一种基于贝叶斯联合模型量化径路安全水平的方法技术

本发明专利技术公开了一种基于贝叶斯联合模型量化径路安全水平的方法，利用路口-路段分严重性事故频率贝叶斯联合预测模型，估计出行路径中各道路实体分严重性的事故率，并以各严重性事故损失比重加权求和，获得整条路径的安全评价指标。该方法可以方便嵌入路径导航、出行信息服务平台等系统中，从而为旅客出行的安全性提供智能分析手段。

【技术实现步骤摘要】
一种基于贝叶斯联合模型量化径路安全水平的方法
本专利技术涉及一种量化径路安全水平的方法，特别涉及一种基于贝叶斯联合模型量化径路安全水平的方法。
技术介绍
径路是指交通网络上任意一OD点对之间，从发生点到吸引点一串连通的路口、路段的有序排列。在现实生活中，当驾车从一个地方出发到另一地方去，通常存在许多不同的出行路径。在选择路径时，主要考虑路径的出行距离、旅行时间等因素。然而，随着我国城市化、机动化水平的不断提升，道路上的事故发生几率也在随之提升，道路交通安全成为了一项十分重要的社会、经济问题。同时，在出行过程中，对于所选路径的安全水平，也受到了人们越来越多的重视，尤其是在偏远山区等道路条件非常复杂的地区更是如此。对于道路实体的事故预测研究已经开展了数十年，最基本的模型是泊松模型，其假定各个观测是相互独立的且事故数均值等于方差。为了处理观测中通常存在的过度离散、时空关联和异质性等问题，先后提出了负二项、泊松-对数正态、零膨胀模型、马尔科夫转换模型、随机效应、随机参数和多层模型等。另外，一些人工智能模型如神经网络、贝叶斯神经网络和支持向量机等具有更好的非线性拟合的特点。对于路网中各路段、交叉口的事故频率预测，已有研究表明，解释相邻道路实体事故数据间的空间相关性可以获得更好的安全评价结果。但现有模型则以总事故数为预测对象，忽略了对事故严重性的考虑。除事故频率外，事故严重性是评价道路交通安全水平的另一重要指标。在对事故严重性和事故频率联合建模时，解释各严重性事故频率间的相关性同样可显著地提高模型的拟合、预测性能。
技术实现思路
为了解决目前道路事故预测不准确的技术问题，本专利技术根据道路交通安全分析的基本思想，针对出行道路交通网络中各道路实体的事故数据特点，构建了路口-路段分严重性事故频率联合预测模型，并以此计算评价出行路径安全性的量化指标。为了实现上述技术目的，本专利技术的技术方案是，一种基于贝叶斯联合模型量化径路安全水平的方法，包括以下步骤：步骤一：搜集路网上各路段、交叉口的历史事故数据，以及路网上各路段、交叉口交通、道路特征属性；步骤二：将步骤一中得到的数据代入至路口-路段不同严重性事故频率贝叶斯联合预测模型中，P(Yikt=yikt)=λiktyikte-λiktyikt!,i=1,2,···,M,t=1,2,···,T,k=1,2,···,K,yikt=0,1,2,3,···,]]>logλikt=log(zi×eitI+(1-zi)×eitS)+zi×μiktI+(1-zi)×μiktS+θik+φi=log(zi×eitI+(1-zi)×eitS)+zi×XitI′βkI+(1-zi)×XitS′βkS+θik+φi,]]>θi~NK(0,Σ),θi=θi1θi2···θiK,Σ=σ11σ12···σ1Kσ21σ22···σ2K············σK1σK2···σKK,]]>φi~N(φ‾i,1/τi),φ‾i=Σi≠jφjωijΣi≠jωij,τi=τcΣi≠jωij,]]>其中，Yikt是在时段t内发生在路段或交叉口i上的严重程度为k的事故数，λikt为其潜在的泊松均值，I和S分别表示交叉口和路段，如果道路实体i为交叉口，则zi＝1；否则，zi＝0，和和分别表示交叉口、路段i在时段t内的事故机会和风险因素，路段和交叉口的事故机会分别用车辆行驶里程和进入交叉口的车辆数表示，和分别为交叉口、路段i在时段t内发生严重程度为k的事故的概率，βk为风险因素对严重程度为k的事故频率的安全效应，θik和φi分别表示路段或交叉口i的各严重程度事故频率间的相关性和空间相关性，ωij为邻接矩阵ω中，表示道路实体i和j间邻接关系的权重值；得到路网上各个路段、交叉口在不同严重性下的事故模型校验结果；步骤三：根据步骤二所得的路网上各个路段、交叉口在不同严重性下的事故模型结果，对某一路径上的各路段、交叉口分严重性的事故发生概率进行预测；步骤四：根据路网上标准车的数量、路径上各路段长度ls(s＝s1,s2,",sn)、各严重性事故损失比重αk(k＝1,2,…,K)，以及步骤三中得到的路径上各路段、交叉口在不同严重性下事故发生概率的预测结果即和计算路网的安全性指标Cvp：Cvp=a(Σi=i1imΣk=1KαkμiktI+Σs=s1snlsΣk=1KαkμsktS).]]>所述的一种基于贝叶斯联合模型量化径路安全水平的方法，所述的步骤一中，所述的历史事故数据为相应历史段时间内中事故的事故发生时间、精确到路段的事故发生地点和事故严重程度，其中事故严重程度按照伤害严重性划分为三个等级：无伤害、受伤及死亡事故。所述的一种基于贝叶斯联合模型量化径路安全水平的方法，所述的步骤一中，所述的路网上各路段、交叉口交通、道路特征属性包括路段单位时间车辆行驶总里程、道路等级、限速值、车道数、接入口数、路面状况、是否有中央隔离带、单位时间进入交叉口的标准车数、交叉口类型、是否有信号灯，主路限速值、次路限速值，主路进口道是否有左转专用道，主路进口道是否有右转专用道，次路进口道是否有左转专用道，次路进口道是否有右转专用道。所述的一种基于贝叶斯联合模型量化径路安全水平的方法，所述的步骤二中，M表示的是路网内交叉口数量和路段数量的总和，T表示所用单位时间数，t表示所取的单位时间的序号，例如t＝1表示第一个15分钟，那么t＝2表示第二个15分钟，t＝3表示第三个15分钟，若用这3个进行回归，则T＝3，K表示表示事故严重程度分类数目。所本文档来自技高网...

