基于实车动力学实验数据的金丽高速公路安全性分析文献综述

 2023-08-16 16:00:14
{title}{title}

文献综述（或调研报告）：

交通安全问题是制约交通运输业发展的瓶颈之一，越来越多的学者针对道路交通安全问题展开研究。随着先进信息管理、数据挖掘和分析技术的发展，道路安全分析的工具和手段趋向多元，高分辨率的自然驾驶数据也为事故特征研究和病因分析提供了更多机会。本文对国内外相关研究进行综合整理，以便深入了解目前的研究现状，为建立合理的道路交通风险防控策略提供依据。

本文主要涉及的研究内容包括道路安全性分析和自然驾驶数据研究，通过对国内外相关文献进行查阅分析，将文献综述整理如下。

3.1 道路安全性分析

在现有的相关文献中，评估公路/高速公路路段事故风险的研究可以分为两大类：（1）事故黑点鉴别和（2）交通事故预测。

3.1.1 事故黑点鉴别

国内外对于事故黑点的识别和诊治工作开展地较早，已经取得了较为丰厚的研究成果。目前较为成熟的方法有事故数法、事故率法、质量控制法、事故数-事故率法、模糊评价法等。表1显示了部分常用事故黑点鉴别方法的特点及适用条件。

表1 常用事故黑点鉴别方法的特点及适用条件

鉴别方法

技术指标

适用条件

优点

缺点

事故数法

事故频率、当量总事故次数

事故黑点的初选

简便、易用，对数据的依赖性不大

临界值的选取缺少理论依据；鉴别指标单一

事故率法

事故次数、交通量

有长时间的统计资料；公路运营情况接近

与实际情况更接近

精确度较低，指标单一

事故数-事故率法

事故数、事故率、交通量、路段长度

数据充足；交通运营情况接近

克服事故率法和事故数法的缺点

没有考虑临界值的影响程度

质量控制法

事故率、道路累计行驶车公里数

鉴别道路条件和交通条件大致相同的道路

克服主观性大的问题

没有考虑事故的严重程度；实用条件苛刻

模糊评价法

事故严重性、事故率、死亡率

区域的安全鉴别

容易理解；应用效果较好

有一定的主观性

传统的事故黑点鉴别方法在灵活性和精确度上存在的不足使其难以满足时代发展的要求，学者们结合最近技术和研究成果，提出了更多更为理想的事故黑点鉴别方法。

1）国外研究现状

随着学者们对道路交通事故分布规律的深入研究，更多新方法和新技术得以应用。2009年，Murat等人[1]使用K均值和模糊聚类方法对2004年-2006年的交通事故数据进行分析，确定了事故黑点的位置并基于黑点特征提出改善交通安全的建议。2016年，Sandhu等人[2]在事故黑点识别过程中引入了地理信息系统（GIS），通过GIS软件对事故数据进行绘制以实现信息可视化，同时提出了一种网络核密度法用于提高识别的精度。

统计学理论的快速发展使事故黑点的鉴别工作得到了极大改善，常用的统计学方法及理论有：泊松分布、负二项分布、零膨胀泊松分布、零膨胀负二项分布、潜类别模型、贝叶斯理论等。2010年，Nataliya等人[3]分别采用马尔科夫转换负二项式模型和标准零膨胀负二项式模型对事故频率进行分析，分析结果显示马尔科夫转换模型具有更好的统计拟合效果。2017年，Heydari等人[4]应用潜类别模型解决未观察到的异质性，对不同碰撞类型之间的相关性进行研究。2018年，Debrabant等人[5]采用自回归泊松-Tweedie模型识别事故黑点，该方法涵盖了离散分布，并可以有效地处理零膨胀和过度分散。

随着信息技术的发展，模糊逻辑（Fuzzy Logic）、神经网络（Neural Network）、规则归纳（Rule Induction）、遗传算法（Genetic Algorithms）、决策树（Decision Trees）等数据挖掘算法在交通安全领域得到了广泛应用。2015年，Pei Liu等人[6]运用决策树与定量分析相结合的方法进行事故调查。2016年，Elyasi等人[7]基于道路的安全性与安全改进率（PSI）之比，提出了一种新颖的动态道路划分模型，并结合经验贝叶斯网络模型鉴别事故黑点。

