基于PNN的山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)*

溫惠英 羅鈞 李俊輝

(1.華南理工大學(xué)土木與交通學(xué)院，廣東廣州510640;2.廣東交通職業(yè)技術(shù)學(xué)院城市軌道交通學(xué)院，廣東廣州510650)

路段安全狀態(tài)評(píng)價(jià)，是指通過(guò)對(duì)路段交通流信息進(jìn)行動(dòng)態(tài)采集與分析，進(jìn)而評(píng)價(jià)路段上車輛行駛的安全程度.研究合理的路段安全狀態(tài)評(píng)價(jià)方法，可以為交通管理者、駕駛員提供可靠的路段安全提示信息，達(dá)到減少交通事故的目的.近年來(lái)，交通信息采集技術(shù)的進(jìn)一步發(fā)展，使得對(duì)路段安全狀態(tài)進(jìn)行動(dòng)態(tài)評(píng)價(jià)可行.其中，如何提出合理、有效的路段安全狀態(tài)評(píng)價(jià)方法一直是研究的熱點(diǎn)領(lǐng)域.蔣新春等［1］提出利用視頻監(jiān)控技術(shù)，在對(duì)單個(gè)車輛交通行為狀態(tài)進(jìn)行識(shí)別和實(shí)時(shí)分析的基礎(chǔ)上，對(duì)路段的交通安全狀態(tài)進(jìn)行判別.廖軍等［2］提出利用信息融合技術(shù)，融合交通流數(shù)據(jù)、交通事故歷史數(shù)據(jù)、氣象信息數(shù)據(jù)、路段線形數(shù)據(jù)等，利用模糊識(shí)別理論，實(shí)現(xiàn)路段的動(dòng)態(tài)安全評(píng)價(jià).其他研究還對(duì)路段的交通流運(yùn)行車速、相鄰路段運(yùn)行車速差與路段安全狀態(tài)之間的關(guān)系進(jìn)行了探討［3-5］.已有研究主要是對(duì)高速公路或城市道路的路段安全狀態(tài)進(jìn)行評(píng)價(jià)，但對(duì)適于山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)方法的研究鮮見(jiàn)報(bào)道.

與普通高速公路相比，山區(qū)高速公路由于受自然條件限制，其公路線形、縱坡和路面狀況等條件往往較差.因此，有必要對(duì)如何確保山區(qū)高速公路的交通安全進(jìn)行研究.

由于車輛的行駛速度參數(shù)與交通事故的發(fā)生有較大關(guān)聯(lián)［4-5］，且速度參數(shù)指標(biāo)具有可測(cè)性，因此，選用的安全狀態(tài)評(píng)價(jià)指標(biāo)為車輛的速度參數(shù).同時(shí)，因?yàn)橛绊懝方煌ò踩挠绊懸蛩乇姸?，所以在分析公路交通安全影響因素的基礎(chǔ)上，結(jié)合車輛速度參數(shù)指標(biāo)，提出了基于概率神經(jīng)網(wǎng)絡(luò)(PNN)的山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)模型.最后，運(yùn)用仿真實(shí)驗(yàn)對(duì)所提評(píng)價(jià)方法的有效性進(jìn)行了驗(yàn)證.

1 PNN的結(jié)構(gòu)與工作原理

概率神經(jīng)網(wǎng)絡(luò)是根據(jù)概率統(tǒng)計(jì)原理構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型，它是在徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)的基礎(chǔ)上增加一層而形成的，是前向計(jì)算，且運(yùn)算速度快［6］.同時(shí)，它在分類功能上類似于貝葉斯分類器，能獲得較好的分類判別效果［7］.PNN由四層網(wǎng)絡(luò)構(gòu)成:輸入層、樣本層、求和層、輸出層，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 PNN的結(jié)構(gòu)圖Fig.1 Structure of PNN

PNN的工作原理如下:首先，待分類向量進(jìn)入輸入層，然后經(jīng)過(guò)從輸入層到樣本層的非線性變換，再進(jìn)入求和層.在從求和層到輸出層的計(jì)算中，計(jì)算輸入向量屬于每個(gè)類別的概率大小，并得出概率最大的那一種類別，這種類別就是輸入向量通過(guò)PNN后得出的判斷類別［8］.

