道路交通预警精度优化研究

道路交通预警精度优化研究

1交通安全监控关联模型道路事故造成的损害和损失已成为全世界的社会问题。近年来,交通事故的预防逐步得到学者和安全研究专家的广泛关注,并取得了一些研究成果。文献基于物联网传感器技术,建立一种城市交通流量状态时空关联模型,该模型可以对多源物联网传感器进行感知和反应,可以根据需要和单目标跟踪实现城市交通流量的实时分流引导和预测。文献用系统论的方法对道路交通安全进行系统研究,基于应用风险管理理论研究、分析和解决交通安全问题。文献分析了我国交通现状后,分析了建立交通安全风险预警与应急管理机制的必要性,并对交通安全风险预警与应急管理机制做了深入的分析和研究。因此本文在文献研究成果的基础上,采用物联网技术,提出一种交通流量监测、交通拥塞预测和安全应急管理技术,旨在有效降低交通安全事故发生率,提前消除交通安全隐患,为交管部门的监管及事故处理,驾驶员、行人等出行提供实时可行的参考方案。2交通监测机制的原理2.1交通流监测机制汽车在道路上连续行驶形成的车流。广义上还包括其它车辆的车流和人流。在某段时间内,在不受横向交叉影响的路段上,交通流呈连续流状态;在遇到路口信号灯管制时,呈断续流状态。交通流理论是运用物理和数学的定律来描述交通特性的一门边缘学科。它的应用能更好地解析交通现象及其本质,使道路发挥最大功效.作为交通工程学的基础理,多年来交通流理论广泛应用于交通运输工程的许多研究领域:如交通规划、交通控制道路与交通工程设施设计等方面。本节采用物联网技术,建立交通状况监测机制;同时基于二维马尔科夫链时空模型,建立针对不同交通安全问题的应对管理方案。2.2交通流监测模型框架因为交通安全隐患和交通事故的发生集中于交通拥塞状态,所以本节针对交通拥塞的特点,采用一种交通流体模型表示交通状态,采用物联网技术,搜集拥塞时的实时交通信息,依据流模型对交通流状态的疏密变化模拟为波传播进行解析,对于拥塞时的车辆类型及其走向模拟为密集型流体建立速度、加速度和密度三维状态进行分析,实时监控交通状态。基于物联网的交通状态监测模型,包括安装在交通灯处的传感器节点、簇头节点及接收汇聚数据的基站,基站具有存储大量实时采集数据的数据库服务器和交通流量分析服务器以及向各种类型车辆提供实时交通流量反馈信息功能。对于规模较大的主干道和交通路口,为了便于管理和数据采集,以及节省车载传感器节点的能量,进行分簇管理,对于每一个分簇区域,可以让具有固定路线和运行规律的公交车或者流动的交管部门部署的流量采集、监控车担当分簇内的簇头节点,该节点具有发布洪泛消息的能力,其节点能量可以认为是十分充足的。交通道路上的各种类型车辆上安装的车载传感器可以实时的加入不同的分簇,向不同的簇头节点发布采集数据及获得实时交通反馈信息和交管部门发布的控制信息等,以便实现对交通状况的整体监控和实时状态进行综合分析。监测模型框架如图1所示。图1给出了一个交通路口处的监测架构。其中有2个分簇:区域1和2,簇头节点分别由两辆公交车1和2担当。分簇区域1中,因为簇头节点公交车1与簇内节点其他车辆1的走向在交通路口发生变化,而此时公交车2的走向与其他车辆1相同,因此当路过此处交通路口后,其他车辆1经过重新分簇加入了分簇区域2。其他情况与此类似。根据图1中所示监控区域,假设交通流监测分簇区域1的二维平面M的面积为一个定值,该值与交通流密度之间具有一定比例的压力关系。因此,分簇区域1的一段截面N与N+△N之间根据牛顿运动法则可得式(1)。iMΔNdvdt=−c2N∂i∂NΔN+o(ΔN)(1)iΜΔΝdvdt=-c2Ν∂i∂ΝΔΝ+o(ΔΝ)(1)其中,c是常数。当ΔN→0,Δt→0时,交通流中速度与密度的关系如式(2)所示。∂(iv)∂N=(v+idvdt)∂i∂N(2)∂(iv)∂Ν=(v+idvdt)∂i∂Ν(2)根据加速度与速度之间的导数关系可得加速度与密度的关系如式(3)所示。∂(ia)∂N=((v+Δt)+id(dvdt)dt)∂i∂N(3)∂(ia)∂Ν=((v+Δt)+id(dvdt)dt)∂i∂Ν(3)其中,a表示加速度。2.3基于马尔科夫链的时空模型针对不同的交通安全隐患及交通事故建立交通安全应急管理机制显得十分必要。建立应急管理机制后,①可以准确实时地预测未来交通流量、可能拥塞的区域及其时间等交通运行趋势;②可以及时搜集实时交通的信息数据,并进行解析可能造成交通拥塞和事故的因素进行预测和判断;③可以为交通管理部门提供科学的、有效性的调控应急管理参考方案。