基于车速离散度的机场高速公路风险识别研究

高速公路的危险源识别知识，可以分为以下几个方面：一、道路条件方面的危险源识别1. 湿滑路面：在下雨或者刚刮过雨的情况下，道路会变得湿滑，这时候车辆的制动距离和抓地力会减小，容易造成打滑或者失控。

在这种情况下，应注意减速慢行，避免急刹车或者急转弯。

2. 悬崖边路：在高速公路的山区段，常常会有悬崖边的路段，这种路段是非常危险的，一旦车辆失控或者超车失误，容易发生严重的交通事故。

在这种路段，应严格按照规定的车速行驶，保持车辆的稳定性，尽量保持车辆靠路中心行驶。

3. 高架桥与天桥：在高速公路上，经常会有高架桥和天桥的存在，这些桥梁在旁边有较为陡峭的坡度，车辆如果在桥上发生刹车或者失控，容易冲出桥面，造成严重后果。

因此，在这些桥梁上，应注意谨慎行驶，不要急刹车或者急转弯。

4. 路面坑洞与障碍物：有些高速公路的路面可能存在坑洞或者其他障碍物，这些都是潜在的危险源。

车辆如果在高速行驶中遇到坑洞或者障碍物，容易导致车辆失控，产生事故。

在这种情况下，应尽量避让或者通过减速来控制车辆。

二、车辆方面的危险源识别1. 刹车系统故障：刹车系统是车辆行驶中的安全关键部件，如果刹车出现故障，容易导致刹车失灵，车辆无法停稳。

因此，在行驶过程中，应注意观察刹车系统的工作情况，一旦发现异常，应及时修复。

2. 轮胎状态：轮胎是车辆行驶中的重要部件，如果轮胎磨损过度或者漏气等问题，容易导致车辆打滑或者爆胎，造成事故。

因此，在行驶前应检查轮胎的状态，确保正常。

并且在行驶中要注意观察轮胎是否有异常情况。

3. 照明系统故障：照明系统是车辆行驶中的安全必需品，如果照明系统发生故障，容易导致能见度降低，增加事故风险。

因此，在行驶前和行驶中，应检查车辆的照明系统是否正常工作，以确保行驶安全。

4. 车辆稳定性：车辆的稳定性是指车辆在高速行驶中的稳定性能，如果车辆在高速行驶中不稳定，容易导致出车道或者失控。

因此，在行驶前应注意检查车辆的悬挂系统和轮胎的气压等，确保车辆的稳定性。

高速公路的危险源识别知识随着社会的不断发展，越来越多的人选择自驾游、自驾出行。

而高速公路作为快速通行的主干道，在人们出行的路线中逐渐成为了必选之一。

然而，在高速公路上行驶不仅需要注意安全驾驶，更需要警惕各种危险源的存在。

因此，在本文中将介绍一些高速公路中常见的危险源以及识别方法。

1. 栏杆高速公路中的栏杆是保障路面安全的重要设施。

然而，在某些情况下，它们可能会变成危险源，例如在高速公路中部分路段上，因为与山体交界处的路面的坡度、弯角和山区地质等方面原因，栏杆已成为了影响行车安全的障碍物。

此时驾驶员需要尽可能接近道路的右侧行驶，以确保安全通过该路段。

2. 破损的路面高速公路作为车辆行驶的快速通道，长时间使用会导致路面老化、破损，从而造成行车风险。

特别是在雨天和下雪天气中时，更容易造成路面湿滑，增加车辆行车的风险。

因此，驾驶员应始终保持警觉，注意观察路面情况。

如果发现有路面出现破损、凹陷、坑洞等情况，应及时降低车速，以防止车辆产生碰撞、悬空等危险局面。

3. 摄像头高速公路上广泛安装的摄像头能有效地维护道路的安全和纪律，但对于驾驶员来说，摄像头也可能构成危险。

一些驾驶员在高速公路上常常逆向行驶或闯红灯等违章行为，如果摄像头盲区处没有及时提醒，就会增加道路行车的风险。

因此，驾驶员在行驶过程中要注意观察路面上的标识和信号，以及路旁标志上的指示，遵守交通规则和安全驾驶。

4. 隧道当驾驶员驶入隧道时，必须注意开灯、降低车速、保持车距。

在一些地方，隧道中还会有恶劣的天气、道路状况不佳等风险，这些因素都可能对道路行车产生影响。

此外，隧道内因为空气流通不畅，有时还会出现雾霾、烟雾等现象，这些都应该引起驾驶员的注意。

因此，在行驶过程中，驾驶员应注意观察路面、道路标志并随时调整车速。

5. 施工路段高速公路上的施工路段，虽然有交通警示标志和施工区标识，但许多而驾驶员缺少对其的正确认识，只看到一些基本信息，而忽视了具体的危险源识别。

面向驾驶辅助系统的车辆行驶安全预警模型研究一、简述随着科技的不断发展及汽车应用的日益普及，交通安全问题越来越受到人们的关注。

驾驶员疲劳驾驶、分心等因素导致的交通事故时有发生。

为了降低交通事故发生率，增强行车安全性，车辆行驶安全预警系统逐渐成为研究热点。

本文将对面向驾驶辅助系统的车辆行驶安全预警模型进行研究，通过对现有研究的整理和分析，提出一种新型的车辆行驶安全预警模型，并对其可行性进行分析。

研究背景：近年来，随着经济的发展和人民生活水平的提高，越来越多的人购买了私家车。

随之而来的是道路交通事故逐年上升，给人们的生命财产安全带来极大威胁。

如何提高行车安全性，减少交通事故的发生，成为当前亟待解决的问题。

研究目的：本研究旨在通过研究面向驾驶辅助系统的车辆行驶安全预警模型，为驾驶员提供实时、准确的安全预警信息，从而提醒驾驶员采取相应的措施避免交通事故的发生。

研究方法：本文将通过对现有研究的整理和分析，提出一种新型的车辆行驶安全预警模型，并对其进行可行性分析。

1.1 背景及研究意义随着科技的不断发展和汽车行业的日益智能化，驾驶辅助系统在现代汽车中扮演着越来越重要的角色。

这些系统不仅提高了驾驶的便捷性，还在很大程度上提升了行车安全性。

尽管现有的驾驶辅助系统已经取得了显著的成果，但仍然存在一些局限性，尤其是在复杂的交通环境和恶劣的气候条件下。

针对这些问题，本研究旨在通过深入研究和分析，开发一种高效的驾驶辅助系统安全预警模型。

该模型的构建将基于对现有驾驶辅助系统性能和局限性的全面了解，并结合车辆、道路和驾驶员行为等多方面因素，以实现对驾驶过程的全面监控和有效预警。

本文的研究不仅将为驾驶辅助系统的进一步提升提供有力的理论支持，更将对提高行车安全性产生深远的影响。

通过对该模型的深入探讨和应用，我们期望能够显著减少交通事故的发生率，为公众带来更加安全、舒适的驾驶环境。

1.2 研究目标与内容本研究旨在深入探讨面向驾驶辅助系统的车辆行驶安全预警模型的设计与应用，通过综合运用先进的信息技术、数据挖掘和分析技术，以及人工智能和机器学习方法，构建一个高效、准确的行驶安全预警系统。

高速公路交通安全风险评估指南一、引言高速公路作为我国交通运输的重要组成部分，承担着大量的车辆和人员流动。

然而，高速公路上的交通事故频发，给人们的生命财产安全带来了巨大威胁。

为了提高高速公路交通安全水平，减少交通事故发生，制定高速公路交通安全风险评估指南势在必行。

二、高速公路交通安全风险评估的重要性1. 保障公众生命财产安全：通过对高速公路交通安全风险进行评估，可以及早发现和预防潜在的安全隐患，确保公众的生命财产安全。

2. 优化交通管理：通过评估交通安全风险，可以制定相应的管理措施和应急预案，提高交通管理效率，减少事故发生的可能性。

3. 促进交通运输发展：高速公路交通安全风险评估为交通运输发展提供了科学依据，有利于推动交通事业的可持续发展。

三、高速公路交通安全风险评估指南的编制原则1. 科学性原则：基于充分的数据和科学的方法，进行风险评估，确保评估结果准确可靠。

2. 综合性原则：综合考虑交通设施、交通组织、交通环境和交通管理等多方面因素，全面评估交通安全风险。

3. 预防性原则：通过评估结果，提前采取相应的预防措施，预防事故的发生。

4. 可操作性原则：指南应具有实际可操作性，便于各地区和单位根据实际情况进行风险评估。

四、高速公路交通安全风险评估指南的内容1. 风险评估的基本概念和原理：介绍风险评估的基本概念和原理，明确评估的目标和内容。

2. 风险评估的方法和指标体系：详细介绍风险评估的方法和指标体系，包括数据收集、风险分析和评估模型的建立等方面。

3. 高速公路交通设施的风险评估：对高速公路的路面、桥梁、隧道等交通设施进行风险评估，识别潜在的安全隐患。

4. 高速公路交通组织的风险评估：对高速公路的交通组织措施进行风险评估，包括车流量、车速、车道划分等方面。

5. 高速公路交通环境的风险评估：对高速公路的气象条件、能见度、交通流量等环境因素进行风险评估，确定其对交通安全的影响。

6. 高速公路交通管理的风险评估：对高速公路的交通管理措施进行风险评估，包括交通信号、标志标线、施工区域等方面。

2024年第2期doi:10.3969/j.issn.1005-2550.2024.02.007 收稿日期：2023-10-19基于系统与场景双重分析的SOTIF方法研究陈蔯1,2，赵帅1,2，赵启东1,2，周博林1,2（1.中国汽车技术研究中心有限公司，天津 300300；2. 中汽智联技术有限公司，天津 300393）摘 要：随着自动驾驶技术的发展，电子电气系统日益复杂，预期功能不足引发的危害逐渐提升。

本文基于ISO 21448: 2022中SOTIF开发过程，从功能规范与设计出发，识别SOTIF相关的危害并进行风险分析，识别潜在功能不足与触发条件，评估系统影响并提出改进措施，提出一种系统的、有逻辑性的将系统分析方法与场景研究相结合的自动驾驶系统预期功能安全分析方法，并通过该方法在HWA功能上的应用，验证了该方法的可行性。

关键词：预期功能安全；SOTIF；HWA；危害识别；风险分析；触发条件中图分类号：U461.91 文献标识码：A 文章编号：1005-2550（2024）02-0039-08The Research on SOTIF Method of Automated Driving Based onSystem and Scenario Dual AnalysisCHEN Chen1,2, ZHAO Shuai1,2, ZHAO Qi-dong1,2, ZHOU Bo-lin1,2(1. China Automotive T echnology and Research Center Co., Ltd., Tianjin 300300, China;2. Automotive Data of China Co., Ltd., Tianjin 300393, China)Abstract: With the development of autonomous driving technology, electronic and electrical systems are increasingly complex, and the hazard caused by insufficient intendedfunctionality is expected to gradually increase. This paper based on the SOTIF developmentprocess in ISO 21448: 2022, from function specification and design, identifies the hazardsrelated to SOTIF and conducts risk analysis, identifies potential functional insufficienciesand triggering conditions, evaluates the system impact and proposes modifications. Asystematic and logical safety analysis method for automated driving system is proposed,which combines system analysis method with test scenario research. The feasibility of theproposed method is verified by applying it to HWA function.Key Words: SOTIF; HWA; Hazard Identification; Risk Evaluation; Triggering Condition39自动驾驶汽车产业持续健康发展的首要任务是保障自动驾驶系统运行安全，随着自动驾驶技术的发展，电控系统日益复杂，潜在的安全风险随之不断提高[1]，预期功能安全作为功能安全对自动驾驶系统安全问题的补充，直接影响整车安全性[2][3]。

