一种基于速度风险势场的高速公路行车风险甄别方法

1.本发明属于道路交通安全技术领域，涉及一种交通运输行业中高速公路行车风险甄别方法，尤其涉及一种基于速度风险势场的高速公路行车风险甄别方法。


背景技术：

2.目前有关车辆速度对行车风险影响的研究可以分为风险机理和事故相关性两方面，其中关于风险机理的研究，是从“人、车、路”等角度尝试诠释速度对行车风险影响的内在规律，提出了“视距理论”、“安全距离理论”、“车辆动力学”、“交通冲突”等理论；在事故相关性方面，通过统计学方法分析速度与交通事故的相关性，相关统计指标包括速度绝对值、速度离散度、运行速度等。基于风险机理的评估方法，能够对风险类型进行有效甄别，但是风险致因考虑较为单一，风险评估结果不全面。基于速度统计指标的评估方法能够较为全面表征行车风险，但是受数据采集方法的限制，速度在二维空间的分布情况研究较少。
3.速度风险势场是以速度变化趋势为基础，考虑道路线形对行车风险的影响，利用势场理论刻画道路行车风险在路域范围内的分布规律。速度风险势场包含速度势能和速度风险势场强度两部分。车辆在驶向风险源时，车辆会降低速度，车辆在驶离风险源时，车辆会增加速度。这种运动状态的改变可以视为车辆受到一个“外力”作用，即车辆受风险场的影响。
4.行车风险甄别包括高风险路段的空间定位、风险分类和量化，现有行车风险甄别方法在宏观层面较难实现风险分类。
5.基于现有技术的上述缺陷，迫切需要研究一种新型的高速公路行车风险甄别方法。


技术实现要素：

6.本发明的目的是为了在宏观尺度下实现行车风险的空间定位、分类和量化，提出一种基于速度风险势场的高速公路行车风险甄别方法，该方法在分析速度空间分布特征的基础上，综合考虑速度变化和道路线形对行车风险的影响，引入安全势场理论，建立速度风险势场模型，提出了高速公路行车风险宏观甄别方法。
7.为了实现上述目的，本发明提供如下技术方案：
8.一种基于速度风险势场的高速公路行车风险甄别方法，其特征在于，包括以下步骤：
9.1)、数据采集与处理：采集并处理门架卡口道路断面监测数据、高速公路事故数据和地图poi数据；
10.2)、对步骤1)中采集与处理的数据进行分析，以获得速度数据和交通事故数据；
11.3)、根据步骤2)中的数据分析结果，建立速度风险势场模型，确定速度势能v
i,j
、速度势能场场强和速度风险势场强度实现基于速度风险势场的高速公路行车风险甄别。
12.优选地，所述步骤1)中，采集并处理的门架卡口道路断面监测数据包括车牌、车
型、行车方向、时间、速度及车道；采集并处理的高速公路事故数据包括时间、桩号、行车方向、事故车型及事故类型；采集并处理的地图poi数据包括坐标、监测时间、路段时长及行程时间。
13.优选地，所述步骤2)中，获得所述速度数据具体为：对同一时间内所述门架卡口道路断面监测数据中的车辆速度进行统计，得到75％、50％、25％分位值和平均值，并与所述地图poi数据中的车辆速度进行对比，同时将采集到的横断面车速按照车道和时间进行分类统计；获得的所述交通事故数据包括对比速度梯度与交通事故的分布规律、对比道路平均纵坡与交通事故的分布规律和对比道路半径对交通事故的影响。
14.优选地，在获得所述对比道路半径对交通事故的影响时，取道路不设超高的圆曲线最小半径r
*
规范值与道路半径r比值为曲率参数α，α与行车风险呈正相关，当r≥r
*
时视为与直线段相近对行车安全影响不大，α取1，
[0015][0016]
优选地，所述步骤3)中确定速度势能v
i,j
时，采用路域范围内各路段的平均速度作为速度势能v
i,j
，路侧护栏处速度势能v
i,j
为0，当已知路段各车道车速时，直接采用各车道速度数据计算速度势能；当无法获取车道级速度数据时，可根据下面的公式进行速度势能计算：
