دانلود رایگان مقاله توسعه شاخص ریسک تغییر مسیر با استفاده از داده های مسیریابی

چکیده

      اقدامات ایمنی جایگزین (SSMs) به طور گسترده ای برای ارزیابی پتانسیل تصادف انجام شده است، که برای توسعه اقدامات موثر ایمنی ضروری  است. بر خلاف SSM های موجود، که عمدتا بر ارزیابی مانور خودروی طولی تمرکز می کند، آن منجر به  تصادف پشت به پشت می شود،  این مطالعه روش جدیدی را برای برآورد ریسک تصادف معرفی می کند در حالی که یک وسیله نقلیه تغییر مسیر می دهد، تحت عنوان شاخص ریسک تغییر مسیر (LCRI) .  اشاره می شود. یکی از ویژگی های جدید روش پیشنهادی، ترکیب مقدار زمان قرار گرفتن آن در معرض  خطر احتمالی تصادف و میزان شدت سقوط انتظار با استفاده از تجزیه و تحلیل درخت خطا (FTA) برای ارزیابی ساختار است. تعاملات خودرو بین یک وسیله و وسایل نقلیه مجاور در خط شروع و خط هدف، از نظر احتمال تصادف  در طول  احتمال تصادف مورد بررسی قرار می گیرد. داده های مسیریابی خودرو از یک جریان ترافیکی حاصل شده که این اطلاعات  با استفاده از یک هواپیمای بدون سرنشین در یک  آزادراه عکس گرفته شده است، که آن برای بررسی کاربرد روش پیشنهادی استفاده می شود. این مطالعه ویژگی های تغییرات خطی اجباری و اختیاری مشاهده شده در بخش منطقه کار و یک بخش عمومی از آزادراه را با استفاده از LCRI مقایسه می کند. انتظار می رود که نتیجه این مطالعه در ارزیابی اثربخشی عملیات ترافیکی مختلف و استراتژی های کنترل از نظر ایمنی تغییر مسیر ارزشمند و مفید خواهد بود.

1.مقدمه

      روش جامع ارزیابی ایمنی ترافیکی مورد  استفاده  شامل کاربرد داده های  تصادف واقعی که شامل اطلاعات فرکانس و شدت تصادف می باشد. روش های مختلف آماری مدل سازی برای شناسایی موضوع های مربوط به ایمنی و توسعه اقدامات متقابل بر اساس تجزیه و تحلیل داده های  تصادف مورد استفاده قرار گرفته است.  به هرحال، استفاده از داده های تصادف برای تجزیه و تحلیل ایمنی است زیرا وقایع تصادفات ترافیکی نادر و تصادفی هستند که  منجر به تلاش برای جمع آوری اطلاعات درازمدت جهت به دست آوردن نمونه های کافی می شود که به طور مستقیم بر اهمیت آماری تاثیر می گذارد.  بنابراین، اشکال اجتناب ناپذیری وجود دارد به دلیل موضوع نمونه گیری تصادفی در ارزیابی ترافیک ایمنی را به شیوه ای فعال تر، حتی اگر روش های مبتنی بر تصادف واقعی هدفمند باشند.  جایگزین امیدوار کننده برای استفاده از اقدامات ایمنی جایگزین (SSMs)  است که پتانسیل خطرات تصادف را تعیین می کنند (هیدن 1987).  پیشرفت سنسورها و فن آوری های ارتباطی به  شناسایی حوادث خطرناک اجازه می دهد، که با وقوع تصادف، براساس تحلیل مسیر مسیریابی خودرو داده ها بسیار مرتبط است.  تا امروز، تلاش های مختلف برای ترسیم اقدامات محکم برای گرفتن حوادث خطرناک در زمینه ایمنی ترافیک ساخته شده است.