黑龙江交通科技HEILONGJIANG JIAOTONG KEJI202)年第(期(总第326期)No. 4,206)(Sum No 326)基于多源交通大数据的高速公路易堵节点甄别分析杨阳(江苏中路工程技术研究院有限公司，江苏南京61403)摘要:高速公路交通拥堵对高速公路交通运行状态产生非常严重的影响。

高速公路管理者应该在交通拥堵发生之前对其进行判别°首先分析了高速公路交通拥堵的演化过程,通过高速公路交调数据、手机数据、多源数据三个方面分析了高速公路易堵节点自动判断及动态甄别技术。

以宁沪高速公路为例对其国庆期间易堵路段进行了甄别，并分析了拥堵可视化展示 的意义。

关键词：高速公路;交通拥堵;多源数据;可视化中图分类号:U466文献标识码:A 文章编号：408 - 3383(202))04 - 0180 - 02Discrimination and Analysis of Freeway Easy - to - blockNodes Based on Multi - sourer Trrffir Big DatoYANG Yang(Jiangsu SINORAD Engineering Research Institute Co. -Ltd. ,Nanjing,Jiangsu 21403,Chinn)Abstrect ： Expressway traffic congestion hrs r veiy serious impahi oo the state of expressway traffic. Highway managers should judgetraffih jams before they occur. First,it analyzes the evvluhoo process of expressway traffic congestion ,5nd analyzes the automatic jude- mexi and dynamic discrimmatioo techgolooy of expresswyy easy to jam nones throosh three aspects ： expresswyy traffic data , moOiluphone datr and multi - source datr. Taning Nanjing - Shanahal Expressway ss an example,the roan sections thas are pronc th conges-during the Nationat Day were screeeee , ang the sicnificancc of visual display of congestion was analyzee.Keyworic : freeway ； traffic congestion ； multi - source data ； visuagzation1高速公路易堵节点自动判断及动态甄别交通拥堵的产生本质上是交通需求超过道路 实际承受的负荷，是道路的动态通行能力不能满足 交通需求的结果，当交通需求和交通供给这一矛盾 达到一定程度后,就会形成交通拥堵。

