基于SA-Apriori的道路事故风险评估研究

道路事故风险评估是提高道路安全水平的有效方式。为实现在道路网络特征视角下的道路事故风险评估,融合线段分析与频繁集算法,提出SA-Apriori的特征提取算法,进而构建SA-Apriori道路事故风险评估模型,以重庆市大渡口区作为分析对象,建立以道路网络特征变量为指标的道路事故风险等级划分体系,评估其道路事故风险水平,结合商业点位分布情况对该评估方法的有效性进行验证。并针对大渡口区道路事故风险情况,提出道路事故风险的管理对策与建议。结果表明:该道路事故风险评估方法具有较高的可靠性,可为基于路网特征的道路事故风险评估提供参考。

考虑抵达时间成本的道路交通事故风险评估方法

道路交通事故频发,给生命财产造成重大损失,给社会生活带来重大影响。现有针对道路交通事故风险的研究未建立有效的道路网络模型,难以准确描述交通事故风险在道路上的传播特点,评估准确度不高。基于此,提出了一种基于抵达时间成本的网络地理加权回归方法,并利用某县级市2018—2020年的道路、交通违法、交通事故、城市POI等数据开展实验,结果表明,基于抵达时间成本的网络地理加权回归方法融合了交通事故风险在道路上的传播性质,显著降低了评估误差,能够有效评估道路交通事故风险及其影响因素;市中心区域道路交通事故高风险区域主要集中在车流量较大的道路交会处与部分交通设施尚不完备的道路;各类交通违法数量、城市POI对道路交通事故风险的影响程度不同,且具有很强的空间异质性。

融合知识图谱的时空多图卷积交通流量预测

现有的交通流量预测方法关注交通信息的时空相关性,未充分考虑外部因素对交通的影响,为此提出融合静态和动态知识图谱的时空多图卷积交通流量预测模型.基于道路交通信息和外部因素,构建城市交通知识图谱和4个不同语义的路网拓扑图,将城市交通知识图谱输入关系演化图卷积神经网络,实现知识嵌入;使用知识融合模块将车流量矩阵与知识嵌入融合;将4个路网拓扑图和融合知识的车流量矩阵输入时空多图卷积模块,提取时空特征,通过全连接层输出交通流量预测值.在杭州交通数据集上评估模型性能,与先进的基线模型对比,所提模型的性能提高了5.76%~10.71%.鲁棒性实验结果表明,所提模型具有较强的抗干扰能力.

基于24Model的重特大道路交通事故致因网络分析

为探究导致重特大道路交通事故的致因因素及其演化关系,运用24Model分析收集的62起重特大道路交通事故调查报告,从不安全动作因素、不安全物态因素、个体安全能力、管理体系因素、安全文化因素以及外部环境因素6类因素展开分析,确定了53个致因因素,进一步构建重特大道路交通事故致因网络,并分析该网络模型的相关拓扑特征指标,结果表明:安全知识不足,安全意识淡薄,安全习惯不佳,心理状态不佳等10项致因因素中心性较高,处于社会网络核心位置,易于诱发其他致因因素,网络的平均路径长度以及网络直径较小,这表明该致因网络具有小世界性,进一步分析社会网络边权占比,得到了1条致因因素关键影响路径,针对关键致因因素及路径进行协同控制对预防重特大道路交通事故发生具有重要意义。

基于多图时空图卷积模型的城市交通流长时预测

交通流预测是智能交通系统中的重要组成部分,准确、及时和有效的预测信息对于城市道路的交通控制、诱导具有重要意义。然而,由于城市路网交通流时刻受到用地性质、天气变化等多种外部因素的影响,其预测面临着巨大挑战。为了有效预测城市路网交通流而提出了一种融合多源数据的多图时空图卷积模型。将影响城市路网交通流的外部因素分为静态和动态两类,并提供了一种明确和有结构的分类依据来理解影响交通流的各种外部因素。再将静态因素编码为多图,具体为距离矩阵、功能相似性矩阵和连通性矩阵,使用多图组成三通道输入时空相关性建模模块。该模块使用图卷积网络对交通流的空间相关性进行建模,学习节点特征和邻接信息;使用门控循环单元对交通流的时间相关性进行建模,捕捉交通流数据的动态变化和周期性规律。最后,使用融合层将多通道输出与动态因素进行融合作为最后预测输出。为了验证模型的有效性,使用SZ-TAXI数据集,与7种基准预测模型进行对比试验,结果表明,融合了多源外部因素的多图时空图卷积模型在评价指标MAE和RMSE上都比基准模型预测值更具准确性。并设计消融试验分析,处理静态因素的多图方法以及融合动态因素的方法均有效提高了城市路网交通流长时预测性能。

