智能交通系统数据分析课件9第九章.pptx

1、安全应用的数据分析安全应用的数据分析9.1简介众所周知，大多数公路上的交通事故是人为错误造成的。在警察的事故报告中并没有详细地描述这些人为错误，而事故报告通常是许多交通安全研究的主要数据来源。本章将首先汇总主题涉及公路安全的相关研究，因缺乏详细数据导致的现有交通安全研究局限性及因移动设备和传感器技术的发展而带来的机遇将在后续被论证。9.2安全研究概述9.2.1人为因素：研究交通安全中人为因素影响的主要目的是为了了解不同环境、车辆和道路设计、交通状况及驾驶人身心状况如何影响驾驶人驾驶表现。鉴于大多数公路交通安全事故是由人为错误引起的，因此许多已有研究多围绕能见度和照明、人车界面、驾驶人辅助系统设

2、计和分心驾驶等因素对公路安全影响展开。9.2安全研究概述9.2.2事故数量和频率模型：事故数量和频率建模是交通安全研究的另一个主要组成部分。使用事故数量模型，可以预测特定交通设施在不同条件下的预期事故数（例如在应用不同安全策略的条件下）。事故数量的建模结果可用于：用以识别高危交叉口的热点分析；寻找解释变量中引发事故的主要原因；进行成本效益分析以优化安全改进工程的资金配置；进行事前和事后研究；制定事故修正因子。9.2安全研究概述9.2.3事前和事后研究：事前和事后研究通常用于评估安全策略的有效性。事前和事后研究常采用的四种方法朴素的事前与事后研究方法；经验贝叶斯法；基于对照组的事前和事后研究；基

3、于横断面数据的事前和事后研究。9.2安全研究概述9.2.4事故受伤严重程度建模：事故损伤严重程度是用来了解单个事故的损伤情况（无论对乘客还是驾驶人）与解释变量之间的关系，其研究结果可用于改进车辆、道路和交通控制装置的设计并为制订新的交通法规提供依据。事故损伤的严重程度通常标记为五个等级：未受伤非致残性损伤致命未受伤但有疼痛致残性损伤9.2安全研究概述9.2.5商用车辆安全性：商用车辆安全性研究包括，检测疲劳驾驶、约束服务时间（HOS）的规则制订与评估、提升安全带使用率的方法、非侵入式货车及货物检查工具研究等。这些研究旨在利用先进的统计工具将解释性因素与不同程度的事故风险相关联，并将研究结果用于

4、进一步完善现有的 HOS 法规或制定新的商用车辆安全条例。9.2安全研究概述9.2.6数据驱动的公路巡查计划：IBM7 开发了一种主动式数据驱动系统，以帮助田纳西州公路巡警（THP）动态分配其有限的资源以应对交通违章、降低交通事故发生风险并更好地对事故作出响应。这样的系统是建立在先前事故、酒驾事件和公共事件的时空数据之上，并考虑了天气状况和假期因素。这套数据驱动的安全预测系统可以看作是事故数量模型的扩展，区别在于事故数量模型将年平均日交通量作为输入变量，而不考虑交通流量的变化；同样的，事故数量模型也不能把事故与偶发事件（例如假期、公共事件、飓风和暴风雪等）联系起来。9.2安全研究概述9.2.7

5、面向安全的海量异构数据深度学习：Chen 等提出了一种深度堆栈去噪自编码器模型，用于处理大量异构数据以预测事故风险。这项研究工作的基本假设是 GPS 记录密度较高的区域事故发生率也随之变高。尽管使用深度学习和大量数据对事故风险进行建模的研究想法切实可行，但是这项研究考虑的模型输入数据过于简化且没有考虑其他影响事故的重要因素。9.2安全研究概述9.2.8实时交通运行和安全检测：近期，Shi 和 Abdel-Aty9 提出了一种基于实时交通传感器数据生成拥堵和安全警告的新型系统。该系统输入数据为各个车道的车辆速度、交通流量、车道占用率和车型分类数据。9.2.9网联车辆和交通安全：网联车辆技术的一个