2 基于速度參數(shù)的山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)

2.1 路段的定義

此處定義的山區(qū)高速公路指設(shè)計(jì)時(shí)速為60km/h，且公路線形多變，縱坡較大的高速公路.在山區(qū)高速公路中，依據(jù)合理的劃分原則，將一段公路劃分成多個(gè)道路單元，每一道路單元即是一個(gè)路段.路段劃分的原則是:每一路段應(yīng)該具備相似的線形特征和相對(duì)恒定的車速［9］，一般不超過(guò)200 m.在基于以上路段劃分原則的基礎(chǔ)上，提出關(guān)于山區(qū)高速公路路段的定義:路段一般不超過(guò)200m，路段上下游的公路平面線形或縱斷面線形存在較大變化，如平曲線、S型曲線、長(zhǎng)大下坡路段等.

2.2 速度參數(shù)作為評(píng)價(jià)指標(biāo)的合理性

國(guó)內(nèi)外學(xué)者的研究表明，交通事故的發(fā)生受到駕駛員、道路線形、車輛性能、氣象因素的影響，是多種因素導(dǎo)致了交通事故的發(fā)生.因此，路段交通安全狀態(tài)評(píng)價(jià)指標(biāo)應(yīng)該不僅來(lái)源于交通流參數(shù)指標(biāo)，同時(shí)也應(yīng)該是以上多個(gè)因素的體現(xiàn).在這里選取的評(píng)價(jià)指標(biāo)是速度參數(shù).原因在以下幾方面.

(1)在交通流速度、密度、流量這3個(gè)要素中，交通流速度是各個(gè)車輛行駛速度的反映，它受到駕駛員因素(年齡、性別、心理?xiàng)l件)、道路線形(道路平縱線形條件)、車輛性能等諸多方面的影響，是“人、車、路、環(huán)境”4個(gè)因素共同作用的結(jié)果.

(2)國(guó)內(nèi)外學(xué)者的研究已表明［3］，車輛運(yùn)行速度的高低、變化快慢、離散性等參數(shù)和交通事故的產(chǎn)生有很大的相關(guān)關(guān)系，因此，通過(guò)考查山區(qū)高速公路路段車輛運(yùn)行速度的各個(gè)參數(shù)，來(lái)對(duì)山區(qū)高速公路路段的安全狀態(tài)進(jìn)行評(píng)價(jià)，具備合理性.

(3)速度參數(shù)作為交通流3要素之一，在實(shí)際測(cè)算中，易于獲得和計(jì)算，不需花費(fèi)較大的人力和物力，而且車輛在山區(qū)高速公路各路段上的運(yùn)行速度各不相同，數(shù)據(jù)間存在一定的差異，便于分析與比較.

2.3 評(píng)價(jià)指標(biāo)及評(píng)價(jià)標(biāo)準(zhǔn)

在參考國(guó)內(nèi)外相關(guān)研究成果的基礎(chǔ)上，提出適于山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)的5個(gè)指標(biāo).指標(biāo)分別是:車速標(biāo)準(zhǔn)離差σ［3］、運(yùn)行速度與設(shè)計(jì)速度的比值 K［9］、相鄰路段車速差 ΔV85［10］、車速降低系數(shù)SRC［11］、過(guò)去一年內(nèi)路段所在高速公路的億車公里事故率a［3］.以上指標(biāo)的含義為:

式中:vi為評(píng)價(jià)時(shí)間段內(nèi)采集的第i輛車的車速，km/h;ˉv為評(píng)價(jià)時(shí)間段內(nèi)采集的各輛車的車速總和的平均值，km/h;N為評(píng)價(jià)時(shí)段段內(nèi)的車輛總數(shù);v85，i為需要進(jìn)行評(píng)價(jià)的路段的調(diào)查斷面上85%車速，km/h;v85，i－1為連續(xù)的上游路段的調(diào)查斷面上85%車速，km/h;vd為設(shè)計(jì)車速，km/h;D為該高速公路過(guò)去一年的交通事故次數(shù);M為該高速公路過(guò)去一年總計(jì)運(yùn)行車公里數(shù).同時(shí)，提出山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)標(biāo)準(zhǔn)如表1所示.