[0017][0018]
式中：v
i,j
为第j个车道处，统计单元为i处的速度势能，单位为km/h；为侧向分布系数，与车道数和侧向位置有关，侧向分布系数具体取值如下：对于双向四车道，左边线处为0.90、内侧车道处为1.00、车道分界线处为0.925、外侧车道处为0.85、右边线处为0.80；对于双向六车道，左边线处为0.90、内侧车道处为1.00、内侧车道与中间车道的车道分界线处为0.95、中间车道处为0.90、中间车道与外侧车道的车道分界线处为0.825、外侧车道处为0.75、右边线处为0.70。
[0019]
优选地，所述步骤3)中，通过如下方式确定所述速度风险势场强度
[0020]
u＝v
a，b-v
c，d
[0021][0022][0023][0024]
[0025]
式中：ev为空间速度风险势场强度，具有大小和方向，e
x
和ey分别指代侧向和纵向的速度风险势场强度；η为速度风险势场强度系数；β为纵向风险影响因子；i为道路坡率；k为风险方向调整系数；d
x
和dy分别指向侧向和纵向距离，方向由低势能指向高势能位置，其中d
x
单位为m，dy单位为km；u为速度势能差；v
a,b
和v
c,d
为分别为a桩号侧向位置b处和c桩号侧向位置d处的速度势能，单位为km/h；α是曲率参数，也就是，侧向风险影响因子，
[0026]
速度风险势场强度系数η的计算方法如下：
[0027][0028]
构建空间速度风险势场强度时，引入风险方向调整系数k，实现空间行车风险有效评估，风险方向调整系数和空间速度风险势场强度阈值计算方法如下：
[0029][0030][0031]
式中：e
x
,ey,e
xy
分别为侧向、纵向和空间速度风险势场强度的风险阈值。
[0032]
与现有技术相比，本发明的基于速度风险势场的高速公路行车风险甄别方法具有如下有益技术效果中的一者或多者：本发明分析了车辆速度空间分布规律，结合道路线形、速度梯度对行车风险的影响，引入势场理论提出了速度风险势场理论，能够更好低实现宏观层面的行车风险甄别。
附图说明
[0033]
图1为本发明的基于速度风险势场的高速公路行车风险甄别方法的实现流程图。
[0034]
图2为不同来源车速数据对比结果。
[0035]
图3为断面车速分析结果。
[0036]
图4为速度梯度与交通事故分布分析结果。
[0037]
图5为道路纵坡与交通事故分布分析结果。
[0038]
图6为曲率参数与交通事故分布分析结果。
[0039]
图7为断面速度变异系数时间分布统计结果。
[0040]
图8为交通事故与侧向速度风险势场分布结果。
[0041]
图9为交通事故与纵向速度风险势场分布结果。
[0042]
图10为交通事故与空间速度风险势场分布结果。
[0043]
图11为交通事故与侧向速度风险势场分布结果。
[0044]
图12为交通事故与纵向速度风险势场分布结果。
[0045]
图13为交通事故与空间速度风险势场分布结果。
具体实施方式
[0046]
下面结合附图和实施例对本发明进一步说明，实施例的内容不作为对本发明的保护范围的限制。
[0047]
图1示出了本发明的基于速度风险势场的高速公路行车风险甄别方法的实现流程图。如图1所示，本发明的基于速度风险势场的高速公路行车风险甄别方法包括以下步骤：
[0048]
一、数据采集与处理。
[0049]
具体地，要采集并处理门架卡口道路断面监测数据、高速公路事故数据和地图poi数据。
[0050]
其中，采集并处理门架卡口道路断面监测数据时，需要累计监测一定时长(以天计)，每组监测数据包括车牌、车型、行车方向、时间、速度及车道等。采集并处理高速公路事故数据时，需要统计一定时长(以年计)，每组事故数据包括时间、桩号、行车方向、事故车型、事故类型等；可以应用python程序采集百度地图poi数据，每组数据包括坐标、监测时间、路段时长、行程时间。