【技术保护点】
一种基于贝叶斯联合模型量化径路安全水平的方法，其特征在于，包括以下步骤：步骤一：搜集路网上各路段、交叉口的历史事故数据，以及路网上各路段、交叉口交通、道路特征属性；步骤二：将步骤一中得到的数据代入至路口‑路段不同严重性事故频率贝叶斯联合预测模型中，P(Yikt=yikt)=λiktyikte-λiktyikt!,i=1,2,...,M,t=1,2,...,T,k=1,2,...K,yikt=0,1,2,3,...,]]>logλikt=log(zi×eitI+(1-zi)×eitS)+zi×μiktI+(1-zi)×μiktS+θik+φi=log(zi×eitI+(1-zi)×eitS)+zi×XitI′βkI+(1-zi)×XitS′βkS+θik+φi,]]>θi~NK(0,Σ),θi=θi1θi2...θiK,Σ=σ11σ12...σ1Kσ21σ22...σ2K............σK1σK2...σKK,]]>φi~N(φi‾,1/τi),φ‾i=Σi≠jφjωijΣi≠jωij,τi=τcΣi≠jωij,]]>其中，Yikt是在时段t内发生在路段或交叉口i上的严重程度为k的事故数，λikt为其潜在的泊松均值，I和S分别表示交叉口和路段，如果道路实体i为交叉口，则zi＝1；否则，zi＝0，和和分别表示交叉口、路段i在时段t内的事故机会和风险因素，路段和交叉口的事故机会分别用车辆行驶里程和进入交叉口的车辆数表示，和分别为交叉口、路段i在时段t内发生严重程度为k的事故的概率，βk为风险因素对严重程度为k的事故频率的安全效应，θik和φi分别表示路段或交叉口i的各严重程度事故频率间的相关性和空间相关性，ωij为邻接矩阵ω中，表示道路实体i和j间邻接关系的权重值；得到路网上各个路段、交叉口在不同严重性下的事故模型校验结果；步骤三：根据步骤二所得的路网上各个路段、交叉口在不同严重性下的事故模型结果，对某一路径上的各路段、交叉口分严重性的事故发生概率进行预测；步骤四：根据路网上标准车的数量、路径上各路段长度ls(s＝s1,s2,…,sn)、各严重性事故损失比重αk(k＝1,2,…,K)，以及步骤三中得到的路径上各路段、交叉口在不同严重性下事故发生概率的预测结果即和计算路网的安全性指标Cvp：Cvp=a(Σi=i1imΣk=1KαkμiktI+Σs=s1snlsΣk=1KαkμsktS).]]>...

【技术特征摘要】
1.一种基于贝叶斯联合模型量化径路安全水平的方法，其特征在于，包括以下步骤：步骤一：搜集路网上各路段、交叉口的历史事故数据，以及路网上各路段、交叉口交通、道路特征属性；步骤二：将步骤一中得到的数据代入至路口-路段不同严重性事故频率贝叶斯联合预测模型中，其中，Yikt是在时段t内发生在路段或交叉口i上的严重程度为k的事故数，λikt为其潜在的泊松均值，t为时段，M表示的是路网内交叉口数量和路段数量的总和，T表示所用单位时间数，K表示表示事故严重程度分类数目,I和S分别表示交叉口和路段，如果道路实体i为交叉口，则zi＝1；否则，zi＝0，和和分别表示交叉口、路段i在时段t内的事故机会和风险因素，路段和交叉口的事故机会分别用车辆行驶里程和进入交叉口的车辆数表示，和分别为...

【专利技术属性】
技术研发人员：黄合来，曾强，宋博，许鹏鹏，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43