基于收费站数据的交通事故态势感知判别_翟艺阳.pdf

第 40 卷第 5 期2023 年 5 月公路交通科技Journal of Highway and Transportation esearch and DevelopmentVol.40No.5May 2023收稿日期:2023 03 24基金项目:四川省科技计划资助项目(2022YFG0048);四川省交通运输科技项目(2019ZL12);藏高科技项目(202111);河北省“三三三人才工程”项目(A202105007)作者简介:翟艺阳(1983)，男，四川宜宾人，博士.(zhaiyiyang )*通讯作者:张驰(1981)，男，四川宜宾人，博士，教授.(zhangchi )doi:10.3969/j.issn.10020268.2023.05.028基于收费站数据的交通事故态势感知判别翟艺阳1，罗昱伟2，张驰*1，刘强3，彭恩鹏1(1.长安大学公路学院，陕西西安710064;2.深圳高速公路集团股份有限公司，广东深圳518057;3.河北省交通运输运行监测与信息服务中心，河北石家庄050031)摘要:为了探究交通事故与高速公路交通态势的关联性，以某省 14 条高速公路的电子不停车收费数据为基础，分析了交通态势的变化特征。选取车辆速度分布、客货分位速度差、交通组成 3 个研究指标，以 K-means 聚类分析方法对交通事故进行了分类。结果表明:通过速度分布参数可得到交通事故在不同交通态势下发生的速度特征，其中“拥堵条件下发生交通事故”通常发生于高速公路速度分布为“低峰肥尾”或“高峰瘦尾”的路段，“通畅条件下发生交通事故”通常在速度中值低、速度范围小、速度集中程度高的路段发生，且此类路段通常与该类的聚类中心距离为 0.10.16;根据 5085 分位中高速区间客货分位速度差可将路段划分为两种类别，类别 1 与类别 2 相比，其客货速差较小，事故类型以单车事故为主，事故车型不包括客货双车;按照客货比交通组成可将路段划分为 3 个类别的交通态势，交通拥堵状态差异不大，然而客货比分别为低、中、高，发生的特殊事件也有明显差异;应用该方法进行交通事故划分判别可在一定程度上提高实际事故判别准确率。随着 ETC 数据挖掘技术的不断发展及数字化平台的广泛建设，依托 ETC 数据的应用场景将越来越丰富，行业数字化管理水平将得到不断的提高。关键词:交通安全;事故判别;K-means 聚类分析法;ETC 数据;态势感知中图分类号:U491.3文献标识码:A文章编号:10020268(2023)05021110Awareness Discrimination of Traffic Accident Situation Based on Toll Station DataZHAI Yi-yang1，LUO Yu-wei2，ZHANG Chi*1，LIU Qiang3，PENG En-peng1(1 School of Highway，Chang an University，Xi an Shaanxi 710064，China;2 Shenzhen Expressway Group Co.，Ltd.，Shenzhen Guangdong 518057，China;3 Hebei Provincial Transport Operation Monitoring and Information Service Center，Shijiazhuang Hebei 050031，China)Abstract:In order to explore the correlation between traffic accident and expressway traffic situation，basedon the ETC data of 14 expressways in a province，the change characteristics of traffic situation are analyzed.Selecting 3 research indicators(vehicle speed distribution，passenger and cargo percentile speed difference，traffic composition)，the traffic accidents are classified by using K-means cluster analysis method.The resultshows that(1)The speed characteristics of traffic accidents under different traffic situations can be obtainedaccording to the speed distribution parameters，among which“traffic accidents occurred under congestioncondition”usually occur in the sections where the expressway speed distribution is“low peak fat tail”or“peak lean tail”，“traffic accidents under smooth condition”usually occur in the sections with low medianspeed，small speed range and high speed concentration，and such road sections are usually 0.10.16 awayfrom the clustering center of this class.