表1 山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)Table 1 Safety state evaluation standard for section of freeway in mountains

3 基于PNN模型的山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)方法

首先選定需要進(jìn)行評(píng)價(jià)的山區(qū)高速公路路段，然后通過(guò)在需要進(jìn)行評(píng)價(jià)的路段以及路段的上游安裝交通流信息采集設(shè)備獲得相關(guān)的參數(shù)，接下來(lái)利用訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)(PNN)模型來(lái)計(jì)算輸入的路段交通流信息，將輸入的交通流信息視作一個(gè)輸入向量，輸入已經(jīng)訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)(PNN)模型，計(jì)算輸入向量屬于每個(gè)安全等級(jí)的概率大小，并得出概率最大的那一種等級(jí)，這種安全等級(jí)就是輸入向量通過(guò)PNN后得出的安全等級(jí)，這樣就完成了路段的安全狀態(tài)評(píng)價(jià).PNN輸入層的節(jié)點(diǎn)數(shù)為5，包括 ΔV85、SRC、K、a、σ;其中，a因?yàn)閷儆跉v史數(shù)據(jù)，所以采取事先標(biāo)定的方法，另外4個(gè)參數(shù)采取動(dòng)態(tài)采集的方法，即路側(cè)速度采集設(shè)備采集數(shù)據(jù)后進(jìn)行計(jì)算，從而實(shí)現(xiàn)了評(píng)價(jià)指標(biāo)數(shù)據(jù)的動(dòng)態(tài)獲取.輸出層的節(jié)點(diǎn)包括路段安全狀態(tài)的5個(gè)等級(jí):安全、較安全、基本安全、存在安全隱患、不安全(記為1、2、3、4、5級(jí)).在這里，采用Matlab7.0實(shí)現(xiàn)評(píng)價(jià)模型的創(chuàng)建、訓(xùn)練、檢驗(yàn)和仿真，分為4個(gè)過(guò)程:(1)生成學(xué)習(xí)樣本;(2)對(duì)學(xué)習(xí)樣本進(jìn)行預(yù)處理;(3)概率神經(jīng)網(wǎng)絡(luò)的建立、學(xué)習(xí)和檢驗(yàn);(4)安全狀態(tài)的評(píng)價(jià).

4 仿真實(shí)驗(yàn)

根據(jù)上述對(duì)山區(qū)高速公路、山區(qū)高速公路路段的定義，采用仿真軟件首先設(shè)置出山區(qū)高速公路線形的基本條件，然后加入交通流參數(shù)，模擬山區(qū)高速公路車輛運(yùn)行狀態(tài).這里采用微觀交通仿真軟件VISSIM來(lái)設(shè)置仿真實(shí)驗(yàn)的各個(gè)山區(qū)高速公路路段，仿真條件如下.(1)仿真設(shè)置出4個(gè)路段.路段1∶200m直線接半徑為30m的圓曲線，曲線長(zhǎng)84m.路段2∶200m下坡直線接半徑為30 m圓曲線，下坡的坡度為12.5%，曲線長(zhǎng)81 m.路段3:兩段半徑為30m的圓曲線組成S型曲線，每段曲線長(zhǎng)度均為94m.路段4:兩段半徑為30 m的曲線組成同向曲線，兩段曲線間的直線為21 m，每段曲線長(zhǎng)度為84m.以上4個(gè)路段均為雙向四車道山區(qū)高速公路，設(shè)計(jì)車速60km/h，通過(guò)各路段的交通量均為1500輛/h，其中小客車所占比例為60%.(2)采集5min內(nèi)的速度參數(shù)作為PNN模型的輸入量，同時(shí)，為了驗(yàn)證模型在交通事件發(fā)生時(shí)的有效性，在其他參數(shù)不變的情況下假設(shè)交通事件在該路段發(fā)生，且5min內(nèi)交通事件持續(xù)存在.(3)假設(shè)路段1、2、3、4所在高速公路的億車公里事故率分別為21、41、18、45次.最后，通過(guò)Matlab7.0軟件采用PNN模型對(duì)各路段5 min內(nèi)的安全狀態(tài)進(jìn)行評(píng)價(jià)，得出的山區(qū)高速公路路段安全狀態(tài)的仿真實(shí)驗(yàn)評(píng)價(jià)結(jié)果如表2所示.