2）国内研究现状

针对中国国情和工程实际需要，我国学者在在传统方法的基础上提出了改进。2015年，王龙健等人[8]结合累计频率曲线法进行道路事故黑点识别，并分析了改变单位取样长度对鉴别精度的影响。2016年，王健等人[9]将聚类思想应用于事故致因分析和黑点路段识别的全过程，并应用长余高速公路的交通事故数据证明了模型的可靠性。2019年，牛志鹏等人[10]将当量事故次数和事故率作为指标，在对事故形态及时空分布规律进行分析的基础上，基于系统聚类法识别公路交通事故。

在统计学理论的应用方面也取得了较多成果。2015年，卢杨[11]将动态聚类分析法应用于道路单元划分，以实现对高风险路段的精确筛选，在此基础上，应用经典贝叶斯法识别西安-宝鸡高速公路事故黑点，并结合质量控制法提出路段安全系数指标，依据路段安全等级对事故黑点的诊治工作进行排序。2017年，孟祥海等人[12]采用统计分布拟合和假设检验的方法对事故的统计分布特征进行分析，比较了定长法和滑动窗口对于模型精度的影响，给出了基于二项分布的概率公式和事故成因识别方法。2019年，田准等人[13]基于优化经典贝叶斯理论方法识别事故黑点，并依据安全治理可提升空间及事故风险程度两种指标对黑点进行排序。

近年来，数据挖掘技术也得到国内学者们的青睐。2013年，赵新勇等人[14]对比分析了多源异构数据分析方法，基于支持向量机和决策树算法开发了一种高速公路事故风险研判技术，结果表明该方法可以准确快速地对事故黑点进行辨析。2018年，耿超等人[15]将累计频率法和移动步长法相结合，基于DBSCAN算法进行交通事故多发点的识别。该方法具有较高的鉴别精度，为交通事故黑点鉴别提供了技术支撑。

3）总结

总的来说，国内外对事故黑点鉴别方法的研究已基本达到相同水平。随着技术发展和研究的逐步深入，传统的黑点鉴别方法逐渐被更先进、更智能的方法所取代。事故黑点鉴别的相关研究大致上可分为多种传统方法相结合、统计学方法及理论的应用、数据挖掘算法的应用三个方面，这些研究不仅克服了单一方法的局限性，更为事故黑点鉴别提供了强大的分析工具和理论基础。然而，事故黑点鉴别工作的重点是对道路的历史事故数据进行研究，通过分析事故统计特征和分布规律识别事故多发地点。这种道路安全性分析模式依赖于大量事故统计资料，并不关心交通事故与各种因素之间的因果关系，因而无法在事故发生前即判断出各路段的行驶安全性，属于被动安全研究。

3.1.2 交通事故风险预测

现代交通安全管理已由事故管理发展到隐患管理，由传统的被动经验性管理模式向主动预防性管理模式转变。因此，现阶段对事故黑点的鉴别一方面需要根据事故统计资料判别已经存在的事故黑点，同时也要根据其他方法和手段识别潜在事故风险地点，从而采取策略积极避免和预防事故的发生。

1）国外研究现状

2014年，Pirdavani等人[16]开发了一个基于二元逻辑回归的实时崩溃风险预测模型，该模型的测试结果表明，它可以以60％的精度预测碰撞事件，以90％的精度预测无碰撞事件。

2015年，Xu, C等人[17]应用高速公路上收集的碰撞、交通和几何数据，开发了一种包含跨不同交通状态的交通事故机制的实时交通事故风险模型。这些模型可以区分容易发生交通事故的交通条件与正常条件，从而应用于交通安全策略研究。同年，Barua等人[18]通过三种不同的建模公式研究随机参数模型中空间相关性的影响，发现各种交通和道路几何协变量与碰撞频率显著相关。

2016年，Ambros等人[19]通过分析双车道乡村路段网络监控数据，研究了可升级的安全风险预测模型(Updatable CrashPrediction Model)。研究发现，交通流量、路段长度、曲率变化率是建立可升级安全风险预测模型的关键变量，而一般情况下路段长度和曲率变化率的影响不大，因而可升级安全风险预测模型只需对交通流量进行升级即可满足预测要求。

2018年，da Costa等人[20]将广义估计方程（GEE）应用于由原始数据按时间和空间分组而形成的10个不同的数据库，以识别影响碰撞频率的因素，为碰撞预测模型的建立提供理论依据。

2019年，Bakhit等人[21]以纵向加速度、横向加速度的方差为基础，结合驾驶员分心指数，利用多元逻辑回归和支持向量机两种机器学习方法识别安全关键事件。

2）国内研究现状

2014年，侯芹忠[22]充分借鉴了IHSDM模型的建模思想，通过对事故率和交通量的关系研究，在按同质法划分预测单元的基础上，对线形指标进行修正，建立了基于年平均日交通量的事故预测模型。