文章编号：1673-0291（2023）03-0061-09DOI ：10.11860/j.issn.1673-0291.20220141第 47 卷 第 3 期2023 年 6 月Vol .47 N o .3Jun. 2023北京交通大学学报JOURNAL OF BEIJING JIAOTONG UNIVERSITY基于监控视频的隧道交通冲突预测方法贾磊a ，b ， 李清勇a ，b ， 俞浩敏a ，b（北京交通大学a.交通数据分析与挖掘北京市重点实验室，b.智慧高速铁路系统前沿科学中心，北京 100044）摘要：基于宏观交通特征进一步理解交通冲突机制，提出一种基于监控视频的隧道交通冲突预测方法，以实现对隧道交通安全的风险预警.通过在车辆轨迹数据中检测出交通冲突事件及对应的宏观交通特征，使用二分类模型验证支持向量机、决策树、多层感知机和随机森林等模型预测交通冲突的可行性，建立交通状态与交通冲突的关联关系.研究结果表明：该预测方法使用的交通状态变量对交通冲突的发生概率均有显著性贡献.随机森林模型能够根据20 s 时间单元采集的交通状态参数有效预测交通冲突的发生风险，预测准确率可达到97%.关键词：交通安全；碰撞时间；交通冲突预测；隧道风险；机器学习中图分类号：U491 文献标志码：AMethod for predicting traffic conflicts intunnels based on monitoring videosJIA Lei a,b , LI Qingyong a,b , YU Haomin a,b（a.Beijing Key Lab of Traffic Data Analysis and Mining, b.Frontiers Science Center for Smart High -speed RailwaySystem, Beijing Jiaotong University, Beijing 100044, China ）Abstract :To gain a deeper understanding of the traffic conflict mechanism based on macroscopic traffic characteristics, this paper proposes a tunnel traffic conflict prediction method based on surveillance video to provide risk warnings for tunnel traffic safety. By detecting traffic conflict events and corresponding macroscopic traffic features in the vehicle trajectory data, a binary classification model is used to verify the feasibility of traffic conflict prediction using support vector machines, decision trees, multilayer percep⁃trons, and random forests. Consequently, the correlation between traffic states and traffic conflicts is es⁃tablished. The study shows that the traffic state variables used in the prediction method significantly con⁃tribute to the probability of traffic conflicts. The random forest model can effectively predict the risk of traf⁃fic conflicts based on the traffic state parameters collected in 20 seconds, with a prediction accuracy of up to 97%.Keywords : t raffic safety ； time -to -collision ； traffic conflict prediction ； tunnel risk ； machine learning 隧道是公路路网中的关键交通设施，可以减少路线规划上的旅行时间，提高出行者的便利性.与收稿日期：2022-10-13；修回日期：2023-01-17基金项目：中央高校基本科研业务费专项资金（2022JBQY007）；国家自然科学基金（62276019）Foundation items : Fundamental Research Funds for the Central Universities （2022JBQY007）；National Natural Science Foundation of China（62276019）第一作者：贾磊（1986—），男，山西临汾人，博士. 研究方向为人工智能及应用. email ：*****************.cn.通信作者：李清勇（1979—），男，湖南涟源人，教授，博士，博士生导师. email ：*************.cn.引用格式：贾磊，李清勇，俞浩敏.基于监控视频的隧道交通冲突预测方法［J ］.北京交通大学学报，2023，47（3）：61-69.JIA Lei ， LI Qingyong ， YU Haomin. Method for predicting traffic conflicts in tunnels based on monitoring videos ［J ］. Journal of Beijing Jiaotong University ，2023，47（3）：61-69.（in Chinese ）北京交通大学学报第 47 卷在开阔道路上不同，隧道内驾驶员会由于隧道封闭、黑暗和单调的环境引起焦虑，驾驶员隧道中驾驶需要更高的注意力和更大的脑力负荷［1］.同时，在隧道中发生事故的后果往往比在开阔道路上的破坏性和灾难性更大.隧道中更狭窄、更有限的空间阻碍了事故后的救援和疏散，这可能会导致车辆拥堵、发生车祸，或者随后发生更大的次生事故.鉴于隧道存在的潜在危险，有必要对隧道交通安全进行评价，来研究识别与事故风险相关的重要因素.在传统的交通安全评价工作中，交通事故数据被用来研究宏观交通状态（交通量、速度、占用率）与碰撞频率或严重程度之间的关系［2-3］.基于交通事故数据的研究结果对于更好地理解事故发生机制具有重要意义.但是以交通事故作为指标的评估模型存在样本少且数据采集滞后的问题，统计数据存在广泛的误统漏报，造成数据统计分析结果的不真实、不准确.部分研究工作［4-5］使用间接安全指标作为评估交通安全性能的替代方法，其中最具有代表性的是基于碰撞时间（Time-to-Collision， TTC）的交通冲突监测指标［6］.在公路隧道的安全评价方面，有部分研究工作［7-9］开展预测事故频率的研究，对与碰撞风险相关的因素开展研究.Ma等［10］利用高速公路隧道事故记录信息，建立了预测事故的逻辑回归分类评定模型，研究季节、时间、事故地点、隧道长度和恶劣天气等与事故严重程度显著相关的因素.Huang 等［11］利用分类回归树模型对高速公路隧道的事故严重程度的风险因素进行研究，得出危险驾驶行为、事故时间、事故等级和车辆类型等因素显著影响事故严重程度.