一种基于速度等值线图的二次交通事故的识别方法与流程

本发明属于交通安全中的事故预测领域，具体地来说该发明是二次交通事故预测的前提。

背景技术：

目前对二次事故的识别方法还存在很多缺陷。早期是通过静态阈值法辨别二次交通事故，即认为二次事故是发生在固定的时间和空间范围内的，这种方法因为需要主观决定固定的时间和空间阈值而没有足够的精度。

近年来，也出现了动态法识别二次交通事故比如事件进展曲线法，排队长度估算法，累计到达，消散图和基于仿真的方法等。但这些动态方法仍然有一些缺点。例如，基于队列长度的估计的方法都需要一般无法获取的详细排队信息。基于事件的进展曲线的方法对于所有二次事故使用相同的进展曲线，从而导致不准确的二次事故的鉴定结果。因此，目前缺少一种切实可行且精确度较高的二次交通事故识别方法。

技术实现要素：

技术问题：本发明提供一种切实可行且精确度较高的基于速度等值线图的二次交通事故的识别方法。

技术方案：本发明的基于速度等值线图的二次交通事故的识别方法，包括以下步骤：

步骤10)将距离上一次事故发生h小时之后和上一次事故发生地点上游L千米之外的事故排除；

步骤20)从所述步骤10)保留的事故中找出可能的一次事故和可能的二次事故组合，即可能的一次事故和可能的二次事故的时间和空间关系，所述可能的一次事故是指一组事故中，发生时间最早，发生地点在最下游的事故，所述可能的二次事故是指发生时间晚于可能的一次事故、且发生地点在可能的一次事故上游的事故；

步骤30)提取步骤20)中可能的一次事故发生时刻前后的时间跨度和发生地点上下游空间范围内的速度数据；

步骤40)找出一年中所有与可能的一次事故时刻对应的该时刻没有事故的日期，即无事故日，以所述步骤30)中的时间跨度和上下游空间，提取无事故日在该时刻的速度数据，并求平均值；

步骤50)用所述步骤30)中提取的速度数据减去步骤40)中得到的速度平均值，根据得到的差值建立速度等值线图；

步骤60)利用PYTHON软件处理速度等值线图，将一次事故和二次事故化为可视化的点；

步骤70)通过所述步骤60)处理好的速度等值线图识别二次交通事故，识别方法是：将位于速度等值线图中阴影区域左侧竖直线条边缘的可视化的点识别为一次事故，将其余位于阴影区域中的可视化的点识别为二次事故。

进一步的，本发明方法中，步骤10)中，h取值为3-5小时，L取值为6-10英里。

进一步的，本发明方法中，步骤30)中，时间跨度为一次事故发生之前6小时到之后6小时，所述空间跨度为一次事故发生上游10英里和下游10英里。

进一步的，本发明方法中，步骤30)中，速度数据需要通过安置在道路上的环形检测器获得。

本发明方法在辨别二次交通事故时使用了速度等值线图，克服了以往静态阈值法和动态法的不准确性；同时在处理过程中使用python代码处理图像协助识别。

有益效果：本发明与现有技术相比，具有以下优点：

1.克服了静态阈值法和动态法的缺陷。静态阈值法需要一个主观上决定的固定空间和时间的阈值，没有足够的精度。而本发明方法是通过速度等值线图的阴影区域，即一次事故的发生对车速的影响来确定的，是一个客观的时间和空间范围。动态方法虽然克服了静态方法的缺陷，但仍然有一些缺点。例如，基于队列长度的估计的方法都需要一般无法获取的详细排队信息。本发明方法要用到的速度等值线图的速度数值是可以通过公路上的环形线圈实时提取，具有可操作性。基于事件的进展曲线的方法对于所有二次事故使用相同的进展曲线，从而导致不准确的二次事故的鉴定结果。而本发明方法对每一个一次二次交通事故都建立其相应的速度等值线图，对不同的情况具体分析，使得二次事故辨别准确度较高。

2.对以往的速度等值线图进行了改进。在构建速度等值线图时，排除了周期性堵塞的潜在影响，确定了所识别出的二次事故是由一次事故引起的而非周期性的堵塞引起的。

3.识别过程更加方便精确。用Python代码，读取Excel表上的事故数据，将事故点到速度等值线图上，使得辨别过程更加方便，分类结果更加准确。

附图说明

图1是未考虑周期性堵塞的速度等值线图。

图2是考虑周期性堵塞的速度等值线图。

图3是本发明的流程框图。

具体实施方式

下面结合实施例和说明书附图对本发明作进一步的说明。

步骤10)将距离上一次事故发生3-5小时之后和上一次事故发生地点上游6-10千米之外的事故排除；

步骤20)从所述步骤10)保留的事故中找出可能的一次事故和可能的二次事故组合，即可能的一次事故和可能的二次事故的时间和空间关系，所述可能的一次事故是指一组事故中，发生时间最早，发生地点在最下游的事故，所述可能的二次事故是指发生时间晚于可能的一次事故、且发生地点在可能的一次事故上游的事故；

步骤30)提取步骤20)中可能的一次事故发生时刻前后的时间跨度和发生地点上下游空间范围内的速度数据，速度数据需要通过安置在道路上的环形检测器获得；

步骤40)找出一年中所有与可能的一次事故时刻对应的该时刻没有事故的日期，即无事故日，以所述步骤30)中的时间跨度和上下游空间，提取无事故日在该时刻的速度数据，并求平均值；

步骤50)用所述步骤30)中提取的速度数据减去步骤40)中得到的速度平均值，根据得到的差值建立速度等值线图；速度等值线图的横坐标是时间(即一次事故发生之前6小时到之后6小时之间的时间间隔)，纵坐标是地点(即一次事故发生上游10英里和下游10英里的范围)，将刚刚计算出来的一条道路上某一时刻某一地点的车速差值大小通过颜色深浅展现在图中，由此建立速度等值线图。

步骤60)利用PYTHON软件处理速度等值线图。PYTHON软件在装载相应插件之后，可以将Excel表格中的一次事故和二次事故数据点到对应的速度等值线图上，从而将一次事故和二次事故化为可视化的点；

步骤70)通过所述步骤60)处理好的速度等值线图识别二次交通事故，识别方法是：将位于速度等值线图中阴影区域左侧竖直线条边缘的可视化的点识别为一次事故，将其余位于阴影区域中的可视化的点识别为二次事故。

实施例

利用美国加利福尼亚州I-880高速公路上的一个35英里的路段上，从2006年到2010年间采集的数据。交通事故数据总量为12713起，其中北方向事故总量为6332起，南方向事故总量为6382起。

通过上述方法，将12713起事故分类的结果如表1所示：

表1事故分类结果

一般来说，一次事故占总事故的比例约为2％左右，因此从事故比例来看，用上述方法辨别出来的三类事故较为合理。

上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。