动态路网下城市交通事故风险预测模型研究与实现

通过图卷积神经网络对交通事故进行风险预测是交通领域的研究热点。然而,现有的使用图卷积神经网络对交通事故进行风险预测的研究存在着缺乏语义邻接性的构造、无法进行图权重的自适应学习的问题。针对以上问题,文中基于多源交通大数据,构建了数据驱动的多粒度、多视角的时空拓扑图,实现了交通网络中时空关联性和依赖性的精准建模。图上的结点从时间和空间两个维度对路段结点的交通状态进行综合描述,边则从地理邻接性和语义邻接性两个视角表现了路段之间的抽象邻接关系。在时空拓扑图的基础上,文中设计了基于动态时空图网络的交通事故风险预测模型,实现了路段级交通事故风险的准确预测。该模型引入了具有多头注意力机制的空间图网络层对空间关联性进行学习,同时采用了基于一维扩张卷积的时间学习单元捕获短时依赖性与长时周期性。在北京地区的实际交通数据集上进行大规模实验,所提方法的召回率达到0.899,F1-Score达到0.860,其他指标与主流方法相比也均有所提升。

基于组合赋权优化的ES-ARIMA-BP神经网络交通事故预测研究

为提高交通事故模型的预测精度,更好地辨识交通事故在时间维度上的规律特性,基于CRITIC法和熵权法组合赋权,构建一种ES-ARIMA-BP神经网络组合预测模型,探究新疆地区交通事故在时间维度上的月度分布规律。首先,使用指数平滑法(ES)进行预测,可减少数据间的噪声,并能捕捉时间序列数据中的季节性变动;其次,使用ARIMA模型进行预测,可捕捉数据中的线性部分、非季节性趋势和周期性波动;最后,为更好地应对数据中的复杂非线性及无周期性波动,引入BP神经网络进行预测。结果表明:构建基于组合赋权优化的ES-ARIMA-BP神经网络组合预测模型,平均绝对误差百分比(MAPE)仅为1.869%,决定系数(R^(2))高达0.982,较单一模型及单一赋权法下的组合模型预测误差率更低,拟合程度更好。组合预测模型以数据最大优化为思想基础,可有效克服单一模型的局限,同时采用组合赋权,使其能更好地适应不断变化的数据和环境,从而提高预测的准确度。

道路交通事故严重程度预测及致因分析

【目的】为提高交通事故严重程度预测的准确性,明晰事故严重程度的关键影响因素。【方法】从885起道路交通事故案例数据中选取影响交通事故严重程度的人、车、路、环境四方面共14个因素,采用融合通道注意力的卷积神经网络(CA-CNN)构建事故分类预测模型。在此基础上,采用边际效用方法分析得出交通事故严重程度的显著影响因素。【结果】结果表明,相较于卷积神经网络(CNN)、随机森林(RF)、朴素贝叶斯(NaiveBayes)、回归分析(Logistics)、决策表(Decision_table)、引导聚集算法(Bagging)6种预测模型,CA-CNN模型在准确率、查准率、召回率等指标评价下,整体预测性能更优;在交通事故严重程度的影响因素中,季节、是否工作日、道路类型、事故形态、是否违法变更车道、未按规定让行及制动不当7个因素具有显著性(p≤0.05)。【结论】CA-CNN是一种有效的交通事故严重程度预测模型,其分析结果有助于降低交通事故发生率和严重程度。

基于埃尔曼神经网络的区域公路网交通适应性分析方法

为分析判定区域公路网交通适应性,从交通安全分析入手,考虑路网交通适应性与路网结构的关系,基于埃尔曼神经网络模型对区域公路网交通适应性进行分析。首先,构建了区域公路网安全度指数,公路网交通适应性的评价以公路网安全度指数作为评价依据,模型初始变量通过对影响区域公路网交通适应性的影响因素进行分析获得。然后,采用粗糙集理论中可辨识矩阵的约简算法,对显著影响区域公路网交通适应性的特征变量进行筛选,筛选出来的变量即作为最终模型的输入变量。最后,建立了基于埃尔曼神经网的区域公路网交通适应性分析判别模型,实现通过高速路网各项指标即可对区域高速公路网的交通适应性进行综合评价。