2016年，殷炬元等人[23]通过在负二项式模型中增加空间随机影响因子，开发了相邻空间相关模型，用于揭示路段之间的潜在相关性，通过对交通流量数据和事故数据的分析表明，高速公路路段上的事故分布与空间显著相关，且相关性受距离影响。

2017年，政来等人[24]应用积分-微分方法进行模块构建，解决了变量指标存在异质性的问题，基于负二项回归建立了交通事故预测模型，研究表明交通量、路段长度、标志密度等因素对高速公路大区段上的交通事故风险有显著影响。同年，陈海龙等人[25]对BP神经网络算法进行优化改进，选取交通事故影响因素和严重程度构建神经网络，得到了收敛速度更快、预测能力更高的交通事故预测模型。

2018年，郁健等人[26]对极限学习机算法在交通事故预测中的应用进行研究.，认为该算法同时具备自组织学习能力和快速训练能力，构建了单隐层ELM和H-ELM模型并比较了二者的预测准确度，结果表明，H-ELM事故预测模型能够更准确地对交通事故安全水平进行预测。

2019年，刘振博[27]基于零膨胀负二项模型与Tobit回归模型对高速公路交通事故进行预测，该模型在拟合效果和预测能力方面均具有显著优势。同年，张志豪等人[28]基于LSTM神经网络建立交通事故预测模型，通过数据拟合发现，该模型较传统神经网络模型和回归模型在预测效果上有明显优势。

3）总结

通过对国内外交通事故风险预测的相关研究分析可以看出，学者们对道路事故风险的预测已不仅局限于历史事故数据的统计分析，而是在此基础上，结合对事故相关因素的认识及相关性分析，了解事故产生的因果关系，进而对道路潜在的事故风险进行预测。学者们应用的有效预测变量主要包括道路几何特征、驾驶员特征、环境因素和车辆行驶的运动学数据等。然而在历史事故的统计资料中，这些相关因素并未被真正全面、准确地记录，这无疑给事故风险预测增加了难度。为解决这一问题，基于数据收集设备的自然驾驶数据采集工作在美国率先开展，随后各国研究人员陆续开展相关实验，大量高分辨率的自然驾驶数据被采集和应用，为道路安全研究领域提供了强大的数据支撑。

3.2 自然驾驶数据研究

3.2.1 自然驾驶数据的采集

1）国外研究现状

随着传感技术和数据收集设备的发展，交通数据采集变得更加方便和高效。Dingus等人[29]在2006年发起的“100辆汽车自然驾驶研究”以及弗吉尼亚技术运输学院发起的“SHRP2自然驾驶研究”成功记录了大量自然驾驶数据。在这两项研究中，都招募了驾驶员，并为他们的车辆配备摄像头、雷达和由弗吉尼亚理工大学交通学院（VTTI）设计的数据采集系统（DAS），在每项研究的整个生命周期内为受试者生成高分辨率的三级数据。除此之外，Harding等人[30]在密歇根州安阿伯市进行的安全试验模型部署，Halkias等人[31]发起的加利福尼亚州的NGSim研究以及Sayer等人[32]发起的基于车辆的系统安全现场综合运行测试，均收集了不同规模和不同背景下的相似数据。

在缺乏定点交通流检测器的道路，通过车载数据采集装置或智能手机采集交通速度状态数据进行实时碰撞风险预测的方法也得到应用。2012年，Pande等人[33]通过手机里的GPS数据收集单元进行了为期10天的数据收集工作，测试对象均来自圣路易斯奥比斯波(San Luis Obispo)和圣巴巴拉市（Santa Barbara）的各个城市和社区，选取的研究路段为圣路易斯奥比斯波的US101走廊。

