基于道路剩余通行能力的交通事故等级划分与管控

杨晓波; 王亚州; 庞雪纯; 王德山; 赵建东

doi:10.12404/j.issn.1671-1815.2503775

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (15) :6600-6608 DOI: 10.12404/j.issn.1671-1815.2503775

交通运输

基于道路剩余通行能力的交通事故等级划分与管控

杨晓波 ¹^,² ,
王亚州 ²^,³ ,
庞雪纯 ¹ ,
王德山 ⁴ ,
赵建东 ⁴^,^*

作者信息 +

Classification and Control of Traffic Accident Events Based on Road Residual Capacity

YANG Xiao-bo ¹^,² ,
WANG Ya-zhou ²^,³ ,
PANG Xue-chun ¹ ,
WANG De-shan ⁴ ,
ZHAO Jian-dong ⁴^,^*

Author information +

文章历史 +

摘要

针对不同交通事故场景下交通管控的需求,提出了一种基于道路剩余通行能力的交通事故等级划分与管控方法。首先,为了实现对交通事故等级的实时判定,提出了道路剩余通行能力的概念;其次,针对事故场景下雾霾与车辆重叠遮挡导致的目标特征辨识度下降问题,引入坐标注意力机制,对YOLOV5进行改进,精准检测事故点断面和事故上游的交通流量;然后,为解决实际采集样本量不足的局限,结合VISSIM微观仿真补充低样本场景数据;接着,融合视频检测与仿真数据,采用多项式拟合与赤池信息准则构建剩余通行能力曲线,求解得到剩余通行能力系数;最后,基于该系数划分交通事故等级并制定差异化管控策略,通过VISSIM仿真验证方法有效性。结果表明:该方法可对事故进行精准动态评级,结合制定的管控策略,可有效降低事故对通行能力的影响,其中一级事件和三级事件响应下,拥堵长度较无管控场景缩短95%以上,大幅降低二次事故风险与路网拥堵蔓延压力,为高速公路事故应急管控提供可靠技术支撑。

Abstract

To meet the traffic control requirements under different traffic accident scenarios, a method for classifying traffic accident severity and implementing control strategies based on residual road capacity was proposed. The concept of residual road capacity was introduced to enable real-time accident severity assessment. To address the reduced target recognition accuracy caused by haze and vehicle occlusion in accident scenarios, a coordinate attention mechanism was integrated to enhance YOLOv5, enabling precise detection of traffic flow at the accident point and upstream sections. To overcome the limitation of insufficient real-world samples for YOLOv5, VISSIM microsimulation was employed to supplement low-sample scenario data. Combining Video detection and simulation data, polynomial fitting with the akaike information criterion was used to construct the residual capacity curve, from which the residual capacity coefficient was derived. Based on this coefficient, traffic accident severity levels were classified, and differentiated control strategies were developed. The effectiveness of the method was validated through VISSIM simulation. Results show that the method enables accurate and dynamic accident severity classification. The implemented control strategies effectively reduce the impact of accidents on road capacity. Under first-level and third-level incident responses, congestion length is reduced by over 95% compared to uncontrolled scenarios, significantly lowering the risk of secondary accidents and network congestion. This method provides reliable technical support for emergency traffic control on highways.

Graphical abstract

关键词

高速公路 / 事故 / 剩余通行能力 / 等级划分

Key words

highway / accident / residual capacity / classification

引用本文

引用格式 ▾

杨晓波, 王亚州, 庞雪纯, 王德山, 赵建东. 基于道路剩余通行能力的交通事故等级划分与管控[J]. 科学技术与工程, 2026, 26(15): 6600-6608 DOI:10.12404/j.issn.1671-1815.2503775

YANG Xiao-bo, WANG Ya-zhou, PANG Xue-chun, WANG De-shan, ZHAO Jian-dong. Classification and Control of Traffic Accident Events Based on Road Residual Capacity[J]. Science Technology and Engineering, 2026, 26(15): 6600-6608 DOI:10.12404/j.issn.1671-1815.2503775

登录浏览全文

4963

注册一个新账户忘记密码

交通事故是威胁公共安全与经济发展的重要问题。随着全球城市化进程加速,道路网络日益复杂,交通流量激增导致事故频发。据统计,全球每年因交通事故造成的经济损失高达数万亿美元,且中低收入国家的事故死亡率是高收入国家的3倍以上^[1]。在中国,高速公路事故不仅直接导致人员伤亡与财产损失,还常引发大规模交通瘫痪,严重影响物流效率与社会秩序^[2]。在此背景下,如何快速、精准地评估事故严重程度,并据此制定分级响应策略,成为提升道路安全管理水平的关键挑战。