      زمان - برخورد (TTC) یکی از پر کاربرد ترین  SSM ها  با اهداف ترافیک و ایمنی خودرو می باشد. TTC زمان باقی مانده برای جلوگیری از حادثه است، از زمانی که راننده اقدام می کند که تصادف رخ می دهد (هویوار، 1971).  آن بطورحساس با توجه به تغییر در موقعیت فعلی و سرعت پاسخ میدهد  و این امکان پذیر است برای پیش بینی اینکه آیا برخورد در یک نقطه خاص در زمان خاص رخ می دهد زمانیکه  سرعت و جهت یک خودرو موضوع تغییر نکرده است. TTC می تواند  محاسبه شود تنها زمانی که یک وسیله نقلیه زیر سریع تر از وسیله نقلیه پیشرو است. به هرحال، TTC اغلب از SSM استفاده می کند، زیرا آن برای درک کاربران آسان است. شاخص های توسعه یافته بر مبنای مفهوم  TTC شامل زمان در معرض TTC (TET)، TTC زمان یکپارچه (TIT)، و عبور از گذر زمان (TLC) است، (میندرهود و بوی 2001، ون وینسام و  همکاران، 2000).  زمان تحریم ارسال (PET) اندازه گیری از وضعیت  است که در آن حوادث تقریبا رخ می دهد؛ تفاوت زمانی بین آن است زمانی که یک وسیله نقلیه پیش از آن عبور کرده است نقطه و زمانی که یک وسیله نقلیه در جهت مخالف حرکت می کند به این نقطه می رسد (آلن و همکاران، 1978). از آنجا که PET نشان دهنده نزدیکی فضایی و زمانی وسایل نقلیه است، آن می تواند بدون توجه به سرعت خودرو زیر، بر خلاف TTC ارزیابی شود.  اقدامات مشتق شده از PET شامل فاصله زمانی (GT)، زمان رمزگذاری (ET) و مزیت زمان (TAdv)  است (هانسون، 1975). به عنوان شاخه ای دیگر از SSM ها، اقدامات مبتنی بر کاهش اقدامات از راه های مختلفی استفاده می شود. حداکثر کاهش سرعت (حداکثرD)، سرعت تاخیر به زمان ایمنی (DST)،  کاهش سرعت برای جلوگیری از تصادف (DRAC)، و شاخص توقف مسافت (SDI) به دسته از SSM ها با استفاده از کاهش سرعت کاهش می یابد (گت من و هد 2003، هاپفر 1997، کاپر و فرگوسن، 1976؛ اوه و همکاران، 2006). حداکثر D ، حداکثر کاهش سرعت مشاهده شده در یک حادثه تصادف است.  

       DRAC  حداقل کاهش سرعت مورد نیاز برای جلوگیری از تصادف است و DST زمانی است که راننده با حداقل کاهش سرعت برای توقف امن جهت جلوگیری از تصادف مورد نیاز است.

       SDI ارزیابی مجزا مورد استفاده برای تعیین اینکه آیا حوادث ناشی از خودرو با مقایسه فاصله های بینایی توقف  ماشین (SSDs) وسیله نقلیه قبلی و وسیله نقلیه زیر  ایمن است یا خیر. با توجه به شناسایی  شدت سقوط بالقوه، دلتا قادر به نشان دادن شدت تصادف است(ایوانز 1994)، بر خلاف اقدامات فوق الذکر برای جلوگیری از رویدادهای خطرناک استفاده شده است. Delta شدت سقوط پنهان با حداکثر سرعت تفاوت زمانی را نشان  می دهد زمانیکه درگیری بین  وسیله نقلیه قبلی و وسیله نقلیه زیر تعریف شده است.

همانطور که در بالا مشاهده شد، SSM های مختلف برای ارزیابی ایمنی ترافیک استفاده شد.  مطالعات اخیر تلاش کرده اند تا ایمنی رویدادهای تغییر خط را ارزیابی کنند (وانگ و استامدیادس، 2013، 2014). به هرحال، ما از هیچ مطالعه ای برای برآورد خطاهای تغییر مسیر با ترکیب  مقدار زمان قرار گرفتن در معرض تصادف بالقوه و سطح شدت تصادف انتظار می رود، که انگیزه مطالعه است. مشخصات مداوم از SDI ها در طول تغییر خط است، که نشان دهنده تعاملات بین موضوع وسیله نقلیه و وسایل نقلیه مجاور است، برای استخراج دو شاخص ریسک  مورد تجزیه و تحلیل شاخص های ریسک قرار می گیرد: سطح تماس خطر (REL) و سطح شدت خطر (RSL).

