详情

原文传递基于行车安全事件的道路运行风险致因分析及辨识方法研究

论文题名：	基于行车安全事件的道路运行风险致因分析及辨识方法研究
关键词：	交通安全;行车风险事件;致因分析;风险辨识
摘要：	交通事故每年给全世界带来不容忽视的人员伤亡和财产损失，如何降低交通事故和提升交通安全水平是各个国家对于交通行业的首要关注点之一。交通事故中最为主要的类型便是行车碰撞事故，传统的事故风险致因、风险预测等研究多基于此类数据进行分析、建模。但是由于行车事故数据不易获得，整体数量较少，且事故数据中缺乏详细的驾驶数据（诸如制动、速度及减速度等驾驶行为数据）等原因，导致这些研究所提出的模型在建模中使用的特征变量往往局限于常规的交通流变量，不能充分的利用车辆运行过程中的一系列数据。行车风险事件（Near-crash）是指需要目标车辆或者任何其他车辆、行人、自行车或动物快速规避的事件，可以提供更可控的实验数据作为交通安全研究的有效补充。此外，对Near-crash事件分析有进一步了解碰撞因果关系和改善道路安全的潜力。因此，本文旨在提出一种面向不同路段的，基于Near-crash事件的道路风险致因分析模型及路段风险辨识模型，研究成果能够对于降低路段风险水平，提升道路安全具有重要意义，且为相关领域的研究带来新的数据框架使用思路和建模方法。　　首先，分析从哪些数据中可以获得Near-crash事件，为了从车辆运行数据中提取 Near-crash 事件，提出了基于制动减速度以及碰撞时间（Time to Collision, TTC）的 Near-crash 事件采集方法，并使用 DBSCAN 聚类算法将Near-crash事件划分为高、中、低三个严重等级；基于装有先进辅助驾驶系统（Advanced Driver Assistant System, ADAS）的实车实验平台作为车辆运行数据的采集方法，开展了88人次的包含高速公路、城市道路、城市快速路的实车实验；对采集的车辆运行数据进行预处理，形成可用的数据集。　　然后，以Near-crash事件代替碰撞事故，通过文献调研与相关研究经验，建立一个综合数据库探索与Near-crash事件相关的影响因素，并通过视频、及问卷对致因因素信息进行编码；针对编码后的数据库，通过效度及信度检验提取不同等级Near-crash事件的公因子等信息；以公因子等信息作为经验因素模型，利用AMOS软件建立结构方程模型来研究不同等级Near-crash事件的致因；最终结果证明结构方程模型的可行性，且不同等级的Near-crash事件的致因因素不同。　　为了能够将车辆运行数据与路段匹配，提出了一种基于三种不同的道路类型的路段划分方法，其中高速公路及城市快速路采样等间隔规则，城市道路采样相邻交叉口为一路段原则进行划分；将不同等级的Near-crash事件匹配至路段，并提出了一种基于路段上不同等级Near-crash事件数量划分路段风险的方法；将所有车辆的运行数据匹配至路段，采用速度、横向加速度、纵向加速度、横摆角速度、油门、方向盘角度、方向盘转角共7个指标，构建路段风险辨识数据库。　　最后，基于Netica软件，针对城市道路、城市快速路、高速公路三种不同道路类型分别构建贝叶斯网络模型，并对模型进行敏感性及有效性分析；，最终模型准确度为78.12%；其中城市道路路段评估错误的路段数为30个，准确率为75.81%，其中快速路路段评估错误的路段数为64个，准确率为76.73%，其中高速公路路段评估错误的路段数为41个，准确率为81.19%。该模型对于城市路段风险的辨识能力最差，可能是由于城市路段交通状况较为复杂，且通过视频可知Near-crash事件多发生于红绿灯车辆停止或起步时等原因导致的。
作者：	季托
专业：	交通运输工程
导师：	吕能超
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022