近年来,学术界在交通事故动态评估领域进行了积极探索。Treiber等^[3]与Li等^[4]侧重于交通流理论模型(如元胞自动机、宏观流量模型)与仿真技术,用于预测事故对通行能力的短期影响;杜磊^[5]通过融合高速公路几何线形数据与驾驶员视觉环境特征(如道路、山丘、建筑物占比等),结合深度学习和极端梯度提升(extreme gradient boosting, XGBoost)集成学习算法,揭示了视觉环境复杂程度、纵坡坡度、标志牌数量及线形变化频次对事故的显著影响,模型预测准确率达87.8%,为高速公路安全治理提供了数据驱动的理论依据。杨洋等^[6]基于动态交通流数据,通过速度变化率指标构建事故时空影响模型,揭示阈值越小事故时空影响范围越大、传播速度趋势差异显著,为高速公路实时交通管控提供量化依据。臧秋晨^[7]针对高速公路事故时空影响范围识别问题,提出融合冲击波传播规律的数据驱动聚类算法及K近邻算法(K-nearest neighbors,KNN)模式匹配法,有效分离常发性拥堵干扰并提升事故影响区域识别精度,为主动安全管理提供理论支撑。霍宗鑫^[8]结合分车型交通流、天气数据与相关算法,以DeepForest模型实现事故风险分级预警;滕达^[9]用交通视频、车辆跟踪信息及结合改进的仅看单级特征检测器及(you only look one-level feature, YOLOF)简单在线实时跟踪(simple online and realtime tracking,SORT)跟踪算法,构建拥堵可视化系统支撑实时管控;高银钧等^[10]依托山区高速多源数据与适配算法,明确事故风险分布以助防控;问小平^[11]基于英国事故数据及特定填补、识别模型,支撑事故风险精准预警;刘伟铭等^[12]聚焦交通事故场景下高速公路有效通行能力的量化研究,以“基本通行能力”为基准,通过计算固定折减系数实现“通行能力-流量”比值测算。但数据依赖预设交通量与理想化仿真,且“通行能力-流量”比值测算结果较静态,未关联事故分级与动态管控措施,整体仍属传统“流量-能力”供需判定逻辑范畴。

综上所述,现有交通事故等级划分方法普遍存在两大缺陷:①依赖事后静态指标,难以为事故初期的快速响应提供依据;②缺乏对道路剩余通行能力的动态量化评估,导致管控措施与交通状态匹配度不足。针对上述问题,现基于高速公路交通事故快速处置需求,综合考虑道路特征、事故占用情况、流量水平、事故持续时长等核心要素,创新性提出基于道路剩余通行能力的事故场景分级方法,利用改进后的YOLOv5算法对真实事故样本的事故点位断面车辆数与上游车流量进行解析,并用仿真数据作为补充,绘制事故点位的剩余通行能力曲线,表征事故占用车道数对道路通行能力的影响程度。然后结合事故发生时实际交通流量与事故持续时间,对交通事故进行实时动态的分级与管控,以优化车流分布,在维持合理通行速度的同时,改善了运行效率,为复杂交通场景下的应急管理提供了重要参考。

1 剩余通行能力概念

现有交通事故等级划分方法主要基于静态指标,如人员伤亡数量、财产损失规模及车道封闭时长等。例如,中国公安部依据伤亡人数与经济损失将事故分为轻微、一般、重大和特大四类^[13];香港运输署则根据封闭车道数及持续时间划分为两级事件^[14]。此类方法在事故责任认定与法律追责中具有明确指导意义,但其核心逻辑依赖于事后数据,难以满足事故初期的实时响应需求。主要体现在以下三点:①伤亡与损失信息需现场勘查与统计,导致分级滞后;②封闭时长等指标无法反映交通流的动态变化,例如,同一事故在高峰时段的拥堵影响远超非高峰时段;③现有分类体系忽视了对道路通行能力的实时量化分析。