[0051]
二、对步骤一中采集与处理的数据进行分析，以获得速度数据和交通事故数据。
[0052]
其中，需要对速度数据进行分析，对同一时间内门架卡口获取的车辆速度进行统计，得到75％、50％、25％分位值和平均值，并与从百度地图poi数据中得到的速度进行对比，同时将采集到的横断面车速按照车道和时间进行分类统计。
[0053]
需要对交通事故数据进行分析，包括对比速度梯度与交通事故的分布规律、对比道路平均纵坡与交通事故的分布规律、对比道路半径对交通事故的影响。
[0054]
在对比道路半径对交通事故的影响时，取道路不设超高的圆曲线最小半径r
*
规范值与道路半径r比值为曲率参数α，如式(1)所示。α与行车风险呈正相关，当r≥r
*
时视为与直线段相近对行车安全影响不大，α取1，
[0055][0056]
三、根据步骤二中的数据分析结果，建立速度风险势场模型，确定速度势能v
i,j
、速度势能场场强和速度风险势场强度实现基于速度风险势场的高速公路行车风险甄别。
[0057]
其中，速度势能v
i,j
的确定，需要于同一时间段、同一范围内多数车辆速度趋近一致的特性，提出交通流在某一位置处的速度选择趋势为速度势能vi,j。速度势能场场强为速度梯度，可以描述路域空间中各方向的速度变化的剧烈程度。采用路域范围内各路段的平均速度作为速度势能v
i,j
，路侧护栏处速度势能为0。当已知路段各车道车速时，直接采用各车道速度数据计算速度势能；当无法获取车道级速度数据时，可根据式(2)进行全域速度势能计算：
[0058][0059]
式中：v
i,j
为第j个车道处，统计单元为i处的速度势能(km/h)，为侧向分布系数，与车道数和侧向位置有关，侧向分布系数具体取值如表1所示。
[0060]
表1侧向分布系数取值表
[0061][0062]
进一步地，在速度势能沿侧向和纵向的梯度变化基础上，叠加道路纵坡和平面半
径对行车风险的影响，构成速度风险势场强度描述该位置处车辆行车风险的大小和方向，表征路段行车风险分布情况。速度风险势场强度计算方法如式(3)～(7)；其中采用曲率参数作为侧向风险影响因子α，计算方法见式(1)。
[0063]
u＝v
a，b-v
c，d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0064][0065][0066][0067][0068]
式中：ev为空间速度风险势场强度，具有大小和方向，e
x
和ey分别指代侧向和纵向的速度风险势场强度；η为速度风险势场强度系数；β为纵向风险影响因子；i为道路坡率；k为风险方向调整系数；d
x
和dy分别指向侧向和纵向距离，方向由低势能指向高势能位置，其中d
x
单位为m，dy单位为km；u为速度势能差；v
a,b
和v
c,d
为分别为a桩号侧向位置b处和c桩号侧向位置d处的速度势能(km/h)。
[0069]
速度风险势场强度系数η，计算方法如式(8)。
[0070][0071]
式中：sd为速度标准差，cv为速度变异系数，二者共同描述速度离散性；为平均速度。其中速度变异系数cv指速度标准差与平均速度的比值，比值越大代表离散度越大，离散度越大，速度风险势场强度越小，所以采用速度变异系数cv的倒数作为速度风险势场强度系数η。
[0072]
构建空间速度风险势场强度时，引入风险方向调整系数k，实现空间行车风险有效评估，风险方向调整系数和空间速度风险势场强度阈值计算方法如式(9)和(10)所示。
[0073][0074][0075]
式中：e
x
,ey,e
xy