2）国内研究现状

国内对于自然驾驶数据的研究起步相对较晚，由于研究需要，越来越多基于数据采集的自然驾驶实验在国内开展。2012年，北京航空航天大学[34]联合清华大学开展了为期一年的自然驾驶数据采集实验，该实验选取北京市出租车活动区域为实验路段，选择50辆出租车为实验车辆，通过图像式汽车行驶记录仪(video drive recorder， VDR)实时记录在紧急情况发生前后事件范围内车辆的状态特征和道路环境信息。同济大学[35]开展了中国大型实车路试试验(China-FOT)的先行试验（China Pilot-FOT），该实验于2013年2月开始至2013年4月在上海、北京两地部署数辆实验车用来采集驾驶员自然驾驶数据。所有实验车都统一安装了针对该实验所设计的数据采集设备，其中包括4个摄像头以及一个眼动仪。4个摄像头的视角分别为：脚踏板、驾驶员座椅、车辆前方、车辆后方，用以全面记录驾驶过程中驾驶员操作信息和道路环境信息。同年，同济大学[36]联合Virginia Tech Transportation Institute、General Motors China共同启动了自然驾驶研究项目。该项目以5辆民用车为实验对象，应用包含GPS定位系统、雷达系统、数据集成记录器、三轴加速度计以及同步摄像头的数据采集系统，全程记录了三个月内驾驶员在无外界干扰下的自然驾驶行为，将该数据作为深入研究道路交通状况、事故影响因素的重要依据。2015年，重庆大学交通运输学院[37]开展了自然状态下的实车驾驶实验，应用一套集成了毫米波雷达、眼动仪等传感设备的驾驶行为特性检测系统，在G25长深高速开展实验，实验路段全长为25km，被试者包括40名男驾驶员和11名女驾驶员，被要求按照以往的驾驶习惯在无任何外界干涉的条件下完成自主驾驶实验。

3）总结

结合国内外对自然驾驶数据采集工作的开展情况来看，美国是自然驾驶数据研究的先驱者，自2006年来陆续开展了大量自然驾驶数据采集实验，并形成了多个可供用户访问的开放性数据库，如NGSim网站等，这极大地方便了交通领域的学者们开展相关数据研究。国内虽起步较晚，但已陆续有多所高校开展了相关实验，不同的是，这些实验采集的数据多为实验人员进行后续研究工作所应用，因此数据缺乏一定的全面性，且并未形成开放性的数据共享系统。

3.2.2 自然驾驶数据的应用

1）国外研究现状

自然驾驶研究获得了大量的安全关键事件（碰撞和接近碰撞），为交通安全分析提供了数据基础。自然驾驶数据的应用目前主要有两个方面：交通事故风险识别和交通事故的影响因素分析。

（1）交通事故风险识别

研究人员应用高分辨率的自然驾驶数据对高速公路和城市快速路上的实时交通风险进行了大量研究，许多前瞻性的碰撞预测模型和识别程序被开发出来。

2012年，Kun-Feng Wu等人[38]开发一套诊断程序，使用多阶段建模框架搜索自然驾驶数据，提取统计上相似的事故和接近事故，以定义、筛选和识别事故和接近事故事件。

2014年，Talebpour等人[39]开发了一种算法，该算法使用驾驶员在跟车情况下的加速度和行为来识别互联车辆环境中的接近事故，并特别强调驾驶员之间的差异性。

2015年，Wu等人[40]提出了一种通过瞬时行驶距离和前车与后车之间的速度差异来计算安全边界的想法。他们表明，如果违反了安全前沿规定，很可能会发生追尾事故。同年，Jie Sun等人[41]提出了一种基于时间序列交通数据的动态贝叶斯网络（DBN）模型来研究交通事故发生与动态速度条件数据之间的关系。

2016年，Robert Kluger等人[42]提出了一种通过将离散傅里叶变换与K均值聚类相结合，利用车辆纵向加速度检测安全关键事件的独特方法。

2017年， Pande等人[33]通过将GPS数据与四分之一英里的高速公路路段合并以进行传统事故频率分析，发现在高速公路路段上减速时，高加加速度值的比例与这些路段的长期事故频率显著相关。从而可以通过加加速度的变化预测事故发生概率。

2019年，Osman等人[43]基于车辆运动学数据（速度、纵向加速度等）的方差，训练并比较分析了几种机器学习算法，包括K最近邻（KNN），随机森林，支持向量机（SVM），决策树，高斯朴素贝叶斯（Gaussian NB）和自适应提升（AdaBoost），预测了SHRP2 NDS中的安全关键事件。

（2）交通事故影响因素分析

早期有关交通事故影响因素分析的研究主要基于低分辨率的事故报告，数据的真实性和准确性存疑。随着自然驾驶研究（NDS）数据的出现，研究人员可以在事故发生前对影响因素进行深入分析。目前的研究方向主要集中在驾驶员行为研究、驾驶稳定性分析以及道路/环境因素分析三个方面。