表2 公路各路段安全狀態(tài)仿真實(shí)驗(yàn)評(píng)價(jià)結(jié)果Table 2 Safety state evaluation results of each section of highway in simulation experiment

此外，隨機(jī)產(chǎn)生1000、250、50和25個(gè)樣本數(shù)據(jù)，分別對(duì)PNN、BP、RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.然后用100個(gè)隨機(jī)樣本進(jìn)行檢驗(yàn)，經(jīng)過(guò)多次實(shí)驗(yàn)，各類模型的對(duì)比結(jié)果如表3所示.準(zhǔn)確率隨訓(xùn)練樣本數(shù)發(fā)生變化的情況如圖2所示.

表3 PNN和BP、RBF神經(jīng)網(wǎng)絡(luò)的結(jié)果Table 3 Results of PNN、BP and RBF neural network

圖2 PNN和BP、RBF神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率變化Fig.2 Accuracy change of PNN，BP and RBF neural networks

由以上兩個(gè)實(shí)驗(yàn)可得出以下結(jié)論.

(1)在表2中，路段2在未發(fā)生交通事件的情況下，相鄰路段車速差ΔV85、車速降低系數(shù)SRC、車速標(biāo)準(zhǔn)離差σ這3個(gè)指標(biāo)的值所對(duì)應(yīng)的安全狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)(見(jiàn)表1)都是1級(jí)，運(yùn)行速度與設(shè)計(jì)車速的比值K所對(duì)應(yīng)安全等級(jí)是2級(jí)、億車公里事故率a對(duì)應(yīng)的安全等級(jí)是3級(jí)，采用所提出的概率神經(jīng)網(wǎng)絡(luò)(PNN)方法進(jìn)行評(píng)價(jià)，得出評(píng)價(jià)結(jié)果為2級(jí)，其他3個(gè)路段也存在類似的情況.分析可以得出，PNN評(píng)價(jià)模型能夠全面考慮速度參數(shù)4個(gè)指標(biāo)以及交通事故歷史數(shù)據(jù)指標(biāo)，不需要專家或相關(guān)技術(shù)人員根據(jù)主觀經(jīng)驗(yàn)人為設(shè)計(jì)評(píng)價(jià)指標(biāo)的權(quán)重，能較全面反映評(píng)估路段的安全狀態(tài)優(yōu)劣程度.

(2)從表2可知，在路段發(fā)生交通事件的情況下，提出的關(guān)于速度參數(shù)的4個(gè)指標(biāo)具有明顯變化，路段安全狀態(tài)明顯降低.如在表2中，路段1、2、3在交通事件發(fā)生的情況下，安全狀態(tài)等級(jí)下降了1個(gè)等級(jí).交通事件的發(fā)生會(huì)使路段通行能力降低，增加路段行車的危險(xiǎn)性，表1所提的安全狀態(tài)評(píng)價(jià)指標(biāo)和PNN評(píng)價(jià)方法較好地反映了這一實(shí)際現(xiàn)象，這說(shuō)明了所提出的評(píng)價(jià)方法的合理性.

(3)從表3、圖2可以得出，同其他神經(jīng)網(wǎng)絡(luò)相比，PNN可以克服BP、RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂速度較慢、易陷入局部極小值的問(wèn)題，且PNN學(xué)習(xí)規(guī)則簡(jiǎn)單，不需大量樣本，分類能力強(qiáng)，訓(xùn)練速度快，能夠滿足計(jì)算機(jī)實(shí)時(shí)處理的要求.因此，基于PNN的山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)方法可以為完善山區(qū)高速公路監(jiān)控系統(tǒng)的安全管理功能提供參考.