分别为侧向、纵向和空间速度风险势场强度的风险阈值。
[0076]
下面以一个具体的实施例详细描述本发明，以使得本领域技术人员能够更好地实现本发明。
[0077]
1)收集门架卡口道路断面监测数据共124216组，高速公路事故数据共计439组。门架卡口实测道路断面共计4处，分别为k2084、k2088、k2110和k2114，累计监测时长为31天，其中每组监测数据包括车牌、车型、行车方向、时间、速度及车道等，筛选出的断面监测数据
如表2所示。
[0078]
表2道路断面监测数据
[0079][0080]
2)收集高速公路事故数据，统计时长为4年，其中每组事故数据包括时间、桩号、行车方向、事故车型、事故类型等，筛选出的事故数据如表3所示。
[0081]
表3高速公路事故数据
[0082][0083]
3)应用python程序采集百度地图poi数据共计91955组，每组数据包括坐标、监测时间、路段长度、行程时间。根据路段长度和行程时间，进一步计算路段平均车速。为了验证监测数据精确度，路段长度设置分别为30km、16km、8km、4km、2km、1km和0.5km，其中一组30km路段起终点设置于2处门架处，通过与实测数据对比分析发现，路段长度为30km时得到的行程时间与门架监测得到的平均行程时间，误差为16s，满足实际需求。随后以30km为标准，划分路段监测行车数据，对路段长度为16km、8km、4km和2km的行程时间进行递推修正，最终得到2km路段长度的路段速度数据。
[0084]
4)基于步骤1)、2)、3)中采集的数据，根据实测路段大小车限速均为80km/h、实行客货分离管制措施、外侧车道为货车专用车道。k2084断面门架卡口，位于小半径曲线段(r＝340m)；k2088断面门架卡口，位于连续s型曲线段(r＝620m)，k2110断面门架卡口，位于直线段，k2114断面门架卡口，位于曲线段(r＝870m)。对同一时间内，门架卡口获取的车辆速度进行统计，得到75％、50％、25％分位值和平均值，并与百度poi获取的速度数据进行对比分析，如图2所示。结果显示百度poi获取的路段车速，与门架卡口获取的内侧车道车辆平均速度较为接近。
[0085]
对卡口采集的横断面车速，按照车道和时间进行分类统计，结果如图3和表4所示。对比4处断面车速统计结果可知：
[0086]
(1)、清晨和傍晚4处断面的车速变化趋势相同。7点至9点，车速具有明显的增加趋势；18点至20点，车速具有明显的减小趋势；其余时段，各断面车速随时间变化无相同趋势。
[0087]
(2)、同一断面处内外侧车道的平均车速和车速离散度，随时间变化趋势基本一致。k2084断面，15点内外侧车道的平均速度均位于峰谷，速度离散度最大时段均位于8时；k2088断面，12点至17点内外侧车道的平均速度和速度离散度变化趋势一致；k2110断面，除
14点和17点外，其余时间段内外侧车道的平均速度和速度离散度变化趋势基本一致；k2114断面，除13点和15点外，其余时段内外侧车道的平均速度和速度离散度变化趋势基本一致。
[0088]
(3)、直线段较曲线段车速离散度高，且内侧车道较外侧车道车速离散度高，曲线段内外侧车道离散度相近。k2110断面位于直线段，内外侧车道的车速标准差均远大于其他断面，且内侧车道较外侧车道高。
[0089]
(4)、内外侧车道平均速度比例基本一致，接近0.85。
[0090]
表4断面车速统计
[0091][0092]
5)、根据步骤1)、2)、3)中搜集的数据，根据4)中得到的断面车速统计，对比速度梯度与交通事故的分布规律，如图4所示。可以看出速度梯度和交通事故分布有一定的趋同性，但在k2085～k2105范围内相关性较低。
[0093]
