道路急弯路段追尾冲突分析预测

doi:10.12141/j.issn.1000-565X.220430

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (4): 80-87.doi: 10.12141/j.issn.1000-565X.220430

所属专题： 2023年交通运输工程

道路急弯路段追尾冲突分析预测

王永岗¹^,² 陈俊先¹ 郑少娅¹ 潘恒彦¹

^1.长安大学运输工程学院，陕西西安 710018
^2.长安大学生态安全屏障区交通网设施管控及循环修复技术交通运输行业重点实验室，陕西西安 710018

收稿日期:2022-07-05 出版日期:2023-04-25 发布日期:2022-09-30
通信作者: 郑少娅（1996-），女，硕士研究生，主要从事交通安全研究。 E-mail:chdzhengsy@yeah.net
作者简介:王永岗（1977-），男，博士，教授，主要从事交通安全研究。E-mail:wangyg@chd.edu.cn
基金资助:
国家重点研发计划项目(2019YFB1600500)

Analysis and Prediction of Rear-End Conflicts on Road Sharp Curves

WANG Yonggang¹^,² CHEN Junxian¹ZHENG Shaoya¹ PAN Hengyan¹

^1.College of Transportation Engineering，Chang’an University，Xi’an 710018，Shaanxi，China
^2.Key Laboratory of Transport Industry of Management，Control and Cycle Repair Technology for Traffic Network Facilities in Ecological Security Barrier Area，Chang’an University，Xi’an 710018，Shaanxi，China

Received:2022-07-05 Online:2023-04-25 Published:2022-09-30
Contact: 郑少娅（1996-），女，硕士研究生，主要从事交通安全研究。 E-mail:chdzhengsy@yeah.net
About author:王永岗（1977-），男，博士，教授，主要从事交通安全研究。E-mail:wangyg@chd.edu.cn
Supported by:
the National Key Research and Development Program of China(2019YFB1600500)

摘要/Abstract

摘要：

为实现急弯路段的追尾碰撞风险主动防控，提出了一种基于多源数据融合的追尾冲突动态预测方法。首先，基于无人机、毫米波雷达等采集的车辆运行数据，提出了适用于急弯路段交通流特征的追尾冲突判别模型及冲突等级阈值划分标准，分析了急弯路段的追尾冲突空间分布特征。然后，筛选车型、大车比率、断面速度差等13个交通流特征指标作为输入变量，以粒子群算法为基础，分别构建了其与BP神经网络、随机森林、支持向量机算法的追尾冲突动态组合预测模型，并根据混淆矩阵和曲线下面积评估各模型的预测性能，利用黑箱解释方法分析冲突发生概率的显著性影响因素及影响程度。结果表明：相较于平直或一般弯道路段，急弯路段的追尾冲突TTC （Time to Collision）值更小，出弯缓和曲线段冲突更为严重，且弯道内侧碰撞风险最高；粒子群-随机森林模型的追尾冲突预测性能最佳，灵敏度达90.70%；急弯路段追尾冲突受车辆平均车头间距的影响程度最大，当平均车头间距为25 m左右时，冲突发生概率最小，向心加速度均值、速度均值等因素亦对其有显著影响。

关键词: 急弯路段, 距离碰撞时间, 追尾冲突, 动态预测, 冲突发生概率, 粒子群算法

Abstract:

In order to realize the active prevention and control of rear-end collision on sharp curves, a dynamic prediction method of rear-end conflicts was proposed based on converged multi-source data. In this study, firstly, a model for distinguishing rear-end conflicts on sharp curves and a classification criteria of conflict level threshold were proposed by using the vehicle traveling data collected by drones and millimeter wave radar. The spatial distribution characteristics of such conflicts on sharp curves was subsequently analyzed. Then, 13 variables related to traffic flow characteristic such as vehicle type, ratio of large vehicle, and speed difference between sections were selected as input variables, and dynamic combined prediction models of rear-end conflicts on sharp curves with BP neural network, random forest and support vector machine algorithms were constructed based on particle swarm algorithm, respectively. The prediction performance of each prediction model was evaluated based on confusion matrix and area under curve, and the black box interpretation method was used to analyze the significant influence variables and the probabilities of rear-end conflicts occurrence. The results show that the TTC values of rear-end conflicts on sharp curves are smaller than those on flat or normal curved sections, and such conflicts are more serious on the gentle curve exit sections, and the conflicts risk on the inner side of the curves is the highest; the particle swarm algorithm- random forest model has the best performance in predicting the rear-end conflicts, with a sensitivity of 90.70%; the impact of average vehicle headway on rear-end conflict in sharp curve sections is the most significant. When the average vehicle headway is around 25 meters, the probability of conflict is the lowest. Factors such as mean centripetal acceleration and mean velocity also have a significant influence on it.