因此利用二维马尔科夫链模型建立时间-空间模型,对交通状况在时间和空间上进行解析并给出可行的解决方案。将交通流中的所有车辆运行情况分为两方面,一是其在整个监测区域及分簇区域内的运行时间即时间信息;另一方面是其在监测区域或分簇区域内的地理位置信息即空间信息。为便于分析,本文做如下假设:1)监测区域内每个车载传感器节点发送的采集到的数据封装后的数据包大小相同,且每个数据包包含时间和空间信息;2)一定数量的车辆以相同的概率向每个交通灯处集结,且相互独立;交通流量处于饱和状态,每个车载传感器节点在离开一个分簇区域后,以相同的概率加入另一个分簇区域,且簇头节点即公交车以一定的概率在交通灯处设置与上一次不同的走向,则该二维马尔科夫链时空模型如图2所示。其中,po表示某车载传感器节点无法通过交通拥塞点的概率,水平方向表示该节点距离拥塞点的距离,最大值为X,即从该距离处即开始应急管理,垂直方向表示该节点行驶至拥塞点处所消耗的时间,当该时间阶段至最大表示已进入拥塞区域,则表示已无法进行管理,可能发生事故。从时间上看,每一阶段以P(X,Y)概率靠近拥塞点。交管部门,根据交通管理中心服务器,定位到交通拥塞区域,对搜集到的该区域的流量数据进行解析,根据交通流的速度、加速度和密度三维关系,对二维马尔科夫链时空模型的X和Y值进行赋值,把分析后的结果即应急管理参考方案发布给交通拥塞点附近的车载传感器节点,并根据该节点(Y,Y)值发出不同级别的提示和警示信息,预先避免事故的发生,提前去除安全隐患。3安全预警指标的定量指标插值法交通安全影响因素除了各种类型的车辆之外,还有行人、自形车等其它因素,因此本节根据2节中所建立的基于物联网技术的交通状况监测机制以及基于二维马尔科夫链时空模型应急管理方案,建立基于不同交通安全预警指标实时、可靠的交通安全预警及应急管理技术。对于安全预警指标本文采用定量指标处理,即基于最小二乘法的线性插值法处理,正向指标处理过程如下所述,负向指标同理。δ表示经验统计值,以此为依据,分别用δ的均值E(δ)表示“很安全”情况,用δ的方差值D(ε)表示“很危险”情况,形如式(4)所示。E(δ)=β/γ,D(δ)=β/γ2(4)假设:E(Y)=φ,D(Y)=ν(5)则:E(δ)=(1-ζ)E(Y)=(1-ζ)φD(δ)=(1-ζ2)D(Y)=(1-ζ2)υ(6)参数δ和ζ可由式(4)和(6)得到,形如式(7)所示。δ=(1-τ)φ2((1+τ)ϑ),ζ=φ/((1+τ)ϑ)(7)综上,可以通过最小二乘法估计插值法判定当前交通状况的安全级别,如式(8)所示。从车载传感器节点、簇头节点和基站三方面描述交通安全预警及应急管理技术工作流程,如图3所示。4交通道路使用饱和度仿真本节针对图1所示的交通状态及交通环境,采用NS-2仿真的方法结合式(1)、(2)、(3)、(7)和(8)对本文提出的交通安全预警及应急管理技术(本文记为IOT-EWM)在拥塞段车辆排队长度、交通灯处流量对比和该段交通道路利用率进行性能分析与评价。交通监测道路区域范围设定为800米*1000米,仿真时间为1000秒,随机部署50个车载传感器节点,10个簇头节点,1个基站。仿真中,设定车载传感器节点和簇头节点具有相同的发射功率和数据通信半径。基站节点因位于交通灯处认为能量是充足的。数据在物联网上传输时,信道速率为1Mbps,传播时延是2μs,封装后的数据包大小为8190比特,基站反馈的控制信息数据包大小为400比特,时间上预警阶段假设为5个阶段,空间上预警距离为500米。图4给出了在拥塞交通灯处,等待的车辆数即排队长度。如图4所示,统计仿真中交通路口处1000秒内道路上的排队长度。显然,采用IOT-EWM技术后,当交通出现拥塞后,可以及时预测到安全隐患并实时给出应对策略,进行车辆运行调控,在保证交通正常运行的前提下,减小发生拥塞的可能性。排队长度在600秒后,呈线性降低。700秒后,拥塞状况得到缓解后,流量不再降低,呈稳定状态。图5给出了交通灯处流量对比曲线图。图6给出了交通灯处交通道路使用饱和度对比曲线图。可以发现,在600秒后,出现拥塞现象,IOT-EWM技术进行应对处理后,虽然流量有所降低,但是仍然保持一定数量的车辆可以通行,避免了拥堵;而实验统计结果在600秒后,流量迅速降低至零,表明此时发生严重的交通拥堵,存在严重的安全隐患,需交管部门及时现场处理。5交通流量风险评估与应急处理技术目前交通安全问题愈见凸显,为了降低交通事故造成的损失,及时消除安全隐患,本文依据物联网内的车载传感器节点、簇头节点和基站节点及其移动性采集数据、汇聚数据和转发数据的特点,提出了适合交通拥塞