随着新兴传感器技术的发展，相关研究［12-14］提出基于微观轨迹数据来开展交通安全评价的方法.但是轨迹数据通常需要专业的软件从交通视频中提取，提取过程需要对视频进行多种视觉处理方法的操作，耗时长且需要离线完成，无法满足对交通安全实时评估的要求［15］.为了满足交通安全实时评价的要求，本文提出了一种基于实时交通状态数据预测隧道内发生交通冲突的方法，更适用于对隧道交通安全的实时评价.在实验部分，通过离线收集轨迹数据，检测出交通冲突和对应的交通状态，用机器学习方法建立并验证交通冲突与交通状态的关联关系，实现对交通安全的实时评价.本研究旨在将交通冲突与动态交通流特性联系起来，从宏观交通特征的角度理解交通冲突机制.在隧道安全监测应用中，以摄像机监测路段为对象，以20 s为时间单位将监控摄像机动态采集的交通状态作为交通冲突预测模型的输入变量.通过对隧道所有摄像机使用安全预测模型，可动态预测每个摄像机监控路段发生交通冲突的概率，实现对隧道交通运行风险实时量化监测，从而实现对整个隧道的风险预警.1交通冲突预测模型1.1预测模型定义交通冲突为两辆车按照当前状态继续行驶将发生交通碰撞的“接近碰撞”情况［16］，比交通事故发生更为频繁，可以为安全评估提供更丰富的信息.与严重依赖历史碰撞数据的传统方法相比，基于交通冲突的安全分析可以在实际碰撞发生之前识别到危险，能够更及时地对交通安全状态进行评估.基于碰撞时间的交通冲突计算方法是最常用的评价交通安全的微观指标［17-18］.碰撞时间为目标车辆与前车在保持当前运动状态下，继续运动直到发生碰撞所需要的时间［6］.车辆碰撞时间TTC n表示为TTC n=ìíîïïïïp n+1-p n-l nv n-v n+1v n>v n+1∞ v n≤v n+1（1）式中：p n和v n为目标车辆在隧道内的行驶距离和速度；p n+1和v n+1为前车在隧道内的行驶距离和速度；l n为与车型相关的车辆车身长度.将摄像机监控路段发生交通冲突的判定准则表示为Y(TTC n)∈{0，1}，则交通冲突判定Y(TTC n)表示为Y(TTC n)=ìíî1 TTC n<TTC*0 TTC n≥TTC*（2）式中：当监控路段存在至少一辆目标车辆的TTC n 小于TTC*，则判断目标车辆与前车发生交通冲突.在对交通冲突的国内外研究分析中，碰撞时间阈值TTC*可被设定为1~4 s［19-20］.通过上、下游视频检测器采集的交通状态变量TS(t)，对上、下游摄像机之间的路段是否发生交通冲突进行预测，交通冲突预测可表示为Y(TTC n)=f(TS(t))（3）式中：交通冲突预测使用机器学习模型f(⋅)，由视频检测器采集的交通状态变量TS（t）作为模型的输入.基于监控视频预测隧道发生交通冲突的方法如图1所示.1.2交通状态随着对交通冲突预测实时性要求的提高，交通状态变化的随机性和不确定性越来越强.在视频检测器得到的众多交通状态参数中，需要选择与交通62贾磊等：基于监控视频的隧道交通冲突预测方法第 3 期冲突耦合相关的特征参数建立交通冲突预测模型.交通量是单位时间通过道路某断面的车辆数目，属于交通流的基本特征.同时，交通流的交通组成影响道路的通行能力和服务水平，研究使用小型车辆、中大型车辆和危化品车辆的车型占比来表示交通流的交通组成.车道检测器采集的交通量Q ，P car 为小型车的车型占比，P truck 为中大型车的车型占比，P hm 为危化品车辆的车型占比，可表示为Q =N 20×3×60（4）P car =N carN 20×100%（5）P truck =N truckN 20×100%（6）P hm =N hmN 20×100%（7）式中：N 20为以20 s 为时间单元统计经过车道检测器断面的车辆总数量，，N car 为小型车的数量，N truck 为中大型车的数量，N hm 为危化品车辆的数量.通过目标检测、多目标跟踪、车辆重识别和逆透视空间变换等视频处理技术［21-22］，可采集到摄像机监控范围内车辆的轨迹信息.为避免提取的运动轨迹受到随机误差的影响，对车辆运动轨迹进行平滑处理，点(x i ，y i ，t i )和点(x i +m ，y i +m ，t i +m )为采用均值滤波法处理后的坐标.车辆在隧道空间通过两个坐标点的车辆速度v i 可表示为v ii +m i（8）式中： x i 、y i 和t i 为监控中第i 帧视频转换的隧道空间横坐标、纵坐标和时间； x i +m 、y i +m 和t i +m 为第i +m 帧视频转换的隧道空间横坐标、纵坐标和时间.在获取到单个车辆通过车道检测器的车辆速度后，对20 s 时间单元经过车道检测器断面的车辆进行统计，交通流的平均车速V mean 可表示为V mean =1N 20∑n =1N v n（9）式中：v n 为第n 辆车的平均速度.使用车速标准差来表示交通流中车辆速度的离散程度.车速标准差V sd 是在统计时间内交通流中所有车辆的个体速度偏离交通流平均速度的平均值，车速标准差V sd 可表示为V sd =（10）通过对交通状态的各特征进行定义说明，对车道检测器在交通冲突发生的前20s 时间单元所采集到的交通状态变量定义为TS (t )=(N time ，N loc ，Q ，V mean ，V sd ，P car ，P truck ，P hm ).交通冲突发生的时间和隧道内的空间位置也是交通冲突发生的重要因素.通过定义时间编号N time 和空间编号N loc 表示发生交通冲突的时间、空间特征.N time 表示以15 min 为时间单元的交通冲突发生时间段编号，N loc 为摄像机检测器在隧道的位置编号.1.3 交通冲突预测模型交通冲突预测以实时交通状态数据为主要模型输入，通过训练和区分冲突与非冲突状态下的不同交通流特性来捕捉交通冲突的前兆特征，使用分类算法建模区分冲突与非冲突，从而实现对交通冲突预测.因此，基于交通流状态对交通冲突进行预测可以按照二分类问题进行建模［23］.按照机器学习的主要类别，分别从分类器方法和集成方法中选择代表性的机器学习模型对交通冲突进行预测. 随机森林（Random Forests ，RF ）［24］ 预测方法与支持向量机（Support Vector Machine ，SVM ）［25］、多层感知机（Multi -Layer Perceptron ，MLP ）［26］、分类决策树（Decision Tree ，DT ）［27］方法相比，其预测效果和性能稳定性优于单一算法，运行速度也比深度学习等更复杂的方法更快.随机森林是由一系列树型分类器组合成的分类器，每棵树对输入向量的决策结果进行投票决定最优分类［28］.随机森林抽取随机样本子集并训练生成决策树的方法如图2所示.图2中，随机森林决策树生成方法共包含4个步骤.步骤1：采集并建立交通冲突数据集VisInt -Conflict -TTC ，从训练样本集中用Bootstrap 自助抽样法随机采样选取N 个子训练样本集（样本集A ， 样本集B ，…，样本集N ），并相应的建立N 棵分类决策树.步骤2：在分类树的每个节点上随机地从M 个指标中选取m 个分割指标进行分割.图1　交通冲突预测问题形式化Fig.1　Formalization of traffic conflict prediction problem63北京交通大学学报第 47 卷步骤3：以节点基尼指数为节点分割标准来确定最优分割，重复步骤2遍历建立的N 棵分类树.步骤4：由步骤3确定每颗分类树的最优分割分类指标，从而生成N 棵分类树形成随机森林.