一种高速公路安全隐患路段识别方法和装置与流程

本发明实施例涉及交通安全管理领域，尤其涉及一种高速公路安全隐患路段识别方法和装置。
背景技术：
：随着区域一体化进程的加速，高速公路通车里程和出行需求日益增长，对高速公路安全保障提出了严峻的挑战。利用高清视频监控系统，对高速公路运行状况进行全面、实时的监测，有利于快速发现交通运行异常并及时做出响应，是近年来高速公路信息化建设的重要内容。然而，由于辖区范围大、高速里程长，大型监测中心监测员往往要同时监控成千上万路视频，将所有视频轮巡一遍常常耗时数十分钟，效率很低且时间成本和人力成本高。现有技术通过分析交通事故历史数据将高速路网中交通事故发生概率高、事故发生后影响范围广的重点路段识别出来，并进行针对性的重点监测。但是高速公路安全隐患的发生概率、影响后果是与交通流量、外界环境等影响因素密切相关的，而这些影响因素会随外界条件的动态变化而改变，故直接通过分析交通事故历史数据得到的安全隐患路段与实际的高速公路运行环境不符，从而导致隐患路段的识别精度低。技术实现要素：本发明实施例提供一种高速公路安全隐患路段识别方法和装置，用于解决现有技术中通过静态分析交通事故历史数据识别隐患路段的方法精度低的问题。本发明实施例提供了一种高速公路安全隐患路段识别方法，包括：获取路段的交通流量数据和事故影响因素，所述交通流量数据包括历史交通流量数据和当前交通流量数据，所述事故影响因素为引起事故的因素；根据所述路段的历史交通流量数据和当前交通流量数据确定所述路段的事故严重度，所述事故严重度为路段发生事故后对整个路网的影响程度；根据所述路段的事故影响因素确定所述路段的事故频度，所述事故频度为路段发生事故的可能程度；根据所述路段的事故严重度和所述路段的事故频度确定所述路段的事故风险值；在确定出路网内所有路段的事故风险值之后，对所有路段按照事故风险值由高到低的顺序进行排序，将排在前n个的路段确定为安全隐患路段，n为正整数。可选地，所述根据所述路段的历史交通流量数据和当前交通流量数据确定所述路段的事故严重度，包括：根据所述路段的历史交通流量数据和当前交通流量数据预测所述路段在设定时间段内的交通流量；根据所述路段在设定时间段内的交通流量查询预设的事故严重度评价列表确定所述路段在所述设定时间段内的事故严重度。可选地，所述根据所述路段的历史交通流量数据和当前交通流量数据预测所述路段在设定时间段内的交通流量，包括：以所述路段的当前交通流量数据为基准，确定所述路段的历史交通流量数据与所述路段的当前交通流量数据的相似度；将满足相似度大于设定阈值的历史交通流数据确定为所述路段的相似交通流量数据；根据所述路段的相似交通流数据确定所述路段在设定时间段的交通流量。可选地，所述根据所述路段的事故影响因素确定所述路段的事故频度，包括：根据所述路段的事故影响因素查询预设的模糊评价表确定模糊关系矩阵；根据所述路段的事故影响因素的影响程度确定所述路段的事故影响因素的权重；根据所述模糊关系矩阵和所述路段的事故影响因素的权重确定所述路段的事故频度。可选地，根据所述路段的事故严重度和所述路段的事故频度确定所述路段的事故风险值符合下述公式(1)：f＝sev*occ……………………………………………(1)其中，f为路段的事故风险值，sev为路段的事故严重度，occ为路段的事故频度。相应地，本发明实施例还提供了一种高速公路安全隐患路段识别装置，包括：获取模块，用于获取路段的交通流量数据和事故影响因素，所述交通流量数据包括历史交通流量数据和当前交通流量数据，所述事故影响因素为引起事故的因素；处理模块，用于根据所述路段的历史交通流量数据和当前交通流量数据确定所述路段的事故严重度，所述事故严重度为路段发生事故后对整个路网的影响程度；根据所述路段的事故影响因素确定所述路段的事故频度，所述事故频度为路段发生事故的可能程度；根据所述路段的事故严重度和所述路段的事故频度确定所述路段的事故风险值；识别模块，用于在所述处理模块确定出路网内所有路段的事故风险值之后，对所有路段按照事故风险值由高到低的顺序进行排序，将排在前n个的路段确定为安全隐患路段，n为正整数。可选地，所述处理模块具体用于：根据所述路段的历史交通流量数据和当前交通流量数据预测所述路段在设定时间段内的交通流量；根据所述路段在设定时间段内的交通流量查询预设的事故严重度评价列表确定所述路段在所述设定时间段内的事故严重度。