高速公路交通事故威胁程度预警评价模型
2015-12-21孟云伟潘晓东
孟云伟 潘晓东 方 青
(1.同济大学道路与交通工程教育部重点实验室 上海 201804;
2.招商局重庆交通科研设计院有限公司 重庆 400067; 3.厦门市建设局 厦门 301004)
高速公路交通事故威胁程度预警评价模型
孟云伟1,2潘晓东2方青3
(1.同济大学道路与交通工程教育部重点实验室上海201804;
2.招商局重庆交通科研设计院有限公司重庆400067;3.厦门市建设局厦门301004)
摘要为了评价高速公路交通事故对交通运行安全的影响程度,基于二级模糊综合评判法,构建了高速公路交通事故威胁程度预警指标体系模型。其中包含评价指标及预警等级。将这一模型运用到一起交通事故实例的研究中,分析各指标对交通运行的威胁程度,根据模型的计算方法和最大隶属原则,确定了事故威胁程度的预警等级。
关键词高速公路交通事故预警模糊综合评价
交通事故对高速公路运行安全的影响主要表现在二次事故风险增加和服务水平降低2个方面。在事故发生后,通过对交通事故威胁程度的预警,交通管理者可以根据威胁程度的预警等级启动相应的救援响应程序,进行应急管理;交通出行者则根据接收到的预警信息,调整驾驶行为或出行策略,从而降低二次事故的风险,并减少出行延误。
在道路交通事故预警系统研究实践方面,西方发达国家起步较早,现在也处于领先水平[1-4]。他们把在ITS方面的研究成果应用于高速公路的日常管理中,建立起先进完善的高速公路预警管理系统和恶劣天气预警系统,以及对在线位移监控和预警的系统,这些系统能够对高速公路自身和周边环境进行实时的检测和预警,并且已经在工程实践中得到了成功应用。
陈晓冬[5]从预警管理的基础理论和系统构建的关键技术2个方面对基于交通流理论的高速公路安全预警系统的关键技术进行了研究和论述,主要内容包括高速公路安全预警系统设计、高速公路信息采集与数据管理技术、交通流特性与运营安全的相关性分析以及基于交通流压缩性理论的交通状态预判别算法研究。黑桂芳[6]针对跨海大桥在不良天气下对交通造成的影响,采用预警预控的方法,对不良天气条件下跨海大桥预警管
理系统进行了研究,提高了跨海大桥的安全运营效率。吕斌[7]等研究了高速公路养护维修作业区的事故规律及事故危险因素,建立了作业区危险因素体系。
以上对于交通事故风险预警和威胁程度预警的研究,主要是从微观行车安全的角度出发,相关的成果相对较少。
1 高速公路交通事故威胁程度预警指标体系的建立
1.1预警指标体系的建立
根据交通事故对安全运行的影响,可以确定预警指标体系构建的原则为:在特定时间、地点、路域环境下,具有不同事故特征的交通事故发生后,进行所需资源的调度,从而快速有效地处理现场、维持临时通行或交通中断直至恢复正常通行。对高速公路交通事故威胁程度的影响因素主要包括事故严重程度、事发环境特征、事故影响程度和应急救援难度4个方面。
在遵循科学性、系统性、可比性和可操作性的原则下,根据威胁程度影响因素的分析,结合专家的建议,构建了高速公路交通事故威胁程度预警指标体系,见图1。
图1 高速公路交通事故威胁程度预警指标体系
1.2预警指标评级标准的划分
将高速公路交通事故威胁程度分为4个预警等级:IV级、III级、II级、I级,对应的威胁程度分别为较小、一般、较大和很大;对应的预警信号分别是蓝色、黄色、橙色和红色。
1.3预警指标评分标准体系的建立
高速公路交通事故威胁程度预警指标涉及面较广,并且有些指标难以客观准确地量化,因此在威胁程度预警评价过程中,需要结合实际情况对各个指标进行评估。基于广泛的高速公路交通事故资料和处理记录调研,结合专家意见咨询,以单向4车道的高速公路为例,给出了各项预警指标的评分标准,见表1。
表1 高速公路交通事故威胁程度预警指标评分标准
2 二级模糊综合评判法在交通事故威胁程度预警评价中的应用
2.1模糊综合评价原理分析
模糊综合评价法是对诸多因素的多种方式、多种组合进行评价,这种评价是多因素、多目标的评价,能够较好地处理多因素、模糊性及主观判断的有效性等问题。模糊综合评价基本原理如下。
假设指标集为X={x1,x2,…,xn},评语集为Y=(y1,y2,…yn),从指标集到评语集的模糊关系R表示对各单项指标xi做出各种评语的可能性,W={w1,w2,…,wn}表示各评价指标在评价中的重要性。评价的结果是模糊集B={b1,b2,…,bn,},它表示做出各种评语的隶属度。
(1)
模糊综合评价模型示意图见图2,在交通事故威胁程度预警指标体系中,X表示发生的交通事故的各项特征指标,首先按表1所示内容对其进行评分,之后X经过模糊关系R,并与权重值W结合,最终输出的结果是预警等级,进而发布对应的预警信号。