现行交通事故分级体系主要基于三大维度构建:①后果评估体系:以中国公安部标准为代表,依据人身伤亡程度与财产损失规模划分为轻微/一般/重大/特大事故四级;②设施影响体系:如香港地区采用“车道-时间”双要素分级法,将导致2条车道封闭超20 min的事件列为一级事故,其余归入二级;③形态分类体系:部分地区按事故物理特征划分类型,如追尾事故、碰撞固定物事故、侧滑事故等差异化处置标准。

上述分级方法存在显著局限性:①以结果为导向的分级标准存在信息滞后性,无法满足事故初期的快速响应需求;②静态分级参数(封闭车道数、时间阈值)忽视实际交通流动态特征,难以准确预判事故影响范围与传导效应;③形态分类体系侧重事故成因分析,与道路通行能力恢复缺乏直接关联。这种评估滞后性与动态交通管理需求存在根本矛盾,易导致二次事故风险加剧、拥堵扩散不可控等问题,凸显建立实时动态评估体系的迫切需求。

为了应对上述问题,现提出“事故场景道路剩余通行能力”这一指标。事故场景道路剩余通行能力指高速公路或道路在事故导致部分车道封闭或通行受限时,剩余可用车道在单位时间内仍能维持的最大有效通行车辆数。事故场景道路剩余通行能力受多重因素制约,包括但不限于事故占道范围、临时保通车道、限速措施执行效果及驾驶员行为特征等动态参数。其中,临时保通车道作为关键应急设施,通常通过快速清理非事故占道车辆或临时启用应急车道等方式形成,旨在事故处置期间维持基本交通秩序,其设置效率直接影响路网短时通行效能。

2 交通事故等级划分方法

2.1 YOLOv5交通流量数据检测模型

YOLOv5是一种基于深度学习的高效目标检测算法,具有实时性与高精度优势。在交通流量检测中,该模型通过卷积神经网络实时识别视频流中的车辆,并基于边界框坐标统计单位时间内的通过车辆数,结合车型换算系数计算标准当量交通量(pcu/h)。通过融合多尺度特征提取与轻量化设计,YOLOv5可适配边缘设备部署,支持复杂天气与遮挡场景下的鲁棒检测,为动态交通管控提供实时数据支撑。其边界框预测公式为

(1)

$\left\{\begin{array}{l}{\mathit{b}}_{\mathit{x}}=\mathit{\sigma }\left({\mathit{t}}_{\mathit{x}}\right)+{\mathit{c}}_{\mathit{x}}\\ {\mathit{b}}_{\mathit{y}}=\mathit{\sigma }\left({\mathit{t}}_{\mathit{y}}\right)+{\mathit{c}}_{\mathit{y}}\\ {\mathit{b}}_{\mathit{w}}={\mathit{p}}_{\mathit{w}}{\mathrm{e}}^{{\mathit{t}}_{\mathit{w}}}\\ {\mathit{b}}_{\mathit{h}}={\mathit{p}}_{\mathit{h}}{\mathrm{e}}^{{\mathit{t}}_{\mathit{h}}}\end{array}\right.$

式(1)中:(c_x_,c_y)为当前网格左上角坐标;(t_x,t_y,t_w,t_h)为网络输出的原始偏移量;σ为Sigmoid函数,确保预测值在[0,1]范围内(p_w,p_h)为预设锚框的宽度和高度;(b_x,b_y,b_w,b_h)为最终预测的边界框参数。

YOLOv5通过以下损失函数优化对车辆的检测性能:分类损失、边界框回归损失和置信度损失,表达式为

(2) Loss_total=λ_clsLoss_cls+λ_boxLoss_box+λ_objLoss_obj

式(2)中:λ_cls、λ_box、λ_obj为超参数,用于平衡各部分损失的权重;Loss_CLS为分类损失,用于目标类别的预测;Loss_box为边界框回归损失,用于预测边界框的坐标和尺寸;Loss_obj为置信度损失,用于判断边界框是否包含目标。

分类损失计算公式为

(3)Loss_cls=-$\sum _{\mathit{i}}$[y_iln(${\stackrel{\wedge }{\mathit{y}}}_{\mathit{i}}$)+(1-y_i)ln(1-${\stackrel{\wedge }{\mathit{y}}}_{\mathit{i}}$)]

式(3)中:y_i为真实类别标签(0或1);${\stackrel{\wedge }{\mathit{y}}}_{\mathit{i}}$为预测的类别概率。

边界框回归损失计算公式为

(4)Loss_box=1-IoU+$\frac{{\mathit{\rho }}^{2}(\mathit{b},\stackrel{\wedge }{\mathit{b}})}{{\mathit{c}}^{2}}$+αv

