CN109448369A - 高速公路实时运行风险计算方法 - Google Patents

Abstract

本发明涉及一种高速公路实时运行风险计算方法，该方法采用多因素融合的熵值模型对高速公路交通流、环境对道路的实时运行情况进行分析计算。本发明基于熵值模型的原理，在实时交通流数据、实时环境变化数据获取的基础上，对采集到的数据进行预处理，并运用相关性分析、随机森林模型、归一化处理等方法，根据高速公路的实时运行情况，融合交通流风险因素、外部环境因素，建立可分析高速公路实时运行情况的风险熵模型。该模型可以对高速公路的实时运行风险进行识别、评估、分析，可以为高速公路实时风险管理提供依据，管理人员可在此基础上进行风险处置和防范，避免或减少因高风险情况对经济和财产造成损失。

Description

高速公路实时运行风险计算方法

技术领域

本发明涉及公路交通技术领域，具体涉及一种高速公路实时运行风险计算方法。

背景技术

随着交通需求的不断增加，高速公路面临着交通拥堵和交通安全的问题，道路的行车风险越高，车辆行驶安全受到的影响越严重。实际中，交通安全和交通事故是两个相互对立的概念，道路不发生事故，并不意味着完全安全，此时发生交通事故的风险依然存在。因此，为满足高速公路高速、高效、安全、舒适的基本特征，需要妥善分析其风险问题，根据道路运行的风险状态，进行有针对性的风险管理。

现实中影响交通安全的因素比较复杂，既包括道路基础设施的差异、管控的差别，也包括天气因素、交通事故的影响，但是在高速公路实时运行风险方面，影响风险时变性的因素主要是交通流因素和环境因素。目前，国内外在高速公路运行风险的研究中采用的风险评价方法包括层次分析法、蒙特卡罗模拟技术、敏感性分析法、模糊分析方法、统计概率法、影响图分析法等。这些方法大致反映了工程风险分析技术的现有水平，但是在实际应用中缺乏一定的实时反应性，对道路运行情况的实时反馈不强。从现有的研究成果来看，尚缺乏一套较为完整的、面向宏观车流运行、能够反映道路实时运行情况的风险评估方法，进而为道路管理者提供风险决策支持。

发明内容

本发明的目的是提供一种高速公路实时运行风险计算方法，从车流运行的宏观角度，计算道路交通运行风险值，融合交通流因素、天气因素、事故因素等，可以对高速公路运行状态的风险情况进行评估。

本发明所采用的技术方案为：

高速公路实时运行风险计算方法，其特征在于：

该方法采用多因素融合的熵值模型对高速公路交通流、环境对道路的实时运行情况进行分析计算。

具体包括以下步骤：

步骤1：对影响高速公路实时运行风险的因素进行分类，划分为交通流风险因素、外部环境风险因素共两类；

步骤2：确定获取各因素使用的设备及方法，并进行数据预处理，剔除和修复异常数据；

步骤3：将已确定的风险因素划分为正、负熵因素，根据获取的因素在归一化处理的基础上，运用特征工程进行正负熵特征筛选、熵值权重确定；

在历史事故数据分析和实时数据状态分析的辅助下，结合归一化处理的结果，基于各因素的描述性指标，运用特征工程方法进行特征筛选和权重确定，最终得到各因素的权重值；

步骤4：根据熵值模型的影响因素属性及权重确定结果，结合步骤3的权值分析结果，针对高速公路运行风险正负熵因素的属性差别，建立模型进行计算，正负熵值之和即为高速公路运行风险熵值。

步骤1中，交通流风险因素包括交通量、速度差、车头间距、拥挤度、大型车比例，外部环境风险因素包括道路交通事故因素、天气因素。

步骤2中，对于交通流风险因素，选择线圈检测器、微波检测器实时获取各类交通流信息；对于外部环境风险因素，从事故信息发布平台获取事故信息，即异常天气信息，从路侧道路气象站，实时获取气象信息。