Key words: sharp curve, time to collision, rear-end conflict, dynamic prediction, conflict probability, particle swarm algorithm

中图分类号:

U491.31

王永岗, 陈俊先, 郑少娅, 等. 道路急弯路段追尾冲突分析预测[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 80-87.

WANG Yonggang, CHEN Junxian, ZHENG Shaoya, et al. Analysis and Prediction of Rear-End Conflicts on Road Sharp Curves[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(4): 80-87.

图/表 11

图1

图2

图3

表1

表2

表3

表4

表5

图4

图5

图6

参考文献 20

1	赵晓华，关伟，黄利华，等．急弯处警告标志位置对驾驶行为的影响研究［J］．公路交通科技，2014，31（9）：101-107.
	ZHAO Xiaohua， GUAN Wei， HUANG Lihua，et al ．Research on influence of warning sign position in sharp curve on driving behavior［J］．Journal of Highway and Transportation Research and Development，2014，31（9）：101-107.
2	陆欢，戢晓峰，杨文臣，等．高原山区公路环境下交通事故形态致因分析［J］．中国安全科学学报，2019，29（5）：44-49.
	LU Huan， JI Xiaofeng， YANG Wenchen，et al ．Cause analysis of different patterns of traffic accidents on plateau mountain roads［J］．China Safety Science Journal，2019，29（5）：44-49.
3	OTHMAN S， THOMSON R， LANNER G ．Are driving and overtaking on right curves more dangerous than on left curves？［J］．Annals of Advances in Automotive Medicine，2010，54：253-264.
4	RAKOTONIRAINY A， CHEN S， SCOTT P B，et al ．A novel approach to assessing road-curve crash severity ［J］. Journal of Transportation Safety & Security，2015，7（4）：358-375.
5	MCCARTT A T， NORTHRUP V S， RETTING R A ．Types and characteristics of ramp-related motor vehicle crashes on urban interstate roadways in northern Virginia ［J］．Journal of Safety Research，2004，35（1）：107-114.
6	ELVIK R ．The more （sharp） curves， the lower the risk ［J］．Accident Analysis & Prevention，2019，133：105322.
7	ESSA M， SAYED T ．Traffic conflict models to evaluate the safety of signalized intersections at the cycle level ［J］．Transportation Research Part C：Emerging Technologies，2018，89：289-302.
8	LU G， LIU M， WANG Y，et al ．Quantifying the severity of traffic conflict by assuming moving elements as rectangles at intersection ［J］．Procedia-Social and Behavioral Sciences，2012，43：255-264.
9	TARKO A P ．Estimating the expected number of crashes with traffic conflicts and the lomax distribution-a theoretical and numerical exploration ［J］. Accident Analysis & Prevention，2018，113：63-73.
10	孟祥海，徐汉清，王浩，等．基于TTC及DRAC的高速公路施工区追尾冲突研究［J］．交通信息与安全，2012，30（6）：6-10.
	MENG Xianghai， XU Hanqing， WANG Hao，et al ．Rear-end conflict of freeway work zone based on TTC and DRAC ［J］．Journal of Transport Information and Safety，2012，30（6）：6-10.
11	VOGEL K. A Comparison of headway and time to collision as safety indicators ［J］．Accident Analysis & Prevention，2003，35（3）：427-433.
12	谢济铭，秦雅琴，彭博，等．多车道交织区车辆跟驰行为风险判别与冲突预测［J］．交通运输系统工程与信息，2021，21（3）：131-139.
	XIE Jiming， QIN Yaqin， PENG Bo，et al ．Risk discrimination and conflict prediction of vehicle-following behavior in multi-lane weaving sections ［J］．Journal of Transportation Systems Engineering and Information Technology，2021，21（3）：131-139.
13	陆建，张文珺，杨海飞，等．基于碰撞时间的追尾风险分析［J］．交通信息与安全，2014，32（5）：58-76.
	LU Jian， ZHANG wenjun， YANG Haifei，et al ．Analysis of rear-end risk based on the indicator of time to collision ［J］．Journal of Transport Information and Safety，2014，32（5）：58-76.
14	FORMOSA N， QUDDUS M， ISON S，et al ．Predicting real-time traffic conflicts using deep learning ［J］．Accident Analysis & Prevention，2020，136：105429.
15	柳本民，廖岩枫，涂辉招，等．基于模拟实验的低等级公路车辆过弯风险预测模型［J］．同济大学学报（自然科学版），2021，49（4）：499-506.
	LIU Benmin， LIAO Yanfeng， TU Huizhao，et al ．Risk prediction model of vehicle driving in small radius curves based on simulation experiment ［J］．Journal of Tongji University （Natural Science），2021，49（4）：499-506.
16	交通部公路安全保障工程技术组．公路安全保障工程实施技术指南［M］．北京：人民交通出版社，2007.
17	HAN B， WU Y， SONG Y ．A novel active contour model based on median absolute deviation for remote sensing river image segmentation ［J］．Computers & Electrical Engineering，2017，62：209-223.
18	戢晓峰，谢世坤，覃文文，等．基于轨迹数据的山区危险性弯道路段交通事故风险动态预测［J］．中国公路学报，2022，35（4）：277-285.
	JI Xiaofeng， XIE Shikun， QIN Wenwen，et al ．Dynamic prediction of traffic accident risk in risky curve sections based on vehicle trajectory data ［J］．China Journal of Highway and Transport，2022，35（4）：277-285.
19	房锐，张琪，胡澄宇，等．基于风险矩阵的干线公路弯道路段交通冲突风险评估模型［J］．交通运输系统工程与信息，2021，21（2）：166-172.
	FANG Rui， ZHANG Qi， HU Chengyu，et al ．Risk assessment model based on risk matrix for traffic conflict on arterial highway bend section ［J］．Journal of Transportation Systems Engineering and Information Technology，2021，21（2）：166-172.
20	HAN H. The utility of receiver operating characteristic curve in educational assessment： performance prediction ［J］．Mathematics，2022，10（9）：1493.