各种研究调查了人为错误和驾驶员行为对事故严重性产生的影响。2013年，Feng Guo等人[44]通过负二项式回归模型识别与个人驾驶员风险相关的因素，并将识别出的重要影响因素（人口统计、个性和驾驶特征数据）应用于预测高风险驾驶员。2015年，Donmez等人[45]通过建立有序logit模型研究了两车相撞的驾驶员所受伤害的严重程度与驾驶员分心以及驾驶员的年龄之间的关系。2019年，Dinakar 等人[46]针对“交叉口中对向左转车与本向直行车冲突”这一类型的危险事件，利用 T 检验研究了影响驾驶员反应时间的因素。

驾驶稳定性能对交通安全的影响被越来越多的研究人员所关注。2013年，Stavrinos等人[47]探索了分散驾驶和积极驾驶对驾驶稳定性能的影响。2018年，Kamrani等人[48]通过固定参数和随机参数Poisson回归模型，发现信号交叉口的波动性和碰撞频率显著正相关。2019年，Ramin Arvin等人[49]通过分析微观的车辆运动学数据，研究了碰撞前驾驶不稳定或驾驶波动在碰撞强度中的作用。固定参数概率模型和随机参数概率模型的模型结果表明，波动性是增加发生严重车祸的主要因素之一。

许多学者研究了道路/环境因素与事故严重程度的关系。2018年，Ghasemzadeh等人[50]利用参数有序逻辑回归和非参数分类树模型了解恶劣天气条件下的速度选择行为，结果表明，影响驾驶员速度选择的最重要因素是天气状况，交通状况和发布的速度限制。2019年，Jianfeng Xi等人[51]基于准诱导暴露理论建立了高速公路追尾事故影响因素分析模型，分析出对追尾事故产生重大影响的因素并讨论了其具体影响。Montella等人[52]使用关联规则和决策树调查涉及动力两轮车的撞车事故。他们发现，道路线形、夜间、阴雨天气、农村地区和道路碰撞事故是模拟事故严重程度的重要因素。

2）国内研究现状

近年来，已有学者相继利用自然驾驶数据开展道路交通安全与特征研究。2013年，吴德华等人[53]建立了空间连续的三维道路几何模型并赋予其力学特性，形成路线-驾驶员-车辆的仿真系统，结合道路侧滑、行车舒适性、操纵稳定性等评价指标对道路设计方案进行必选并提出改进建议。2014年，史登峰[54]基于动力学响应数据，研究了道路线形对事故类型的影响，从而对道路几何设计的安全性进行评估，并揭示了交通事故的形成机理。2016年，王雪松等人[35]基于自然驾驶数据提取了驾驶员行为和车辆运行参数，对道路类型对驾驶员变道特征的影响进行分析研究。同年，孙川[55]基于时间序列符号化思想分析了车辆的驾驶安全，基于驾驶数据、驾驶安全、驾驶行为对驾驶风险进行分级聚类，在考虑了道路环境信息、车辆状态、驾驶员行为特征等影响因素的基础上，应用数据驱动技术识别驾驶风险。2017年，吴斌等人[56]应用FOT的自然驾驶数据，结合对自然驾驶条件下驾驶员的紧急避撞行为研究，提出了可兼顾转向避撞和制动避撞特征的危险评估算法。2019年，王雪松等人[57]对上海自然驾驶数据中的危险事件进行提取，利用K均值聚类法划分了驾驶员的风险等级，通过主成分分析法对主要的驾驶风险行为进行研究，并通过逻辑回归模型研究了二者的关系。

3）总结

总的来说，进入二十一世纪之后，自然驾驶数据研究工作开始受到学者们的关注和重视。由于国内仍处于起步阶段，相关研究相对较少。国外欧美国家在自然驾驶数据的应用方面取得了较多的研究成果，研究方向主要分为交通事故风险识别和交通事故影响因素分析，可以总结出以下两个特征：

(a)研究人员更关心自然驾驶数据中的运动学参数（如速度、纵向加速度、横摆角速度等）的变化、道路环境条件及驾驶员个人的行为特征，而缺乏对车辆动力学与交通安全性之间关系的相关研究。

(b)大多数研究人员将研究目标着眼于“实时事故风险”的识别上，目的在于通过自然驾驶数据研究判断出车辆在驾驶过程中随时可能遇到的风险，从而在危险事件发生之前对驾驶员进行预警或安全提示，以避免发生事故。这类研究旨在从驾驶员的角度规避事故风险，并未与特定的道路相结合，无法满足道路安全性分析的需要。