在正负熵因素划分中，交通量、速度差、拥挤度、大型车比例、天气、事故为正熵因素，车头间距为负熵因素；

步骤3中，各交通流因素、外部环境因素的权重确定结果为：

步骤4中，对于有n个评价等级，m_A个正熵因素、m_B个负熵因素影响下的高速公路运行系统风险正负熵值模型及系统整体风险熵值计算如下：

式中：A为正熵值；B为负熵值；M为高速公路运行风险熵值；λ_i为第i项指标的权重；n为各因素共有的评价等级；e_i为各评价指标的熵值；g_i为各因素的差异系数；p_i为各因素熵值比重；n为第i个因素的重要度评价值。

本发明具有以下优点：

本发明基于熵值模型的原理，在实时交通流数据、实时环境变化数据获取的基础上，对采集到的实时数据进行预处理，并运用相关性分析、随机森林模型、归一化处理等方法，根据高速公路的实时运行情况，融合交通流风险因素、外部环境因素，建立可分析高速公路实时运行情况的熵模型，以风险熵值衡量高速公路的实时运行风险，从风险熵值的变化状态判断高速公路各路段的运行状态。该模型将交通流运行的状态数字化，可直观的从安全风险的角度，分析道路的运行状态，可以对高速公路的实时运行风险进行识别、评估、分析，可以为高速公路的实时风险管理提供依据，管理人员可通过观察风险熵值的变化，采取对应的风险处置和防范措施，避免或减少因高风险情况对经济和财产造成损失。

附图说明

图1为数据预处理流程图。

图2为交通风险因素重要度排序图。

图3为高速公路运行风险熵模型的思路流程图。

图4为交通流因素及外部环境因素相关性分析图。

图5为上行方向高速公路运行风险时变图(西高新)。

图6为上行方向高速公路运行风险时变图(曲江西)。

图7为上行方向高速公路运行风险时变图(曲江东)。

图8为下行方向高速公路运行风险时变图(西高新)。

图9为下行方向高速公路运行风险时变图(曲江西)。

图10为下行方向高速公路运行风险时变图(曲江东)。

图11为本发明总流程图。

具体实施方式

下面结合具体实施方式对本发明进行详细的说明。

本发明涉及一种高速公路实时运行风险计算方法，将熵值模型引入风险分析，提出可量化的道路风险评估方法，从高速公路运行风险影响因素出发，确定各因素的获取方法，并对各风险因素进行量化处理，建立正负安全熵模型，以安全熵值的变化性为依托，分析高速公路实时运行风险的时变性。

本发明具体实现过程如下：

步骤一：确定风险因素

在风险因素研究中，将各类风险因素进行归类，汇总各类影响因素，分为交通流风险因素、环境风险因素两类。

1.交通风险因素

从交通安全的角度看，选择评价交通风险的指标时，需要选择能够综合反映流量、密度、速度的数据作为评价指标。本发明在确定交通风险因素时，采用python软件中的随机森林模型，对常见的交通流因素对运行风险的影响重要度进行了划分。

本发明根据历史及实时数据，采用随机森林方法根据输出结果的重要性确定交通风险因素。随机森林划分样本类型主要依据指示器函数。

式中，决策模型为h_k(x)，y为分类结果，I(.)为指示器函数。

样本分类期望如下：

l(s₁,s₂,L,s_n)＝∑P_ilog₂(p_i)i＝1,2,L,n

P_i＝S_i/S

式中，数据集为S，n为S的分类数目，C_i为某分类标号，P_i为任意样本属于C_i的概率，p_i为样本中属于第i个子集的概率，s_i为分类C_i上的样本数。l(s₁,s₂,L,s_n)的数值越小，s₁,s₂,L,s_n越有序，分类效果越好。

