技术领域
[0001] 本
发明涉及对路网规划方案进行交通安全评价的方法。
背景技术
[0002] 在各种因素对交通事故的影响中，与道路有关的因素占据了相当大的比例，路网规划设计合理与否对道路交通安全具有重要影响。很多交通事故的发生在一定程度上与路网规划考虑不周有关，甚至有些事故的直接成因就是道路设计上的
缺陷。虽然现今的路网设计规划中对交通安全问题有所考虑，但多仅局限于几何线形和路网型式方面，忽略了交通运行状态、交通环境等其他方面因素的综合作用，这种交通安全保障体系
风险仍然较大。目前，城市交通安全管理还集中在事后的处理和分析上，但大量事故的发生已然造成了巨大的人员伤亡与财产损失，因此建立以
预防为主的安全管理模式是十分必要的。
[0003] 只有将交通安全理论与路网规划理论有机结合，用交通安全技术来检查道路设计成果，才能从根本上保证道路交通系统的长治久安。
[0004] 国外路网规划设计与道路交通安全的研究主要有：Anaatasior Zervas研究了道路几何线形对交通安全的影响。Rechel Goldstine研究了道路宽度对交通安全的影响。Rune Elvik关注点转移到了中心商业区的周边街区，研究其改善计划与交通安全的关系。
Manne Millot将居民出行方式与交通安全结合起来，研究了城市发展、出行方式对交通安全的影响。Robert B.分析了不同城市用地类型、不同就业分布下的事故发生量。Jake Kononov认为建设前期需充分考虑安全因素，提出了一种针对运输系统规划的安全考虑方法。Dominique Lord建立了一种在城市道路运输网络规划阶段考虑交通安全问题的
框架结构，实现交通安全与路网规划理论的有机结合。
[0005] 国内的交通安全评价主要是后评估，还没有进入路网规划阶段的安全评价。交叉口及道路安全设计方面的研究主要有：韩凤春、曹金旋研究了平面交叉口的事故影响因素，并提出了平面交叉口的安全设计原则，包括减少冲突点数量、减少冲突区面积、主要车流优先及控制相对速度等。姜恒分析了交叉口设计要素的设置与事故率的关系，并提出了安全设计指标值或取值建议。田鲁泉研究了各等级公路的交通事故率与路况的关系。梁夏、郭忠印、方守恩应用前/后分析法研究了高速公路线形指标与道路交通安全的关系。裴玉龙、
马骥研究了道路线形条件中平面、纵断面、横断面和交叉口各项参数对交通事故的影响，并提出了相应的预防对策。
发明内容
[0006] 本发明的目的是为了解决现有的交通安全管理多基于事故后的评价，没有与路网规划设计有机结合起来，导致事故发生
频率高，后续道路安全改善投资高的问题，而提出一种对路网规划方案进行交通安全评价的方法。
[0007] 一种对路网规划方案进行交通安全评价的方法具体过程为：
[0008] 步骤一、对目标路网的路段及交叉口进行类型划分；
[0009] 步骤二、分别预测每种类型的路段及交叉口的交通事故次数；
[0010] 步骤三、基于预测的每种类型的路段及交叉口的交通事故次数，
鉴别潜在事故多发点；
[0011] 步骤四、对鉴别出的潜在事故多发点进行诱导因素分析；
[0012] 步骤五、基于预测的每种类型的路段及交叉口的交通事故次数，建立路网单元交通安全分级评价标准，对路网进行交通安全状况分级。
[0013] 本发明的有益效果为：
[0014] 本发明建立了不同类型的城市道路事故
预测模型，为路网规划阶段的事故预测提供了理论依据；本发明对于规划阶段的路网，提出基于BP网络的潜在事故多发点鉴别模型及事故诱导因素鉴别模型，有机地将路网规划与交通安全结合起来；本发明建立了路段、交叉口及路网的交通安全分级标准，有助于规划阶段路网安全
质量评价；本发明提出路网规划方案交通安全评价与路网改进方法，使规划方案充分考虑安全因素，大大保障了路网的安全性能。本发明一种路网规划方案交通安全评价方法降低了事故发生频率，在规划阶段对道路进行改善，节省后续道路安全改善投资，解决了现有的交通安全管理多基于事故后的评价，没有与路网规划设计有机结合起来，导致事故发生频率高，后续道路安全改善投资高的问题。结合表9说明现有道路路网预测事故次数为1055.9次，采用本发明对道路改善后的路网预测事故次数为684.7次，路网预测事故次数明显降低。