式(4)中:ρ(b,$\stackrel{\wedge }{\mathit{b}}$)为真实框和预测框中心点之间的欧几里得距离;c为包含两个框的最小外接矩形的对角线距离;v为宽高比一致性项,用于惩罚宽高比差异;α为平衡因子;IoU(intersection over union)为交并比,是计算机视觉中常用的一种评估指标,其计算公式为

(5)$\mathrm{IoU}=\frac{|B \cap \hat{B}|}{|B \cup \hat{B}|}$

式(5)中:B和$\stackrel{\wedge }{\mathit{B}}$分别为真实边界框和预测边界框。

置信度损失计算公式为

(6)Loss_obj=-$\sum _{\mathit{i}}$[o_iln(${\stackrel{\wedge }{\mathit{o}}}_{\mathit{i}}$)+(1-o_i)ln(1-${\stackrel{\wedge }{\mathit{o}}}_{\mathit{i}}$)]

式(6)中:o_i为真实置信度(1表示有目标,0表示无目标);${\stackrel{\wedge }{\mathit{o}}}_{\mathit{i}}$为预测的置信度得分。

为应对交通监控场景中因雾霾与车辆重叠遮挡导致的目标特征辨识度下降问题,在模型骨干网络(backbone)中引入了坐标注意力机制(coordinate attention, CA),在每一个C3模块之后插入了CA模块。传统通道注意力通过全局池化实现特征重标定,但会丢失目标的空间位置信息,难以适用于位置敏感的检测任务。CA机制将二维全局池化分解为沿水平与垂直方向的两个一维特征编码过程,在实现通道特征聚合的同时嵌入精确的位置信息,从而兼顾通道间相关性与空间分布特征。通过在骨干网络关键阶段嵌入CA模块,模型可自适应增强信息丰富区域的特征表达,抑制无关背景噪声,从而显著提升复杂环境下车辆目标的检测与定位性能。

2.2 车辆计数与交通量计算

在事故点交通量解析中,利用YOLOv-5算法,统计t时段内通过事故点上游的断面交通量Q_t以及通过事故点位的车辆数q_t,并通过车辆换算系数,将Q_t和q_t换算为事故点上游的断面小时交通量Q以及事故点位的小时通过车辆数q,由此得到一组数列R(Q_i,q_i)。换算公式为

(7)Q=$\frac{{\mathit{Q}}_{\mathit{t}}{\mathit{f}}_{\mathrm{C}\mathrm{B}}60}{\mathit{t}}$

式(7)中:Q为断面小时交通量当量数,pcu/h;Q_t为t时段通过断面的交通量自然数;f_CB为交通组成对通行能力的修正系数,其计算公式为

(8)f_CB=$\frac{1}{1+\sum _{\mathit{i}}{\mathit{P}}_{\mathit{i}}(\mathrm{P}\mathrm{C}{\mathrm{E}}_{\mathit{i}}-1)}$

式(8)中:P_i为小型车、中型车、大型车、汽车列车占总交通量的比例;PCE_i为小型车、中型车、大型车、汽车列车的车辆换算系数,按照《公路工程技术标准》^[15]规定分别为1.0、1.5、2.5、4.0。

在式(7)、式(8)中,i为得到列R(Q_i,q_i)数列的个数。如果i>α,α一般取值为15,即当i≥15时,选取拟合函数绘制拟合曲线;当i≤15时,则需要通过VISSIM仿真手段进行数据补充。VISSIM仿真中车辆输入V_i与通过车辆数c_i的映射为

(9) c_i=Simulation(V_i)

式(9)中:V_i为仿真输入车辆(2 000~9 000 pcu/h);c_i为事故点小时通过车辆数。

VISSIM仿真模型中的车辆输入、车型比例、事故位置均与真实事故视频的数据保持一致,通过调整VISSIM中驾驶行为中的各项参数,还原真实变道行为,使得事故点的小时通过车辆数与真实视频数据的误差保持在5%以内,同时排队长度等视频中可以获取的其他指标误差也尽量保持在5%以内。以500n(n=4,5,6,…)作为车辆输入V_i逐步仿真,并输出事故点位的小时通过车辆数c_i。2 000<V_i<9 000,通过在事故点位设置数据采集点,收集不同车辆输入对应的小时通过车辆数c_i,由此得到仿真数列SIM(V_i,c_i)。

