详情

原文传递多源数据驱动的快速路交通事故风险实时预测

论文题名：	多源数据驱动的快速路交通事故风险实时预测
关键词：	城市快速路;交通安全;风险预测;实时交通流;多源数据融合
摘要：	城市快速路是城市交通系统的重要组成部分，通行能力大、节省出行时间是其显著特点，为城市的远距离快速交通提供了诸多便利。随着城市机动车保有量的增加，城市快速路的交通负荷也越来越大，使得交通事故频发。而这些交通事故将会导致交通拥堵，和大量的财产损失以及人员伤亡。这不仅影响着人民的生命财产安全，还造成了严重的环境污染和能源消耗。因此城市快速路的交通安全水平亟待提高。实时交通流状态是导致交通事故发生最直接的因素，且随着智能运输系统的发展，产生了海量多源的高精度交通流数据，为城市快速路实时风险的预测提供了良好的数据基础。为了提升城市快速路的交通安全，本文基于城市快速路历史交通事故数据和多源检测器获取的实时交通流数据，构建了基于实时交通流特征的城市快速路事故风险预测模型。本文的具体研究内容如下：　　首先，基于多源数据进行实时交通流参数的提取与融合。通过对移动检测器数据、断面检测器数据进行数据预处理，提取出事故发生时空范围内匹配的实时交通流数据，并计算相应的交通流参数。但不同类型的检测器存在各自的优势和缺陷，断面检测器能够获取检测器位置附近的且接近全样本的交通流信息，却无法准确地捕捉整个道路路段的运行状态；移动互联技术支撑的移动检测器可追踪整个路段的交通流信息，但却无法保证充足的车辆样本。为综合利用两种不同的数据源，本文采用DS证据理论方法融合两类数据源的交通流特征，以获取准确的交通流信息，为后续事故风险建模研究提供数据基础。　　其次，在城市快速路交通事故风险实时预测模型研究方面。基于融合数据和断面检测器数据提取三种空间范围的交通流数据，综合考虑了多个实时交通流参数，基于速度离散、行程时间、上下游速度差值、占有率差值等事故前兆特征变量，利用BalancedBagging样本重采样技术以及XGBoost集成机器学习算法构建城市快速路事故风险实时预测模型。研究发现融合数据相较于单一数据源，城市快速路事故风险模型的预测精度更高，能够更好地拟合出实时交通流特征与交通事故发生风险之间的非线性复杂关系。因此数据融合方法可以应用于交通安全领域以实现对事故预测模型准确度的提高；同时本研究发现上下游四个路段空间范围的交通流参数的模型相对于上下游共两个、六个路段的模型表现较优。实验结论可为未来基于实时交通流特征建立事故风险预测模型提供理论参考。　　最后，开展实时交通流特征与城市快速路事故风险的关联性研究。基于最优城市快速路事故风险实时预测模型，采用特征重要度分析法（FeatureImportance）和部分依赖图（PartialDependencePlot）分别从特征对模型的重要性以及实时交通流特征与事故发生风险的关联性两个角度进行了分析。研究发现上游速度离散、占有率差值、速度离散差值、下游速度这四个特征对于事故发生风险的影响较大；且给出了部分实时交通流特征对事故风险的影响。研究结论对于城市快速路的管控，提升快速路安全水平具有重要意义。　　本文能够帮助交通管理部门有针对性地对交通事故风险进行预警，及时做出交通管理调度。同时加深了实时交通流特征与事故风险关联性的理解，并为交通安全治理防控提供有效依据，改善城市道路交通安全水平。
作者：	黄培
专业：	交通运输工程;交通信息工程及控制
导师：	王晨;王树盛
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022