图2模糊综合评价模型示意图
2.2二级模糊综合评判法的应用
考虑到高速公路交通事故威胁程度预警指标具有多层次和模糊性的特点,将二级模糊综合评判法应用于交通事故威胁程度预警评价过程当中,具体方法如下。
2.2.1因素集和评语集的建立
因素集是评价对象各个评价指标所组成的集合。其中,评价对象一级指标为U={u1,u2,…,um},m=4,分别为事故严重程度、事发环境特征、事故影响程度和应急救援难度。二级指标为u={ui1,ui2,…uin},i=1,2,3,4分别对应一级指标所包含的详细指标,见图1。
评语集V={v1,v2,…vp),IV级、III级、II级、I级},p=4,分别对应的交通事故威胁程度为蓝色预警、黄色预警、橙色预警和红色预警。
2.2.2指标权重的确定
本研究利用层次分析法来确定各个威胁程度预警指标的权重。根据专家打分结果,借助Matlab软件工具进行运算,可得U-Ui,U1-U1i,U2-U2i,U3-U3i,U4-U4i判断矩阵,以及计算结果见表2~6。
表2 U-Ui判断矩阵及计算结果
表3 U1-U1i判断矩阵及计算结果
表4 U2-U2i判断矩阵及计算结果
表5 U3-U3i判断矩阵及计算结果
表6 U4-U4i判断矩阵及计算结果
根据以上的计算结果,可得各项交通事故威胁程度预警指标的权重分配见表7。
表7 层次分析法指标权重计算结果
2.2.3隶属函数的确定
选择半梯形与梯形隶属函数来确定各个评价指标的隶属度函数。
r1~r4分别为各项预警指标相对于评语集IV级至I级的隶属函数,x为被评价对象的指标值,则半梯形与梯形隶属函数式和函数图像如式(2)和图3所示。各指标的隶属度可根据下列线性方程构造的隶属函数求解,见表8。
(2)
图3 梯形和半梯形隶属度函数示意图
因此可得模糊隶属度矩阵如下。
(3)
式中:Ri为第i个一级指标的模糊隶属度矩阵;rij-k为该一级指标中的第j个二级指标相对于第k个预警等级的隶属度。
2.2.4判断矩阵的确定
(1) 一级模糊综合评判。即对待评对象各个一级指标分别进行综合评价,一级模糊综合评价集。
(4)
式中:bik为待评对象第i个一级指标相对于第k个预警等级的隶属度。
(2) 二级模糊综合评判。即对待评对象整体进行综合评价,二级模糊综合评价集。
(5)
式中:bk为待评对象整体相对于第k个预警等级的隶属度。
2.2.5评价结果的确定
通过隶属度向量B=(b1,b2,…,bp),根据最大隶属度原则,可以确定待评对象整体的威胁程度预警等级。以上的分析过程可通过流程图进行表示,见图4。
图4二级模糊综合评判法流程图
3 实例分析
高速公路交通事故案例:2011年8月17日凌晨5时5分,沪杭高速公路杭州方向桩号K119+300处发生一起交通事故,一辆物流车追尾撞上了一辆罐装车。物流车副驾驶座上的男子当场死亡,司机受轻伤。事故发生后,物流车整个车头完全凹陷,严重变形,罐装车损伤相对较小,车上人员受轻伤。
交通事故发生时的背景条件:沪杭高速公路为双向8车道,年均日交通流量为9万辆/d左右,高峰期日交通流量达到11万辆/d左右。事发位置为普通路段,占据外侧2个车道,通行能力受到一定影响。由于事发时间为凌晨,为交通量平峰时段,交通量相对较小。事发时天气状况一般,有雾,能见度较低,路面干燥。需要公安管理部门、消防、路政、医疗等部门全力配合,进行应急救援工作。
基于二级模糊综合评判法,首先根据已经建立的预警指标体系,对预警指标进行评分、权重分配,之后根据公式(2),得到模糊评判矩阵R1,R2,R3,R4如下。
(6)
进一步做一级、二级模糊评判,其中,一级模糊评判为
二级模糊评判为
根据最大隶属原则,可知该高速公路交通事故威胁程度属于II级(威胁程度较大),因此在交通事故发生后,发布橙色预警。
4 结语
对高速公路交通事故威胁程度的影响因素进行了系统和详细的分析,建立了高速公路交通事故威胁程度预警指标体系,并结合资料调研和专家意见,确定了各项预警指标的评估标准,构建了基于二级模糊综合评判方法的高速公路交通事故威胁程度预警评价模型,并结合计算实例进行了分析和验证。
参考文献
[1]GREEM D,LIU J,REICH J. A computationally-efficient collision early warning system for vehicle, speed, and bicyclists[C]. ITS World Congress 2008.