根据随机森林模型，对于不同的高速公路和不同的交通流运行状态，确定不同的数据值，以双向六车道高速公路为例构建随机森林模型。在考虑交通流因素的随机森林模型中，独立构建15棵数，每棵数代表一个交通因素，即n＝15。在分析的过程中，风险因素的个数不变。假设高速公路运行风险共有N个样本，通过重复多次抽样的方法，生成运行风险模型的决策树训练集，共M个输入变量，即S＝M。每个风险节点随机选择m(m＜M)个特定变量，运用m个变量确定最佳分裂点。在决策树的生成过程中，m的数值保持不变。在随机森林模型计算中，决策树不剪枝，最终按照各因素的重要性，确定出交通因素中的风险因素。

同时采用基尼指数对随机森林中样本进行分类评价，基尼指数越小，说明样本被分错的概率越低，样本集合越纯。

基尼指数

参考随机森林分析结果，确定交通量、速度差、车头间距、拥挤度、大型车比例为交通风险因素。交通风险因素重要度分析结果见图1。

①交通量

交通量为路段单位时间内通过的标准车数量(pcu)。相同道路环境条件下，不超过交通饱和状态时，交通量越大，道路的运行安全性能越差；在饱和状态时，拥挤度升高，车头间距减小，行驶速度降低，容错能力随之降低；在紊流状态，车流运行的不平衡性出现，运行安全性在此状态急速降低。

②速度差

本说明的速度差是指不同车型平均速度的差值。通常情况下，高速公路的行驶规则是分车型、分车道行驶，不同车型的速度差越高，高速公路面临的运行风险也就越大，因此，分析道路运行风险时，需要考虑速度差对道路运行风险的影响。

③车头间距

车头间距为一条车道上同向行驶的一列车队中，前后相邻两车车头之间的间隔距离。一定程度上看，车头间距可以反应出道路的车流密度情况，车流密度越大，车头间距越小，留给驾驶员的容错空间越小，高风险情况越多。

④拥挤度

拥挤度为路段的某单位时段内当量中型车平均交通量q′_m同日当量中型车交通适应量q_m的比值。拥挤度既可以反应交通量，也可以反应出车流密度情况。在交通适应量相同的前提下，拥挤度越大，交通量越大，车流密度越大，高速公路运行风险也就越高。

⑤大型车比例

按照我国公路汽车代表车型分类，将中型车、大型车和汽车列车作为本发明大型车比例的计算车型。大型车比例表示在统计的单位时间内，大型车数量C_T占总交通量C的比值。高速公路事故信息统计表明，大型车事故的严重程度明显高于中小型车，其事故风险与概率远高于小型车和中型车，因此，将大型车比例作为风险因素。大型车比例计算公式为

P_T＝C_T/C

2.环境风险因素

环境风险因素包括道路交通事故和天气两部分。

①道路交通事故

事故严重程度可根据道路运输安全事故的等级进行划分，对于路段i而言，若该路段共发生n起事故，则路段i事故评估指标

式中，a_n表示第n起事故的事故等级影响系数。

不同事故等级对应的不同数值如下表“不同事故等级影响系数统计”。

事故等级	影响系数
		无事故	0
轻微事故	0.2
		一般事故	0.5
重大事故	0.8
		特大事故	1

式中，a_n表示第n起事故的事故等级影响系数。

②天气因素

不同的天气条件对交通安全的影响程度不同，天气晴好时，气象条件对交通安全的影响较小；出现暴雨、强风等恶劣天气时，交通事故占总交通事故数的5％-10％。标定不同气象预警等级对交通状态的影响。下表为不同气象预警等级对交通安全的影响系数：