运用模型进行交通冲突预测分类时，需把待测样本集输入到训练完毕的RF 各分类树中，各叶子节点上的分类结果即为该棵分类树的交通冲突预测结果.为得到整个随机森林对样本集的冲突预测结果，平均各棵分类树叶子节点上的分类结果表示为p (c )=∑k =1NP (c |k )（11）式中：k 为当前节点的分支属性；c 为交通冲突的预测类别；P (c |k )概率函数是分类决策树上在k 节点处预测类别为c 的概率.在决策树从根节点向下不断递归分割的过程中，选取最小的基尼值作为此节点的分割标准，确定节点指标为最优分割分类指标.节点基尼指数Gini (k )描述了节点的不纯度，Gini (k )可表示为Gint (k )=1-∑c =1C []P (c |k )2（12）式中： C 为预测总类别.Gini (k )为0时，表示在k 节点处的样本数据为同一分类级别，Gini (k )越大，表明在k 节点处的样本数据越趋于均匀分布，能获得的有用分类信息越少.1.4 交通冲突预测流程本文提出了一个从隧道监控场景多路监控视频中提取车辆运行轨迹，并对交通冲突进行预测研究的技术框架.整体框架按照运动轨迹采集、交通特征提取、交通冲突检测、交通冲突预测的步骤开展研究工作，研究流程如图3所示.图3中，首先通过目标检测、车型分类、多目标跟踪视频检测方法，检测得到车辆在单个摄像机的图像坐标.使用坐标变换将图像坐标转换成地面坐标，得到车辆在隧道空间的运动轨迹.使用车辆重识别方法来实现多摄像机下的车辆身份识别，采集到车辆通行整个隧道的运行轨迹.其次，计算交通冲突对应路段位置的视频检测器所采集的交通状态变量TS (t )，作为交通冲突预测模型的输入.然后，通过计算前车-后车轨迹数据得到实时的碰撞时间，建立基于碰撞时间的交通冲突判定准则，检测交通冲突发生的时间和路段位置，作为交通冲突预测模型的输出.最后， 建立交通状态参数特征与交通冲突的关联性，基于交通状态特征参数对交通冲突状态进行预测.2 实验结果及分析2.1 数据采集与处理在研究实验部分，选取山西省S50高速临县3号隧道的14个摄像机用于数据采集.该隧道的限速在70 km/h ，摄像机的安装间距为150 m ，可提供600万像素分辨率的监控视频.研究中采集了24 h 隧道监控视频并进行了离线处理.通过目标检测、多目标跟踪、车辆重识别、逆透视变换等视频处理技术［21-22］，获取了27 842辆车在隧道通行的轨迹数据，用于进一步检测交通冲突事件.经过与隧道车辆运动状态进行现场测试对比，车辆在隧道空间的轨迹定位精度能够达到1 m ，车辆速度的采集精度能够达到90%，实验数据精度可以支撑对交通冲突预测的研究任务.按照交通冲突数据处理方法［29］，将处理得到的车辆与前车的碰撞时间在连续变化中最小值的时刻t 作为零时刻，其对应的前20 s 时间单元的冲突时间段集合为t 20.在剩余的时间段，按照20 s 时间单元获取非冲突时间段集合.交通冲突数据集处理方法如图4所示.图2　随机森林决策树生成方法Fig.2　Method for generating random forest decision tree图3　交通冲突预测流程图Fig.3　Flowchart of traffic conflict prediction64贾磊等：基于监控视频的隧道交通冲突预测方法第 3 期图4中，将交通冲突阈值设置TTC *设置为1 s ［19-20］，对离线处理获取的车辆轨迹进行交通冲突检测建立VisInt -Conflict -TTC 数据集，包括5 652个交通冲突正样本、3 6619个交通冲突负样本，并按照7∶3的比例划分为训练集和测试集.为进一步分析涉及危化品车辆交通冲突的分布状态，将交通冲突类型划分为涉及危化品车辆的5种车型的交通冲突和非涉及危化品车辆的4种车型的交通冲突.交通冲突车辆跟驰类型分布统计结果如表1所示.由表1可知，发生在左车道的交通冲突是右车道的2.26倍，非涉及危化品的交通冲突占到交通冲突总数的97.49%，交通冲突分布规律与隧道交通状态和管理规则保持一致.2.2 评价指标为了评估所提出的机器学习方法的交通冲突预测性能，使用机器学习领域的技术评价指标对模型进行测评，包括准确性A 、查准率P 、查全率R 、综合评价指标F 1和ROC 曲线下面积（Area Under Curve ，AUC ）［30］，参数表示为A =T con +T non -cT con +F non -c +T non -c +F con（13）P =T con T con +F con（14）R =TPR =T conT con +F non -c（15）F 1=2⋅P ⋅R P +R（16）FPR =F conF con +T non -c（17）M con =T con +F non -c （18）N non -c =T non -c +F non -c（19）AUC =∑j ∈正样本rank (j )-M con ⋅(1+M con )2M con ⋅N non -c（20）式中：T con 表示对发生交通冲突的正确预测；T non -c 表示对非交通冲突状态的正确预测；F con 表示对发生交通冲突的错误预测；F non -c 表示对非交通冲突状态的错误预测；M con 为数据集中发生交通冲突的正样本数量；N non -c 为数据集中非交通冲突的负样本数量；TPR 为预测的真正例率；FPR 为预测的假正例率；rank (j )表示发生交通冲突样本j 在排序中的序号数.查准率P 和查全率R 是互为矛盾的指标，需要使用综合评价指标F 1来计算准确率和召回率的调和平均值，AUC 指标也用于对模型性能的综合评价，指标介于0到1之间，AUC 数值越接近1表示模型的预测性能越理想.2.3 实验结果使用SVM 、MLP 、DT 和RF 模型在VisInt -Conflict -TTC 数据集上进行对比实验，并结合数据集的特征对机器学习模型的参数进行配置.各模型的参数配置为： 支持向量机SVM 的核函数类型设置为径像核函数，核函数系数设置为样本特征数的倒数，停止训练的误差精度设置为0.001，错误项的惩罚系数设置为1；多层感知机MLP 的隐藏层设置为1层，隐藏层有100个神经元，激活函数设置为Relu 函数，优化器设置为机遇随机梯度Adam ，正则化项参数设置为0.000 1，初始学习率设置为0.001；分类决策树DT 的特征划分标准设置为特征最优划分点，最小样本划分数量设置为2，分类最少样本数设置为1；随机森林RF 的学习器数量设置为100，最小样本划分数量设置为2，分类最少样本数设置为1，样本采用自助采样法采样，叶子节点最小的样本权重和设置为0.按照数据集的交通冲突检测和数据处理方法，所获得的VisInt -Conflict -TTC 数据集正样本数量为5 652，负样本数量为36 619，正负样本比例为1∶6.5，数据集的正负样本不均衡.研究中进一步使用数据重采样方法对正样本进行过采样，使其正负样本数量均为36 619.重采样数据集命名为VisInt -Conflict -TTC -Resample.在原始数据集和重采样数据的4个机器学习模型实验结果如表2所示.