       سطح شدت پتانسیل تصادف می تواند تعین شود زمانیکه تفاوت سرعت بین وسیله نقلی قبلی  و وسیله نقلیه زیر بزرگتر است. به عنوان یک شاخص مشابه، DeltaV یک شاخص تغییر سرعت بردار است زمانتیکه تصادف واقعی خودرو رخ می دهد و زمانی که ممکن است انرژی برخورد تصادف را تخمین بزنیم (گتمان و هد 2003)

       همانطور که قبلا مشاهده شد، SSM های مختلف برای ارزیابی ایمنی ترافیک استفاده می شوند. مطالعات اخیر تلاش کرده اند تا ایمنی رویدادهای تغییر خط را ارزیابی کنند (وانگ و استامدیادس، 2013، 2014). به هر حال، ما از هیچ مطالعه ای برای برآورد خطاهای تغییر خط با ترکیب مقدار زمان قرار گرفتن در معرض تصادف بالقوه آگاه نیستیم و انتظار می رود سطح شدت سقوط، که مطالعه ما را انگیزه دار می کند. مشخصات مداوم از SDI ها در طول تغییر خط، که نشان دهنده تعاملات بین موضوع وسیله نقلیه و وسایل نقلیه مجاوراست، برای استخراج دو مورد شاخص  ریسک بیشتر مورد تجزیه و تحلیل قرار گرفته است: سطح تماس خطر (REL) و سطح شدت خطر (RSL). REL نشان می دهد چه مدت موضوع وسیله نقلیه در معرض وضعیت خطرناک قرار می گیرد که بطور بالقوه منجر به تصادف می شود در حالیکه تغیر خط رخ می دهد.   در همین حال RSL نشان دهنده شدت تصادف است که رخ می دهد  اگر موضوع  وسیله نقلیه  مانور اشتعال مناسب را انجام ندهد. سپس تجزیه و تحلیل درخت خطا (FTA)، که  روش شناخته شده ای برای تجزیه و تحلیل خطر است، برای ادغام REL و RSL تصویب می شود. درنتیجه یک شاخص جدید برای برآورد احتمال ناتوانی در ایجاد امنیت  تغییر مسیر، که به عنوان شاخص ریسک تغییر مسیر (LCRI) نامیده می شود، است پیشنهاد شده است.

       در زمینه حمل و نقل، چندین مطالعه از تکنیک FTA برای درک عوامل موثر استفاده کرده اندکه بر وقوع تصادف تاثیر می گذارد. جاشوا و گاربر (1992) و کوزومینسکی و همکاران  (1995) از روش FTA برای تجزیه و تحلیل رابطه بین راننده، وسایل نقلیه، عوامل محیط زیست و سوانح ترافیکی استفاده کرد. هوانگ و همکاران (2000) علت حوادث با استفاده از روش درخت گسل فازی برای ارزیابی ایمنی سیستم های حمل و نقل راه آهن بررسی کردند. کرانپراسرت  و ثیپنی (2016) یک درخت گسل بر اساس علل مختلف سقوط و یک سیستم مانیتورینگ برای جلوگیری از سقوط پیشنهاد کرد. در همین حال، جو و اوه (2013) یک شاخص ارزیابی یکپارچه برای ارزیابی محیط های دوچرخه سواری از طریق FTA با استفاده از داده های دوچرخه پروب دوار پیشنهاد کرد.

       داده های مسیریابی خودرو از یک جریان ترافیکی عکس گرفته شده  با استفاده از یک هواپیمای بدون سرنشین در یک منطقه کار آزادراه  بدست آمد یا گردآوری شد  که برای بررسی احتمال روش پیشنهادی مورد استفاده قرار می گیرد. این مطالعه ویژگی های تغییرات خطی اجباری و اختیاری مشاهده شده در یک منطقه کاری و بخش عمومی یک بزرگراه را مقایسه می کند.

       روش پیشنهادی، شامل نحوه به دست آوردن REL و RSL و نحوه استفاده از FTA برای ادغام آنها می باشد، در بخش بعدی ارائه شده است. بخش 3 داده های مورد استفاده در تخمین خطرات تغییر خط را توصیف می کند ، که از تصاویر گرفته شده توسط هواپیمای بدون سرنشین  استخراج می شود. نتایج تجزیه و تحلیل و بحث در مورد  کاربرد بیشتر در بخش 4 ارائه شده است. در نهایت، خلاصه ای از این مطالعه، جهت تحقیقات بیشتر، و محدودیت ها و مسائل مربوط به تحقیق ارائه شده است.

