基于PNN的山区高速公路路段安全状态评价*

温惠英 罗钧 李俊辉

(1.华南理工大学土木与交通学院，广东广州510640;2.广东交通职业技术学院城市轨道交通学院，广东广州510650)

路段安全状态评价，是指通过对路段交通流信息进行动态采集与分析，进而评价路段上车辆行驶的安全程度.研究合理的路段安全状态评价方法，可以为交通管理者、驾驶员提供可靠的路段安全提示信息，达到减少交通事故的目的.近年来，交通信息采集技术的进一步发展，使得对路段安全状态进行动态评价可行.其中，如何提出合理、有效的路段安全状态评价方法一直是研究的热点领域.蒋新春等［1］提出利用视频监控技术，在对单个车辆交通行为状态进行识别和实时分析的基础上，对路段的交通安全状态进行判别.廖军等［2］提出利用信息融合技术，融合交通流数据、交通事故历史数据、气象信息数据、路段线形数据等，利用模糊识别理论，实现路段的动态安全评价.其他研究还对路段的交通流运行车速、相邻路段运行车速差与路段安全状态之间的关系进行了探讨［3-5］.已有研究主要是对高速公路或城市道路的路段安全状态进行评价，但对适于山区高速公路路段安全状态评价方法的研究鲜见报道.

与普通高速公路相比，山区高速公路由于受自然条件限制，其公路线形、纵坡和路面状况等条件往往较差.因此，有必要对如何确保山区高速公路的交通安全进行研究.

由于车辆的行驶速度参数与交通事故的发生有较大关联［4-5］，且速度参数指标具有可测性，因此，选用的安全状态评价指标为车辆的速度参数.同时，因为影响公路交通安全的影响因素众多，所以在分析公路交通安全影响因素的基础上，结合车辆速度参数指标，提出了基于概率神经网络(PNN)的山区高速公路路段安全状态评价模型.最后，运用仿真实验对所提评价方法的有效性进行了验证.

1 PNN的结构与工作原理

概率神经网络是根据概率统计原理构建的神经网络模型，它是在径向基函数神经网络(RBF)的基础上增加一层而形成的，是前向计算，且运算速度快［6］.同时，它在分类功能上类似于贝叶斯分类器，能获得较好的分类判别效果［7］.PNN由四层网络构成:输入层、样本层、求和层、输出层，其网络结构如图1所示.

图1 PNN的结构图Fig.1 Structure of PNN

PNN的工作原理如下:首先，待分类向量进入输入层，然后经过从输入层到样本层的非线性变换，再进入求和层.在从求和层到输出层的计算中，计算输入向量属于每个类别的概率大小，并得出概率最大的那一种类别，这种类别就是输入向量通过PNN后得出的判断类别［8］.

2 基于速度参数的山区高速公路路段安全状态评价标准

2.1 路段的定义

此处定义的山区高速公路指设计时速为60km/h，且公路线形多变，纵坡较大的高速公路.在山区高速公路中，依据合理的划分原则，将一段公路划分成多个道路单元，每一道路单元即是一个路段.路段划分的原则是:每一路段应该具备相似的线形特征和相对恒定的车速［9］，一般不超过200 m.在基于以上路段划分原则的基础上，提出关于山区高速公路路段的定义:路段一般不超过200m，路段上下游的公路平面线形或纵断面线形存在较大变化，如平曲线、S型曲线、长大下坡路段等.

2.2 速度参数作为评价指标的合理性

国内外学者的研究表明，交通事故的发生受到驾驶员、道路线形、车辆性能、气象因素的影响，是多种因素导致了交通事故的发生.因此，路段交通安全状态评价指标应该不仅来源于交通流参数指标，同时也应该是以上多个因素的体现.在这里选取的评价指标是速度参数.原因在以下几方面.

(1)在交通流速度、密度、流量这3个要素中，交通流速度是各个车辆行驶速度的反映，它受到驾驶员因素(年龄、性别、心理条件)、道路线形(道路平纵线形条件)、车辆性能等诸多方面的影响，是“人、车、路、环境”4个因素共同作用的结果.