气象预警等级	影响系数
		无预警	0.1
蓝色预警	0.3
		黄色预警	0.5
橙色预警	0.7
		红色预警	0.9

本发明所述的影响高速公路实时运行风险的因素，可根据实际应用中的需要，参考重要度分析结果适时增减。

步骤二：确定风险因素的获取及数据预处理

对于交通流风险因素，采用交通流检测器实时获取待分析路段的交通量、速度差、车头间距，基于获取的交通量信息，计算拥挤度和大型车比例，进而得到所有交通流因素。

在本专利所述的方法中，各交通风险因素的计算单位如下：

交通量：在单位时间内，通过高速公路某一断面实际交通参与者的数量，其数量需转化为标准小客车。本专利所述的单位时间为15分钟，因此，交通量的单位为pcu/15min。

速度差：在单位时间内，通过高速公路某一断面的小型车与大型车的速度差值，对照公路汽车代表车型分类，小型车包括小客车(座位≤19座的客车，载质量≤2t的货车)和中型车(座位＞19座的客车，2t＜载质量≤7t的货车)，大型车包括大型车(7t＜载质量≤20t的货车)和汽车列车(载质量＞20t)。本专利所述的单位时间为15分钟，因此，需每15分钟计算一次速度差值，单位为km/h。

车头间距：在一条车道上同向行驶的一列车队中，前后相邻两车车头之间的间隔距离，在本专利中，以15分钟车辆通过某一断面的车头间距均值为判断指标，单位为m。

拥挤度：单位时间内，通过某一断面的当量中型车平均交通量q′_m同日当量中型车交通适应量q_m的比值。本专利所述的单位时间为15分钟。

大型车比例：在单位时间内，通过高速公路某一断面的大型车数量与通过该断面的所有车辆数的比值。对照公路汽车代表车型分类，小型车包括小客车(座位≤19座的客车，载质量≤2t的货车)，大型车包括中型车(座位>19座的客车，2t＜载质量≤7t的货车)、大型车(7t＜载质量≤20t的货车)和汽车列车(载质量>20t)。本专利所述的单位时间为15分钟，单位为％。

对于环境风险因素，道路事故因素为风险分析路段的历史异常交通事件，可从事故信息发布平台获取，在因素分析中，对道路交通事件报警信息数据进行预处理，剔除和修复异常数据，得到待评价路段的事故发生信息，包括事故发生地点、事故等级、事故原因、发生时间等；对于天气因素，可依靠道路气象站，实时获取气象信息，判断是否属于气象预警级别。

通过上述方法收集的数据，由于设备精度、短时外界环境干扰等原因，存在部分无效数据，在模型计算前，需要预处理数据，进行清洗、剔除、补足等操作，经预处理后的数据才可用于安全熵模型的具体计算。

对于空值数据，建立回归方程，采用回归方程的计算值进行填充补足。

在剔除异常数据时，采用分因素剔除的方法，首先剔除每个因素下的异常数据。以日为周期，15分钟为单位，针对每个因素的数据采集情况，形成1×96的矩阵N_i，对应步骤1中影响因素的总数，共形成7个矩阵。在针对不同道路建立矩阵时，矩阵元素的时间单位可根据待分析路段的环境特点进行调整。

根据格拉布斯准则，对于一个矩阵N_i，如果个别元素偏离平均值很远，那么这个数据就可以判定为异常数据。异常数据的具体判断过程如下：

将每一矩阵的元素按照从小到大的顺序排列，计算各矩阵的平均值标准差S、各数值残差与标准差的比值G_i。

将计算值G_i与格拉布斯表临界值G_p(n)进行比较，如果G_i大于G_p(n)，则说明该数值为异常数值，需要剔除。如果某时段一个因素的数据被剔除，那么该时段其他因素的数据也需要同时被剔除。

各因素处理后的数据与时间段对应，形成包含7×96个风险分析元素的矩阵N。

步骤三：确定熵值权重

确定熵值权重的过程就是对风险因素进行相关性分析及归一化处理的过程。在事故数据分析的辅助下，可以将数据分析的结果作为安全熵值权重。采用数据分析的方法，即特征工程学中的特征筛选算法，标定交通流因素和外部环境因素的权重。