附图说明
[0016] 图2为事故指标与交通量散点图，En为事故预测次数的均值，σn为事故预测次数的方差；
[0017] 图3为路网交通安全评价与改善方法流程图；
具体实施方式
[0019] 具体实施方式一：结合图1说明本实施方式，本实施方式的一种对路网规划方案进行交通安全评价的方法具体过程为：
[0020] 步骤一、对目标路网的路段及交叉口进行类型划分；
[0021] 步骤二、分别预测每种类型的路段及交叉口的交通事故次数；
[0022] 步骤三、基于预测的每种类型的路段及交叉口的交通事故次数，鉴别潜在事故多发点；
[0023] 步骤四、对鉴别出的潜在事故多发点进行路网规划层面的诱导因素分析；
[0024] 步骤五、基于预测的每种类型的路段及交叉口的交通事故次数，建立路网单元交通安全分级评价标准，对路网进行交通安全状况分级。
[0025] 根据事故预测结果、潜在事故多发点及诱导因素的鉴别和路网安全性能的评价，对路网规划方案进行交通安全评价，并提出改善建议。
[0026] 具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中对目标路网的路段及交叉口进行类型划分；具体过程为：
[0027] 应用系统聚类法对目标路网的路段及交叉口进行类别划分，路段划分为四个类别，分别为路段第一类、路段第二类、路段第三类和路段第四类；交叉口划分为二个类别，分别为交叉口第一类和交叉口第二类；
[0028] 路段第一类包含路段类型为：一
块板2车道、一块板4车道、二块板4车道和三块板4车道；
[0029] 路段第二类包含路段类型为：一块板6车道、二块板6车道、三块板6车道和四块板8车道；
[0030] 路段第三类包含路段类型为：一块板8车道和二块板8车道；
[0031] 路段第四类包含路段类型为：四块板6车道和高架路10车道；
[0032] 交叉口第一类包含路段类型为：主与次相交三路交叉口、次与次相交三路交叉口、主与次相交四路交叉口和次与次相交四路交叉口；
[0033] 交叉口第二类包含路段类型为：主与主相交三路交叉口和主与主相交四路交叉口。
[0034] 如表1、表2所示。
[0035] 表1路段类别划分结果
[0036]
[0037] 表2交叉口类别划分结果
[0038]
[0039] 其它步骤及参数与具体实施方式一相同。
[0040] 具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中分别预测每种类型的路段及交叉口的交通事故次数；具体过程为：
[0041] 根据预测事故次数模型 建立每种类型的路段及交叉口对应的事故预测模型：
[0042] 路段第一类的交通事故预测模型为YO＝0.0334AADT0.245e0.0293V-0.0624W+0.0757N[0043] 路段第二类的交通事故预测模型为YT＝4.5585AADT0.094e0.256L+0.0419N[0044] 路段第三类的交通事故预测模型为YTH＝232.2931AADT0.2500e-0.1610W+0.0952N[0045] 路段第四类的交通事故预测模型为YF＝26.7625×e-0.9020L+0.0987N
[0046] 交叉口第一类的交通事故预测模型为
[0047] 交叉口第二类的交通事故预测模型为 式中，Y为预测事故次数；AADT为年平均日交通量；xi为第i个自变量；m为自变量个数；α、P、βi分别为待标定的系数；
[0048] YO为路段第一类的交通事故预测次数；YT为路段第二类的交通事故预测次数；YTH为路段第三类的交通事故预测次数；YF为路段第四类的交通事故预测次数；YOj为交叉口第一类的交通事故预测次数；YTj为交叉口第二类的交通事故预测次数；AADT为年平均日交通量；V为速度，单位为km/h；W为路面宽度，单位为m；N为路口个数；L为路段长度，单位为km；AADTDT为直行交通年平均日交通量；AADTRT为右转交通年平均日交通量；Nj为交叉口入口车道总数。
