一种基于多维度影响因素的道路安全评价方法及系统与流程

1.本发明涉及道路安全技术领域，具体而言涉及一种基于多维度影响因素的道路安全评价方法及系统。


背景技术：

2.随着社会经济的发展，小汽车拥有率逐步上升，不仅造成了道路的拥挤，与此同时道路交通事故发生率也逐步上升，为了减少道路事故的发生，提高道路安全性，相关研究领域提出了多种道路安全分析模型，其中道路安全分析模型包含两个层面，一个是宏观维度下的道路安全分析模型，一个是微观层面下的道路安全分析，但是不管在研究领域还是专利领域，都没有相关研究综合考虑宏观与微观层面下的道路安全分析模型之间的关联性。只从单维度视角建立道路安全分析模型会对分析结果造成一定的偏差。此外，年平均机动车日交通量被视为一种有效的安全风险曝光量，对衡量影响因素与事故产生机理具有重要意义。然而相关文献都假设安全风险曝光量的影响是恒定的，本质上该影响应该是弹性变化的，随着年平均机动车日交通量的变化各影响因素会有异同。


技术实现要素：

3.本发明的目的在于提供一种基于多维度影响因素的道路安全评价方法及系统，以解决现有技术中的问题。
4.为实现上述目的，本发明提供如下技术方案：
5.本发明的第一方面提出一种基于多维度影响因素的道路安全评价方法，分别针对限定区域范围内的各个子区域，通过步骤a至步骤d构建安全评价模型，应用安全评价模型，通过以下步骤e至步骤f，获得影响子区域中各交通道路安全的影响因素，对子区域进行安全评价：
6.步骤a、针对子区域，周期获得子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，随后进入步骤b；
7.步骤b、基于子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，获得子区域对应的安全风险曝光量、以及子区域所含各个交通道路分别所对应的各个安全风险曝光量，并对各安全风险曝光量进行量化，得到各安全风险曝光量分别所对应的各个分类变量t，随后进入步骤c；
8.步骤c、分别针对该子区域所包含的各个交通道路，基于其所对应的各历史交通数据、以及步骤b中所获的各个分类变量t，构建道路安全量化子模型，即获得该子区域中各个交通道路分别所对应的道路安全量化子模型；
9.基于该子区域中各个交通道路分别所对应的道路安全量化子模型、以及该子区域的历史交通数据，构建该子区域所对应的区域安全量化子模型，随后进入步骤d；
10.步骤d、针对子区域，以该子区域所对应的区域安全量化子模型和该子区域中各个交通道路分别所对应的道路安全量化子模型构成的模型组作为该子区域对应的安全评价
模型，并且模型组中各个子模型的输入量为其所对应的历史交通数据；
11.步骤e、按照步骤a至步骤c中方法，基于子区域的实际交通数据、以及子区域内各个交通道路的实际交通数据，获得子区域所对应的区域安全量化子模型、以及各个道路安全量化子模型，随后进入步骤f；
12.步骤f、针对该子区域，按照步骤d中方法应用安全评价模型，以约束函数为目标，对子区域对应的区域安全量化子模型、以及各个道路安全量化子模型进行求解，得到影响子区域道路安全的影响因素，根据影响因素对子区域以及该子区域内各个交通道路进行安全评价。
13.进一步地，前述周期获得限定区域范围内各个子区域在预设时长的历史交通数据，各子区域所对应的历史交通数据分别均包括：子区域的人口密度n、子区域的gdp、子区域内道路网密度k、子区域的机动车年平均日交通量aadt1、子区域绿化面积占比l1、子区域居住区占比l2、子区域非居住区占比l3、子区域道路面积占比l4、以及子区域内的平均行车速度v；
14.各子区域内的各个交通道路所对应的历史交通数据分别均包括：交通道路长度d、交通道路车道数j、交通道路宽度w、交通道路是否设置有专用车道q、交通道路的机动车年平均日交通量aadt2、交通道路的交叉口密度a、以及交通道路等级d。
15.进一步地，前述的步骤b中，基于子区域在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，针对该子区域分别所对应的各个交通道路，根据以下公式：
[0016][0017]
得到该子区域、以及对应各个交通道路的风险曝光量分别所对应的各个分类变量t，其中，aadti为aadt1或aadt2，当aadti＝aadt1时，aadti′
为限定区域范围内所有子区域的机动车年平均日交通量的中位数，当aadti＝aadt2时，aadti′
为子区域内所有交通道路的机动车年平均日交通量的中位数。
[0018]
进一步地，前述步骤c中，分别针对子区域所包含的各个交通道路，根据以下公式：
[0019][0020]
获得各个交通道路分别所对应的各个道路安全量化子模型lne2n，其中，e2为交通道路在预设时间周期内的事故发生量，θ为交通道路的安全影响系数，εn为道路安全量化子模型的误差项，n的取值范围为1至n，n为各个子区域中分别所包含的交通道路的总数，当交通道路设置有专用车道时q＝1，当交通道路设置有专用车道时q＝0，当道路等级为主干道时d＝1，当道路等级为次干道时d＝2，当道路等级为支路时d＝3，其中，此时，aadti′