2.روش شناسی

2.1 چارچوب کلی

       وسایل نقلیه مسافرتی در امتداد یک جاده به طور مداوم با همسایه وسایل نقلیه در خطوط جاری و مجاور ارتباط برقرار می کنند.  تعاملات خودرو منجر به رفتارهای مختلف خودرویی و وقوع حوادث تغییر مسیر می شود.  تجزیه و تحلیل چنین تعاملات علاقه خاصی  در ارزیابی اثربخشی ترافیک و استراتژی های کنترل دارد. این مطالعه تلاش دارد تا روش برآورد سیستماتیک و علمی را برای هر ریسک تصادف توسعه دهد، که نتیجۀ تعاملات نادرست است. فرض کنید که مسیر یک وسیله نقلیه تغییر در موقعیت خودرو در طول زمان می باشد. روش پیشنهادی به طور مداوم ریسک وقایع تغییر مسیر با استفاده از روش FTA را ارزیابی می کند. روش کلی متشکل از 4 مرحله برای برآورد خطر وقوع تغییر مسیر خط  ارائه شده در شکل  1 می باشد. 

ABSTRACT

       Surrogate safety measures (SSMs) have been widely used to evaluate crash potential, which is fundamental for the development of effective safety countermeasures. Unlike existing SSMs, which are mainly focused on the evaluation of longitudinal vehicle maneuvering leading to rear-end crashes, this study proposes a new method for estimating crash risk while a subject vehicle changes lanes, referred to as the lane change risk index (LCRI). A novel feature of the proposed methodology is its incorporation of the amount of exposure time to potential crash and the expected crash severity level by applying a fault tree analysis (FTA) to the evaluation framework. Vehicle interactions between a subject vehicle and adjacent vehicles in the starting lane and the target lane are evaluated in terms of crash potential during lane change. Vehicle trajectory data obtained from a traffic stream, photographed using a drone flown over a freeway segment, is used to investigate the applicability of the proposed methodology. This study compares the characteristics of compulsory and discretionary lane changes observed in a work zone section and a general section of a freeway using the LCRI. It is expected that the outcome of this study will be valuable in evaluating the effectiveness of various traffic operations and control strategies in terms of lane change safety.

1. Introduction

       A widely used traffic safety assessment method involves using actual crash data that incudes crash frequency and severity information. Various statistical modeling techniques have been applied to identify safety-related issues and develop countermeasures based on analyzing crash data. However, the use of crash data for safety analyses has limitations because traffic crash events are rare and random, which has led to long-term data collection efforts to obtain sufficient samples that directly affect the statistical significance. Therefore, an unavoidable drawback exists due to the crash sampling issue in assessing traffic safety in a more proactive manner, although actual crash-based methods are objective. A promising alternative is to use surrogate safety measures (SSMs) that quantify the potential of crash risks (Hydén, 1987). The advancement of sensors and communication technologies allows for identifying hazardous events readily, which are highly correlated with crash occurrence, based on analyzing vehicle trajectory data. To date, various attempts to derive robust measures to capture hazardous events have been made in the field of traffic safety.

        Time-to-collision (TTC) is one of the most widely used SSMs for the purposes of traffic and vehicle safety. TTC is the time remaining to avoid an accident, from the time the driver takes an action to the point where the accident can occur (Hayward, 1971). It responds sensitively according to changes in the current position and speed, and it is possible to predict whether collision occurs at a specific point in time when the speed and direction of a subject vehicle does not change. TTC can be calculated only when a following vehicle is faster than a leading vehicle. Nevertheless, TTC is the most frequently used SSM because it is easy for users to understand. The expanded indicators based on the TTC concept include time exposed TTC (TET), time integrated TTC (TIT), and time-to-lane crossing (TLC) (Minderhoud and Bovy, 2001; Van Winsum et al., 2000). Post encroach time (PET) is a measure of the situation in which accidents almost occur; it is the time difference between the time at which a preceding vehicle has passed through one point and the time at which a vehicle traveling in the opposite direction reaches that point (Allen et al., 1978). Because PET reflects the temporal and spatial proximity of vehicles, it can be measured regardless of the speed of the following vehicle, unlike TTC. Measures derived from the PET include gap time (GT), encoding time (ET), and time advantage (TAdv) (Hansson, 1975). As another branch of SSMs, decelerationbased measures are used in various ways. Maximum deceleration (Max D), deceleration-to-safety time (DST), deceleration rate to avoid crash (DRAC), and stopping distance index (SDI) fall into the category of SSMs using deceleration (Gettman and Head, 2003; Hupfer, 1997; Cooper and Ferguson, 1976; Oh et al., 2006). Max D is the maximum deceleration observed in a collision event. The DRAC is the minimum deceleration needed to avoid collision, and the DST is the time a driver with minimum deceleration requires to safely stop to avoid a collision. SDI is a discrete measure used to determine whether a given car-following event is safe by comparing stopping sight distances (SSDs) for the preceding vehicle and the following vehicle. Regarding the identification of potential crash severity, DeltaS is able to indicate the crash severity (Evans, 1994), unlike the aforementioned measures used to capture hazardous events. DeltaS indicates the severity of a latent crash with the maximum speed difference when the conflict between a preceding vehicle and a following vehicle is defined. The severity level of a potential crash can be determined when the speed difference between the preceding vehicle and the following vehicle is larger. As a similar indicator, DeltaV is an index of vector velocity change when an actual vehicle collision occurs and when it is possible to estimate the accident collision energy (Gettman and Head, 2003).

