一种高速公路二次事故实时风险预测方法

本发明涉及高速公路主动交通安全风险防控，尤其涉及一种高速公路二次事故实时风险预测方法。

背景技术：

1、在高速公路上，由于发生事故后，事故处理会导致对道路的异常占用，给其他车辆的正常行驶带来干扰。而且交通事故会产生交通流的紊乱，对交通流形成时空范围内逐渐蔓延的影响，从而可能导致进一步的交通事故。二次交通事故发生在由初次交通事故引起的空间和时间影响范围内。有研究表明，2.2％至3.9％的高速公路交通事故可能再次导致交通事故发生。如果之前发生交通事故，再次发生交通事故的风险将增加六倍以上。同样，事故清除时间每增加一分钟，二次交通事故的可能性增加2.8％。与普通事故相比，二次事故的可预防性较高，通过主动式交通安全管控措施来及时进行干预，消减相应风险，从而减少二次事故发生。

2、目前对于二次事故实时风险的建模过程中主要思路是通过对初次事故和普通事故进行分类实现二次事故的风险预测，该预测思路的输出结果只能说明初次事故导致二次事故发生的风险较高，而二次事故发生的时间和位置均无法确定，难以对二次事故风险的快速响应和及时干预提供帮助。另外，现有二次事故风险预测模型中在很大程度上依赖于初次事故相关特征，如事故类型、事故持续时间等，然而这些特征在实际应用中几乎不能实时获取，即使可以获取，由于其来源依靠事故参与者的上报，亦很难确保其真实性和准确性。

3、因此，当前二次事故的预测方式存在一定的局限性，难以准确预测二次事故的风险。

技术实现思路

1、本发明的实施例提供了一种高速公路二次事故实时风险预测方法，以实现有效地实时管控高速公路的二次事故风险。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种高速公路二次事故实时风险预测方法和系统，包括：

4、获取高速公路上历史交通事故的信息数据和对应时空位置的交通流数据，将交通事故划分为二次事故、初次事故和普通事故，根据案例配对法构建初次事故和普通事故数据集、二次事故和无事故数据集；

5、利用各种交通流特征因子分别构建初次事故风险预测子模型和二次事故实时风险预测子模型，利用所述初次事故和普通事故数据集对所述初次事故风险预测子模型进行训练，得到训练好的初次事故风险预测子模型，利用所述二次事故和无事故数据集对所述二次事故实时风险预测子模型进行训练，得到训练好的二次事故实时风险预测子模型；

6、将待分析的高速公路实时事故的交通流特征因子输入到所述初次事故风险预测子模型和所述二次事故实时风险预测子模型，采用“或”的投票策略将所述初次事故风险预测子模型和所述二次事故实时风险预测子模型的预测结果进行融合，得到所述待分析的实时事故的二次事故风险预测结果。

7、优选地，获取高速公路上历史交通事故的信息数据和对应时空位置的交通流数据，将交通事故划分为二次事故、初次事故和普通事故，包括：

8、获取历史交通事故信息数据和对应时空位置的交通流数据，对数据预处理后，通过数据表的索引字段进将各类数据进行匹配关联，开始识别检测线圈编号，确定事故发生的道路编号和里程桩号，以及事故车辆的行车方向，通过搜索相关的线圈信息数据文件，定位事故上下游线路的编号，搜集事故发生时间和对应的上下游线路编号，获取事故发生设定时间内的交通流数据。

9、优选地，所述的根据案例配对法构建初次事故和普通事故数据集、二次事故和无事故数据集，包括：

10、对于数据库中的每个事故，生成指定时间距离和空间距离的二次事故识别缓冲区，所述时间距离为事故发生前2小时到事故发生后4小时内，所述空间距离为事故地点上游5公里到事故下游1公里以内的范围，如果在所述二次事故识别缓冲区内无事故发生，则将该事故标记为普通事故；

