魏玲玲 鞠鳳娟 張博彥 邵廣慧

摘?要：通過傳統(tǒng)交通可測參數(shù)和移動終端采集到的交通數(shù)據(jù)，分析交通事故發(fā)生前后交通流的變化，根據(jù)移動終端采集道路上下游檢測的數(shù)據(jù)，將實時采集的交通數(shù)據(jù)與正常交通情況下交通時間進行比對，超過交通時間未被下游檢測點檢測到的車輛數(shù)超過設(shè)定的閥值，則推算出上下游間發(fā)生交通事故，再根據(jù)通過上游的車輛序列、上下游間原本的車輛序列及未過下游的車輛序列，計算出事故造成的車輛堵塞數(shù);最后設(shè)計檢測算法。實驗結(jié)果證明，本方法具有一定的可行性，能夠適應(yīng)道路交通狀況。

關(guān)鍵詞：移動終端;車輛序列;交通數(shù)據(jù)采集;事故檢測與識別

Research on Method of Traffic Accident Detection Based on Mobile Terminal

Wei Lingling?Ju Fengjuan?Zhang Boyan?Shao Guanghui

College of Information Engineering， Jiangxi University of Technology?JiangxiNanchang?330029

Abstract：Based on the traditional traffic measurable parameters and the traffic data collected by the mobile terminal， the traffic flow changes are analyzed before and after the traffic accident. Compared the traffic data collected in real time with the traffic time under normal traffic conditions. If the number of vehicles that are not detected by the downstream detector larger than the set threshold， the traffic accident will occur between the upstream and the downstream， then according to the sequence of the vehicle passing through the upstream and the downstream， the number of vehicle jams caused by the accident was calculated. Finally， the algorithm of the detection method was designed. The experimental results show that the method has certain feasibility and can adapt to road traffic conditions.

Key words：Mobile Terminal; Vehicle Sequence; Traffic data collection; Accident Detection and Identification

隨著智能移動終端（智能手機、PAD）的普及，對車輛的自動識別與實時定位成為可能。智能終端能夠?qū)崟r采集車輛所經(jīng)路段時耗，進行定點路段車輛數(shù)量的估計和預(yù)測。從而進一步對道路的行程時間進行準確預(yù)估。在與正常情況下道路交通預(yù)置閥值比對后，即可預(yù)判交通異常或交通事故是否發(fā)生，從而為交通管理部門提供準確的數(shù)據(jù)，為及時疏散、傷員救援等后期交管行為提供智能建議。

1 交通事故交通量的變化分析

正常情況道路行駛的車流為連續(xù)的交通流量，發(fā)生交通事故后，交通量根據(jù)事故嚴重程度確定，事故嚴重程度越高，交通量越小，嚴重時道路封死，[1，2，3，4，5]下面用圖進行說明。

事故持續(xù)時間：發(fā)生交通事故至事故被處理完間的時間。

車流消散時間：事故處理后，阻塞的車輛慢慢消散，直到恢復(fù)正常的交通量所花的時間。

圖1假設(shè)正常的交通量為fn，發(fā)生交通事故后，交通流下降至fs，當事故解決后交通量上升至fd，當阻塞的車輛消散后交通量恢復(fù)至fn。圖1中的陰影部分為事件的延誤，即交通事故引起的滯留車輛數(shù)。道路行程時間等于自由流行駛時間和排隊延誤時間，自由流行駛時間用Tf表示，其公式為：Tf=LV，其中L表示路段長度，V表示路段的自由流行駛速度;排隊延遲時間用Td表示。發(fā)生交通事故時，道路行程時間的估計值為：

T=Tf+Td公式1

AB兩地間存在的車輛數(shù)N?tAB：

N?tAB=N?ΔTA+N?t-ΔTAB-N?ΔTB公式2

其中N?ΔTA：地點A在識別周期ΔT內(nèi)所采集的車輛數(shù);N?t-ΔTAB：上一t-ΔT時刻AB兩地間存在的車輛數(shù);N?ΔTB：地點B在識別周期ΔT內(nèi)所采集到的車輛數(shù);ΔT為識別周期，t為當前時刻。

單車行程時間隨著事故嚴重程度不斷增加。事故檢測通過單車行程時間來判別。一個識別周期ΔT內(nèi)，行駛經(jīng)過B地的車輛通過到達地點A和B的時間差求得;未到達B地的車輛通過計算當前時刻與到達A的時間差計算。單車行程時間Δt計算公式：

Δt=tB-tA，tB

tA為車輛在AB路段過A的時間;tB為車輛在AB路段過B的時間;