       As reviewed above, various SSMs are being utilized for traffic safety assessment. Recent studies have attempted to evaluate the safety of lane change events (Wang and Stamatiadis, 2013, 2014). However, we are not aware of any study to estimate lane change risks by incorporating the amount of exposure time to potential crashes and the expected crash severity level, which motivates out study. The continuous profile of SDIs during lane change, which represents the interactions between a subject vehicle and adjacent vehicles, is further analyzed to extract two risk indicators: risk exposure level (REL) and risk severity level (RSL). The REL indicates how long a subject vehicle is exposed to a hazardous situation that could potentially lead to crash while making a lane change. Meanwhile, RSL represents the severity of the crash that would occur if a subject vehicle does not make the appropriate evasive maneuver. Then, a fault tree analysis (FTA), which is a well-known technique for risk analysis, is adopted to integrate the REL and the RSL. As a result, a new index to estimate the probability of failing to make a safe lane change, which is referred to as the lane change risk index (LCRI), is proposed.

       In the transportation field, several studies have used the FTA technique to understand the contributing factors affecting crash occurrence. Joshua and Garber (1992) and Kuzminski et al. (1995) used the FTA method to analyze the relationship between driver, vehicles, environmental factors and traffic crashes. Huang et al. (2000) investigated the cause of accidents using the fuzzy fault tree method to evaluate the safety of railway transportation systems. Kronprasert and Thipnee (2016) constructed a fault tree based on various crash causes and proposed a monitoring system for preventing crashes. Meanwhile, Joo and Oh (2013) proposed an integrated evaluation index for evaluating bicycling environments via FTA using instrumented probe bicycle data.

       Vehicle trajectory data obtained from a traffic stream photographed using a drone in a freeway work zone is used to investigate the applicability of the proposed methodology. This study compares the characteristics of compulsory and discretionary lane changes observed in a work zone section and a general section of a freeway.

       The proposed methodology, including how to derive the REL and the RSL and how to apply FTA to integrate them, is presented in the next section. Section 3 describes the data used in estimating lane change risks, which are extracted from the drone images. Analysis results and discussion regarding a further application are presented in Section 4. Finally, a summary of this study, further research directions, and the limitations and research issues are provided.

2. Methodology

2.1. Overall framework

       Vehicles traveling along a road continuously interact with neighboring vehicles in the current and adjacent lanes. Vehicle interactions lead to various car-following behaviors and to the occurrence of lanechanging events. The analysis of such interactions is of keen interest in evaluating the effectiveness of traffic operations and control strategies. This study attempts to develop a systematic and scientific estimation method for crash risk, which is an outcome of improper interactions. Suppose that the trajectory of a vehicle is the change in vehicle position over time. The proposed methodology continuously evaluates the risk of lane change events using a FTA method. The overall procedure, consisting of 4 steps, for estimating the risk of lane change events is presented in Fig. 1.

چکیده

1. مقدمه

2. روش شناسی

2.1 چارچوب کلی

2.2 سطح قرار گرفتن در معرض خطر (REL) و سطح شدت خطر (RSL)

2.2 سطح قرار گرفتن در معرض خطر (REL) و سطح شدت خطر (RSL)

2.3 تجزیه و تحلیل درخت شکست (FTA)

3. داده

4. کاربرد و ارزیابی

5.  نتیجه گیری

Abstract

1. Introduction

2. Methodology

2.1. Overall framework

2.2. Risk exposure level (REL) and risk severity level (RSL)

2.3. Fault tree analysis (FTA)

3. Data

4. Application and evaluation

5. Conclusions

References