为子区域内所有交通道路的机动车年平均日交通量的中位数；
[0021]
分别针对限定区域范围内各个子区域，根据以下公式：
[0022][0023]
获得限定区域范围内各个子区域所对应的各个区域安全量化子模型lne1m，其中，e1为子区域在预设时间周期内的事故发生量，β为子区域的安全影响系数，εm为区域安全量化子模型的误差项，m的的取值范围为1至m，m为限定区域范围所包含各个子区域的总数，其中，此时，aadti′
为限定区域范围内所有子区域的机动车年平均日交通量的中位数。
[0024]
进一步地，前述的步骤f中约束函数如下：
[0025][0026]
以该约束函数为训练目标，对安全评价模型进行训练，在约束条件下对子区域对应的区域安全量化子模型、以及各个道路安全量化子模型中的安全影响系数进行求解，获得安全影响系数在95％置信区间内的显著程度，当安全影响系数在95％置信区间内正向显著，则安全影响系数对应的交通数据会增加交通道路上交通事故的发生率，当安全影响系数在95％置信区间内负向显著，则安全影响系数对应的交通数据会降低交通道路上交通事故的发生率。
[0027]
本发明的第二方面提出一种基于多维度影响因素的道路安全评价系统，包括：
[0028]
一个或多个处理器；
[0029]
存储器，存储可被执行的指令，所述指令在通过一个或多个处理器执行时，一个或多个处理器执行包括任意一项所述道路安全评价方法的过程。
[0030]
本发明的第三方面提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时，执行任意一项所述道路安全评价方法的操作。
[0031]
本发明所述一种基于多维度影响因素的道路安全评价方法及系统，采用以上技术方案与现有技术相比，具有以下技术效果：
[0032]
本发明基于各个交通数据中的中位数，获得子区域对应的安全风险曝光量、以及子区域所含各个交通道路分别所对应的各个安全风险曝光量，进一步得到各个安全风险曝光量所对应的分类变量，考虑安全风险曝光量的弹性变化，使得在目标区域内年平均机动车日交通量的变化受各个影响因素的影响，得到对道路安全的评价结果更为客观，更具有真实性，同时，基于多维度考量在多维度条件下构建的安全量化模型，考虑到道路安全在宏观与微观条件下的关联性，对道路安全的评价结果更为精确、全面，该方法的适用范围更为广泛。
附图说明
[0033]
图1为本发明示例性实施例的道路安全评价方法的流程示意图。
具体实施方式
[0034]
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
[0035]
在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所示。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
[0036]
参照图1，本发明提出一种基于多维度影响因素的道路安全评价方法，能够结合考虑宏观与微观道路安全分析模型的基础上准确判断各影响因素对道路事故产生的影响分别针对限定区域范围内的各个子区域，通过步骤a至步骤d构建安全评价模型，应用安全评价模型，通过以下步骤e至步骤f，获得影响子区域中各交通道路安全的影响因素，对子区域进行安全评价：
[0037]
宏观与微观维度下选取研究单位，宏观维度下的研究单位确定为交通分析小区，微观维度下的研究单位确定为交通分析小区内的各个研究路段。
[0038]
步骤a、针对交通分析小区，周期获得交通分析小区在预设时长内的历史交通数据、以及交通分析小区内各个交通道路分别在预设时长内的历史交通数据，各交通分析小区所对应的历史交通数据分别均包括：交通分析小区的人口密度n、交通分析小区的gdp、交通分析小区内道路网密度k、交通分析小区的机动车年平均日交通量aadt1、交通分析小区绿化面积占比l1、交通分析小区居住区占比l2、交通分析小区非居住区占比l3、交通分析小区道路面积占比l4、以及交通分析小区内的平均行车速度v，交通分析小区所对应的历史样本数据如表1所示：
[0039]
表1 交通小区样本数据统计表
[0040]
样本编号e1ngdpkl1l2l3l4vaadtb1e11n1gdp1k1l11l21l31l4
1v1
aadt1～～～～～～～～～～～b
10
e1
10n10
gdp
10k10
l1
10
l2
10
l3
10
l4
10v10
aadt
10
～～～～～～～～～～～b
200
e1
200n200
gdp
200k200
l1
200
l2
200
l3
200
l4
200v200
aadt
200
[0041]
交通分析小区内的各个交通道路所对应的历史交通数据分别均包括：交通道路长度d、交通道路车道数j、交通道路宽度w、交通道路是否设置有专用车道q、交通道路的机动车年平均日交通量aadt2、交通道路的交叉口密度a、以及交通道路等级d，针对单个交通分析小区，其内部所含各交通道路的历史交通数据如表2所示：