确定权重使用的相关性分析是对上文确定出的风险因素进行分析，衡量各因素之间的相关密切程度，进而转化为各因素的权重。在具体的计算中，可以使用python软件中的panadas.DataFrame.corr模块分析各因素对高风险情况的影响，并结合seaborn.heatmap中的矩阵绘图集，可以直接得到各交通流、外部环境因素与高速公路运行风险情况的相关性，以某条双向六车道高速公路为例，各因素的相关性分析结果如图3所示。

从相关性分析结果可见，交通量、速度差、拥挤度、大型车比例、天气为正相关因素，车头间距为负相关因素。由于输出结果为所有因素间的相关性，需要折算各因素对高速公路运行风险的相关性。

事故因素对运行风险的影响程度

u₂₂＝u₂-u₂₁

各交通流因素对高速公路运行风险影响程度

式中：α_1n表示相关性分析图中各交通流因素对高风险情况的影响程度；u₁、u₂分别表示一级指标中，交通流因素、环境因素对高速公路运行风险的影响程度。

计算各因素对高速公路运行风险的影响程度，结果如下表,交通及环境因素权值表。

风险因素	交通量	速度差	车头间距	拥挤度	大型车比例	天气	事故
								相关性系数	0.058	0.044	-0.03	0.158	0.307	0.239	0.164

步骤四：建立安全熵模型：

高速公路运行风险是多因素耦合作用的结果，在建立风险模型时，需要综合考虑各类因素对运行风险的影响。在分析风险情况时，将安全熵模型引入安全风险评估中，对交通流因素、外部环境因素的影响进行定量化分析，提出风险熵的概念，用风险熵值对高速公路运行风险进行评价。熵值越大，系统面临的风险越大。

安全熵模型建立的具体思路为：在交通流因素、外部环境因素分析的基础上，根据熵值模型的影响因素属性，将各因素划分为正、负熵因素，根据正负熵因素属性的差别，对其进行相关性分析，划分各因素的权值，最后将权值对应正负熵因素，输出高速公路的运行风险值。安全熵模型的建立思路如图2所示。

安全熵模型的具体建立思路如下：

在计算高速公路运行风险时，将道路的运行情况看作一个由不同因素影响的系统。通常情况下，在不同因素影响的系统熵值为

式中，i表示各子系统的编号，i的值为1～4；j表示子系统中包含的因素；S_i表示各子系统的熵值(bit)，驾驶员心理子系统和驾驶员生理子系统产生的是正熵值，车辆子系统和环境子系统产生的是负熵值；K_i表示各子系统的权重；p_j表示各影响因素的熵值权重，

对应风险因素相关性分析中的正负属性，影响系统熵值的因素可分为正熵因素和负熵因素，对应上式中±。对于高速公路运行系统，车头间距属于负熵因素，其他因素属于正熵因素。因此，需要从多因素系统分析的角度，建立有n个评价等级，m_A个正熵因素、m_B个负熵因素影响下的公路运行系统风险熵值模型。

式中：A为正熵值；B为负熵值；λ_i为第i项指标的权重；n为各因素共有的评价等级；e_i为各评价指标的熵值；g_i为各因素的差异系数；p_i为各因素熵值比重；n为第i个因素的重要度评价值。

本发明所述的模型计算单位时间可以根据实际应用的需要进行调整。

以下为基于上述计算的实际应用：

将西安市绕城高速作为双向六车道高速公路的典型路段进行本发明实例应用说明。西安绕城高速是全封闭、全立交、控制出入的城市高速公路，除一般高速公路功能外，西安绕城高速还同时承担着西安城市环线——三环路主道的运输任务，车流量大，宏观车流的时变性明显，另外，西安绕城高速全线布设交通检测器，可以采集实时的交通量、速度差、车头间距、拥挤度等信息，同时记录有历年事故资料。依据前述理论框架对其进行运行风险分析。

