Page 116 - 安防20年3月刊_150dpi

I 智能交通
Intelligent Traffic

施进行调整，道路环境变化迅速，地面道路事故黑点具 应用案例
有强时限性；3）事故黑点的分析不仅要落到点（路段/ 对某区事故黑点数据进行识别分析，基于上章节规
交叉口），更要落实到车、人、时段和原因分布；4）要对 则分别共发现事故频发黑点87处、交通事故高危黑点
将要成为黑点的路段/交叉口进行防范，及早发现、及早 16处，如下表4、表5所示。表中分析周期为2018年11月
预警。 20日——2019年11月20日，生产系统中数据每日进行滑
为了贴合上述需求，本文将对统单一的事故黑点 动和重新计算，保障交通黑点数据的时效性，并记录历
进行分类，提出地面道路环境下的交通事故频发黑点、 史信息便于后续分析。
交通事故高危黑点概念。
表4 事故频发黑点TOP5
1）交通事故频发黑点：指近一年内交通事故量远
高于其他地点的路段和交叉口； 事故量 近一年中出现 黑点持续
编号 黑点名称
2）交通事故高危黑点：指近一年内可能存在死亡、 （起） 事故天数（天） 天数（天）
重伤事故等较大安全隐患的路段和交叉口。 1 交叉口 20 432 304 365
根据业务调研，将交叉口周围50米范围内的事故数 2 路段 21 346 296 365
据与该交叉口进行绑定，其他事故数据与周边路段的 3 路段 22 312 295 326
垂直距离最短的路段进行绑定。在数据的绑定处理后， 4 路段 23 267 244 340
首先对事故数据进行分析，大量轻微事故与死亡事故并 5 路段 24 257 206 286
没直接关联，唯一的一起死亡事故同时也发生了大量的
表5 事故高危黑点TOP5
受伤事故。影响死亡事故的直接因素是受伤事故量，除
偶发性死亡事故外，大量的受伤事故长期累积极易导致 事故量 受伤事 死亡事
编号 黑点名称 原因
死亡事故的发生。 基于上述分析，在数据处理过程中， （起） 故（起） 故（起）
两类黑点的识别方法如下： 死亡事故大
1 交叉口 25 241 106 3
于3起
（1）事故频发黑点
存在死亡，
地面道路路段、交叉口的事故量远高于其他地点 2 交叉口 26 20 13 2
且伤亡率 65%
的平均值。通过计算路段、交叉口的平均道路事件次
受伤事故比
3 交叉口 27 11 11 0
数，通过95%置信度区间进行识别。 例 100%
（2）交通事故高危黑点 受伤事故比
4 路段 28 19 14 0
1）近一年内发生了少量死亡事故或重伤的路段/交 例 73%
叉口； 存在死亡，且
5 路段 29 48 30 1
伤亡率 62.5%
2）近一年内发生了多起受伤事故，且受伤比例较大
的路段/交叉口。
3）近一年内发生了一定数量事故，且极易产生死亡 在分析的过程中同样需分析事故发生的时段分布、
事故（事故形态为大货车“包饺子”、非机动车与大货 有责车型分布、事故认定原因分布等信息，以交叉口20
车流量双高等）但暂未发生的路段/交叉口 。 为例具体如下表4-6所示。便于数据的回溯和资料的查

102 第九届深圳国际智能交通与卫星导航位置服务展览会(2020年深圳会展中心)www.its-expo.com

ᇆିࢌ๙ JOEE ྒ௹೘