除此之外，通过对比可以看出，国内的相关研究具有较强的实用性，而国外的研究向理论性、综合性方向发展。

通过对国内外研究现状的分析，总结了道路安全性分析的发展过程和常用方法，对自然驾驶数据的研究工作进行归纳梳理，同时指出了现有研究存在的问题。分析认为，自然驾驶数据蕴含丰富的有效信息，对道路交通安全的研究具有重要意义。本研究针对现有研究的不足，以金丽温高速公路实车实验所采集的动力学数据为基础，提出一套可对路段风险等级进行评估的分析程序，为识别事故风险、提高道路安全性提供理论依据。

3.3 参考文献

  1. Murat Y S, Şekerler A. Modelling Traffic Accident Data by Cluster Analysis Approach[J]. Teknik Dergi, 2009, 20(3):4759-4777.
  2. Sandhu H A S, Singh G, Sisodia M S, et al. Identification of Black Spots on Highway with Kernel Density Estimation Method[J]. Journal of the Indian Society of Remote Sensing, 2016, 44(3):457-464.
  3. Nataliya V. Malyshkina,Fred L. Mannering. Zero-state Markov switching count-data models: An empirical assessment[J]. Accident Analysis and Prevention,2009,42(1).
  4. Heydari, S.; Fu, L.; Miranda-Moreno, L.F.; Joseph, L., et al. Using a flexible multivariate latent class approach to model correlated outcomes: A joint analysis of pedestrian and cyclist injuries[J ]. Analytic Methods in Accident Research, 2017, 13:16-27.
  5. Debrabant, B.; Halekoh, U.; Bonat, W.H., et al. Identifying traffic accident black spots with Poisson-Tweedie models [J ]. Accident Analysis and Prevention, 2018, 111:147-154.
  6. Pei Liu, Lixing Yang, Ziyou Gao, Shukai Li, Yuan Gao, Fault tree analysis combined with quantitative analysis for high-speed railway accidents, Safety Science, 2015, 79:344-357.
  7. Elyasi M R, Saffarzade M, Boroujerdian A M. A novel dynamic segmentation model for identification and prioritization of black spots based on the pattern of potential for safety improvement [ J ]. Transportation Research Part A: Policy amp; Practice, 2016, 91.
  8. 王龙健,成嘉琪.累计频率法鉴别道路事故多发点中单位取样长度的限定[J].公路与汽运, 2015(05):36-39.
  9. 王健,卢锡凤.基于聚类分析的高速公路事故黑点鉴别及成因分析研究[J].公路交通技术,2016, 32(05):114-119.
  10. 牛志鹏,祁首铭,吴东玲,刘文佳,廉冠.考虑系统聚类的公路交通事故多发点鉴别研究[J].中国安全科学学报, 2018, 28(11):104-109.
  11. 卢杨.基于经验贝叶斯法的高速公路事故黑点识别研究[D].陕西:长安大学, 2015.
  12. 孟祥海,覃薇.基于统计及假设检验的高速公路事故多发点分析[J].中国安全科学学报,2017,27(05):158-163.
  13. 田准,张生瑞.优化经验贝叶斯事故黑点识别与排序方法[J].长安大学学报(自然科学版),2019,39(05):115-126.
  14. 赵新勇.基于多源异构数据的高速公路交通安全评估方法[D].黑龙江:哈尔滨工业大学,2013.
  15. 耿超,彭余华.基于动态分段和DBSCAN算法的交通事故黑点路段鉴别方法[J].长安大学学报(自然科学版),2018,38(05):131-138.
  16. Pirdavani, A., M. Magis, E. De Pauw, S. Daniels, T. Bellemans, T. Brijs, and G. Wets. Real-Time Crash Risk Prediction Models using Loop Detector Data for Dynamic Safety Management System Applications. Proc., 2nd International Conference on Traffic and Transport Engineering (ICTTE), 2014, 228–239.
  17. Xu, C., Wang, W., Liu, P., amp; Zhang, F. Development of a Real-Time Crash Risk Prediction Model Incorporating the Various Crash Mechanisms Across Different Traffic States. Traffic Injury Prevention, 2014, 16(1): 28–35.
  18. Barua, S.; El-Basyouny, K.; Islam, M.T. Effects of spatial correlation in random parameters collision count-data models.2015. 5-6, 28-42.
  19. Ambros, J (Ambros, Jiri) 1 ; Valentova, V (Valentova, Veronika) 1 ; Sedonik, J (Sedonik, Jiri) 1 . Developing Updatable Crash Prediction Model for Network Screening Case Study of Czech Two-Lane Rural Road Segments. 2016, (2583):1-7.
  20. da Costa, Jocilene Otilia; Prudecirc;ncio Jacques, Maria Alice; Portuguese Two-lane Highways: Modelling Crash Frequencies For Different Temporal and Spatlal Aggregation of Crash Data. 2018, 33(1):92-103
  21. BAKHIT P R, KELLENY B, ISHAK S. Visual and driving behavior measures for detecting distraction-related crashes and near-crashes: a Naturalistic Driving Study [C]//Transportation Research Board 98th Annual Meeting. 2019。
  22. 侯芹忠.基于IHSDM框架的高速公路交通事故预测模型[D].黑龙江:哈尔滨工业大学,2014. DOI:10.7666/d.D590740.
  23. 殷炬元,李铁男,孙剑.基于贝叶斯空间相关模型的城市快速路安全影响因素研究[J].交通信息与安全,2016,34(03):27-33 40.
  24. 郑来,何莎莉.高速公路大区段交通事故预测模型研究[J].公路交通科技,2017,34(07):108-114.
  25. 陈海龙,彭伟.改进BP神经网络在交通事故预测中的研究[J].华东师范大学学报(自然科学版), 2017, 2017(2): 61-68.
  26. 郁健,李勃,陈启美.基于H-ELM的交通事故预测方法研究[J].南京大学学报(自然科学),2018,54(05):896-903.
  27. 刘振博. 基于ZINB及Tobit回归的高速公路交通事故预测模型研究[D].哈尔滨工业大学,2019.
  28. 张志豪,杨文忠,袁婷婷,李东昊,王雪颖.基于LSTM神经网络模型的交通事故预测[J].计算机工程与应用,2019,55(14):249-253 259.
  29. Dingus, T. A., and S. G. Klauer, V. L. Neale, A. Petersen, S. E. Lee, J. Sudweeks, M. Perez, J. Hankey, D. Ramsey, S. Gupta. The 100-Car Naturalistic Driving Study, Phase II, Results of the 100-Car Field Experiment. DOT HS 810 593. National Highway Traffic Safety Administration, U.S. Department of Transportation, Washington, D.C., 2006.