数列R(Q_i,q_i)数和SIM(V_i,c_i)合并得到Comb(Q_i,q_i),基于Comb(Q_i,q_i),构建事故点上游断面小时交通量Q-事故点小时通过车辆数q的二维散点图。为构建剩余通行能力曲线,采用多项式函数拟合交通量Q与事故点通过车辆数q的关系:散点数列集合为

(10) P={(Q₁,q₁),(Q₂,q₂),…,(Q_n,q_n)}

(11) Q_i=q_i, i=1,2,…,n

则多项式拟合函数为

(12)f(Q_i,a_j)=a₀+a₁Q_i+a₂${\mathit{Q}}_{\mathit{i}}^{2}$+…+a_m${\mathit{Q}}_{\mathit{i}}^{\mathit{m}}$=$\stackrel{\mathit{m}}{\sum _{\mathit{j}=0}}$a_j

${\mathit{Q}}_{\mathit{i}}^{\mathit{j}}$

式(12)中:a_j为多项式系数。通过矩阵求解多项式系数,即

A=$\left[\begin{array}{lllll}1& {\mathit{Q}}_{1}^{1}& {\mathit{Q}}_{1}^{2}& \dots & {\mathit{Q}}_{1}^{\mathit{m}}\\ 1& {\mathit{Q}}_{2}^{1}& {\mathit{Q}}_{2}^{2}& \dots & {\mathit{Q}}_{2}^{\mathit{m}}\\ \mathit{︙}& \mathit{︙}& \mathit{︙}& \mathrm{ }& \mathit{︙}\\ 1& {\mathit{Q}}_{\mathit{n}}^{1}& {\mathit{Q}}_{\mathit{n}}^{2}& \dots & {\mathit{Q}}_{\mathit{n}}^{\mathit{m}}\end{array}\right]$,

(13)W=$\left[\begin{array}{l}{\mathit{a}}_{0}\\ {\mathit{a}}_{1}\\ \mathit{︙}\\ {\mathit{a}}_{\mathit{m}}\end{array}\right]$, B=$\left[\begin{array}{l}{\mathit{q}}_{1}\\ {\mathit{q}}_{2}\\ \mathit{︙}\\ {\mathit{q}}_{\mathit{n}}\end{array}\right]$

那么整个点集的误差平方和可以表示为

(14) E=(AW-B)^T(AW-B)

对W求导可得

(15)$\frac{\partial \mathit{E}}{\partial \mathit{W}}$=2A^TAW-2A^TB=0

最终求解得到多项式系数W,即

(16) W=(A^TA)^-1A^TB

2.3 最优拟合模型的选取

为选择最优拟合模型,采用赤池信息准则平衡模型复杂度与拟合精度,赤池信息准则(akaike information criterion,AIC)是一种用于模型选择的统计方法,旨在在多个候选模型中选择最优模型。AIC通过平衡模型的拟合程度和复杂度,避免过拟合现象。具体而言,AIC对模型的对数似然函数进行惩罚,惩罚项与模型的参数数量成正比。计算每个模型的AIC值,公式为

(17)AIC=2p-nln$\left(\frac{\mathrm{R}\mathrm{S}\mathrm{S}}{\mathit{n}}\right)$

式(17)中:p为模型的参数数量;n为模型观测数;RSS为残差平方和。

其中极值点求解公式为

(18) Q_ep:f'(Q)=0

式(18)中:Q_ep为极值点对应的交通量;f'(Q)为剩余通行能力拟合函数f(Q)对交通量Q的一阶导数;则最大剩余通行能力计算公式为

(19) c_v=f(Q_ep)

剩余通行能力系数公式为

(20)f_r=$\frac{{\mathit{c}}_{\mathit{v}}}{{\mathit{c}}_{0}}$

式(20)中:c_v为事故断面剩余通行能力;c₀为路段基本通行能力。则供需比R可表示为

(21)R=$\frac{{\mathit{Q}}_{\mathit{t}}}{{\mathit{c}}_{\mathit{v}}}$

式(21)中:Q_t为实时交通量,pcu/h;c_v为事故断面剩余通行能力,pcu/h。

2.4 基于剩余通行能力系数动态划分事件等级

基于供需比,同时通过预设的界限值α₁、α₂、α₃构建分级模型(其中α₃值特别融合了《交通阻断信息报送制度》^[16]对处置时长和排队长度的约束要求),最终实现交通事故对路网交通流运行影响的量化定级。