可选地，所述处理模块具体用于：以所述路段的当前交通流量数据为基准，确定所述路段的历史交通流量数据与所述路段的当前交通流量数据的相似度；将满足相似度大于设定阈值的历史交通流数据确定为所述路段的相似交通流量数据；根据所述路段的相似交通流数据确定所述路段在设定时间段的交通流量。可选地，所述处理模块具体用于：根据所述路段的事故影响因素查询预设的模糊评价表确定模糊关系矩阵；根据所述路段的事故影响因素的影响程度确定所述路段的事故影响因素的权重；根据所述模糊关系矩阵和所述路段的事故影响因素的权重确定所述路段的事故频度。可选地，所述处理模块具体用于：根据下述公式(1)确定所述路段的事故风险值：f＝sev*occ……………………………………………(1)其中，f为路段的事故风险值，sev为路段的事故严重度，occ为路段的事故频度。本发明实施例表明，获取路段的交通流量数据和事故影响因素，所述交通流量数据包括历史交通流量数据和当前交通流量数据，所述事故影响因素为引起事故的因素。根据所述路段的历史交通流量数据和当前交通流量数据确定所述路段的事故严重度，所述事故严重度为路段发生事故后对整个路网的影响程度。根据所述路段的事故影响因素确定所述路段的事故频度，所述事故频度为路段发生事故的可能程度。然后根据所述路段的事故严重度和所述路段的事故频度确定所述路段的事故风险值，在根据上述方法确定出路网内所有路段的事故风险值之后，对所有路段按照事故风险值由高到低的顺序进行排序，将排在前n个的路段确定为安全隐患路段，n为正整数。本发明实施例中，通过实时采集高速公路路段的事故影响因素和预测高速公路路段的交通流量，对高速公路路段事故风险进行动态评估及安全隐患路段的动态识别。相对于以往静态、固定不变的安全隐患路段确定方法，本发明实施例更能够反映高速公路安全特性随事故影响因素的时变性而变化的特征，能够更全面的识别出高速公路网络中需重点监测的安全隐患路段，提高了安全隐患路段的识别精度。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种高速公路安全隐患路段识别方法的流程示意图；图2为本发明实施例提供的一种确定事故严重度的流程示意图；图3为本发明实施例提供的一种确定事故频度的流程示意图；图4为本发明实施例提供的一种事故影响因素分类示意图；图5为本发明实施例提供的另一种高速公路安全隐患路段识别方法的流程示意图；图6为本发明实施例提供的一种高速公路安全隐患路段识别装置的结构示意图。具体实施方式为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。图1示例性示出了本发明实施例提供的一种高速公路安全隐患路段识别方法的流程，该流程可以由高速公路安全隐患路段识别装置执行。如图1所示，该流程的具体步骤包括：步骤s101，获取路段的交通流量数据和事故影响因素。步骤s102，根据路段的历史交通流量数据和当前交通流量数据确定路段的事故严重度。步骤s103，根据路段的事故影响因素确定路段的事故频度。步骤s104，根据路段的事故严重度和路段的事故频度确定路段的事故风险值。步骤s105，在确定出路网内所有路段的事故风险值之后，对所有路段按照事故风险值由高到低的顺序进行排序，将排在前n个的路段确定为安全隐患路段，n为正整数。具体地，在步骤s101中，路段为可用于安全隐患路段识别的基本路段，故在获取路段的交通流量数据和事故影响因素之前，需将高速公路网络划分为基本路段，具体过程为：以1到3公里的长度为标准对路段进行划分，每个基本路段单元需满足如下要求：高速公路出入口应为基本路段单元的起点或终点，以确保基本路段单元内交通流量的均质性。高速公路出入口之间的交织区单独为一个基本路段单元。每个基本路段单元内的道路线形不发生明显变化。需要说明的是基本路段单元划分为静态数据处理，并不随着评估时段的改变而变化。划分基本路段后，从高速公路交通流数据库中获取路段的历史交通流量数据和当前交通流量数据。高速公路交通流数据库中的数据来源于交通流检测设备和收费站。