📈 算法与建模领域的探索者 | 专注数据分析与智能模型设计
✨ 擅长算法、建模、数据分析
💡 matlab、python、仿真

✅ 具体问题可以私信或查看文章底部二维码

✅ 感恩科研路上每一位志同道合的伙伴！

（1）收费站数据采集和交通特性分析。数据采集是研究收费站交通冲突的基础工作，需要通过多种手段全面获取车辆通行信息和环境数据。收费数据是核心来源，通常包含车辆通过时间、车型、缴费方式等字段，但原始数据中的车型分类可能基于收费标准，与交通工程中的常用分类不一致，例如收费系统可能将车辆简单分为客车和货车，而交通分析需要更细致的划分如小型车、中型车、大型车等，因此必须按照交通调查标准进行重新归类，确保数据兼容性。现场调查补充收费数据的不足，通过视频录像或人工观测记录车辆行驶轨迹、速度变化、变道频率等动态行为，以及收费站几何特征如车道数量、收费亭布局、分流区长度、路肩宽度等静态环境参数。这些数据共同构成分析基础，后续仿真建模的可靠性高度依赖于数据质量。交通特性分析旨在理解收费站区域的运行规律，道路环境特征包括物理设计要素，例如收费站广场大小、车道宽度、标志标线设置情况，这些要素影响车辆行驶路径和决策点。交通运行特征则关注流量波动、车速分布、车型比例、变道行为等动态方面，例如高峰时段流量集中导致车辆间距缩小，增加冲突风险；车辆在驶近收费亭时速度递减，但分流区内初始速度较高，变道频繁以选择空闲车道，形成冲突热点。分析这些特性有助于确定仿真模型的关键参数，如车辆跟驰模型中的安全距离、变道决策逻辑，从而保证生成的冲突数据贴近现实，避免仿真结果偏离实际。此外，还需考虑特殊事件影响，如节假日流量激增或恶劣天气条件，这些因素可能改变交通特性，需要在分析中予以备注，为后续模型构建提供全面依据。

（2）交通冲突形成机理和冲突特性分析。交通冲突技术作为一种替代安全评价方法，其有效性建立在冲突与事故的因果关系上。交通事故是稀有事件，直接观测需要长期数据，而冲突是事故的前置表现，两者在发生机理上共享相同诱因，如驾驶员失误、车辆故障或环境缺陷，因此通过分析高频的冲突可以间接推断事故风险，提高评价效率。冲突形成过程始于车辆间交互，当两车或多车在时间空间上接近到一定程度，且存在路径重叠时，一方或双方采取避险动作如制动或转向，即构成冲突。从冲突角度，可分为追尾冲突和变道冲突，追尾冲突发生于同车道前后车之间，常因后车跟车过近或前车急刹导致；变道冲突涉及相邻车道车辆，由车辆横向移动引发，在收费站区域因车辆选择收费车道而尤为常见。从冲突严重度，基于可能后果分为轻微冲突、一般冲突和严重冲突，严重冲突指避险动作剧烈且接近碰撞的情况。为量化严重度，选用时间距离冲突时间TTC作为指标，TTC定义为两车保持当前速度和轨迹下到碰撞所需时间，值越小表示冲突越严重。通过累积百分频率法，将TTC值分布划分为三个区间，例如TTC小于1秒为严重冲突，1-3秒为一般冲突，大于3秒为轻微冲突，这一定义需结合具体场景调整，收费站区域因车速较低，阈值可能相对较小。冲突特性分析还需考虑车辆类型影响，大型车制动距离长，变道灵活差，其参与的冲突往往更严重；同时，驾驶员行为差异如攻击性驾驶或分心也会改变冲突特性，这些因素在分析中需综合评估，以全面理解冲突本质。

（3）收费站交通冲突模型构建。冲突数据采集成本高且耗时，仿真成为有效替代手段。基于Vissim微观仿真软件构建冲突生成模型，首先根据实地数据设置路网几何参数，如收费站车道数和布局，然后定义交通流参数，包括流量输入、车型组成、速度分布等。关键参数如车辆跟驰模型中的Wiedemann 74参数集，需根据收费站低速环境校准，以确保车辆行为真实；变道模型设置考虑驾驶员耐心阈值，模拟车辆在收费车道选择中的决策。由于实验变量多如流量、车型比、车速限制等，全因子实验不现实，采用正交试验法中的L25.5.6表设计25种仿真方案，该表能高效覆盖多因素水平组合，减少实验次数同时保证数据代表性。每种方案运行仿真获取冲突数据，包括总冲突数和个体车辆的TTC值。针对总冲突数，因其是计数数据且离散，选用泊松回归模型进行建模，自变量包括交通量、车型比例、平均速度等，分别建立区域总冲突、追尾冲突和变道冲突的模型，并通过似然比检验和R方值评估拟合优度，示例中R方最高0.852表明模型解释力强。针对单个车辆的冲突严重度，以TTC值为因变量，选取自变量如车辆自身速度、前后车距离、车道位置等，应用机器学习方法建立预测模型。比较多种算法如线性回归、决策树、支持向量机，使用遗传算法优化各模型超参数，例如决策树的最大深度或支持向量机的核函数参数，通过交叉验证比较性能，结果显示决策树预测精度最高，较基线提升11.61%，因其能捕捉非线性关系，适合交通冲突的复杂动态。

