芝加哥2016—2021年的101452条追...深入分析交通事故数据可以为规避事故发生、降低事故严重程度提供重要理论依据,然而,在事故数据采集、传输、存储过程中往往会产生数据缺失,导致统计分析结果的准确性下降、模型的误判风险上升。本文以芝加哥2016—2021年的101452条追尾事故数据为研究对象,将原始数据按照7∶3随机分为训练集和测试集。在训练集数据上,利用生成式插补网络(Generative Adversarial Imputation Network,GAIN)实现对缺失数据的填补。为对比不同数据填补方法的效果,同时选择多重插补(Multiple Imputation by Chained Equations,MICE)算法、期望最大化(Expectation Maximization,EM)填充算法、缺失森林(MissForest)算法和K最近邻(K-Nearest Neighbor,KNN)算法对同一数据集进行数据填补,并基于填补前后变量方差变化比较不同填补算法对数据变异性的影响。在完成数据填补的基础上,构建LightGBM三分类事故严重程度影响因素分析模型。使用原始训练集数据,以及填补后的训练集数据分别训练模型,并使用未经填补的测试集数据检验模型预测效果。结果表明,经缺失值填补后,模型性能得到一定改善,使用GAIN填补数据集训练的模型,相较于原始数据训练的模型,准确率提高了6.84%,F1提高了4.61%,AUC(Area Under the Curve)提高了10.09%,且改善效果优于其他4种填补方法。展开更多
为实现急弯路段的追尾碰撞风险主动防控,提出了一种基于多源数据融合的追尾冲突动态预测方法。首先,基于无人机、毫米波雷达等采集的车辆运行数据,提出了适用于急弯路段交通流特征的追尾冲突判别模型及冲突等级阈值划分标准,分析了急弯...为实现急弯路段的追尾碰撞风险主动防控,提出了一种基于多源数据融合的追尾冲突动态预测方法。首先,基于无人机、毫米波雷达等采集的车辆运行数据,提出了适用于急弯路段交通流特征的追尾冲突判别模型及冲突等级阈值划分标准,分析了急弯路段的追尾冲突空间分布特征。然后,筛选车型、大车比率、断面速度差等13个交通流特征指标作为输入变量,以粒子群算法为基础,分别构建了其与BP神经网络、随机森林、支持向量机算法的追尾冲突动态组合预测模型,并根据混淆矩阵和曲线下面积评估各模型的预测性能,利用黑箱解释方法分析冲突发生概率的显著性影响因素及影响程度。结果表明:相较于平直或一般弯道路段,急弯路段的追尾冲突TTC(Time to Collision)值更小,出弯缓和曲线段冲突更为严重,且弯道内侧碰撞风险最高;粒子群-随机森林模型的追尾冲突预测性能最佳,灵敏度达90.70%;急弯路段追尾冲突受车辆平均车头间距的影响程度最大,当平均车头间距为25 m左右时,冲突发生概率最小,向心加速度均值、速度均值等因素亦对其有显著影响。展开更多
为解决山区路段追尾事故频发的问题,基于交通冲突技术对弯坡组合路段车辆追尾事故风险进行评估,并对追尾冲突的影响因素进行识别。通过无人机航拍、雷达测速等调查手段对车辆轨迹与交通流数据进行采集。传统碰撞时间(time to collision,...为解决山区路段追尾事故频发的问题,基于交通冲突技术对弯坡组合路段车辆追尾事故风险进行评估,并对追尾冲突的影响因素进行识别。通过无人机航拍、雷达测速等调查手段对车辆轨迹与交通流数据进行采集。传统碰撞时间(time to collision, TTC)计算方法尚未对弯坡组合路段线形特征充分考虑,根据弯坡组合路段各组成部分(圆曲线、缓和曲线与直线路段)的道路线形与车辆运行特征,对车辆追尾TTC进行修正,根据冲突时间累积分布曲线得出严重、一般、轻微与潜在追尾冲突的划分阈值,分别为1.23、2.59、3.50、4.0 s。分别构建圆曲线、缓和曲线与直线路段追尾冲突影响因素识别树结构,并通过有序Logistic模型分析各因素对追尾冲突严重性的影响。结果表明:交通量的增加、大型车辆的混入、车辆行驶速度与加速度的提高会促进冲突的产生以及严重程度的增加;交通流特征指标对各路段追尾冲突的影响存在效果差异;圆曲线路段车辆入弯与出弯方向及内侧与外侧弯道之间的追尾冲突无显著差异;而在缓和曲线与直线路段存在差异。研究结果能够帮助追尾事故的主动安全防控、实时预测,并改善弯道路段的行车安全。展开更多