基于SSA-CNN-BiLSTM组合模型的短时交通流量预测

为改善城市道路交通拥堵状况,并为智能交通系统决策提供辅助手段,针对短时交通流的非线性和时序性特点,构建了一种基于麻雀搜索算法(SSA)优化的卷积神经网络(CNN)联合双向长短时记忆神经网络(BiLSTM)的组合模型以预测短时交通流量。首先,对原始交通流数据进行异常值清洗、小波阈值去噪和归一化处理。然后,利用SSA算法对CNN与BiLSTM组合网络中的隐藏层单元数、初始学习率和L2正则化系数三个超参数迭代寻优。最后,将搜索得到的最优超参数组合输入搭建好的组合网络中进行训练和预测。实验结果显示:与粒子群优化(PSO)和灰狼优化(GWO)算法相比,SSA算法在网络超参数寻优过程中的收敛速度更快,全局寻优能力更强;与3种对比模型(CNNBiLSTM、BiLSTM和LSTM)相比,在5 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的均方根误差(RMSE)分别降低了5.46、12.78、20.38,平均绝对百分比误差(MAPE)分别降低了0.49%、2.24%、3.11%;在15 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的RMSE分别降低了9.70、28.42、41.18,MAPE分别降低了0.50%、1.98%、2.59%。研究表明,相比既有算法,该短时交通流量预测组合模型在精度和稳定性上都有所提升,可通过提供更精准的短时交通出行信息来改善道路交通状况。

融合路网特性与哈顿矩阵的交通事故致因分析

为提升道路交通事故的致因分析水平,本文提出融合路网特性与哈顿矩阵的道路交通事故分析方法。采用地理信息系统技术识别道路交通事故易发区域,建模采用功能共振分析方法,变量分类使用哈顿矩阵。通过实例验证,结果表明该方法可增强FRAM模型的分析能力,直观地展示事故发生的系统结构,可提升道路交通事故的致因分析水平。

基于深度学习的城市主干道路交通拥堵水平预测

为了解决城市主干道路交通拥堵问题,提出一种基于深度学习的城市主干道路交通拥堵水平预测方法。建立城市主干道路交通网络的Katz相似度矩阵,保存路网的结构特征,获得城市主干道路交通流数据。采用局部敏感判别分析模型,将交通流数据映射到低维流形,获得最优投影矩阵,提取城市主干道路交通特征。结合循环神经网络模型(RNN)和长短时记忆网络模型(LSTM),设计长短时记忆循环网络(RNN-LSTM)模型,解决梯度消失问题,输入城市主干道路交通特征,经过训练输出城市主干道路交通拥堵水平预测结果。实验结果表明,所提方法预测准确度在0.8~0.98,预测所需时间平均为24.74 ms,具有一定的应用价值。

基于神经网络的实时事故预测方法研究进展

道路交通事故预测作为道路主动安全管理的重要组成部分,在降低事故发生概率、帮助管理者制定安全决策等方面起着重要作用。随着数据需求的不断增加,传统方法已无法满足大数据的需求,机器学习和人工智能算法在动态、实时和复杂情况下的道路交通事故预测领域显示出强大的潜力。文章从数据获取和特征变量选择开始介绍,详细叙述了基于机器学习的神经网络及与深度学习结合后该方法在国内外的相关研究,分析了使用神经网络相关方法在建模时会面临的优缺点,最后对基于神经网络的交通实时事故预测方法进行了总结及展望,给出未来的发展趋势。

考虑严重程度的城市道路交叉口事故密度空间分布

为探究城市道路交叉口交通事故的空间分布特征,找出影响事故严重程度的关键因素,基于哈尔滨市城市道路交通事故数据库,获得有效交叉口事故样本1758起,并提取9类事故特征.采用密度分析方法,分别获得考虑路网密度、交叉口密度、严重程度的事故密度空间分布特征,并将其可视化显示.将事故严重程度分为死亡事故和非死亡事故2类,选择事故严重程度预测效果最好的随机森林算法分别对整个城市区域、低密度区域和中高密度区域影响交叉口事故严重程度的因素排序.结果表明:考虑路网密度、交叉口密度和事故严重程度时,交叉口事故空间分布呈现一定的差异性;对于整个城市区域、低密度区域和中高密度区域,季节和天气情况均为事故严重程度的主要影响因素,交叉口类型、事故形态和时段分别为3类区域的主要影响因素.

