基于VTDR数据的高速公路行车风险分析-论文.pdf

《基于VTDR数据的高速公路行车风险分析-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、⋯⋯氍下⋯⋯⋯⋯⋯⋯⋯基于VTDR数据的高速公路行车风险分析吴大华(福建省湄洲湾港1：2管理局福建泉州362001)【摘要】利用客运车辆行车记录仪(vTDR)采集的数据，基于裴玉龙等对标准差与事故率关系的研究和Wahlberg对加速度与事故率的研究，验证了两种行车风险模型：速度行车风险模型和加速度行车风险模型。并用这两个模型对基于时间的车速序列(TSS)和基于道路的车速序列(LSS)分别进行了行车风险随月份变化规律的研究。结果表明：分析TSS时，剔除停车后的0速度数据是有必要的；LSS用于分析行车风险更有效；速度行车风险模型比加速度行车风险模型更有效。【关键词】时间序列；VTDR数据分析；基于

2、道路的时间序列；高速公路行车风险模型1引言险模型)：一条汽车行车加速度序列(VehicleTravelingAcceler—随着经济的快速发展，我国道路交通事故呈上升趋势，尤ationSeries)的风险值RAS(RiskofVehicleTravelingAccelera—其是长途客运车辆的重、特大道路交通事故频发，给国家和人tionSeries)为这条加速度序列的标准差值。民生命财产带来了巨大损失。研究表明，交通事故率与行车速即：RAS=17(3)靼接隧譬度和加速度有密切关系。因此研究行车速度和加速度与式中：f为一条汽车行车加速度序列的标准差。帕∞行车风险的关系，从而为高速行车管理提供依据

3、，是十分3利用行车风险随月份的变化规律来验证两个模型必要的。根据速度行车风险模型和加速度行车风险模型，并从基于本文研究的行车记录全部来自闽运公司，使用IBB一3汽车时间的序列(基于时间的速度序列和基于时间的加速度序列)行驶行驶记录仪(VTDR)采集，采集时间：2005年1月至2005和基于道路的序列(基于道路的速度序列和基于道路的加速度年6月。这些行车记录都有明确的始末站点，并有明确日期时序列)两种不同的角度来分析行车风险随月份的变化规律，从间标记。本文从这些海量的VTDR数据中，选择了福州至泉州而来比较、验证这两个行车风险模型。路线(简称福泉路线)中比较典型的一些数据，并按月(1月至63，1

4、基于时间的速度序列(TimebasedSpeedSeries，TSS)的月)把这些数据分成6组数据进行研究。从行车记录计算高速分析上的路程约有161．1km。本文研究的方法可以容易地拓展到其根据速度行车风险模型中的公式(21求出各条TSS的风险值他的路线、其他月份或更复杂的情况。以下是数据分布情况说RSS，并按不同月份求各月的平均风险值藤。例如，对于1月的明：72条速度序列SS，SS⋯一sS．，先求出任意序列SS的表1行车数据的分月分布情况，72、RSS值RSS，接着求出1月的平均风险值页=f∑百nss,．，／I／72。月份123456L_同理，求出两，—RS—S3，⋯⋯，—RS—S6。根据月

5、平均风险值，得到柱数据量(条)72l842oo139197158状图1：2行车风险模型相关研究表明，车辆的行车速度、加速度与事故之间有密切关系。基于这些关系本文分析了两个行车风险模型。车辆的车速分布越离散，事故率越高，裴玉龙，程国柱的研究表明【u：车速的标准差与事故率的关系为指数关系。具体关系模型为：AR=9．583e”"rl1123456式中：盯为车速标准差(kin／h)。月份基于公式(1)，可以得到速度行车风险模型：一条汽车行车图1直接分析TSS风险值的各月平均风险值速度序列(VehicleTravelingSpeedSeries)的风险值RSS(Riskof发现1月份的平均风险值异常的高

6、，然而进一步分析后，VehicleTravelingSpeedSeries)为这条速度序列的AR值。发现基于时间的速度序YtJ(TimebasedSpeedSeries，TSS)，当汽RSS=9．583e。·。。。车停车时，会出现一段速度为0的情况。如下图的中间那一段0式中：o为一条汽车行车速度序列的标准差(km／h)。速度：Wahlberg指出车辆事故与司机的加速度行为有关系[21。但停车时间的长短(停车后0速度个数的多少)对于一条汽他没有给出具体的关系模型。为了与裴的模型进行比较，我们车行车速度序列的标准差影响很大，从而很大程度上影响了行基于Wahlberg的观点，尝试给出一个量化模型(加

7、速度行车风车风险的分析。以下是各月行车数据中0速度的个数与数据总2015年第1期J福建电脑·75·