若有交通流检测设备，则直接使用交通流检测设备的检测数据建立高速公路交通流数据库；若没有流量检测设备，则利用高速公路收费数据推算交通流量，可根据收费数据记录的车辆进入入口站时间、车辆运行速度推算车辆到达目标路段的时刻，进而得到目标路段交通流量及大型车比例，存入高速公路交通流数据库中。在步骤s102和步骤s103中，事故严重度为路段发生事故后对整个路网的影响程度。事故影响因素为引起事故的因素，比如人、车、路、交通流和环境等，事故频度为路段发生事故的可能程度。在步骤s104和步骤s105中，将路段的事故严重度和路段的事故频度的乘积确定为事故风险值，具体如公式(1)所示：f＝sev*occ……………………………………………(1)其中，f为路段的事故风险值，sev为路段的事故严重度，occ为路段的事故频度。事故风险值越大，则说明发生事故的风险越高，在确定出路网内所有路段的事故风险值之后，对所有路段按照事故风险值由高到低的顺序进行排序，将排在前n个的路段确定为安全隐患路段，n为正整数。另外也可设定第一阈值，将事故风险值大于第一阈值的路段确定为安全隐患路段。本发明实施例中，通过实时采集高速公路路段的事故影响因素和预测高速公路路段的交通流量，对高速公路路段事故风险进行动态评估及安全隐患路段的动态识别。相对于以往静态、固定不变的安全隐患路段确定方法，本发明实施例更能够反映高速公路安全特性随事故影响因素的时变性而变化的特征，能够更全面的识别出高速公路网络中需重点监测的安全隐患路段，提高了安全隐患路段的识别精度。本发明实施例中，主要通过路段的事故严重度和路段的事故频度识别安全隐患路段，下面具体介绍路段的事故严重度和事故频度的确定过程。首先介绍确定事故严重度的过程，具体包括以下步骤，如图2所示：步骤s201，以路段的当前交通流量数据为基准，确定路段的历史交通流量数据与路段的当前交通流量数据的相似度。步骤s202，将满足相似度大于设定阈值的历史交通流数据确定为路段的相似交通流量数据。步骤s203，根据路段的相似交通流数据确定路段在设定时间段的交通流量。步骤s204，根据路段在设定时间段内的交通流量查询预设的事故严重度评价列表确定路段在设定时间段内的事故严重度。具体地，设定时间段为未来的某一个时间段，比如未来2小时。事故严重度评价列表为与路段的交通流量对应的评分列表，由于路段单位时间内交通流量越大，在发送事故时对整个路网的影响就越大，故对应的评分就越高，事故严重度也就越高。为了更清楚地介绍事故严重度的确定过程，本发明实施例结合具体场景提供以下示例，设定当前时刻为当天的时刻t，设定时间段为t到t+2之间两个小时，当天时刻t之前的数据为当前交通流量数据，当天之前的数据为历史交通流量数据。从历史交通流量数据中确定出时刻t之前10小时与当天具有相似特征的历史交通流量记录，相似特征包括天气状况，比如降水量、降雪量、能见度、温度是否低于零度等相似、星期相似，若为节假日则节假日类型相似、年度大型活动时期相似等。将每条历史交通流量记录以一定时间间隔建立时间-交通流量序列，建立的序列为x。按照同样的方法建立当天时刻t之前的时间-交通流量序列，建立的序列为y。对序列x和序列y都进行傅里叶变换(discretefouriertransform，简称dft)分别得到x′和y′，由于将交通流量数据从时域空间变换为频域空间序列，从而去除原始数据中的有关时间漂移等时域空间的噪声。然后以当前交通流量数据经过dft变换后的序列y′为标准，对序列x′进行序列的相似性挖掘，将欧式距离j作为相似性度量函数，即将欧氏距离j小于给定阈值的序列识别为与序列y′相似的序列。接着搜索出所有相似序列对应的原历史交通流量数据记录，将这些记录在时刻t到t+2之间的交通流量平均值作为当天时刻t到t+2之间交通流量的预测值。最后根据预测的路段在时刻t到t+2之间的交通流量查询预设的事故严重度评价列表确定事故严重度，事故严重度评价列表可根据实际情况设定，下面示例性给出一种事故严重度评价列表，如表1所示：表1事故严重度评价列表预测的交通流量值(pcu/h)严重度分值大于4499104000-449993500-399983000-349972500-299962000-249951500-199941000-14993500-9992小于5001其中，pcu/h表示等效通行能力，即单位时间内可能通过的的最大交通实体数。