图4　交通冲突数据处理方法示意Fig.4　Illustration of methods for processing traffic conflict data表1　交通冲突车辆跟驰类型分布Tab.1 D istribution of car -following types in traffic conflicts交通冲突类型非涉及危化品涉及危化品车辆跟驰类型(前车-后车)小型车-小型车小型车-中大型车中大型车-小型车中大型车-中大型车小型车-危化品车中大型车-危化品车危化品车-小型车危化品车-中大型车危化品车-危化品车左车道3 2971943804600000右车道28670266971635127415冲突数量3 5832646461 017635127415占比/%63.394.6711.4317.990.110.620.211.310.2665北京交通大学学报第 47 卷由表2可知，随机森林RF模型在原始数据集和重采样数据集均取得最优性能结果.RF模型在原始数据集上的准确率、查准率、查全率分别达到0.917、0.811和0.499，综合评价指标F1为0.618，AUC值为0.939.RF模型在重采样数据集上取得最佳性能，其准确率、查准率、查全率分别达到0.97、0.948和0.996，综合评价指标F1为0.971，AUC值为0.999，较原始数据集模型预测性能有显著的提升.RF模型能够有效预测交通冲突的发生风险，预测准确率可达到97%.原始数据集和重采样数据集的机器学习模型ROC曲线及AUC指标如图5所示.图5中，ROC曲线的X轴是假正例率FPR，当X 轴越接近零准确率越高，纵坐标Y轴是真正例率TPR，Y轴越大代表准确率越高.ROC曲线下方部分的面积被称为AUC指标.当需要评价预测方法或比较两个预测方法的性能时，使用AUC指标来进行检验.ROC曲线下方面积越大，AUC值越高，说明对交通冲突的预测准确率越高.由图5可知，随机森林与其他模型的对比中取得最佳的预测性能，所有模型的性能都通过对数据集的重采样方法得到改善.2.4参数分析为筛选出模型输入变量中影响交通冲突检测结果的重要因素，充分结合交通流的时空分布特性，对VisInt-Conflict-TTC数据集的交通冲突的时空分布规律进行分析.以15 min为时间单元将24 h划分为96个时间片段，以25 m为长度单元将所监测的2 100 m隧道划分为84个长度片段.数据集中隧道交通冲突数据的时空分布如图6所示.从图6隧道交通冲突时空分布数据可知，交通冲突在9：00-20：00的时间段发生的平均次数为其他时段的2.8倍，与该隧道交通流的时间运行特征一致.在隧道入口到洞内300 m范围内发生交通冲突的平均次数为其他位置的2倍.交通流的时间和空间特征将与交通冲突事件具有紧密关联性，在输入的交通状态变量中有必要选择时间和空间自变量参数来进行预测.为进一步确定所选取的交通状态变量与交通冲表2　VisInt-Conflict-TTC数据集的预测方法实验结果Tab.2　E xperimental results of prediction methods for VisInt-Conflict-TTC dataset数据集VisInt-Conflict-TTC VisInt-Conflict-TTC-Resample 方法SVMMLPDTRFSVMMLPDTRFA0.9100.9110.8980.9170.8590.8690.8240.970P0.8310.7180.7440.8110.8370.8640.8100.948R0.4120.5510.3740.4990.8930.8760.8470.996F10.5510.6240.4980.6180.8640.8700.8280.971AUC0.8850.9310.8930.9390.9330.9430.9060.999图5　机器学习模型的ROC曲线及AUC指标Fig.5　ROC curves and AUC metrics for machine learningmodels图6　隧道交通冲突数据时空分布Fig.6　Spatial and temporal distribution of tunnel trafficconflict data66贾磊等：基于监控视频的隧道交通冲突预测方法第 3 期突预测结果的相关性，开展交通状态变量对交通冲突预测的显著性分析.采用二元Logistic 回归分析方法，根据回归系数估计结果的显著性概率值，评估各变量对交通冲突的发生是否有显著贡献.显著性概率值p表示为p=e()βx+βx+…+βx…+βx1+e()βx+βx+…+βx…+βx（21）式中：x a(a=1，2，…，8)表示样本对应的交通状态输入变量；βb(b=1，2，…，8)是各交通状态变量的回归系数，反映各交通状态变量对交通冲突发生概率的影响程度.交通状态变量与交通冲突的显著性分析结果如表3所示.表3中，显著性概率值为协变量回归系数在零假设成立条件下发生的概率.当显著性概率值小于设置的显著性水平时，表明该协变量对因变量有显著性作用.设置的显著性水平为0.01，表3中各变量的显著性概率值均远小于0.01，表明各交通状态变量对交通冲突的发生概率均有显著性贡献.为确定交通状态的各变量之间的相关性，开展变量间的相关性测试，计算各个交通状态变量之间的相关系数，测试各个交通状态变量之间的共线性程度.交通状态变量间的相关性分析如表4所示.由表4可知，N time、N loc、Q、V mean、V sd变量之间为弱相关性.P car、P truck、P hm为不同的车型占比，其变量相关之间有强相关性.受危化品车辆的时间管控制度影响，可验证P car、P truck、P hm与N time变量有强相关性.进一步使用部分依赖图（Partial Dependence Plot， PDP）工具［31］，分析模型中弱相关性参数变量之间的相关性. PDP参数变量相关性分析结果如图7所示.由图7可知，交通量Q越大，速度标准差V sd越大，发生交通冲突的概率越高.交通冲突在13：00-19：00时发生的概率高于其他时段，在隧道入口处发生交通冲突的概率较高，分析结果与交通冲突时空分布结果一致.通过对交通状态变量的影响分析，对预测模型在数据集的预测结果进行合理性解释.3结论1）在建立的隧道交通冲突数据集上验证了支持向量机、决策树、多层感知机和随机森林等4种机器学习模型，确定使用视频检测的交通流状态预测表3　交通状态变量与交通冲突的显著性分析Tab.3　S ignificance analysis of traffic state variables andtraffic conflict变量N time N loc Q V mean V sd P car P truck P hm回归系数-0.216-0.0430.379-0.0450.0862.5931.7802.290显著性概率3.60×10-51.62×10-252.86×10-635.34×10-604.88×10-2562.47×10-73.90×10-46.95×10-6表4　交通状态变量间的相关性分析Tab.4　C orrelation analysis of traffic state variables变量N time N loc V mean V sd Q P car P truck P hm N time1.00———————N loc-0.011.00——————V mean-0.01-0.241.00—————V sd-0.040.18-0.071.00————Q0.14-0.180.30-0.271.00———P car-0.920.04-0.350.01-0.281.00——P truck-0.950.03-0.280.04-0.260.991.00—P hm-0.930.03-0.270.04-0.260.970.981.00图7　PDP参数变量相关性分析Fig.7　correlation analysis of PDP parameter variables67。