2 交通事故檢測與識別

2.1 事故檢測方法

假設(shè)A、B兩點分別為上、下游檢測點，從時間點t0開始，每隔ΔT對事故識別一次，分別為t0+1ΔT，...，t0+mΔT。假設(shè)t到t+ΔT內(nèi)，通過A點的車流量NA={a1，a2，...，am}，通過B點的車流量NB={b1，b2，...，bn}，AB間行駛的車流量NAB={c1，c2，...，ck}，NA與NB的交為過AB的車輛，即Pab，NA與NAB的交為被上游檢測的車且還在AB上行駛的車輛，即為Dab，NAB與NB的交集為在AB路段且被下游檢測的車輛，即Sab。根據(jù)公式二統(tǒng)計出t+ΔT時刻路段AB存在的車輛數(shù)NAB?t+ΔT=NA+NAB-NB，根據(jù)公式一可求得t到t+ΔT時間段AB行程時間估計值T;然后根據(jù)集合Pab、Sab中的車輛信息，計算每輛車通過AB所用時間Δt。因t+ΔT時刻仍在路段上行駛且沒有被下游檢測點檢測，即集合Dab，其離開路段的時間未知，這類車只需求其在路段AB已經(jīng)存在的時間即可，即Δt=t+ΔT-tA，將其行程時間值Δt與正常行程時間估計值T進行比較，判斷該路段是否發(fā)生交通事故。

2.2 事故阻塞車輛數(shù)

通過檢測點A未被檢測點B檢測的車輛，同時未被其他分支路段檢測點檢測到的車輛，即事故路段阻塞的車輛數(shù)D，其計算公式：

D=NA-NB公式4

2.3 事故自動檢測識別

利用移動智能終端設(shè)備，借助導(dǎo)航電子地圖，通過在地圖中分支處、交叉處、事故高發(fā)處等多個位置設(shè)置檢測點，車主在行駛的過程中，獲取其在地圖中的位置、經(jīng)過上下游檢測點時間、道路行程時間、平均車速等交通參數(shù)。

根據(jù)上面采集交通參數(shù)，公式二統(tǒng)計出t+ΔT時刻路段AB上存在的車輛數(shù)NAB?t+ΔT，公式一計算t到t+ΔT時間段AB路段的行程時間估計值T。根據(jù)集合Pab、Sab中的車輛信息，計算出每輛車通過路段AB所用的時間Δt及t+ΔT時刻仍在路段AB上行駛的車輛還沒有被下游檢測點檢測到即集合Dab，其離開AB路段的時間未知，只需求其在路段AB已經(jīng)存在的時間即Δt，將Δt與T比較，Δt-T>0，統(tǒng)計Δt-T>0的車輛數(shù)，超過閥值

為判別閥值，通過反復(fù)試驗取得），則該路段發(fā)生交通事故;[2，6]具體流程如下：

2.4 算法設(shè)計

輸入：車輛行程時間T，開始時間t;時間脈沖ΔT;p相關(guān)聯(lián)的檢測點數(shù)

輸出：無事故;交通異常;交通事故;堵塞車輛數(shù)sum

過程：Step1：每隔一個時間脈沖ΔT，采集交通信息，各檢測點采集通過各個檢測點的時間，存入車輛行駛記錄數(shù)據(jù);

Step2：for（i=0;i

for（j=i+1;j

統(tǒng)計一個時間周期內(nèi)相鄰兩檢測點上存在的車輛數(shù)Nij;

計算Δt;

if（Δt>T）

printf（“車輛延誤”）;

sum++;

else?printf（“無事故”）;

}

Step3：if（sum>SymbolaA@

）?{

printf（“交通事故”）;

printf（“車輛賭塞”+sum）;}

else?printf（“交通異?！保?

2.5 算法評價

從數(shù)據(jù)結(jié)果分析，本算法對交通事故檢測有一定的建議作用，解決了原有設(shè)備價格高昂，信號不穩(wěn)定，在應(yīng)用上必須結(jié)合地理信息系統(tǒng)等問題，但本方法也存在事故誤報及平均判別時間延遲等問題。

3 結(jié)語

利用移動智能終端設(shè)備構(gòu)建車聯(lián)網(wǎng)模型，可以較好的解決車聯(lián)網(wǎng)信息采集成本高、維護困難等問題，對車聯(lián)網(wǎng)的研究進一步推進。后期根據(jù)采集的交通數(shù)據(jù)，進一步定位具體車輛，同時根據(jù)采集交通數(shù)據(jù)，利用現(xiàn)有的云計算和大數(shù)據(jù)處理技術(shù)，研究各路段容易發(fā)生交通事故的原因，為決策的制定提供建議。

參考文獻：

[1]張小安.交通事故條件下的交通流仿真研究[D].廣州：廣州大學(xué)，2017.

[2]徐秋平.基于車聯(lián)網(wǎng)的交通信息采集與事故識別方法的研究[D].北京：北京交通大學(xué)，2014.

[3]趙蕾.高速公路交通事故持續(xù)時間預(yù)測[D].北京：北京交通大學(xué)，2018.

[4]梁雪.基于VISSIM仿真的高速公路有效通行能力與交通事故相關(guān)性研究[D].廣州：華南理工大學(xué)，2018.

[5]韓子雯.基于多源數(shù)據(jù)的高速公路交通狀態(tài)預(yù)測與估計研究[D].長沙：長沙理工大學(xué)，2017.

[6]王賽，李琦琦，賈偉偉.基于Android智能手機的汽車交通事故報警系統(tǒng)[J].安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報，2017，3（16）.