[发明专利]公路安全风险感知模型训练方法、系统及应用方法、系统

说明书

本发明公开了一种公路安全风险感知模型训练方法、系统及应用方法、系统，交通安全风险评估领域，训练方法包括：基于卷积神经网络构建公路安全风险感知模型；获取高速数据；根据所述高速数据，确定上行路段单元和下行路段单元的道路特征风险指标和交通流特征风险指标；确定每一组路段单元的安全等级评价指标；根据每一组路段单元的道路特征风险指标和交通流特征风险指标和对应的安全等级评价指标来对公路安全风险感知模型进行训练，得到训练好的公路安全风险感知模型。本发明充分利用高速公路历史事故数据和实时交通流数据，对高速公路路网的事故风险进行路段级的精准预测，可以帮助交通管理人员进行主动风险管理和预警，优化人力物力资源配置。

技术领域

本发明涉及交通安全风险评估领域，特别是涉及一种公路安全风险感知模型训练方法、系统及应用方法、系统。

背景技术

高速公路运输具有机动灵活、适应性强等特点，对于我国复杂的地理环境和灵活的流转方式具有良好的普适性，是我国国民经济发展的基础和加速生产要素流通、促进市场繁荣的重要保障，而随着中国高速公路设施水平的智能化、信息化发展，高速公路产生了海量的交通大数据，这对高速公路交通安全管理的需求和可持续发展提出了新的要求。

尽管高速公路的发展极大地提升了我国公路运输水平，但其高事故率特性以及事故相较于一般道路事故更为严重的特性也愈发引起广泛关注，因此，如何有效利用高速公路区域的交通信息，进行高速公路安全风险感知和预测，进而开展针对性的主动防控措施，就显得尤为重要。

发明内容

本发明的目的是提供一种公路安全风险感知模型训练方法、系统及应用方法、系统。本发明用于对高速公路网中各个机动车运行基本的路段单元进行精准和动态的交通安全风险感知及预测，为保障高速公路安全运行和提升运营效率提供支持。

为实现上述目的，本发明提供了如下方案：

一种公路安全风险感知模型训练方法，所述训练方法包括：

基于卷积神经网络构建公路安全风险感知模型；

获取高速数据，所述高速数据包括高速公路路网数据、高速公路ETC收费门架数据，高速公路历史事故数据；

根据所述高速数据，将两个ETC收费门架之间的路段按照车辆不同的行驶方向划分为上行路段单元和下行路段单元，并确定每一所述上行路段单元和每一所述下行路段单元的道路特征风险指标和交通流特征风险指标；所述道路特征风险指标包括车道数、路段单元的长度、路段单元的线性曲率和路段单元的类型；所述交通流特征风险指标包括到达交通量、离去交通量、所处路段单元的平均速度、所处路段单元的速度标准差、所处路段单元的交通密度和所处路段单元的大车比；

确定每一组路段单元的安全等级评价指标；所述每一组路段单元包括由所述上行路段单元、所述上行路段单元的上游路段单元和所述上行路段单元的下游路段单元组成的单元，和由所述下行路段单元、所述下行路段单元的上游路段单元和所述下行路段单元的下游路段单元组成的单元；所述安全等级评价指标为预警状态和安全状态；

将所述每一组路段单元中各路段单元的道路特征风险指标和交通流特征风险指标输入所述公路安全风险感知模型；

根据所述公路安全风险感知模型的输出和所述每一组路段单元对应的安全等级评价指标，确定损失函数；

根据所述损失函数优化所述公路安全风险感知模型中的参数，以对所述公路安全风险感知模型进行训练，得到训练好的公路安全风险感知模型。

可选的，所述训练方法还包括：

对所述高速数据进行预处理；所述预处理包括对所述高速公路ETC收费门架数据进行异常筛选和去重，对所述高速公路历史事故数据仅保留碰撞、追尾和刮擦事故形态的记录数据，剔除车辆故障类、货物洒落类或记录信息不全类的事故数据。