基于BP神经网络的二级公路线形事故风险判别

为探究二级公路平纵线形指标与事故之间的关系,构建基于反向传播(back propagation, BP)神经网络的公路平纵线形指标风险指数模型,判别事故路段风险变化情况及风险路段区间.通过收集历史事故数据,分析各线形指标下的路段事故率,依据路段事故率对平纵8个线形指标进行风险评级;基于BP神经网络模型综合考虑各线形指标影响,得到各线形指标权重系数;综合线形指标权重系数及风险评级建立风险指数模型,分析二级公路事故多发段范围内的平纵面线形风险指数变化情况.结果表明,当二级公路为双向两车道公路,设计速度为60 km/h时,综合双向路段事故率可知道路纵坡为3%时具有较高安全性;事故风险路段具有一定规律性,即事故桩号点前100 m内为导致事故的风险路段,事故桩号点前200 m内为事故潜在风险路段.研究结果可为二级公路线形设计以及公路事故黑点的研究提供理论支持,进而优化道路线形设计,精确判别事故黑点,减少道路交通事故,提升道路安全品质.

毫米波道路监控雷达多径模型及鬼影抑制

毫米波道路监控雷达具有全天时、全天候、监控距离远等优点,在交通安全、交通流量、道路监控等方面发挥重要作用,但多径鬼影目标一直影响这种雷达的性能。在分析高速场景下多径传播路径的基础上建立回波信号模型,对恒虚警检测得到目标与多径检测点的特征进行提取,分析多径鬼影与道路护栏的距离和角度、检测点云连续性等特征,据此提出一种基于神经网络的鬼影抑制方法;通过实测数据分析,验证毫米波道路监控雷达目标检测和跟踪的准确性。结果表明:综合利用所提的8种特征可有效抑制多径鬼影目标,多径鬼影识别率达95.74%,总体识别率达90.70%,可实现对车辆的有效监测与定位。

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明:相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_(rmse)分别降低了8.7%、48.3%、53.1%、57.6%,误差e_(mape)分别降低了12.4%、36.9%、50.6%、61.2%。进一步研究表明,运用EEMD对数据进行降噪预处理能提高预测精度,与PSO-LSTM模型相比,EEMD-PSO-LSTM模型的误差e_(rmse)降低了60.2%,e_(mape)降低了12.4%,判定系数r^(2)提高了0.6165;引入PSO模型优化神经网络结构同样也能有效提升预测效果,与EEMD-LSTM模型相比,EEMD-PSO-LSTM模型的误差e_(rmse)减小了53.1%,e_(mape)降低了50.6%,判定系数r^(2)提高了0.8078。该研究结果能够提高交通事故预测精度,帮助相关部门有效提高道路交通安全水平。

基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function,PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。

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。

城市道路网络特征对交通事故的作用机理研究

机动交通快速发展背景下城市道路交通安全问题日益严峻,探讨道路网络对交通事故的作用机理是从交通安全视角开展道路交通规划的关键环节。现有研究聚焦于分析城市道路网络的几何拓扑特征与交通事故的相关关系,较少探讨其中的复杂作用机理。以武汉市主城区为研究单元,在运用网络分析工具测度道路网络拓扑结构指标的基础上,构建结构方程模型刻画城市道路网络几何拓扑特征、交通流量和速度、严重交通事故频率之间的多维关系网络,揭示三者的路径链关系。研究发现:交通速度对严重交通事故的影响效应大于交通流量;相较于拓扑特征,道路网络几何特征对严重交通事故的影响效应更高、作用路径更丰富;中间中心性与接近中心性对交通事故具有直接效应,且作用关系相反;道路网络的连通性提升能够减少区域交通流量,进而降低严重交通事故频率,而增加道路平均宽度会通过提高区域交通流量与交通速度提升交通事故风险暴露水平;提高城市路网密度所获得的正面出行效益大于其所带来的负面出行效益,从而能够改善城市道路交通安全水平。研究结果可以为面向交通安全的城市道路网络规划设计提供理论指导。