6)、根据步骤1)、2)、3)中搜集的数据，对比道路平均纵坡与交通事故的分布规律，如图5所示。结果显示，平均纵坡小于2％的路段事故数明显小于其他路段。此外，事故数最高的路段位于k2118～k2130下坡路段中部。
[0094]
7)、根据步骤1)、2)、3)中搜集的数据，对比道路半径对交通事故的影响，曲率参数α和交通事故的分布规律对比，如图6所示，可以看出其具有较高的相关性。
[0095]
8)、根据步骤1)中搜集的断面监测数据，选取k2084断面28天中10:00～20:00的实测数据，以小时为单位计算速度变异系数cv，计算结果如图7所示。根据结果可知发现速度变异系数cv基本在0.05～0.17之间，最终取速度变异系数为0.10，计算速度风险势场强度系数η＝10。该路段设计速度为80km/h，不设超高最小圆曲线半径为2500m，风险影响因子根据式(1)和(6)计算，计算结果如表5所示。
[0096]
表5风险影响因子计算表
[0097]
[0098]
9)、根据步骤1)、2)中所收集的数据，选取k2064+140～k2094+140路段进行速度风险势场相关计算。该高速公路设计指标为侧向分布系数根据表1取值，速度势能前述获取的百度速度数据，构建速度势能矩阵，计算得到速度势能分布和速度风险势场强度分布。
[0099]
根据所收集事故数据，进一步筛选出k2064+140～k2094+140路段，有记录事故共计157起，按照事故车型分类可分为3组，分别为：有小型车事故89起，有大型车事故60起，大型车与小型车事故8起；按照事故形态分类可分为3组，分别为与侧向风险相关事故(撞击护栏、侧撞事故、操作不当)48起，与纵向风险相关事故(追尾事故)29起，形态不明事故80起。此外，事故数据缺少车道信息，根据现场调研情况该路段采取客货分离管制措施，一般情况下大型车行驶于外侧车道，小型车行驶于内侧车道；同时考虑车辆行驶一般靠近中心线位置，常见车辆宽度为1.8m，事故点取车道中心线左右0.9m位置，仅有小型车事故位于内侧车道，涉及大型车事故位于外侧车道。k2064+140～k2094+140路段的速度风险势场强度及相关事故分布，如图8～10所示。
[0100]
由图7可知，交通事故在k2068、k2085和k2088等场强峰值处出现聚集现象。对48起侧向风险有关事故，所处位置的侧向速度风险势场强度ex进行统计(以下速度风险势场强度相关统计均取绝对值)，最大值为244.2，最小值为16.6，均值为75.5，所处位置ex大于均值的事故共计16起，占比33％。由图8可知，交通事故在k2065和k2088两个场强峰值处出现聚集现象。对29起纵向风险有关事故，所处位置的纵向速度风险势场强度ey进行统计，最大值为141.1，最小值为5.12，均值为74.6，所处位置ey大于均值的事故共计15起，占比51.72％。
[0101]
速度风险势场强度越大事故可能性越高，为了有效甄别行车风险，选取事故所在位置处速度风险势场强度的均值作为风险阈值，即侧向速度风险势场强度的风险阈值e
x
为75.5，纵向速度风险势场强度的风险阈值ey为74.6。当所处位置速度风险势场强度大于风险阈值时，代表发生对应风险相关事故可能性较高，即为侧向或纵向高风险路段。k2064+140～k2094+140路段，共甄别出13.85％的路段为侧向高风险路段，区域内发生了33.33％的侧向风险事故，16.26％的路段为纵向高风险路段，区域内发生了51.72％的纵向风险事故。
[0102]
侧向速度风险势场和纵向速度风险势场均能够从单一角度对路段行车风险进行甄别，为了更好的实现路段行车风险评估，综合考虑侧向和纵向行车风险，根据式(7)计算空间速度风险势场强度，进一步作为路段宏观风险评价指标。结合式(9)，取风险方向调整系数k为1.01，空间速度风险势场强度ev及相关事故分布如图9所示。