5 結(jié)語(yǔ)

在對(duì)山區(qū)高速公路和路段進(jìn)行定義的前提下，提出了山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)的5個(gè)指標(biāo)以及對(duì)應(yīng)的評(píng)價(jià)標(biāo)準(zhǔn)，并建立基于PNN的山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)方法，最后用仿真實(shí)驗(yàn)對(duì)所提方法進(jìn)行了驗(yàn)證，結(jié)果表明采用車輛速度參數(shù)作為指標(biāo)，可以實(shí)現(xiàn)對(duì)山區(qū)高速公路路段安全狀態(tài)的評(píng)價(jià)，表明了該方法的合理性，該方法能對(duì)目前的路段安全狀態(tài)評(píng)價(jià)方法起到補(bǔ)充的作用.同時(shí)，仿真結(jié)果還表明，文中提出的PNN綜合考慮全部指標(biāo)的影響進(jìn)行判別，評(píng)價(jià)精度較高，運(yùn)算速度快，能適用于小樣本判別和計(jì)算機(jī)實(shí)時(shí)處理的要求，可以作為山區(qū)高速公路智能監(jiān)控系統(tǒng)的功能補(bǔ)充.下一步研究將對(duì)適于山區(qū)高速公路路段安全狀態(tài)評(píng)價(jià)的監(jiān)控系統(tǒng)進(jìn)行設(shè)計(jì)，并對(duì)相應(yīng)的軟件進(jìn)行開(kāi)發(fā).

［1］蔣新春，劉小明.基于視頻檢測(cè)的高速公路車輛交通行為安全狀態(tài)分析［J］.公路交通科技，2010，27(1):122-125.Jiang Xin-chun，Liu Xiao-ming.Analysis of vehicle behavioral safety on freeway based on video detection［J］.Journal of Highway and Transportation Research and Development，2010，27(1):122-125.

［2］廖軍，安毅生，張紹陽(yáng)，等.路段動(dòng)態(tài)交通安全綜合評(píng)價(jià)模型［J］.交通運(yùn)輸工程學(xué)報(bào)，2009，9(4):79-84.Liao Jun，An Yi-sheng，Zhang Shao-yang，et al.Synthesized evaluation model of dynamic traffic safety for road section［J］.Journal of Traffic Transportation and Engineering，2009，9(4):79-84.

［3］裴玉龍，王煒.道路交通事故成因及預(yù)防對(duì)策［M］.北京:科學(xué)出版社，2004.

［4］Mannering Fred.An empirical analysis of driver perceptions of the relationship between speed limits and safety［J］.Transportation Research Part F，2009，12(2):99-106.

［5］De Brabander Bram，Vereeck Lode.Safety effects of roundabouts in Flanders:signal type，speed limits and vulnerable road users［J］.Accident Analysis and Prevention，2007，39(3):591-599.

［6］鐘珞，饒文碧，鄒承明，等.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)［M］.北京:科學(xué)出版社，2007:20-26.

［7］陳重陽(yáng)，蔡萍，施文康，等.基于徑向基函數(shù)概率神經(jīng)網(wǎng)絡(luò)的心律失常自動(dòng)識(shí)別［J］.上海交通大學(xué)學(xué)報(bào)，2000，34(11):1475-1477.Chen Chong-yang，Cai Ping，Shi Wen-kang，et al.Radial basis function based probabilistic neural network in arrhythmia classification ［J］.Journal of Shanghai Jiaotong University，2000，34(11):1475-1477.

［8］姜紹飛.基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷檢測(cè)［M］.北京:科學(xué)出版社，2002:35-37.

［9］Federal Highway Administration.Speed prediction for twolane rural highways［R］.Washington:Federal Highway Administration，2000:99-171.

［10］崔洪軍，魏連雨，朱敏清，等.公路平面設(shè)計(jì)中有關(guān)問(wèn)題的探討［J］.中國(guó)公路學(xué)報(bào)，2002，15(1):22-25.Cui Hong-jun，Wei Lian-yu，Zhu Min-qing，et al.Discussion some issues of the design in highways graphic［J］.China Journal of highway and transport，2002，15(1):22-25.

［11］杜博英.車速在道路安全審計(jì)中的作用［J］.公路交通科技，2004，21(5):125-127.Du Bo-ying.The role of speed in the audit of highways safety［J］.Journal of Highway and Transportation Research and Development，2004，21(5):125-127.