[0049] 表3各类型的路段及交叉口事故预测模型
[0050]
[0051]
[0052] 其它步骤及参数与具体实施方式一或二相同。
[0053] 具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中基于预测的每种类型的路段及交叉口的交通事故次数，鉴别潜在事故多发点；具体过程为：
[0054] 将路网中的路段及交叉口划分为危险点、正常点和安全点三种安全类型，利用三层BP神经网络模型对潜在事故多发路段和交叉口进行鉴别。
[0055] 建立BP神经网络模型，BP神经网络
输入层、
中间层、
输出层3个传输函数分别取logsigmoid函数、tansigmoid函数和satline函数；
[0056] BP神经网络模型为路段事故多发点鉴别模型或交叉口事故多发点鉴别模型；
[0057] 对于路段潜在事故多发点鉴别模型，logsigmoid函数神经元个数为10，tansigmoid函数神经元个数为10，satline函数神经元个数为3；
[0058] 对于交叉口潜在事故多发点鉴别模型，logsigmoid函数神经元个数为5，tansigmoid函数神经元个数为5，satline函数神经元个数为3；
[0059] BP神经网络模型的输入变量为路段交通量、道路等级、运行速度、横断面形式(例如一块板、二块板、三块板、四块板)、车道数、路面宽度和出入口数量等事故关联因素(路网规划阶段数据)，BP神经网络模型的输出为三种安全类型，分别为危险点、正常点或安全点；
[0060] 危险点即为潜在事故多发点。
[0061] 其它步骤及参数与具体实施方式一至三之一相同。
[0062] 具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述BP神经网络模型建立过程为：
[0063] 将步骤二中进行事故次数预测的地点的50％作为训练样本，剩余50％作为测试样本；将步骤二中进行事故次数预测的地点分成两组；地点为广义，就是它包含它所有的属性数据，属性数据包括路段交通量、道路等级、运行速度、横断面形式、车道数、路面宽度和出入口数量等；
[0064] 将步骤二中进行事故次数预测的地点(路段或交叉口)均分成两组，一组作为训练样本，另一组作为测试样本；地点为广义，就是它包含该地点所有的属性数据，属性数据包括路段交通量、道路等级、运行速度、横断面形式、车道数、路面宽度和出入口数量等；
[0065] 一、将训练样本输入到BP神经网络模型进行训练，得到了输入层、中间层、输出层各层的权值矩阵和偏置向量，训练
精度为0.03，完成BP神经网络模型的参数标定，得到训练好的BP神经网络模型；
[0066] 二、应用测试样本对训练好的BP神经网络模型网络进行测试，如果BP神经网络模型输出结果与测试样本原本标定的结果相差[10％，30％]以内，则表明BP神经网络模型建立完，泛化性能较强，能够很好地适用于潜在事故多发路段的鉴别。
[0067] 如果BP神经网络模型输出结果与测试样本原本标定的结果相差不在[10％，30％]以内(或样本量较少时相差危险点个数相差3个以上)，则重新执行一、二直至BP神经网络模型输出结果与测试样本原本标定的结果相差[10％，30％]以内。
[0068] 其它步骤及参数与具体实施方式一至四之一相同。
[0069] 具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述训练样本和测试样本的安全类型通过事故次数概率分布法、矩阵法和质量鉴别控制法得到，过程为：
[0070] 当事故次数概率分布法、矩阵法和质量鉴别控制法中的一种方法鉴别出某一地点为事故多发点，则该点即为危险点样本；
[0071] 当事故次数概率分布法、矩阵法和质量鉴别控制法中的所有方法都认为某一地点为安全点时，则该点即为安全点样本；
[0072] 除危险点样本和安全点样本外均作为正常点样本。
[0073] 其它步骤及参数与具体实施方式一至五之一相同。