[2]JAMSON A H, LAI C H,OLIVER M J. Carsten. Potential benefits of an adaptive forward collision warning system[J]. Transportation Research Part C,2008,16(4):471-484.
[3]Yoshiyuki Matsumoto,Wako.Warning system for vehicle:US,5,594,412[P].1997-01-14.
[4]Marcel boschung, Schmitten. Early ice-warning device:US,4,222,044[P].1980-09-09.
[5]陈晓冬.基于交通流理论的高速公路安全预警系统关键技术研究[D].长春:吉林大学,2011.
[6]黑桂芳.不良天气条件下跨海大桥安全运营系统研究[D].西安:长安大学,2011.
[7]吕斌,李林波,吴兵.高速公路养护维修作业区危险因素分析[J].交通科技,2014(6):88-91.
Evaluation and early-warning Model of Accident Threat Level on Expressway
MengYunwei1,2,PanXiaodong2,FangQing3
(1.The Key Laboratory of Road and Traffic Engineering, Ministry of Education, Tongji University, Shanghai 201804, China;
2. China Merchants Chongqing Communications Research & Design Institute Co., Ltd., Chongqing 400067, China;
3. Xiamen Construction Bureau, Xiamen 301004, China)
Abstract: The occurrence of accident in expressway could threaten traffic operation safety. In order to evaluate the threat level of accident in expressway , secondary fuzzy comprehensive evaluation method was applied to build expressway accident early-warning index system model. Evaluation index and early-warning class were included in the model. It was used in an accident study, and accident index threat level to traffic operation was analyzed. According to calculation and maximum membership principle, the early-warning class of accident threaten was determined.
Key words: expressway; traffic accident; early-warning; fuzzy comprehensive evaluation
收稿日期:2015-04-10
AVideoRecognitionfortheAbnormalStateofVehicleinHighwayTunnel
Lu Sibo1,LiMing2,ChenXiaojia1,PengSuyue2,ShenZufu2
(1.SchoolofTransportation,WuhanUniversityofTechnology,Wuhan430063,China;
2.Shao-GanExpresswayAdministrationCenter,GuangdongNan-YueTransportationInvestmentCo.Ltd,Shaoguan512500)
Abstract:As a special location on the highway, the security of tunnel is paid more attention than the other area. In this paper, from the traffic safety management in highway tunnel we first analyzed the various abnormal states of the traffic in tunnels among all the states. The stopping car was the most harmful status to the safety in the tunnel. Research then focused on the video recognition method of the abnormal stopping car in highway tunnel. In order to enhance recognition capacity of vehicle, image texture, geometric, and edge features were extracted in video sequences and these features were combined into a new feature method . The combined feature method was input into BP neural network as the base classifier and the strong classifier was obtained by integrating BP neural networks under the Adaboost framework. A testing in a real tunnel was performed to verity the effectiveness of the method. Results show that the presented model has a satisfactory recognition effect for the abmormal state of the stopping car.
Key words:video recognition; feature fusion; abnormal state of vehicle ; highway tunnel; test verification
DOI10.3963/j.issn.1671-7570.2015.04.045