(2)According to the speed difference between passenger and freight公路交通科技第 40 卷vehicles in the 50 85 percentile medium and high speed interval，road sections can be divided into 2categories.Compared with Category 2，Category 1 has a smaller speed difference in passenger and freightvehicles，with single vehicle accidents being the main accident type，and the accident model does not includepassenger and freight vehicles.(3)According to the passenger-cargo ratio traffic composition，the roadsection can be divided into 3 categories of traffic situation，with little difference in traffic congestion status，but the passenger-cargo ratio is low，medium，and high，and there are also significant differences in theoccurrence of special events.(4)The application of the proposed method for traffic accident classificationand discrimination can improve the accuracy of actual accident discrimination to a certain extent.With thecontinuous development of ETC data mining technology and the extensive construction of digital platforms，theapplication scenarios based on ETC data will become increasingly diverse，and the level of digitalmanagement in the industry will be continuously enhanced.Key words:traffic safety;accident discrimination;K-means cluster analysis method;ETC data;situational awareness0引言交通事故是指车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件，属于影响通行能力与行车安全的非周期性特殊事件，是引发交通拥堵的重要因素，交通事故自动检测技术是通过分析交通流参数变化来判别是否发生交通事故，减少人员伤亡与财产损失。过去的 AID 算法大致可分为基于模式识别的对比算法1、基于统计理论的算法2、基于突变理论的算法3 以及基于人工智能的算法4 等，不同学者从各个方面对交通事故检测进行了研究，算法的理论基础也从最初的数理统计分析等常规方法转向人工智能方法5。Wang 等6 利用训练数据集构建了基于最小二乘网络的高速公路事故判别算法。Wang J 等7 构建的循环神经网络模型，以流量的预测值与实际值的差值为基准，对特殊事故进行判别。尹春娥等8 构建小波方程，用速度累积变化与占有率指标表示高速公路交通态势，构建事故集合，利 用 指 标 的 突 变 值 进 行 特 殊 事 故 判 别。Agarwal 等9 构建逻辑回归的事故检测模型，将事故特征提取，利用行程时间指标对事故进行判别。商强等10 使用美国 I880 数据通过万有引力搜索算法优化参数，对 AID 算法的效果进行验证和对比分析。李红伟等11 则基于突变强度理论，分析了交通事故下流量、速度、占有率突变强度在纵向时间序列的变化特征，设计了一种检测率高的快速路交通事故自动检测方法。施俊庆等12 基于卷积神经网络和浮动车数据，提出了一种改进的城市道路交通事件检测算法。en 等13 将研究路段的车道划分为小单元，获取每个单元的交通流参数，利用模糊识别算法分析交通流参数，得到交通状态，最后利用 SVM 算法将状态分类，对事故进行判别。国内高速公路通常里程长达上百公里，依靠传统的视频监控、人力巡查难以及时的发现道路中实时发生的特殊事件。随着我国交通行业数字化转型需求不断提升，ETC 不停车收费系统作为数字化转型的基础，在 2020 年完成建设，实现全国联网。ETC 数据可辅助管理人员及时、精准地判别特殊事件，对高速公路管理者实时掌握道路交通状况。由于近年内才实现高速公路电子不停车收费全国联网，国内利用 ETC 门架数据进行交通分析的有关研究较少。闫晟煜等14 基于联网收费数据的事故车流比例分析，提出了高速公路事故影响区域模糊决策模型。李琦等15 在分析了收费数据特征的基础上，针对标准偏差法因交通波动与常发性交通拥挤引发的误警、算法自身的检测逻辑引发的误警问题，提出了基于收费数据的交通事故自动检测算法。徐进等16 以ETC 数据为基础，以速度分布特征进行 k-medoids 聚类分析，对山区高速公路一般路段和连续上坡路段的车型进行了较好的分类。综上所述，在交通事故判别领域，学者们通过提取交通数据中所反映的交通状态特征进行判别研究，但是到目前为止，现有的事故检测算法没有哪一种能完全优于其他算法，不同的算法只是在不同的情况下展现出相对较好的性能17。由于采集数据的单一性，且多为国外数据，判别算法的适应性不强，针对 ETC 门架数据