冲突严重程度等级	冲突阈值/s
冲突严重程度等级	上行	下行
严重冲突	（0，1.4］	（0，1.3］
一般冲突	（1.4，3.2］	（1.3，3.4］
轻微冲突	（3.2，5.1］	（4，5.4］

指标	定义
CX	车型（0表示小型车，1表示大型车）
N	大车混入率（%）
DR	方向（0表示上行，1表示下行）
V1	断面速度差（m/s）
Q	断面交通量（辆/min）
SM1	路段平均车头间距（m）
VM	平均车速（m/s）
VD	车速标准差（m/s）
WM	平均角速度（（°）/s）
WD	角速度标准差（（°）/s）
AM	平均向心加速度（m/s²）
AD	向心加速度标准差（m/s²）
SM	平均车头间距（m）
SD	车头间距标准差（m）
A2M	平均纵向加速度（m/s²）
A2D	纵向加速度标准差（m/s²）

评估指标	PSO-BPNN	PSO-RF	PSO-SVM
正确率	75.00	79.17	72.22
灵敏度	73.81	90.70	88.10
特异度	76.67	62.07	50.00
误报率	23.33	37.93	50.00

[1]	张英芝, 翟粉莉, 郑玉彬, 等. 基于累积误差平方和最小的参数估计方法[J]. 华南理工大学学报（自然科学版）, 2020, 48(11): 49-54.
[2]	姜正荣林全攀石开荣阮智健吕俊锋罗斌. 基于混合智能优化算法的弦支穹顶结构预应力优化[J]. 华南理工大学学报(自然科学版), 2018, 46(9): 36-42.
[3]	牛海清吴炬卓郭少锋. 奇异值分解在电缆局部放电信号模式识别中的应用[J]. 华南理工大学学报（自然科学版）, 2018, 46(1): 26-32.
[4]	田晟马美娜许凯. 随机均衡配流下的连续性网络设计[J]. 华南理工大学学报（自然科学版）, 2017, 45(11): 0-0.
[5]	王岩汪晋宽韩英华. 面向云工作流的两阶段资源调度方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(1): 80-87,111.
[6]	孙泽刚肖世德许明恒魏巍. 基于缸体腰形孔的柱塞腔抗空化结构的优化[J]. 华南理工大学学报（自然科学版）, 2016, 44(10): 36-42.
[7]	陈进郭小锋李松林孙振业. 基于参数建模的风力机预弯叶片结构优化设计[J]. 华南理工大学学报（自然科学版）, 2014, 42(12): 90-96,111.

道路急弯路段追尾冲突分析预测

Analysis and Prediction of Rear-End Conflicts on Road Sharp Curves

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 20

相关文章 7

编辑推荐

Metrics

本文评价

预测模型	预测值	真实值
预测模型	预测值	冲突发生	冲突不发生
PSO-BPNN	冲突发生	31	7
PSO-BPNN	冲突不发生	11	23
PSO-RF	冲突发生	39	11
PSO-RF	冲突不发生	4	18
PSO-SVM	冲突发生	37	15
PSO-SVM	冲突不发生	5	15