[0103]
根据式(10)可知，空间速度风险势场强度风险阈值为106.8。进一步统计可知，高于风险阈值的区域内发生了45.86％的历史交通事故，42.42％的形态不明事故，60.07％的纵向风险事故，40％的侧向风险事故。空间速度风险势场甄别出的高风险路段，涵盖了侧向、纵向速度风险势场甄别出的高风险路段，并且能够进一步对风险构成复杂的高风险路段进行有效甄别。
[0104]
因此，可以看出根据速度风险势场强度与交通事故具有较高相关性，且可以在一定程度上对高速公路行车风险进行空间刻画，综合运用侧向、纵向和空间速度风险势场能够对行车风险甄别。
[0105]
10)、根据步骤9)中的得到的风险势场与结论分析，选取k2094+140～k2130+640路
段作为有效性验证路段，采用上述方法进行路段风险甄别，进行方法有效性验证。速度风险势场强度系数η＝9.5，该路段事故总数为282起，其中与侧向风险相关事故56起，与纵向风险相关事故76起，形态不明事故150起。速度风险势场强度及相关事故分布如图11～13所示。由图11-13可知，事故分布与速度风险势场强度分布具有一定规律性，其中侧向风险相关交通事故分布与侧向速度风险势场强度分布具有明显规律。
[0106]
风险阈值采取前述统计结果，即侧向、纵向和空间速度风险势场的阈值分别为75.5、74.6和106.8。对速度风险势场强度的甄别效果进行统计对比，统计结果如表6所示。其中甄别效益比为总体事故甄别比例与大于风险阈值路段占比的比值。其中空间速度风险势场甄别出的高风险路段占比为24.33％，甄别出的事故比例为43.26％，甄别效益比为1.78。
[0107]
11)、根据步骤9)中分析和步骤10)中得到的交通事故与风险势场的关系，对时间段内k2094+140～k2130+640路段事故总数为282起，空间速度风险势场强度最大值分别为297；k2064+140～k2094+140路段事故总数为157起，空间速度风险势场强度最大值分别为260。k2094+140～k2130+640路段的速度风险势场强度总体上大于k2064+140～k2094+140路段，与事故总量规律一致。
[0108]
对比有效性验证路段与实例分析路段相关统计数据，相关结果表明：
[0109]
(1)、速度风险势场强度和相关事故分布具有一定的规律性；
[0110]
(2)、3种速度风险势场对2处路段鉴别率均较高，选取的风险阈值能够对高速公路行车风险进行有效分类甄别；
[0111]
(3)、此外，速度风险势场强度极值能够表征路段总体安全水平。综上所述，速度风险势场可以甄别不同形态的行车风险，能够量化描述高速公路行车风险的严重程度，与传统一维的鉴别方法相比实现了在二维空间上行车风险有效刻画。
[0112]
表6速度风险势场强度甄别效果对比
[0113][0114]
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

技术特征：
1.一种基于速度风险势场的高速公路行车风险甄别方法，其特征在于，包括以下步骤：1)、数据采集与处理：采集并处理门架卡口道路断面监测数据、高速公路事故数据和地图poi数据；2)、对步骤1)中采集与处理的数据进行分析，以获得速度数据和交通事故数据；3)、根据步骤2)中的数据分析结果，建立速度风险势场模型，确定速度势能v
i,j