  30. J., Harding, G., Powel, R., Yoon, J., Fikentscher, C., Doyle, D., Sade, J., Wang, Vehicle-to-vehicle communications: Readiness of V2 V technology for application. 2014.
  31. J. Halkias, J. Colyar, 2006. Next Generation SIMulation Factsheet Retrieved May 18, 2016
  32. Sayer, J., LeBlanc, D., Bogard, S., Hagan, M., Sardar, H., Buonarosa, M.L., Barnes, M., Integrated vehicle-based safety systems field operational test plan. Ann. Arbor. 2008.
  33. Pande, A., Chand, S., Saxena, N., Dixit, V., Loy, J., Wolshon, B., amp; Kent, J. D. A preliminary investigation of the relationships between historical crash and naturalistic driving. Accident Analysis amp; Prevention, 2017, 101, 107–116.
  34. 林庆峰, 成波, 屈肖蕾, 等. 基于驾驶员制动操作行为的车辆追尾预警算法[J]. 汽车工程, 2012, 34(3): 232-235.
  35. 朱西产, 刘智超, 李霖. 基于自然驾驶数据的驾驶员紧急变道行为开环模型[J]. 汽车安全与节能学报, 2015, 6(4): 328-332.
  36. 王雪松, 李艳. 基于自然驾驶数据的驾驶员变道特征分析[J]. 交通信息与安全, 2016,34(1): 17-22.
  37. 彭金栓,付锐,郭应时. 自然驾驶条件下驾驶人换道行为实时预测[J]. 哈尔滨工业大学学报,2015, 47(9):119-123.
  38. Kun-Feng Wu,Paul P. Jovanis. Crashes and crash-surrogate events: Exploratory modeling with naturalistic driving data[J]. Accident Analysis and Prevention,2012.
  39. Talebpour, A., Mahmassani, H., Mete, F., Hamdar, S., Near-crash identification in a connected vehicle environment[J]. Trans. Res.2014,20–28.
  40. Wu, K., Thor, C.P., Method for using naturalistic driving study data to analyze rear-end crash sequences[J]. Trans. Res. 2015.
  41. Jie Sun,Jian Sun. A dynamic Bayesian network model for real-time crash prediction using traffic speed conditions data[J]. Transportation Research Part C,2015,54.
  42. Kluger Robert,Smith Brian L,Park Hyungjun,Dailey Daniel J. Identification of safety-critical events using kinematic vehicle data and the discrete fourier transform.[J]. Accident; analysis and prevention,2016,96.
  43. Osama A. Osman, Mustafa Hajij, Peter R. Bakhit, and Sherif Ishak, Prediction of Near-Crashes from Observed Vehicle Kinematics using Machine Learning. 2019.
  44. Feng Guo,Youjia Fang. Individual driver risk assessment using naturalistic driving data[J]. Accident Analysis and Prevention,2013,61.
  45. Donmez, B.; Liu, Z. Associations of distraction involvement and age with driver injury severities. Journal of Safety Research, 2015, 52, 23-28.
  46. Dinakar S, Muttart J. Behaviors during left turn across path from the opposite direction crashes and near crashes in naturalistic driving [C], Transportation Research Board 98th Annual Meeting. 2019
  47. Stavrinos Despina,Jones Jennifer L,Garner Annie A,Griffin Russell,Franklin Crystal A,Ball David,Welburn Sharon C,Ball Karlene K,Sisiopiku Virginia P,Fine Philip R. Impact of distracted driving on safety and traffic flow.[J]. Accident; analysis and prevention,2013.
  48. Kamrani, M.; Arvin, R.; Khattak, A.J. Extracting Useful Information from Basic Safety Message Data: An Empirical Study of Driving Volatility Measures and Crash Frequency at Intersections. 2018, 2672(38):290-301.
  49. Arvin Ramin,Kamrani Mohsen,Khattak Asad J. The role of pre-crash driving instability in contributing to crash intensity using naturalistic driving data.[J]. Accident; analysis and prevention,2019,132.
  50. Ghasemzadeh, A.; Hammit, B.E.; Ahmed, M.M.; Young, R.K. Parametric Ordinal Logistic Regression and Non-Parametric Decision Tree Approaches for Assessing the Impact of Weather Conditions on Driver Speed Selection Using Naturalistic Driving Data. Transportation Research Record, 2018, 2672(12):137-147.
  51. Xi, J.; Guo, H.; Tian, J.; Liu, L.; Sun, W. Analysis of influencing factors for rear-end collision on the freeway. 2019, 11(7): 1687-8132;1687-8140.
  52. Montella Alfonso,Chiaradonna Salvatore,Criscuolo Giorgio,De Martino Salvatore. Development and evaluation of a web-based software for crash data collection, processing and analysis.[J]. Accident; analysis and prevention,2019,130.
  53. 吴德华,翁辉,董熙强,陈志伟,何杰.基于动力学仿真的龙泉～浦城高速公路设计方案比选[J].公路,2013(09):1-8.
  54. 史登峰. 基于多方法组合的金丽温高速公路丽水段安全性评价研究[D].东南大学,2016.
  55. 孙川. 基于自然驾驶数据的车辆驾驶风险辨识及控制研究[D].武汉理工大学,2016.
  56. 吴斌,朱西产,沈剑平,李霖.基于自然驾驶数据的危险评估算法研究[J].汽车工程,2017,39(08):907-914.
  57. Wang X, Xu X, Chai C. Assessing the relationship between self-reported driving behaviors and driver risk based on naturalistic driving study[C]. Transportation Research Board 98th Annual Meeting. 2019.