[0074] 具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤四中对鉴别出的潜在事故多发点进行路网规划层面的诱导因素分析；具体过程为：
[0075] 利用概率分布的事故诱导因素鉴别方法对潜在事故多发点进行诱导因素分析；
[0076] 潜在事故多发点的诱导因素有路段交通量、道路等级、横断面形式、车道数、路面宽度和出入口数量等；
[0077] 其中横断面形式、道路等级、车道数为尺度变量(横断面形式、道路等级、车道数是已知的)，尺度变量用于分组；如表8中的横断面形式、道路等级、车道数；横断面形式、道路等级和车道数3个的任意组合用于分组；
[0078] 路面宽度、出入口数量、路段交通量为实值变量(每组对应的实值变量的样本数据是已知的)；
[0079] 通过概率分布法对实值变量建立判别标准行向量，过程为：
[0080] 根据尺度变量对潜在事故多发点进行分组，计算每组对应实值变量的样本数据均值和方差，按照ril＝Eil+kσil确定界限指标值；显著性
水平取95％，系数k取值为1.5；
[0081] 式中，ril为第l组第i个尺度变量的界限指标值，Eil为第l组第i个尺度变量的样本数据均值，σil为第l组第i个尺度变量的样本数据方差；l取值为正整数；i取值为1、2或3；
[0082] 对于第l组得判别标准行向量:
[0083] Rl＝(r1l,r2l,r3l)
[0084] 式中，r1l为第l组第一个尺度变量横断面形式的界限指标值，r2l为第l组第二个尺度变量道路等级的界限指标值，r3l为第l组第三个尺度变量车道数的界限指标值；
[0085] 将潜在事故多发点的实值变量与判别标准行向量对比，若实值变量中某一元素大于判别标准行向量对应的元素，则该元素为事故诱导因素之一；
[0086] 实值变量中某一元素为路面宽度、出入口数量、路段交通量中某一个；
[0087] 若实值变量中某一元素小于等于判别标准行向量对应的元素，则该元素不为事故诱导因素之一。
[0088] 其它步骤及参数与具体实施方式一至六之一相同。
[0089] 具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：所述步骤五中建立路网单元交通安全分级评价标准，对路网进行交通安全状况分级；具体过程为：
[0090] 步骤五中，首先对路网所有单元进行交通安全状况分级，共分为四级。一级代表安全状况良好，在规定的显著性水平下各项事故指标均显著低于平均值。四级安全状况差，其中部分四级安全水平路段和
节点就是传统意义下的事故多发点。
[0091] 对路网单元(1个路段或1个交叉口)进行交通安全分级；过程为：
[0092] 现以图2为例说明评价指标取值范围的确定方法。
[0093] 将年平均日交通量AADT分成离散的区间，对第n个区间，起始交通量为AADTn、终止交通量为AADTn+1；确定隶属于该区间的路段或交叉口个数，并计算事故预测次数的均值En和方差σn；n取值为正整数；
[0094] 当得到第n个区间的En、En+σn、En-σn后，对所有区间而言又得到了三组新的样本数据：{En}、{En+σn}、{En-σn}；分别确定{En}、{En+σn}、{En-σn}三组样本数据的回归曲线y1＝f1(x)、y2＝f2(x)、y3＝f3(x)，
[0095] 其中x为AADT，y1、y2、y3分别为事故预测次数的均值、均值加一倍方差和均值减一倍方差；
[0096] 将三组回归曲线以AADT为横坐标，事故预测次数为纵坐标画图，三组回归曲线将图2划分出四个区域，四个区域从下至上分别对应着路段或交叉口的交通安全第一级、路段或交叉口的交通安全第二级、路段或交叉口的交通安全第三级、路段或交叉口的交通安全第四级；
[0097] 根据三条曲线得到各区间每一级的事故预测次数界限值，即得到了路网单元交通安全分级评价标准；
[0098] 基于事故次数的第一类路段交通安全分级标准见表4(其它略)。
[0099] 表4基于事故次数的第一类路段交通安全分级标准
[0100]
[0101] 根据路网单元交通安全分级评价标准，对整个路网进行交通安全分级；过程为：