四级事件:

(22)$\frac{{\mathit{Q}}_{\mathit{t}}}{{\mathit{c}}_{\mathit{v}}}$<α₁, 0.4≤α₁≤0.6

三级事件:

(23)α₁≤$\frac{{\mathit{Q}}_{\mathit{t}}}{{\mathit{c}}_{\mathit{v}}}$<α₂, 0.9≤α₂≤1.1

二级事件:

(24)α₂≤$\frac{{\mathit{Q}}_{\mathit{t}}}{{\mathit{c}}_{\mathit{v}}}$<α₃

一级事件:

(25)$\frac{{\mathit{Q}}_{\mathit{t}}}{{\mathit{c}}_{\mathit{v}}}$≥α₃

2.5 管控策略

基于上述交通事故分级,制定各级管控措施如表1所示。

3 实例验证

3.1 事故发生场景

选用的第一个案例为交通事故发生于某高速,两辆货车发生碰撞,占用二到三个车道。事故发生时高速公路货车占比达到30%,路段交通量4 000辆。

首先用改进的YOLOv5对视频中的交通流量进行检测,并与原YOLOv5进行了对比,两种模型的检测结果如图1~图3所示。

经过对比分析,改进的YOLOv5效果明显优于原YOLOv5模型,并用改进的YOLOv5对交通流量进行检测,得到下面检测结果。事故前2 min 18 s共通过172辆汽车,其中小车为108辆,大车(汽车列车)为64辆,可知事故断面小时交通量自然数为4 487辆/h,按照换算公式可得事故断面小时交通量当量数为9 495 pcu/h。发生事故后5 min 9 s内事故断面共通过123辆汽车,其中小车为93辆,大车(汽车列车)为30辆,可知事故断面小时交通量自然数为1 433辆/h,按照换算公式可得事故断面小时交通量当量数为2 482 pcu/h。

3.2 VISSIM仿真模拟

以事故点上游断面的小时交通量、事故点位的小时通过车辆数、排队长度等为指标,对仿真模型进行校核微调,还原真实事故场景。

VISSIM仿真模型中的车辆输入、车型比例、事故位置均与真实事故视频的数据保持一致,通过调整VISSIM中驾驶行为中的最大减速度、安全距离折减系数、最小车头时距等参数,使得仿真模型输出的事故点小时通过车辆数与真实视频统计的事故点小时通过车辆数的误差保持在5%以内。VISSIM仿真模拟的结果如图4所示。

在上述仿真过程中,通过不断调整最大减速度、安全距离折减系数、最小车头时距等参数,使得仿真模型输出的事故点小时通过车辆数、排队长度等与实际的误差在5%以内,确保仿真模型的可信度。仿真模型与实际的误差比对如图5所示。

由图5可得,经过对仿真模型各项参数的不断调整,VISSIM的仿真输出和实际的交通流量误差已经控制在5%以内,仿真模型可以模拟实际交通状态的变化。

3.3 管控策略及效果展示

本次事故前事故断面小时交通量当量数为9 495 pcu/h;发生事故后事故断面小时交通量当量数为2 482 pcu/h。道路剩余通行能力c_v=2 482,所以可求得供需比为3.82。

α₃综合考虑对排队长度、处置时长的要求,按照“引发高速公路(含收费站、服务区)处于阻塞状态拥堵超过2 km、主线收费站排队长度超过500 m且持续时间超过30 min的突发类阻塞信息需报送主管部门”的原则,当阻塞状态拥堵接近2 km、主线收费站排队长度接近500 m且持续时间接近30 min时,实际交通流量与剩余通行能力的比值即α₃。所以此时α₃取2。由此可判断此次交通事故为一级交通事故,采取的交通管控措施为:①发布事故提示信息;②采取限速措施;③采取流量管控措施;④事故信息报送主管部门。

基于上述建立的仿真模型,在限速、限流管控措施下,用仿真模拟交通事故持续半小时后的交通状态,其中系统预热时间1 200 s,推演事故1 800 s,共3 000 s。得到的仿真推演状态如图6所示。