1、确定运行风险分析路段

对绕城高速南段的上下行运行风险进行分析。具体路段为西高新至曲江立交东，相关的区段数据获取节点分布如下表。

序号	位置	数据类型	序号	位置	数据类型
						1	西高新	上行	2	西高新	下行
3	曲江立交东	上行	4	曲江立交东	下行
						5	曲江立交东	断面信息	6	曲江立交西	上行
7	曲江立交西	下行	8	曲江立交西	断面信息

2、风险因素分析

整理实时交通流数据，得到每15分钟的交通量、大小型车速度差、车头间距、拥挤度、天气数据，并通过事故信息发布平台，汇总西安绕城高速南段的各区段历史事故信息，得到各待分析路段的历史事故数、事故原因等，分析西安绕城高速南段的实时运行风险，得到上、下行方向三个区段24小时的运行风险值，并绘制对应的风险时变图。上、下行方向的风险时变图如5-10所示。

根据西安绕城高速南段风险时变图可以看出，本说明提出的方法可以根据车流运行的时变性实时反映出高速公路运行风险的变化情况，对于西安市绕城高速而言，运行风险呈现一种波动状态；同时，夜间和白天的运行风险存在一定的差异，夜间大多数时段道路运行为高风险状态，白天的运行状态属于低风险，夜间的运行风险明显高于白天。

本发明的内容不限于实施例所列举，本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换，均为本发明的权利要求所涵盖。

Claims (6)

1.高速公路实时运行风险计算方法，其特征在于：

该方法采用多因素融合的熵值模型对高速公路交通流、环境对道路的实时运行情况进行分析计算。

2.根据权利要求1所述的高速公路实时运行风险计算方法，其特征在于：

具体包括以下步骤：

步骤1：对影响高速公路实时运行风险的因素进行分类，划分为交通流风险因素、外部环境风险因素共两类；

步骤2：确定获取各因素使用的设备及方法，并进行数据预处理，剔除和修复异常数据；

步骤3：将已确定的风险因素划分为正、负熵因素，根据获取的因素在归一化处理的基础上，运用特征工程进行正负熵特征筛选、熵值权重确定；

在历史事故数据分析和实时数据状态分析的辅助下，结合归一化处理的结果，基于各因素的描述性指标，运用特征工程方法进行特征筛选和权重确定，最终得到各因素的权重值；

步骤4：根据熵值模型的影响因素属性及权重确定结果，结合步骤3的权值分析结果，针对高速公路运行风险正负熵因素的属性差别，建立模型进行计算，正负熵值之和即为高速公路运行风险熵值。

3.根据权利要求2所述的高速公路实时运行风险计算方法，其特征在于：

步骤1中，交通流风险因素包括交通量、速度差、车头间距、拥挤度、大型车比例，外部环境风险因素包括道路交通事故因素、天气因素。

4.根据权利要求3所述的高速公路实时运行风险计算方法，其特征在于：

步骤2中，对于交通流风险因素，选择线圈检测器、微波检测器实时获取各类交通流信息；对于外部环境风险因素，从事故信息发布平台获取事故信息，即异常天气信息，从路侧道路气象站，实时获取气象信息。

5.根据权利要求4所述的高速公路实时运行风险计算方法，其特征在于：

在正负熵因素划分中，交通量、速度差、拥挤度、大型车比例、天气、事故为正熵因素，车头间距为负熵因素；

步骤3中，各交通流因素、外部环境因素的权重确定结果为：

6.根据权利要求5所述的高速公路实时运行风险计算方法，其特征在于：

步骤4中，对于有n个评价等级，m_A个正熵因素、m_B个负熵因素影响下的高速公路运行系统风险正负熵值模型及系统整体风险熵值计算如下：

式中：A为正熵值；B为负熵值；M为高速公路运行风险熵值；λ_i为第i项指标的权重；n为各因素共有的评价等级；e_i为各评价指标的熵值；g_i为各因素的差异系数；p_i为各因素熵值比重；n为第i个因素的重要度评价值。