第21卷第2期2023年06月交通运输工程与信息学报Journal of Transportation Engineering and InformationVol.21No.2Jun.2023文章编号：1672-4747（2023）02-0066-13基于情境意识模型的高速公路出口区域逐级限速方案研究杨艳群1,2，陈铭1,2，樵婷3，郑新夷*2,4(1.福州大学，土木工程学院，福州350116；2.福州大学，交通心理与行为国际联合实验室，福州350116；3.福建工程学院，福州350118；4.福州大学，人文社会科学院，福州350116)摘要：为分析高速公路出口区域限速方案的效果，研究提出了逐级限速方案（一级限速、二级限速、三级限速），并开展不同交通流情况下的驾驶模拟实验。

引入情境意识理论（Situation Aware-ness,SA）和ACT-R认知理论从驾驶人角度对逐级限速方案进行研究，建立了道路交通驾驶人SA的定量计算模型，通过与情境意识全面评估技术（SAGAT）结果的对比，评估出SA定量计算模型的有效性。

结果表明：（1）在自由流状态下，车辆在分流鼻端的速度分别超过限速13.4km/h （一级限速）、7.4km/h（二级限速）、4.0km/h（三级限速），在不稳定流状态下则超过9.7km/h（一级限速）、6.2km/h（二级限速）、1.7km/h（三级限速）；（2）交通量一定时，随着限速次数增加，驾驶人的SA水平提高，事故的可能性下降，其中三级限速方案是考虑驾驶人SA的最佳方案；（3）瞳孔面积和平均扫视频率可作为衡量SA的眼动行为指标，分流鼻端速度可作为衡量SA的操纵绩效指标。