、速度势能场场强和速度风险势场强度实现基于速度风险势场的高速公路行车风险甄别。2.根据权利要求1所述的基于速度风险势场的高速公路行车风险甄别方法，其特征在于，所述步骤1)中，采集并处理的门架卡口道路断面监测数据包括车牌、车型、行车方向、时间、速度及车道；采集并处理的高速公路事故数据包括时间、桩号、行车方向、事故车型及事故类型；采集并处理的地图poi数据包括坐标、监测时间、路段时长及行程时间。3.根据权利要求2所述的基于速度风险势场的高速公路行车风险甄别方法，其特征在于，所述步骤2)中，获得所述速度数据具体为：对同一时间内所述门架卡口道路断面监测数据中的车辆速度进行统计，得到75％、50％、25％分位值和平均值，并与所述地图poi数据中的车辆速度进行对比，同时将采集到的横断面车速按照车道和时间进行分类统计；获得的所述交通事故数据包括对比速度梯度与交通事故的分布规律、对比道路平均纵坡与交通事故的分布规律和对比道路半径对交通事故的影响。4.根据权利要求3所述的基于速度风险势场的高速公路行车风险甄别方法，其特征在于，在获得所述对比道路半径对交通事故的影响时，取道路不设超高的圆曲线最小半径r
*
规范值与道路半径r比值为曲率参数α，α与行车风险呈正相关，当r≥r
*
时视为与直线段相近对行车安全影响不大，α取1，5.根据权利要求4所述的基于速度风险势场的高速公路行车风险甄别方法，其特征在于，所述步骤3)中确定速度势能v
i,j
时，采用路域范围内各路段的平均速度作为速度势能v
i,j
，路侧护栏处速度势能v
i,j
为0，当已知路段各车道车速时，直接采用各车道速度数据计算速度势能；当无法获取车道级速度数据时，可根据下面的公式进行速度势能计算：式中：v
i,j
为第j个车道处，统计单元为i处的速度势能，单位为km/h；为侧向分布系数，与车道数和侧向位置有关，侧向分布系数具体取值如下：对于双向四车道，左边线处为0.90、内侧车道处为1.00、车道分界线处为0.925、外侧车道处为0.85、右边线处为0.80；对于双向六车道，左边线处为0.90、内侧车道处为1.00、内侧车道与中间车道的车道分界线处为0.95、中间车道处为0.90、中间车道与外侧车道的车道分界线处为0.825、外侧车道处为0.75、右边线处为0.70。6.根据权利要求5所述的基于速度风险势场的高速公路行车风险甄别方法，其特征在于，所述步骤3)中，通过如下方式确定所述速度风险势场强度u＝v
a，b-v
c，d
式中：ev为空间速度风险势场强度，具有大小和方向，e
x
和e
y
分别指代侧向和纵向的速度风险势场强度；η为速度风险势场强度系数；β为纵向风险影响因子；i为道路坡率；k为风险方向调整系数；d
x
和d
y
分别指向侧向和纵向距离，方向由低势能指向高势能位置，其中d
x
单位为m，d
y
单位为km；u为速度势能差；v
a,b
和v
c,d
为分别为a桩号侧向位置b处和c桩号侧向位置d处的速度势能，单位为km/h；α是曲率参数，也就是，侧向风险影响因子，速度风险势场强度系数η的计算方法如下：构建空间速度风险势场强度时，引入风险方向调整系数k，实现空间行车风险有效评估，风险方向调整系数和空间速度风险势场强度阈值计算方法如下：估，风险方向调整系数和空间速度风险势场强度阈值计算方法如下：式中：e
x
,e
y
,e
xy
分别为侧向、纵向和空间速度风险势场强度的风险阈值。

技术总结
本发明涉及一种基于速度风险势场的高速公路行车风险甄别方法，其包括以下步骤：1)、数据采集与处理：采集并处理门架卡口道路断面监测数据、高速公路事故数据和地图POI数据；2)、对步骤1)中采集与处理的数据进行分析，以获得速度数据和交通事故数据；3)、根据步骤2)中的数据分析结果，建立速度风险势场模型，确定速度势能V


技术研发人员：裴非飞 张驰 何富勇 张敏 王雪 王世法 王博 黄河 赵一静 刘志彤 谢子龙 毛广茂 刘昌赫
受保护的技术使用者：长安大学
技术研发日：2023.02.08
技术公布日：2023/6/28