若预测的路段在时刻t到t+2之间的交通流量为3000pcu/h，通过查询表1可知路段的事故严重度为7。由于交通事故大多在一段时间内会处理完并恢复正常交通，所以并不能静态的按照日均交通流量评估路段的事故严重度，而利用设定时间段内预测的交通流量作为路段事故严重度的评分依据更符合高速公路上交通流量动态变化的场景，从而能更加全面地识别出安全隐患路段。下面再具体介绍事故频度的确定过程，具体包括以下步骤，如图3所示：步骤s301，根据路段的事故影响因素查询预设的模糊评价表确定模糊关系矩阵。步骤s302，根据路段的事故影响因素的影响程度确定路段的事故影响因素的权重。步骤s303，根据模糊关系矩阵和路段的事故影响因素的权重确定路段的事故频度。具体地，在步骤s301中，事故影响因素包括人、车、路、交通流和环境五方面的因素，由于人的因素和车辆本身的因素近乎是完全随机的，所以本发明实施例只考虑道路因素、交通因素和外界环境因素。道路因素、交通因素和外界环境因素具体分类如图4所示。由图4可知，道路因素包括路面条件和道路线形，路面条件根据路面摩擦系数不同又可以分为四种，分别为路面摩擦系数为1，比如干燥路段；路面摩擦系数为0.5，比如积水路面；路面摩擦系数为0.2，比如积雪路面；路面摩擦系数为0.1，比如积冰路面。道路线形包括不良线形(比如急弯、长坡、陡坡、平纵曲线不良组合、超高不合理)和正常线形。交通因素包括大型车的比例，大型车的比例分为不小于30％和小于30％。环境因素包括天气条件和时段，天气条件包括恶劣天气(比如大雨、大雪、大雾等)和正常天气。时段包括夜间和白天。除上述因素外，事故率也是需要考虑的事故影响影响因素，于是确定出路段的事故影响因素集合为u＝{u1，u2，u3，u4，u5，u6}＝{事故率、路面条件、天气条件，道路线形、时段、大型车比例}。事故影响因素集合中，路面条件、天气条件、时段和大型车比例是动态变化的，需要根据实时数据进行更新，事故率和道路线形是静态数据。各因素的数据来源如表2所示：表2事故影响因素数据来源表根据表2确定路段各事故影响因素的取值后，查询预设的模糊评价表确定模糊关系矩阵，下面给出确定模糊关系矩阵的示例，设定模糊评价表如表3所示：表3模糊评价表设定根据表2的数据来源确定路段m的各事故影响因素的具体取值为：事故率80次/亿车公里、路面摩擦系数为0.7(积水路面)、正常天气、不良线形、白天且大型车比例大于30％，则根据事故影响因素的具体取值查询表3可得路段m的模糊关系矩阵r为：在步骤s302中，根据各事故影响因素的影响程度确定事故影响因素的权重，比如事故率的影响程度最大，则权重相对较大；道路线形、时段和大型车比例的影响程度较小，则权重相对较小。设定路段m的事故影响因素集合u对应的各事故影响因素的权重集合为a＝{a1，a2，a3，a4，a5，a6}，根据影响程度确定的权重集合的具体取值可以为a＝{0.3、0.2、0.2、0.1、0.1、0.1}。在步骤s303中，根据模糊关系矩阵和路段的事故影响因素的权重确定路段的事故频度具体为：根据模糊关系矩阵和路段的事故影响因素的权重建立模糊综合评价模型b，具体符合下述公式(2)：b＝a·r＝{b1，b2，b3，b4，b5，b6，b7，b8，b9，b10}……………(2)比如将路段m的模糊关系矩阵和事故影响因素的权重代入式(2)确定路段m的综合评价模型为：然后根据最大隶属度原则，取评价集v中与b中最大值bi对应的vi作为该基本路段单元的事故频度。例如设定事故频度的评价集为v＝{v1，v2，v3，v4，v5，v6，v7，v8，v9，v10}＝{1，2，3，4，5，6，7，8，9，10}。路段m的综合评价模型b中最大值为0.189，对应评价集v中的v5，则路段m的事故频度为5。相较于静态、固定不变的安全隐患路段识别方法，本发明实施例实时采集事故影响因素并确定事故频度，更能够反映高速公路安全特性随事故影响因素的时变性而变化的特征。为了更好的解释本发明实施例，下面通过具体的实施场景描述本发明实施例提供的一种高速公路安全隐患路段识别方法的流程，如图5所示，包括以下步骤：步骤s501，获取路段的历史交通流量数据和当前交通流量数据。步骤s502，从路段的历史交通流量数据中确定出与当前交通流量数据相似的交通流量数据。步骤s503，根据相似交通流量数据预测路段在设定时间段的交通流量。