(2)国内外学者的研究已表明［3］，车辆运行速度的高低、变化快慢、离散性等参数和交通事故的产生有很大的相关关系，因此，通过考查山区高速公路路段车辆运行速度的各个参数，来对山区高速公路路段的安全状态进行评价，具备合理性.

(3)速度参数作为交通流3要素之一，在实际测算中，易于获得和计算，不需花费较大的人力和物力，而且车辆在山区高速公路各路段上的运行速度各不相同，数据间存在一定的差异，便于分析与比较.

2.3 评价指标及评价标准

在参考国内外相关研究成果的基础上，提出适于山区高速公路路段安全状态评价的5个指标.指标分别是:车速标准离差σ［3］、运行速度与设计速度的比值 K［9］、相邻路段车速差 ΔV85［10］、车速降低系数SRC［11］、过去一年内路段所在高速公路的亿车公里事故率a［3］.以上指标的含义为:

式中:vi为评价时间段内采集的第i辆车的车速，km/h;¯v为评价时间段内采集的各辆车的车速总和的平均值，km/h;N为评价时段段内的车辆总数;v85，i为需要进行评价的路段的调查断面上85%车速，km/h;v85，i－1为连续的上游路段的调查断面上85%车速，km/h;vd为设计车速，km/h;D为该高速公路过去一年的交通事故次数;M为该高速公路过去一年总计运行车公里数.同时，提出山区高速公路路段安全状态评价标准，评价标准如表1所示.

表1 山区高速公路路段安全状态评价标准Table 1 Safety state evaluation standard for section of freeway in mountains

3 基于PNN模型的山区高速公路路段安全状态评价方法

首先选定需要进行评价的山区高速公路路段，然后通过在需要进行评价的路段以及路段的上游安装交通流信息采集设备获得相关的参数，接下来利用训练好的概率神经网络(PNN)模型来计算输入的路段交通流信息，将输入的交通流信息视作一个输入向量，输入已经训练好的概率神经网络(PNN)模型，计算输入向量属于每个安全等级的概率大小，并得出概率最大的那一种等级，这种安全等级就是输入向量通过PNN后得出的安全等级，这样就完成了路段的安全状态评价.PNN输入层的节点数为5，包括 ΔV85、SRC、K、a、σ;其中，a因为属于历史数据，所以采取事先标定的方法，另外4个参数采取动态采集的方法，即路侧速度采集设备采集数据后进行计算，从而实现了评价指标数据的动态获取.输出层的节点包括路段安全状态的5个等级:安全、较安全、基本安全、存在安全隐患、不安全(记为1、2、3、4、5级).在这里，采用Matlab7.0实现评价模型的创建、训练、检验和仿真，分为4个过程:(1)生成学习样本;(2)对学习样本进行预处理;(3)概率神经网络的建立、学习和检验;(4)安全状态的评价.

4 仿真实验

根据上述对山区高速公路、山区高速公路路段的定义，采用仿真软件首先设置出山区高速公路线形的基本条件，然后加入交通流参数，模拟山区高速公路车辆运行状态.这里采用微观交通仿真软件VISSIM来设置仿真实验的各个山区高速公路路段，仿真条件如下.(1)仿真设置出4个路段.路段1∶200m直线接半径为30m的圆曲线，曲线长84m.路段2∶200m下坡直线接半径为30 m圆曲线，下坡的坡度为12.5%，曲线长81 m.路段3:两段半径为30m的圆曲线组成S型曲线，每段曲线长度均为94m.路段4:两段半径为30 m的曲线组成同向曲线，两段曲线间的直线为21 m，每段曲线长度为84m.以上4个路段均为双向四车道山区高速公路，设计车速60km/h，通过各路段的交通量均为1500辆/h，其中小客车所占比例为60%.(2)采集5min内的速度参数作为PNN模型的输入量，同时，为了验证模型在交通事件发生时的有效性，在其他参数不变的情况下假设交通事件在该路段发生，且5min内交通事件持续存在.(3)假设路段1、2、3、4所在高速公路的亿车公里事故率分别为21、41、18、45次.最后，通过Matlab7.0软件采用PNN模型对各路段5 min内的安全状态进行评价，得出的山区高速公路路段安全状态的仿真实验评价结果如表2所示.