（4）收费站交通安全评价模型构建与安全水平分析。安全评价需将冲突数据转化为可比指标，总冲突数受流量影响大，故采用冲突率即单位流量下的冲突数，和严重冲突率即严重冲突占总冲突比例，作为评价指标。基于灰色聚类模型构建评价方法，灰色聚类适用于小样本不确定系统，将安全水平划分为4个等级如优秀、良好、一般、差，首先白化函数定义各指标对等级的隶属度，然后根据聚类权重计算综合聚类系数，确定方案的安全等级。应用该模型对25种仿真方案评价，找出不同交通量下的最佳方案，例如低流量时宽松车速限制更安全，高流量时需严格管控变道。单因素影响分析逐一考察交通量、车型比、车速、车道数、收费亭效率、环境条件等因素的影响趋势，如交通量增加冲突率上升，大型车比例高加剧严重冲突，据此提出改善建议：优化车道设计增加专用车道，安装可变限速标志平滑速度过渡，加强驾驶员教育减少激进变道，实时监控流量动态调整收费策略，这些措施旨在降低冲突频率和严重度，提升整体安全水平。

import numpy as np
import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import random

# 生成模拟交通数据函数
def generate_traffic_data(num_vehicles=1000):
    np.random.seed(42)
    data = []
    for i in range(num_vehicles):
        speed = np.random.normal(60, 10)  # 车辆速度，正态分布
        headway = np.random.exponential(2)  # 车头时距，指数分布
        lane_change_prob = np.random.uniform(0, 1)  # 变道概率
        vehicle_type = random.choice(['small', 'medium', 'large'])  # 车型
        # 模拟TTC值，基于速度、车头距等
        base_ttc = headway / max(speed, 1)  # 简单计算基础TTC
        noise = np.random.normal(0, 0.5)
        ttc = max(base_ttc + noise, 0.1)  # TTC正值
        data.append({
            'vehicle_id': i,
            'speed': speed,
            'headway': headway,
            'lane_change_prob': lane_change_prob,
            'vehicle_type': vehicle_type,
            'ttc': ttc
        })
    return pd.DataFrame(data)

# 计算冲突率函数
def calculate_conflict_rate(conflict_data, traffic_volume):
    total_conflicts = len(conflict_data)
    conflict_rate = total_conflicts / traffic_volume if traffic_volume > 0 else 0
    return conflict_rate

# 灰色聚类模型实现（简化版）
def gray_clustering_evaluation(conflict_rate, severe_conflict_rate):
    # 定义白化函数和阈值
    thresholds = {
        'excellent': (0, 0.1),
        'good': (0.1, 0.3),
        'fair': (0.3, 0.6),
        'poor': (0.6, 1.0)
    }
    # 计算隶属度
    scores = {}
    for level, (low, high) in thresholds.items():
        # 线性白化函数
        if conflict_rate <= low:
            score_c = 1
        elif conflict_rate >= high:
            score_c = 0
        else:
            score_c = (high - conflict_rate) / (high - low)
        if severe_conflict_rate <= low:
            score_s = 1
        elif severe_conflict_rate >= high:
            score_s = 0
        else:
            score_s = (high - severe_conflict_rate) / (high - low)
        # 简单平均作为综合得分
        scores[level] = (score_c + score_s) / 2
    # 确定安全等级
    best_level = max(scores, key=scores.get)
    return best_level, scores

# 主程序
if __name__ == "__main__":
    # 生成模拟数据
    df = generate_traffic_data(1000)
    print("模拟数据示例:")
    print(df.head())
    
    # 假设冲突数据：TTC小于2秒视为冲突
    conflict_df = df[df['ttc'] < 2].copy()
    severe_conflict_df = conflict_df[conflict_df['ttc'] < 1].copy()  # TTC小于1秒为严重冲突
    
    # 计算指标
    traffic_volume = len(df)
    total_conflicts = len(conflict_df)
    severe_conflicts = len(severe_conflict_df)
    conflict_rate = calculate_conflict_rate(conflict_df, traffic_volume)
    severe_conflict_rate = severe_conflicts / total_conflicts if total_conflicts > 0 else 0
    
    print(f"交通量: {traffic_volume}")
    print(f"总冲突数: {total_conflicts}")
    print(f"冲突率: {conflict_rate:.4f}")
    print(f"严重冲突率: {severe_conflict_rate:.4f}")
    
    # 灰色聚类评价
    level, scores = gray_clustering_evaluation(conflict_rate, severe_conflict_rate)
    print(f"安全等级: {level}")
    print(f"各等级得分: {scores}")
    
    # 使用机器学习预测TTC（示例用决策树）
    # 准备特征和标签
    df['vehicle_type_code'] = df['vehicle_type'].map({'small': 0, 'medium': 1, 'large': 2})
    X = df[['speed', 'headway', 'lane_change_prob', 'vehicle_type_code']]
    y = df['ttc']
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    
    # 训练决策树模型
    model = DecisionTreeRegressor(max_depth=5, random_state=42)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    mse = mean_squared_error(y_test, y_pred)
    print(f"决策树模型MSE: {mse:.4f}")
    
    # 输出重要特征
    importance = model.feature_importances_
    print("特征重要性: speed={:.4f}, headway={:.4f}, lane_change_prob={:.4f}, vehicle_type={:.4f}".format(*importance))

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