文献综述（或调研报告）：

交通安全问题是制约交通运输业发展的瓶颈之一，越来越多的学者针对道路交通安全问题展开研究。随着先进信息管理、数据挖掘和分析技术的发展，道路安全分析的工具和手段趋向多元，高分辨率的自然驾驶数据也为事故特征研究和病因分析提供了更多机会。本文对国内外相关研究进行综合整理，以便深入了解目前的研究现状，为建立合理的道路交通风险防控策略提供依据。

本文主要涉及的研究内容包括道路安全性分析和自然驾驶数据研究，通过对国内外相关文献进行查阅分析，将文献综述整理如下。

3.1 道路安全性分析

在现有的相关文献中，评估公路/高速公路路段事故风险的研究可以分为两大类：（1）事故黑点鉴别和（2）交通事故预测。

3.1.1 事故黑点鉴别

国内外对于事故黑点的识别和诊治工作开展地较早，已经取得了较为丰厚的研究成果。目前较为成熟的方法有事故数法、事故率法、质量控制法、事故数-事故率法、模糊评价法等。表1显示了部分常用事故黑点鉴别方法的特点及适用条件。

表1 常用事故黑点鉴别方法的特点及适用条件

发小红书推广免费获取该资料资格。点击链接进入获取推广文案即可： Ai一键组稿 | 降AI率 | 降重复率 | 论文一键排版

您可能感兴趣的文章