[0042]
表2 各路段样本数据统计表
[0043]
样本编号e2tjwqaadt2ada1e21t1j1w1q1aadt21a1d1～～～～～～～～～a
10
e2
10
t
10j10w10q10
aadt2
10a10d10
～～～～～～～～～a
200
e2
200
t
200j200w200q200
aadt2
200a200d200
[0044]
选取交通小区b1作为本发明实施例的实例，随后进入步骤b。
[0045]
步骤b、基于子区域b1在预设时长内的历史交通数据、以及子区域内各个交通道路分别在预设时长内的历史交通数据，获得子区域对应的安全风险曝光量、以及子区域所含各个交通道路分别所对应的各个安全风险曝光量，并对各安全风险曝光量进行量化，得到各安全风险曝光量分别所对应的各个分类变量t，基于中位数对道路安全风险曝光量进行分类，低于中位数的称之为低密度机动车日交通量，高于中位数的称之为高密度机动车日交通量；同时基于分类的风险曝光量赋予各研究单位分类变量t，处于高密度机动车日交通量的研究单位t＝1，反之t＝0，，针对该子区域分别所对应的各个交通道路，根据以下公式：
[0046][0047]
得到该子区域b1、以及对应各个交通道路的风险曝光量分别所对应的各个分类变量t，其中，aadti为aadt1或aadt2，当aadti＝aadt1时，aadti′
为限定区域范围内所有子区域的机动车年平均日交通量的中位数，当aadti＝aadt2时，aadti′
为子区域内所有交通道路的机动车年平均日交通量的中位数，随后进入步骤c。
[0048]
步骤c、分别针对该子区域b1所包含的各个交通道路，基于其所对应的各历史交通数据、以及步骤b中所获的各个分类变量t，构建道路安全量化子模型，即获得该子区域中各个交通道路分别所对应的道路安全量化子模型，以子区域b1中三条路段a1-a3为示例，其分别所对应的道路安全量化子模型分别为：
[0049]
lne21＝θ1t θ2j1 θ3w1 θ4q1 θ5aadt21 θ6a1 θ7d1 ε2[0050]
lne22＝θ1t θ2j2 θ3w2 θ4q2 θ5aadt22 θ6a2 θ7d2 ε2[0051]
lne23＝θ1t θ2j3 θ3w3 θ4q3 θ5aadt23 θ6a3 θ7d3 ε2[0052]
当交通道路设置有专用车道时q＝1，当交通道路设置有专用车道时q＝0，当道路等级为主干道时d＝1，当道路等级为次干道时d＝2，当道路等级为支路时d＝3，其中，此时，aadti′
为子区域内所有交通道路的机动车年平均日交通量的中位数；
[0053]
基于该子区域b1中各个交通道路分别所对应的道路安全量化子模型、以及该子区域的历史交通数据，构建该子区域所对应的区域安全量化子模型为域的历史交通数据，构建该子区域所对应的区域安全量化子模型为域的历史交通数据，构建该子区域所对应的区域安全量化子模型为其中，其中，此时，aadti′
为限定区域范围内所有子区域的机动车年平均日交通量的中位数，交通小区b1所对应的区域安全量化子模型为：
[0054]
lne11＝β1n1 β2gdp1 β3k1 β4aadt11 β5l11 β6l21 β7l31 β8l41 β
9v1
ε1[0055]
其中，lne11＝lne21 lne22 lne23，随后进入步骤d。
[0056]
步骤d、针对子区域，以该子区域所对应的区域安全量化子模型和该子区域中各个交通道路分别所对应的道路安全量化子模型构成的模型组作为该子区域对应的安全评价模型，并且模型组中各个子模型的输入量为其所对应的历史交通数据；
[0057]
步骤e、按照步骤a至步骤c中方法，基于子区域的实际交通数据、以及子区域内各
个交通道路的实际交通数据，获得子区域所对应的区域安全量化子模型、以及各个道路安全量化子模型，随后进入步骤f；
[0058]
步骤f、针对该子区域，按照步骤d中方法应用安全评价模型，以约束函数为目标，对子区域对应的区域安全量化子模型、以及各个道路安全量化子模型进行求解，得到影响子区域道路安全的影响因素，根据影响因素对子区域以及该子区域内各个交通道路进行安全评价。
[0059]
在约束条件下，可分别判断各影响因素在不同维度下对道路安全的影响机理，如果影响因素的系数在95％置信区间正向显著，则说明该影响因素会增加交通小区或路段上事故的发生，如果影响因素的系数在95％置信区间负向显著，则说明该影响因素会减少交通小区或路段上事故的发生。
[0060]
本次发明的实验验证是在假设数据条件下进行的，以交通小区的因素n为例，如果在95％置信区间下β1》0，则说明交通小区内的人口密度与道路事故的产生是正向相关，人口密度越大，交通小区内事故发生越多，如果在95％置信区间下β1《0，则说明交通小区内的人口密度与道路事故的产生是负向相关，人口密度越大，交通小区内事故发生越少。
[0061]
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。