11、如果在所述二次事故识别缓冲区内有事故发生，构建事故当日指定范围内的平均速度时空矩阵和无事故日正常交通状态下的平均速度矩阵和标准差矩阵，通过事故日速度与正常交通状态下速度差异判断事故时空影响范围，构建事故影响范围的速度等值线图，如果所述事故时空影响范围内存在事故，则将事故标记为初次事故并加入初次事故数据库，并将初次事故时空范围内的事故依次标记为二次事故，并加入二次事故数据库。

12、利用初次事故和普通事故两类事故样本构建普通事故和初次事故数据集，针对初次事故数据，采用提取到的全部样本作为案例组，对于普通事故数据，则采用案例对照法，并按照1:4的比例选取与初次事故相关的普通事故数据；利用二次事故数据和无事故数据两类事故样本构建二次事故数据集，对于二次事故数据，从数据库中提取到的所有与初次事故对应的二次事故作为案例样本，对于无事故数据则通过案例对照法选取。

13、优选地，所述的根据案例配对法构建初次事故和普通事故数据集、二次事故和无事故数据集，包括：

14、选取了上下游断面交通流三参数及其上下游平均差值、相邻车道平均差值指标，共计15个参数作为交通流特征因子，具体参数及含义如下表2所示：

15、表2交通流特征因子

16、

17、优选地，所述的利用各种交通流特征因子分别构建初次事故风险预测子模型和二次事故实时风险预测子模型，利用所述初次事故和普通事故数据集对所述初次事故风险预测子模型进行训练，得到训练好的初次事故风险预测子模型，利用所述二次事故和无事故数据集对所述二次事故实时风险预测子模型进行训练，得到训练好的二次事故实时风险预测子模型，包括：

18、选取流量、速度和占有率交通流特征因子来构建初次事故风险预测子模型，所述初次事故风险预测子模型的输入数据为初始发生事故的15个交通流特征因子，输出数据为0/1，0表示初次事故发生风险较低，1表示初次事故发生风险较高，基于所述初次事故和普通事故数据集利用机器学习模型对所述初次事故风险预测子模型进行训练，得到训练好的初次事故风险预测子模型；

19、选取流量、速度和占有率交通流特征因子来构建二次事故实时风险预测子模型，所述二次事故实时风险预测子模型的输入数据为二次事故的交通流特征因子，输出数据为0/1，0表示二次事故发生风险较低，1表示二次事故发生风险较高，基于所述二次事故和无事故数据集利用机器学习模型对所述二次事故实时风险预测子模型进行训练，得到训练好的二次事故实时风险预测子模型。

20、优选地，所述的将待分析的高速公路实时事故的交通流特征因子输入到所述初次事故风险预测子模型和所述二次事故实时风险预测子模型，采用“或”的投票策略将所述初次事故风险预测子模型和所述二次事故实时风险预测子模型的预测结果进行融合，得到所述待分析的实时事故的二次事故风险预测结果，包括：

21、将待分析的实时事故的15个初次事故的交通流特征因子输入到所述初次事故风险预测子模型，15个交通流因子即上下游断面交通流三参数及其上下游平均差值、相邻车道平均差值指标，由上、下游线圈检测器检测得到。将待分析的实时事故的15个二次事故的交通流特征因子输入到所述二次事故实时风险预测子模型，采用“或”的投票策略将所述初次事故风险预测子模型和所述二次事故实时风险预测子模型的预测结果进行融合，所述初次事故风险预测子模型和所述二次事故风险预测子模型的融合逻辑如表3所示：

22、表3

23、 初次事故预测模型结果 二次事故预测模型结果 双层预测模型 +1(二次事故风险较高) +1(二次事故风较高) +1(二次事故风险较高) +1(二次事故风险较高) -1(二次事故风险较低) +1(二次事故风险较高) -1(二次事故风险较低) +1(二次事故风险较高) +1(二次事故风险较高) -1(二次事故风险较低) -1(二次事故风险较低) -1(二次事故风险较低)

24、得到所述待分析的实时事故的二次事故风险预测结果。

25、由上述本发明的实施例提供的技术方案可以看出，本发明实施例方法能够提高对二次事故实时风险预测输出的信息有效性，从而实现高速公路二次事故实时风险主动管控。

26、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。