表2 公路各路段安全状态仿真实验评价结果Table 2 Safety state evaluation results of each section of highway in simulation experiment

此外，随机产生1000、250、50和25个样本数据，分别对PNN、BP、RBF神经网络进行训练.然后用100个随机样本进行检验，经过多次实验，各类模型的对比结果如表3所示.准确率随训练样本数发生变化的情况如图2所示.

表3 PNN和BP、RBF神经网络的结果Table 3 Results of PNN、BP and RBF neural network

图2 PNN和BP、RBF神经网络的准确率变化Fig.2 Accuracy change of PNN，BP and RBF neural networks

由以上两个实验可得出以下结论.

(1)在表2中，路段2在未发生交通事件的情况下，相邻路段车速差ΔV85、车速降低系数SRC、车速标准离差σ这3个指标的值所对应的安全状态评价标准(见表1)都是1级，运行速度与设计车速的比值K所对应安全等级是2级、亿车公里事故率a对应的安全等级是3级，采用所提出的概率神经网络(PNN)方法进行评价，得出评价结果为2级，其他3个路段也存在类似的情况.分析可以得出，PNN评价模型能够全面考虑速度参数4个指标以及交通事故历史数据指标，不需要专家或相关技术人员根据主观经验人为设计评价指标的权重，能较全面反映评估路段的安全状态优劣程度.

(2)从表2可知，在路段发生交通事件的情况下，提出的关于速度参数的4个指标具有明显变化，路段安全状态明显降低.如在表2中，路段1、2、3在交通事件发生的情况下，安全状态等级下降了1个等级.交通事件的发生会使路段通行能力降低，增加路段行车的危险性，表1所提的安全状态评价指标和PNN评价方法较好地反映了这一实际现象，这说明了所提出的评价方法的合理性.

(3)从表3、图2可以得出，同其他神经网络相比，PNN可以克服BP、RBF神经网络学习收敛速度较慢、易陷入局部极小值的问题，且PNN学习规则简单，不需大量样本，分类能力强，训练速度快，能够满足计算机实时处理的要求.因此，基于PNN的山区高速公路路段安全状态评价方法可以为完善山区高速公路监控系统的安全管理功能提供参考.

5 结语

在对山区高速公路和路段进行定义的前提下，提出了山区高速公路路段安全状态评价的5个指标以及对应的评价标准，并建立基于PNN的山区高速公路路段安全状态评价方法，最后用仿真实验对所提方法进行了验证，结果表明采用车辆速度参数作为指标，可以实现对山区高速公路路段安全状态的评价，表明了该方法的合理性，该方法能对目前的路段安全状态评价方法起到补充的作用.同时，仿真结果还表明，文中提出的PNN综合考虑全部指标的影响进行判别，评价精度较高，运算速度快，能适用于小样本判别和计算机实时处理的要求，可以作为山区高速公路智能监控系统的功能补充.下一步研究将对适于山区高速公路路段安全状态评价的监控系统进行设计，并对相应的软件进行开发.

［1］蒋新春，刘小明.基于视频检测的高速公路车辆交通行为安全状态分析［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］廖军，安毅生，张绍阳，等.路段动态交通安全综合评价模型［J］.交通运输工程学报，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］裴玉龙，王炜.道路交通事故成因及预防对策［M］.北京:科学出版社，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］钟珞，饶文碧，邹承明，等.人工神经网络及其融合应用技术［M］.北京:科学出版社，2007:20-26.

［7］陈重阳，蔡萍，施文康，等.基于径向基函数概率神经网络的心律失常自动识别［J］.上海交通大学学报，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］姜绍飞.基于神经网络的结构优化与损伤检测［M］.北京:科学出版社，2002:35-37.

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

［10］崔洪军，魏连雨，朱敏清，等.公路平面设计中有关问题的探讨［J］.中国公路学报，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.车速在道路安全审计中的作用［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.