步骤s504，根据路段在设定时间段内的交通流量确定路段在设定时间段内的事故严重度。步骤s505，获取路段的事故影响因素。步骤s506，根据路段的事故影响因素查询预设的模糊关系评价表确定模糊关系矩阵。步骤s507，根据事故影响因素的影响程度确定路段的事故影响因素的权重。步骤s508，根据模糊关系矩阵和路段的事故影响因素的权重确定路段的事故频度。步骤s509，根据路段的事故严重度和路段的事故频度确定路段的事故风险值。步骤s510，在确定出路网内所有路段的事故风险值之后，对所有路段按照事故风险值由高到低的顺序进行排序。步骤s511，将排在前n个的路段确定为安全隐患路段，n为正整数。需要说明的是，步骤s501至步骤s504为确定事故严重度的过程，步骤s505至步骤s508为确定事故频度的过程，确定事故严重度的过程和确定事故频度的过程时间不分先后，也可同时进行，本发明实施例不做具体限定。本发明实施例表明，获取路段的交通流量数据和事故影响因素，所述交通流量数据包括历史交通流量数据和当前交通流量数据，所述事故影响因素为引起事故的因素。根据所述路段的历史交通流量数据和当前交通流量数据确定所述路段的事故严重度，所述事故严重度为路段发生事故后对整个路网的影响程度。根据所述路段的事故影响因素确定所述路段的事故频度，所述事故频度为路段发生事故的可能程度。然后根据所述路段的事故严重度和所述路段的事故频度确定所述路段的事故风险值，在确定出路网内所有路段的事故风险值之后，对所有路段按照事故风险值由高到低的顺序进行排序，将排在前n个的路段确定为安全隐患路段，n为正整数。本发明实施例中，通过实时采集高速公路路段的事故影响因素和预测高速公路路段的交通流量，对高速公路路段事故风险进行动态评估及安全隐患路段的动态识别。相对于以往静态、固定不变的安全隐患路段确定方法，本发明实施例更能够反映高速公路安全特性随事故影响因素的时变性而变化的特征，能够更全面的识别出高速公路网络中需重点监测的安全隐患路段，提高了安全隐患路段的识别精度。基于相同构思，图6示例性的示出了本发明实施例提供的一种高速公路安全隐患路段识别装置的结构，该装置可以执行高速公路安全隐患路段识别的流程。如图6所示，该装置包括：获取模块601，用于获取路段的交通流量数据和事故影响因素，所述交通流量数据包括历史交通流量数据和当前交通流量数据，所述事故影响因素为引起事故的因素；处理模块602，用于根据所述路段的历史交通流量数据和当前交通流量数据确定所述路段的事故严重度，所述事故严重度为路段发生事故后对整个路网的影响程度；根据所述路段的事故影响因素确定所述路段的事故频度，所述事故频度为路段发生事故的可能程度；根据所述路段的事故严重度和所述路段的事故频度确定所述路段的事故风险值；识别模块603，用于在所述处理模块602确定出路网内所有路段的事故风险值之后，对所有路段按照事故风险值由高到低的顺序进行排序，将排在前n个的路段确定为安全隐患路段，n为正整数。可选地，所述处理模块602具体用于：根据所述路段的历史交通流量数据和当前交通流量数据预测所述路段在设定时间段内的交通流量；根据所述路段在设定时间段内的交通流量查询预设的事故严重度评价列表确定所述路段在所述设定时间段内的事故严重度。可选地，所述处理模块602具体用于：以所述路段的当前交通流量数据为基准，确定所述路段的历史交通流量数据与所述路段的当前交通流量数据的相似度；将满足相似度大于设定阈值的历史交通流数据确定为所述路段的相似交通流量数据；根据所述路段的相似交通流数据确定所述路段在设定时间段的交通流量。可选地，所述处理模块602具体用于：根据所述路段的事故影响因素查询预设的模糊评价表确定模糊关系矩阵；根据所述路段的事故影响因素的影响程度确定所述路段的事故影响因素的权重；根据所述模糊关系矩阵和所述路段的事故影响因素的权重确定所述路段的事故频度。可选地，所述处理模块602具体用于：根据下述公式(1)确定所述路段的事故风险值：f＝sev*occ……………………………………………(1)其中，f为路段的事故风险值，sev为路段的事故严重度，occ为路段的事故频度。本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页12