6、主要目标是提高交通安全性。9.3安全分析方法9.3.1统计方法：计数数据建模分类数据建模9.3.2人工智能和机器学习：在模型中添加权重衰减项或正则化项神经网络模型一直以来被研究人员质疑无法为每个解释变量生成可解释的参数，这也是神经网络模型尚未广泛用于事故频率建模的主要原因之一。为了使这个问题的影响降到最低，Fish 和 Blodgett提出的方法可分析每个解释变量的敏感性，Delen 等也将这种方法用于神经网络模型在事故受伤严重程度应用的研究中。这种方法的基本思想是对于每个解释变量，保持其他所有解释变量不变，在合理的区间内改变当前变量的值，并记录模型输出相应的变化。9.4安全数据9.4.1事故

7、数据：事故记录表通常包含驾驶人、乘客、车辆、天气、位置、时间、道路形状、交通控制和事故原因等相关信息。9.4.2交通流数据：交通流数据是衡量事故风险的一个重要指标。9.4.3道路数据：道路形状数据、路面状况数据、护栏与交通标志等数据都对许多交通安全研究很重要，包括对人为因素研究、事故数量模型和事故损伤严重程度模型等的研究。9.4.4天气数据：对于事故损伤严重程度建模来说，天气数据往往直接来自于警察事故报告。9.4.5车辆和驾驶人数据：对于事故损伤严重程度分析，可以从事故报告中获取车辆和驾驶人的基础信息（例如车辆的缺陷和驾驶人的性别年龄）。9.4安全数据9.4.6常规驾驶研究：NDS 项目是将先

8、进传感器技术应用于人为因素研究的典范。其收集的数据包括：1）驾驶人特征：视力检查结果、人口统计信息和身心状况。2）照明、天气、路面状况、交通控制和驾驶人视线范围。3）车前车后道路视频数据、驾驶人视角、乘客座位记录。4）车辆特征（如年份、制造商和类型）、车辆的横向和纵向加速度、加速踏板位置、偏移车道量、转向灯使用、制动使用、与前车的距离和距离变化率。5）水平曲率（例如半径和弧长）、坡度和超仰角、车道宽度与类型、路肩类型、交叉口位置及控制信号以及限速标志、道路中间带和减速带的位置。9.4安全数据9.4.7大数据和开放数据提案：多源大数据使得许多创新性的安全研究和应用成为现实。Shi 和 Abdel

9、-Aty9 进行的实时交通运行与安全检测研究就是一个很好的例子。9.4.8其他数据：网联汽车的概念在未来可以进一步扩展，将车辆和驾驶人的可穿戴电子设备、移动设备、车载诊断设备、行车记录仪和雷达传感器等进行连接以生成与安全相关的海量数据。9.5问题和未来研究方向9.5.1现有安全研究问题：这些研究没有考虑接近事故发生的事件。特定地点的事故风险可能和时间有关，其随着交通环境条件的变化而变化。为了拟合事故数量模型，必须将道路划分为同类型的路段。9.5.2未来方向：NDS 项目、智能手机和移动应用程序、交通传感器、网联车辆和自动驾驶车辆等产生了各种各样可用于交通安全研究的数据集。这些数据集为研究人员提供了改进公路安全性的一些新思路。9.6章节总结和结论本章简要总结了现有高速公路安全研究中的主要研究主题，还回顾了以前研究中使用的方法和相关数据。有了大型异构安全数据集，未来公路交通安全研究和应用将具有动态、主动和智能的特点，而非被动、回溯的。未来公路安全研究和应用将严重依赖于各类新技术，如网联车辆、车载 OBD 系统、雷达和激光传感器、视频系统、移动设备和众包数据。感谢您的观看感谢您的观看THANK YOU FOR YOUR WATCHING