[0102] 建立路网交通安全分级标准表，路网交通安全分级标准表包括路网交通安全级别和安全度指数，将安全度指数从小到大均分为H个区间，每份对应相应的路网安全级别，H个从小到大排列的安全度指数区间将路网交通安全级别从小到大分为H级；
[0103] 定义路网交通安全度指数为路网单元安全等级的加权平均值，即：
[0104]
[0105] 其中，Dnet为路网安全度指数，取1～4之间的实数；La为第a个路段的交通安全级别，取[1，4]之间的整数；Ij为第j个平面交叉口的交通安全级别，取[1，4]之间的整数(就是交通安全分级中的路段或交叉口的交通安全第一级、路段或交叉口的交通安全第二级、路段或交叉口的交通安全第三级、路段或交叉口的交通安全第四级，就是表4)；c，d分别为路段和交叉口的个数，取值为正整数；H取值为[1，6]之间的整数；
[0106] 将Dnet与路网安全分级标准表中的安全度指数进行对比，找到相同Dnet对应的安全级别。
[0107] 根据路网安全度指数的大小，将路网的交通安全程度划分为六级，具体分级标准见表5。
[0108] 表5路网安全分级标准
[0109]
[0110] 路网交通安全评价与改善方法由事故预测、危险点及其诱导因素鉴别、路网安全性能评价、路网改进等四个功能模块组成，流程图见图3。
[0111] 事故预测模块
[0112] 事故预测模块的主要功能是提供交通事故预测数据。模块输入就是规划路网方案的道路信息及交通流量数据等，模块主体就是事故预测模型库，模块输出就是路网单元的预测事故数。
[0113] 危险点及诱导因素鉴别模块
[0114] 该模块的主要功能是找出规划路网方案中潜在的事故多发点，并确定其诱导事故发生的因素。核心技术是基于BP神经网络的潜在事故多发点鉴别模型和基于方差分析统计分布的事故诱导因素鉴别模型。
[0115] 路网安全性能评价模块
[0116] 该模块的主要功能是评价规划路网方案的总体交通安全性能。交通分配提供了路网单元的流量数据，而事故预测模型则给出了事故预测指标，由此即可确定路网单元的安全水平。在此
基础上计算路网安全度指数，并根据路网安全分级标准确定出路网的总体安全性能。
[0117] 路网改进模块
[0118] 该模块的功能有以下两个方面：①改进初始规划路网方案；②优化最终规划路网方案。结合鉴别出的潜在事故多发点及其相应的事故诱导因素，可对备选方案提出改进建议，也可进一步优化最终规划路网方案。
[0119] 其它步骤及参数与具体实施方式一至七之一相同。
[0120] 采用以下实施例验证本发明的有益效果：
[0121] 步骤一、统计基础路网及属性，并将所有道路划分到相应类别中；
[0122] 步骤二、建立事故预测模型；
[0123] 路段上事故影响因素一般包括年平均日交通量、路段长度、速度、路面宽度及支路路口个数等，交叉口则主要取决于分方向的年平均日交通量及入口车道数等。这些变量就是建立事故预测模型的自变量。事故次数与影响因素之间，一般存在着下述曲线关系：
[0124]
[0125] 其中，Y为预测事故次数；AADT为年平均日交通量；xi为第i个自变量；m为自变量个数；α、P、βi分别为待标定的系数。
[0126] 当然，AADT是否一定存在于预测模型中，还取决于逐步回归时的变量选取结果。根据统计数据，标定出各类型的路段及交叉口事故预测模型见表6。
[0127] 表6各类型的路段及交叉口事故预测模型
[0128]
[0129] 步骤三、交通安全状况评价；
[0130] 根据路网规划的预测交通量以及计算的预测事故数，比对确定的安全分级标准，从而确定路网单元的交通安全程度，得到一级、二级、三级、四级安全水平的道路范围及数量。
[0131] 根据所有路网单元的交通安全分级，计算路网安全度指数，评价整个路网的总体安全服务水平。路网安全度指数计算公式如下：
[0132]
[0133] 步骤四、潜在事故多发点鉴别；
[0134] 将路网中所有路段及交叉口的年平均日交通量、道路等级、运行速度等个变量信息输入BP神经网络事故多发点鉴别模型，鉴别出路网中的潜在事故多发点。