由图6可知,仅采取限速管控措施对缓解高速公路上交通事故造成的拥堵效果有限,限速和限流的组合措施在发生交通事故后的表现非常突出,对缓解交通拥堵有显著成效。

在仿真模型中,分别添加限速和限流交通管控措施后,得到的各项评价指标如表2~表4所示。

由表2~表4可知,当事故发生后,单纯实施60 km/h限速策略虽能在一定程度上提升道路安全水平(如事故点上游紧急停车次数由不采取措施时的9 160次降至限速后的6 571次),但其对缓解交通拥堵的效果有限。在事故发生后30 min时,单纯限速下的平均排队长度仍高达615.58 m,且上游平均通行速度进一步降至45.89 km/h,这说明限速虽降低车速,却未能有效抑制拥堵蔓延。当在限速基础上叠加限流措施后,组合策略展现出了显著优势:事故点上游平均通行速度回升至61.96 km/h,已经接近限速设定值;同时,平均排队长度大幅缩减至9.14 m,紧急停车次数更降至56次。可见限流措施通过控制车流输入可以避免该路段因过度饱和导致的通行效率下降。并且,组合措施在事故后期的表现尤为突出,其排队长度较单纯限速减少97%以上,印证了其对拥堵蔓延的强效遏制作用。

3.4 典型实例验证

为了证明本文提出方法的可用性和科学性,选用另一高速路段交通事故进行实例验证,如图7所示。

事故前1 min 17 s共通过178辆汽车,可知事故断面小时交通量当量数为8 148 pcu/h。发生事故后2 min内事故断面共通过256辆汽车,其中小车为253辆,大车为3辆,可知事故断面小时交通量当量数为7 460 pcu/h。

事故前事故断面小时交通量当量数为8 148 pcu/h;发生事故后事故断面小时交通量当量数为7 460 pcu/h。道路剩余通行能力c_v=7 460,所以可求得供需比为1.09。

由此可判断此次交通事故为三级交通事故,采取的交通管控措施为:①发布事故提示信息,②采取限速措施。

通过VISSIM仿真事故场景,然后采取相应管控措施,事故点上游平均通行速度回升至60.48 km/h,已经接近限速设定值;同时,紧急停车次数降至38次,平均排队长度大幅缩减至7.32 m,较管控前减少95%以上。

综上所述,提出的交通事故等级划分方法和管控措施不仅可以显著提升道路安全水平,还通过优化车流分布,在维持合理通行速度的同时,改善了运行效率,为复杂交通场景下的应急管理提供了重要参考。

4 结论

针对传统交通事故等级划分方法依赖静态指标、实时性不足的缺陷,构建了基于道路剩余通行能力的动态分级体系,形成从技术融合到模型构建,从标准划分到管控验证的完整研究链条,具体结论如下。

(1)通过改进后的YOLOv5视频解析技术与VISSIM微观仿真模型的有机融合,构建了事故场景下剩余通行能力的动态量化评估框架。相较于传统基于人财物损失或车道封闭时长的静态分级方法,该框架通过实时解析事故点流量数据,并结合仿真模型补充多维度交通流参数,实现了对事故影响通行能力动态过程的精准捕捉。

(2)通过多项式拟合优化,建立了不同事故类型对应的剩余通行能力系数表,为四级事件划分标准提供了量化支撑。以一级事故和三级事故为例,其管控响应时间缩短至10 min内,较传统分级模式提升了应急反应效率。该分级体系首次将实时交通流量纳入评估维度,使事故等级划分从单一结果导向转向过程动态导向。

(3)依托上述分级标准设计的配套管控措施,在事故初期展现出显著的快速响应能力:通过采取相应的管控措施,事故后1 800 s时平均排队长度较传统无措施降低95%以上,紧急停车次数降低99.4%以上,证明了分级标准与管控措施在保障通行效率的同时,可降低二次事故发生率,凸显了基于道路剩余通行能力的交通事故事件等级划分方法在实际交通管理中的应用价值。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	World Health Organization. Global status report on road safety 2018:WHO/NMH/VOL. 18. 1[R]. Geneva: World Health Organization, 2018.

[2]	中国交通运输部. 中国道路运输发展报告 (2022): 交运发〔2023〕126号[R]. 北京: 人民交通出版社股份有限公司, 2023.

[3]	Ministry of Transport of the People’s Republic of China. China road transportation development report 2022: Jiao Yun Fa 〔2023〕No. 126[R]. Beijing: China Communications Press Co., Ltd., 2023.