文摘深入分析交通事故数据可以为规避事故发生、降低事故严重程度提供重要理论依据,然而,在事故数据采集、传输、存储过程中往往会产生数据缺失,导致统计分析结果的准确性下降、模型的误判风险上升。本文以芝加哥2016—2021年的101452条追尾事故数据为研究对象,将原始数据按照7∶3随机分为训练集和测试集。在训练集数据上,利用生成式插补网络(Generative Adversarial Imputation Network,GAIN)实现对缺失数据的填补。为对比不同数据填补方法的效果,同时选择多重插补(Multiple Imputation by Chained Equations,MICE)算法、期望最大化(Expectation Maximization,EM)填充算法、缺失森林(MissForest)算法和K最近邻(K-Nearest Neighbor,KNN)算法对同一数据集进行数据填补,并基于填补前后变量方差变化比较不同填补算法对数据变异性的影响。在完成数据填补的基础上,构建LightGBM三分类事故严重程度影响因素分析模型。使用原始训练集数据,以及填补后的训练集数据分别训练模型,并使用未经填补的测试集数据检验模型预测效果。结果表明,经缺失值填补后,模型性能得到一定改善,使用GAIN填补数据集训练的模型,相较于原始数据训练的模型,准确率提高了6.84%,F1提高了4.61%,AUC(Area Under the Curve)提高了10.09%,且改善效果优于其他4种填补方法。
文摘为实现急弯路段的追尾碰撞风险主动防控,提出了一种基于多源数据融合的追尾冲突动态预测方法。首先,基于无人机、毫米波雷达等采集的车辆运行数据,提出了适用于急弯路段交通流特征的追尾冲突判别模型及冲突等级阈值划分标准,分析了急弯路段的追尾冲突空间分布特征。然后,筛选车型、大车比率、断面速度差等13个交通流特征指标作为输入变量,以粒子群算法为基础,分别构建了其与BP神经网络、随机森林、支持向量机算法的追尾冲突动态组合预测模型,并根据混淆矩阵和曲线下面积评估各模型的预测性能,利用黑箱解释方法分析冲突发生概率的显著性影响因素及影响程度。结果表明:相较于平直或一般弯道路段,急弯路段的追尾冲突TTC(Time to Collision)值更小,出弯缓和曲线段冲突更为严重,且弯道内侧碰撞风险最高;粒子群-随机森林模型的追尾冲突预测性能最佳,灵敏度达90.70%;急弯路段追尾冲突受车辆平均车头间距的影响程度最大,当平均车头间距为25 m左右时,冲突发生概率最小,向心加速度均值、速度均值等因素亦对其有显著影响。
文摘为解决山区路段追尾事故频发的问题,基于交通冲突技术对弯坡组合路段车辆追尾事故风险进行评估,并对追尾冲突的影响因素进行识别。通过无人机航拍、雷达测速等调查手段对车辆轨迹与交通流数据进行采集。传统碰撞时间(time to collision, TTC)计算方法尚未对弯坡组合路段线形特征充分考虑,根据弯坡组合路段各组成部分(圆曲线、缓和曲线与直线路段)的道路线形与车辆运行特征,对车辆追尾TTC进行修正,根据冲突时间累积分布曲线得出严重、一般、轻微与潜在追尾冲突的划分阈值,分别为1.23、2.59、3.50、4.0 s。分别构建圆曲线、缓和曲线与直线路段追尾冲突影响因素识别树结构,并通过有序Logistic模型分析各因素对追尾冲突严重性的影响。结果表明:交通量的增加、大型车辆的混入、车辆行驶速度与加速度的提高会促进冲突的产生以及严重程度的增加;交通流特征指标对各路段追尾冲突的影响存在效果差异;圆曲线路段车辆入弯与出弯方向及内侧与外侧弯道之间的追尾冲突无显著差异;而在缓和曲线与直线路段存在差异。研究结果能够帮助追尾事故的主动安全防控、实时预测,并改善弯道路段的行车安全。