[0135] 步骤五、突出事故诱导因素鉴别；
[0136] 应用事故诱导因素鉴别模型对潜在事故多发点进行事故诱导因素鉴别。其中，诱导因素为以下6个变量：横断面形式、道路等级、车道数、AADT、路面宽度和出入口数量。前三个变量是尺度变量，用来分组。然后，针对每个组别，分别计算后三个实值变量的均值和方差，并确定出判定标准。将事故多发点的属性变量值与判定标准对比，最终确定出了突出事故诱导因素。
[0137] 步骤六、路网改进；
[0138] 针对鉴别出的潜在事故多发点及其事故诱导因素，在路网道路用地不是严格受限的假设前提条件下，对初始路网进行改进。主要内容包括：增加路面宽度并调整通行能
力、调整横断面形式、通过隔离设施减少支路入口数量等。
[0139] 步骤七、路网改进前后安全性能对比分析。
[0140] 对调整后的路网方案进行流量分配，然后预测得出了改进路网方案中的事故次数并确定出了相应的安全等级。对比路网改进前后事故指标，若安全性能大大提高，则证明路网改进措施合理有效。
[0141] 实施例一：
[0142] 本实施例路网规划方案交通安全评价与路网改进方法具体是按照以下步骤制备的：
[0143] 本例以某大城市中心城区规划路网方案的数据为基础，依据本研究的目的并结合试验路网的相关信息，进行规划路网方案的安全评价及路网改进。研究的路网范围见图4。针对研究的路网范围，应用预测模型计算事故发生次数，并比对安全等级标准，得各路网单元的交通安全水平，结果见表7。
[0144] 由表7可知：
[0145] (1)安全水平为一级、二级、三级和四级的路段分别为17、86、22和44个，占总数的百分比分别为10％、51％、13％和26％，安全水平为四级的路段虽占比不大，但事故次数约占总体一半，需重点关注；
[0146] (2)根据所有路网单元的安全等级，计算整体路网的安全度指数为2.55，对应的安全等级为四级，可知规划前的整体路网安全性能较差。
[0147] 表7事故预测结果及路网单元安全状况
[0148]
[0149]
[0150] 采用BP神经网络事故多发点鉴别模型，鉴别出路网中潜在的7个事故多发点，并应用事故诱导因素鉴别模型对潜在事故多发点进行诱导因素鉴别，得事故多发路段及其突出事故诱导因素见表8。
[0151] 由表8可知：
[0152] (1)事故多发点上累计预测事故次数为108.8次，约占研究区域总预测事故次数的10.3％，而其路段数量仅占全部路段数量的4.1％，交通安全问题突出；
[0153] (2)导致事故的因素主要是路面宽度不足、交通量较大或是出入口数量较多；
[0154] (3)对照表7路网安全状况，事故多发点路段均为四级安全水平，风险较大。
[0155] 表8事故多发点及其诱导因素鉴别结果
[0156]
[0157]
[0158] 注：“☆”表示突出的单元，即鉴别出的事故诱导因素。
[0159] 针对鉴别出的潜在事故多发点，尤其是诱导多发点发生交通事故的关键因素，在路网道路用地不是严格受限的假设前提条件下，对初始路网改进如下：
[0160] (1)将西十六道街、田地街路面宽度增加，并相应调整其通行能力；
[0161] (2)将安升街路面宽度增加，并减少支路交叉口数量；
[0162] (3)将安国街道路横断面调整为三块板六车道断面，并通过隔离措施减少支路入口数量；
[0163] (4)将东大直街和西大直街路面宽度增加，并将横断面调整为三块板六车道道路断面形式。
[0164] 对改进后的路网重新进行流量分配，事故预测，进而确定其安全等级见表9。
[0165] 表9路网改进前后安全性能对比分析
[0166]
[0167] 由表9可知，改进后路网中三级和四级等安全状况较差的路段明显减少，而安全等级为一级的路段大幅度增加，路网总体安全等级也由安全状况较差的四级变为安全状况良好的二级，说明改进路网方案合理有效。
[0168] 本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和
变形，但这些相应的改变和变形都应属于本发明所附的
权利要求的保护范围。