[4]	Treiber M, Kesting A. Traffic flow dynamics: data, models and simulation[M]. Berlin: Springer, 2013.

[5]	Li X, Ouyang Y. A cellular automaton model for traffic flow with incident-induced congestion[J]. Physica A: Statistical Mechanics and Its Applications, 2017, 468: 1-12.

[6]	杜磊. 基于机器学习的高速公路视觉环境信息提取与事故影响研究[D]. 西安: 长安大学, 2023.

[7]	Du Lei. Research on expressway visual environment information extraction and accident impact based on machine learning[D]. Xi’an: Chang’an University, 2023.

[8]	杨洋, 胡嫣然, 袁振洲, 等. 高速公路交通事故时空影响动态效应的传播分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 123-133.

[9]	Yang Yang, Hu Yanran, Yuan Zhenzhou, et al. Propagation analysis of the dynamic effects of spatio-temporal impacts of highway traffic accidents[J]. Journal of South China University of Technology (Natural Science Edition), 2023, 51(1): 123-133.

[10]	臧秋晨. 高速公路交通事故时空传播影响研究[D]. 北京: 北京交通大学, 2022.

[11]	Zang Qiuchen. Research on the spatiotemporal propagation impact of freeway traffic accidents[D]. Beijing: Beijing Jiaotong University, 2022.

[12]	霍宗鑫. 基于分车型交通流特征的高速公路交通事故风险动态评估研究[D]. 南京: 东南大学, 2023.

[13]	Huo Zongxin. A thesis submitted to southeast university for the academic degree of master of transportation engineering[D]. Nanjing: Southeast University, 2023.

[14]	滕达. 基于视频的交通路网状态识别研究[D]. 合肥: 中国科学技术大学, 2022.

[15]	Teng Da. Study on video-based traffic network state recognition[D]. Hefei: University of Science and Technology of China, 2022.

[16]	高银钧, 刘德敬, 熊昌安, 等. 山区高速公路交通事故特征分析与动态风险评估[J]. 公路与汽运, 2023(6): 44-47.

[17]	Gao Yinjun, Liu Dejing, Xiong Changan, et al. Analysis of traffic accident characteristics and dynamic risk assessment of mountainous expressways[J]. Highways & Automotive Applications, 2023(6): 44-47.

[18]	问小平. 基于多源数据的道路交通事故风险识别及预警[D]. 西安: 西安工业大学, 2025.

[19]	Wen Xiaoping. Road traffic accidents based on multi-source data risk identification and warning[D]. Xi’an: Xi’an Technological University, 2025.

[20]	刘伟铭, 梁雪. 交通事故下高速公路有效通行能力分析与估算[J]. 科学技术与工程, 2018, 18(18): 112-117.

[21]	Liu Weiming Liangxue. Analysis and estimation on expressway actual capacity under traffic accidents[J]. Science Technology and Engineering, 2018, 18(18): 112-117.

[22]	中华人民共和国公安部. 道路交通事故处理程序规定: 公安部令第146号[S]. 北京: 中国标准出版社, 2018.

[23]	Ministry of Public Security of the People’s Republic of China. Procedure for handling road traffic accidents: No. 146 order of the Ministry of Public Security[S]. Beijing: China People’s Public Security University Press, 2018.

[24]	香港运输署. 交通事故管理指南: TD-GUIDE-2020-001[S]. 香港: 香港特别行政区政府, 2020.

[25]	Transport Department, Government of the Hong Kong Special Administrative Region. Guidelines on traffic accident management: TD-GUIDE-2020-001[S]. Hong Kong: Information Services Department, Government of the Hong Kong Special Administrative Region, 2020.

[26]	中华人民共和国交通运输部. 公路工程技术标准: JTG B01—2014[S]. 北京: 人民交通出版社, 2014.

[27]	Ministry of Transportation and Communications of the People’s Republic of China. Technical standard for highway engineering: JTG B01—2014[S]. Beijing: People’s Transportation Press, 2014.

[28]	交通运输部. 公路交通阻断信息报送制度: 交办公路〔2018〕16号[S]. 北京: 中国人民交通出版社, 2018.

[29]	Ministry of Transport of the People’s Republic of China. Highway traffic blockage information reporting system: Jiao Ban Gong Lu 〔2018〕No. 16[S]. Beijing: China Communications Press, 2018.