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。

路侧违章停车黑点识别及成因分析

随着城市机动车保有量的急剧增加,城市停车供需矛盾日益显著,路侧违章停车现象也更加突显。为探究路侧违章停车的分布规律及形成原因,结合GIS(geographic information system,地理信息系统)空间分析和聚类分析,提出了一种基于网格K-means(K均值)聚类分析的违停黑点识别方法。利用南京市秦淮区2021年的路侧违停数据识别出该区域的路侧违停黑点,据此分析违停黑点的道路环境特征,提取出老旧小区、购物广场、旅游景点三大典型违停场景,采用问卷调查的方法,总结出从众心理、路侧停车泊位供应不足、公共停车场距离较远、公共停车场收费标准较高、停车意识和法制观念淡薄、管理部门监督执法不严格等六大路侧违章停车的主要成因,为相关部门制定政策措施提供理论依据。

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。

基于ISODATA算法的水上交通事故黑点识别

针对水上交通安全问题,基于ISODATA算法和水上交通事故等级综合加权平均法,构建水上交通事故黑点识别模型。结合道路交通黑点及现有水上交通多发区的研究方法,定义水上交通事故黑点;采用ISODATA算法分析水上交通事故空间分布特征,实现对水上交通事故空间的构建;对水上交通事故等级梯度赋值,以量化事故的严重程度,利用等级综合加权平均法确定黑点阈值。并以深圳西部港区水上交通事故为例进行模型应用,共识别出10处事故黑点及其边界,表明水上交通黑点识别模型能有效识别水上交通黑点的空间分布及特征,为水上交通安全状态分析提供了一种度量方法。

道路黑点识别与改善

针对道路黑点识别方法、黑点成因及改善措施,总结了国内外经验,提出质量控制法识别路网中事故多发道路,经验 鉴别指数法识别道路事故多发点(段),以及确定黑点改善优先排序方法,并进行了系统的说明与论述。应用结果表明该方法识别道路黑点准确,改善措施效果显著。

基于事故黑点识别模型的江西省普通国省道公路事故黑点路段选择

文章以江西省近5年普通国省道公路交通事故数据为基础,结合各主管部门的管理经验,使用事故多发道路筛选方法,以事故起数、路产损失绝对值为参考,以单起事故路产损失、事故起数占比/里程占比、路产损失占比/事故起数占比相对值为依据,筛选出事故频发的普通国省道公路。同时根据事故黑点识别方法与模型,使用事故频数法计算单元路段平均事故次数与事故次数临界值,将单位里程路段交通事故起数与事故临界值进行比较,高于事故临界值的路段即为事故黑点路段。

基于LOF改进的K-means算法在交通事故黑点识别中的应用

为改进传统K-means聚类算法受初始聚类中心及异常点影响较大的问题,提出使用离群点检测(LOF)改进的K-means聚类算法,并应用到交通事故的黑点识别中。使用数据集为2018年7月1日至2018年12月31日于美国洛杉矶发生的交通事故数据。首先,利用LOF对事故点坐标数据集进行离群点检测;其次,剔除掉原数据集中的离群点,构建新数据集;最后,将基于LOF改进的K-means算法选取初始聚类中心再进行迭代,得到事故黑点。将使用改进的算法与使用K-means及LOF与K-means结合的算法获得的聚类结果进行比较,发现改进后的算法大大提高了黑点识别效果。

优化经验贝叶斯事故黑点识别与排序方法

为了对道路交通事故黑点进行准确有效识别和排序,提出基于事故统计数据及事故预测模型的优化经验贝叶斯黑点识别方法,并对该方法的工程实用性进行了优化。同时,从事故发生危险程度、安全治理可提升空间2个方面提出了优化经验贝叶斯黑点排序方法。选取2个城市的信号交叉口事故数据,利用基于事故统计数据的黑点识别方法对城市A的总事故黑点、伤亡事故黑点分别进行了识别,并按照事故发生危险程度进行了总事故黑点排序;利用基于事故预测模型的黑点识别方法对城市B的事故黑点进行识别,并分别按照事故发生危险程度、安全治理可提升空间2种排序规则进行了黑点排序。结果表明:在95%的显著性水平下,城市A共识别出24个总事故黑点及18个伤亡事故黑点;在99%的显著性水平下,城市B共识别出15个事故黑点;优化经验贝叶斯法在识别准确性、消除事故数随机波动及趋中心回归现象影响方面优于事故率法和质量控制法;基于安全治理可提升空间的排序指标倾向于筛选出安全治理投资收益比高的地点,基于事故发生危险程度的排序指标则倾向于筛选出与事故期望值偏离较大的地点。

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。

刮研加工自动化研究现状及发展分析

概述了刮研加工的特点、应用及其工艺过程,指出了限制其发展的因素。从动力刮刀、刮研质量检测和刮研整机等方面综述了刮研加工自动化研究及应用现状,进行了简要分析,并在刮研加工自动化的发展方向上阐述了观点。