原文传递
基于交通流参数的高速公路事故预测及风险预警研究
| 论文题名： | 基于交通流参数的高速公路事故预测及风险预警研究 |
| 关键词： | 实时交通流;交通安全;特征选择;事故预测;交通安全预警 |
| 摘要： | 一方面我国高速公路的里程规模迅速增长，并借助各种技术向着信息化、智能化的趋势进一步发展，另一方面高速公路交通事故频发，高速公路交通安全问题是历年交通运输管理工作的重难点。但目前大多传统的交通安全管控处在被动状态，表现为“重交通执法，轻风险管控”。随着海量交通信息数据的获取成为可能，本文关注基于短时交通流的高速公路实时事故风险的研究，在交通安全管理中引入事故预测和风险预警等方法。 为帮助高速公路交通管理系统工作人员构建更科学的道路主动安全管理策略、开发更高效的事故预警技术方案，论文以高速公路上实时的交通流运行状态为切入点，通过分析交通流参数与高速公路安全的相关性，并发掘事故前兆道路交通流参数特征，来建立交通事故预测和道路风险预警模型，实现对交通事故风险自主防范的目的，进而提高交通安全管理水平。论文具体研究工作如下： 首先，为达到对高速公路交通事故进行实时的分析与预测，本文选择由高精度检测器采集、汇总的数据库，选择合适的研究对象道路I-880N，并对其道路上采集到的海量交通事故数据和交通流数据进行预处理。在此基础上，分别进行交通流参数相关性研究和事故时空分布特性和分类形态研究。结合以上两方面的研究，采用宏观统计方法分析交通流与交通安全的相关性，以及微观分析方法分析事故前后交通流变化特征。 然后，通过配对式病例-对照研究方法，以1:4的原则为经过筛选、处理后的事故数据匹配上相应的非事故交通流数据，构成研究数据库。计算初始交通流特征参数，并使用随机森林算法（Randomforest），将特征重要度排序前8个的变量设置为RF特征集。另外，提出以随机森林为基学习器的递归消除法（Recursivefeatureelimination,RFE）进行特征筛选方法优化，得到维度为8的特征集RFE和交叉验证（cross-validation,cv）最优集RFEcv。最后，分别应用BP神经网络模型和SVM支持向量机分类模型对3个特征集建立高速公路交通事故、预测模型，应用混淆矩阵、ROC曲线及AUC值对事故、预测模型的准确率和预测精度进行评估，研究发现RFEcv数据集在两种模型上针对事故类型的数据预测准确率较高。 最后，基于对高速公路安全预警系统研究，提出针对交通流运行特征分析的交通风险预警模型。针对事故数据选取交通流特征向量，采用主成分综合评价法计算高速公路交通流风险指标。然后，计算事故多发地的交通风险值，并采用K均值聚类方法确定各风险预警等级阈值，最后针对影响交通流状态的交通驾驶行为制定安全防控措施，实现高速公路的动态安全防控。 |
| 作者： | 嵇星羽 |
| 专业： | 交通运输工程 |
| 导师： | 周备 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