关键词：交通工程；逐级限速；情境意识；驾驶模拟；眼动特征中图分类号：U491.25文献标志码：A DOI:10.19961/ki.1672-4747.2022.09.019Research on the successive-stage speed limit design at freeway exit areabased on situation awareness modelYANG Yan-qun1,2,CHEN Ming1,2,QIAO Ting3,ZHENG Xin-yi*2,4(1.College of Civil Engineering,Fuzhou University,Fuzhou350116,China;2.Joint International Research Laborato-ry on Traffic Psychology&Behaviors,Fuzhou University,Fuzhou350116,China;3.Fujian University of Technolo-gy,Fuzhou350118,China;4.College of Arts and Human Science,Fuzhou University,Fuzhou350116,China)Abstract：In this study,three successive-stage speed limit designs(level-1speed limit,level-2speed limit,and level-3speed limit)were devised,and driving simulation experiments were performed un-der different traffic flows to analyze the effect of the speed limit design of a freeway exit area.The sit-uation awareness(SA)and ACT-R cognitive theory were introduced to study the successive-stage speed limit from the driver’s perspective,and a quantitative model of the driver’s SA was estab-lished.Subsequently,the effectiveness of the SA model was evaluated by comparing its results with those of the situation awareness global assessment techniques(SAGAT).The results show that(1) For free flow,the shunt nose speed exceeds the level-1speed limit of13.4km/h,level-2speed limit of7.4km/h,and level-3speed limit of4.0km/h;and for unsteady flow,it exceeds level-1speed limit收稿日期：2022-09-21录用日期：2022-11-01网络首发：2022-11-17审稿日期：2022-09-21~09-27；10-19~10-28；10-30~11-01基金项目：福建省社科基金项目（2021B062）作者简介：杨艳群（1969—），男，副教授，研究方向为交通安全、交通心理等，E-mail:******************.cn通信作者：郑新夷（1971—），女，副教授，研究方向为交通心理等,E-mail:******************.cn引文格式：杨艳群，陈铭，樵婷，等.基于情境意识模型的高速公路出口区域逐级限速方案研究[J].交通运输工程与信息学报，2023，21(2)：66-78.YANG Yan-qun,CHEN Ming,QIAO Ting,et al.Research on the successive-stage speed limit design at freeway exit area based onsituation awareness model[J].Journal of Transportation Engineering and Information，2023，21(2)：66-78.of9.7km/h,level-2speed limit of6.2km/h,and level-3speed limit of1.7km/h.(2)When the traffic volume is fixed,as the number of speed limits increases,the driver’s SA increases and the possibility of accident decreases.Therefor,the three-level speed limit design is the best design considering driv-er’s SA.(3)The pupil area and average saccade frequency can be used as eye movement behavior in-dicator,and the shunt nose speed can be used as a maneuver performance indicator when measuring the SA.Key words：traffic engineering;successive-stage speed limit;situation awareness;driving simula-tion;eye movement characteristics0引言我国是高速公路里程最长的国家之一，而作为高速公路转换行车方向的重要节点——出口匝道，其交通事故情况日益严峻。

高速公路智能交通系统中的车辆识别与速度估计技术研究随着交通问题日益突出，智能交通系统作为一种综合运用现代信息技术的交通管理手段，逐渐得到广泛关注和应用。

在高速公路智能交通系统中，车辆识别与速度估计技术是其中关键的环节之一。

本文将深入探讨高速公路智能交通系统中的车辆识别与速度估计技术的研究。

首先，车辆识别技术是高速公路智能交通系统中最基础也是最关键的技术之一。

车辆识别技术主要通过采集车辆的特征信息，如车辆车牌号码、车辆颜色等，进行图像处理和模式识别，从而实现对车辆的精准识别。

在高速公路智能交通系统中，常用的车辆识别技术有基于图像处理的车辆识别和基于雷达的车辆识别。

前者通过采集车辆图像进行图像处理和特征提取，而后者则是利用雷达技术通过回波信号来实现对车辆的识别。

这两种技术各有优劣，可以根据实际需求选择合适的车辆识别技术。

其次，车辆速度估计技术是高速公路智能交通系统中另一个重要的技术。

准确地估计车辆的速度对于道路交通管理至关重要，可以用于交通流量统计、车辆违法检测等多个方面。

目前，常见的车辆速度估计技术有基于视频处理技术和基于雷达技术的速度估计。

基于视频处理技术的速度估计主要是通过分析车辆在连续视频帧中的位移变化来计算车辆的速度。

而基于雷达技术的速度估计则是通过测量车辆与雷达之间的相对速度来得到车辆的实际速度。

这两种技术各有优劣，根据具体应用场景可以选择适合的速度估计技术。

车辆识别与速度估计技术在高速公路智能交通系统中的研究还面临一些挑战和难题。

首先，由于高速公路上车流量大、速度快，车辆之间存在遮挡和互相干扰等问题，使得车辆识别和速度估计变得困难。

其次，天气因素、光照条件等也会对车辆识别和速度估计的准确性产生影响。

另外，车辆识别与速度估计技术的准确性和实时性也是研究的重点。

在高速公路中，车辆的速度变化很快，需要能够实时准确地进行识别和估计。

因此，研究人员需要不断优化和改进车辆识别与速度估计技术，提高其准确性和实时性。