Анализ существующих проблем и подходов к обеспечению безопасности дорожного движения
 Скачать 4.25 Mb.
|
|
2 МОДЕЛИРОВАНИЕ ВЛИЯНИЯ СОВОКУПНОСТИ ПОСТОЯННЫХ ДОРОЖНЫХ ХАРАКТЕРИСТИК НА УРОВЕНЬ ПОТЕНЦИАЛЬНОГО РИСКА ВОЗНИКНОВЕНИЯ ДТП НА ФАД 2.1 Характеристика автомобильной дороги А-322 Математические модели и зависимости должны быть адекватными, а также обладать свойством масштабирования, т.е. характеризоваться возможностью использования на других аналогичных дорогах, независимо от их расположения и протяженности. Это ставит задачу выбора ФАД, на примере которой будет проведено моделирование. Для проведения дальнейшей работы выбрана автомобильная дорога А-322 «Барнаул – Рубцовск – государственная граница с Республикой Казахстан» (рисунок 2.1), которая является ФАД России и обеспечивает автомобильное сообщение РФ, в том числе регионов Западной Сибири, с Республикой Казахстан, Киргизией, Китаем и другими государствами ближнего и дальнего зарубежья. Рисунок 2.1 – Схема автомобильной дороги А-322 "Барнаул – Рубцовск – государственная граница с Республикой Казахстан" 51 Протяженность автомобильной дороги А-322 составляет 321 км. Из них 307 км расположены за пределами г. Барнаула, его пригородной зоны и г. Рубцовска и эти участки выбраны для дальнейшего моделирования. Среднегодовая интенсивность движения за пределами городов составляет от 2000 до 10000 автомобилей в сутки в зависимости от участка дороги. Выбранная дорога состоит из отрезков II и III технических категорий, что является типичной характеристикой для России: сеть ФАД РФ с твердым покрытием в основном (на 76%) представлена участками II технической категории (38,7%) и III технической категории (37,3%) (по состоянию на 2015 год [129]). Дорога на всем своем протяжении находится в умеренном климатическом поясе (область континентального климата), что характерно для большей части дорог Западной Сибири. Это также обосновывает ее выбор для дальнейшего моделирования. Анализ основных показателей ДТА свидетельствует о наличии устойчивого высокого уровня аварийности (рисунок 2.2). Тяжесть последствий ДТП в период 2012–2019 годы составила в среднем 17,4 погибших на 100 пострадавших в ДТП. Рисунок 2.2 – Аварийность на дороге А-322 за период 2012–2019 годы 101 139 148 115 112 92 84 83 20 16 14 19 19 19 13 19 2012 2013 2014 2015 2016 2017 2018 2019 год 0 5 10 15 20 25 Т яж ес ть п ос ле дс тв ий Д Т П 0 30 60 90 120 150 К ол ич ес тв о Д Т П 101 139 148 115 112 92 84 83 20 16 14 19 19 19 13 19 Тяжесть последствий ДТП Количество ДТП 52 По итогам 2019 года по сравнению с 2018 годом зафиксирован рост числа раненых (на 20,5%), погибших (на 88,9%) при незначительном снижении количества ДТП (на 1,2%). Анализ распределения видов ДТП за период 2015 – 2019 годов показал, что основными видами ДТП являются столкновения ТС (53%) и опрокидывания ТС (16%). Дорога проходит по территории шести муниципальных районов: Калманского, Топчихинского, Алейского, Шипуновского, Поспелихинского, Рубцовского. Линейный график аварийности (рисунок 2.3), построенный на основе суммы ДТП, подлежащих обязательному включению в государственную статистическую отчетность (с пострадавшими и/или погибшими – отчетные ДТП) за выбранный период времени (2012 – 2019 годы), зафиксированных на километровых участках дороги, показал, что аварийность на отдельных участках дороги значительно отличается. Наиболее аварийными являются участки с пересечениями и подъездами к районным центрам и городам. Однако отмечены и другие участки повышенной аварийности (39 км, 106 км, 128 км, 130 км, 289 км). Рисунок 2.3 – Линейный график аварийности на участках А-322 за период 2012 – 2019 годы, отчетные ДТП 88 (Топчиха); 15 130 (Алейск); 11 176 (Шипуново); 15 214 (Поспелиха); 14 294 (Рубцовск); 14 0 2 4 6 8 10 12 14 16 27 35 43 51 59 67 75 83 91 99 10 7 11 5 12 3 13 1 13 9 14 7 15 5 16 3 17 1 17 9 18 7 19 5 20 3 21 1 21 9 22 7 23 5 24 3 25 1 25 9 26 7 27 5 28 3 29 1 29 9 30 7 31 5 32 3 33 1 К оли че ств о ДТ П Километры дороги 53 В течение года ДТП распределяются неравномерно. С целью сравнения распределения ДТП с пострадавшими в течение года на исследуемой дороге и на ФАД РФ рассчитаны средние месячные доли в годовой структуре аварийности. Результат представлен на рисунке 2.4; в целом распределения схожи: наибольшая часть аварий происходит в летнее время с июля по сентябрь, а наименьшая – в период с февраля по апрель. Рисунок 2.4 – Средние доли ДТП по месяцам года, отчетные ДТП, за период 2015 – 2019 годов На исследуемой дороге фиксируются ДТП различной тяжести, как ДТП–ЧС (в которых пострадало от 10 человек и/или погибло от 5 человек), так и ДТП с материальным ущербом (без пострадавших). Количество ДТП с материальным ущербом составляет около 70% от общего числа ДТП в год; анализ таких аварий необходим при исследовании аварийности [130]. Средняя ежегодная аварийность на основе данных о ДТП с пострадавшими составляет 0,35 ДТП/км, а на основе всей совокупности аварийности (суммарно отчетных ДТП и ДТП с материальным ущербом) 1,18 ДТП/км. 5,3 4,1 4,1 5,6 7,4 9,2 11,6 13,0 10,9 10,2 8,8 9,8 7,2 5,9 5,9 6,2 7,7 8,9 10,2 11,3 9,9 9,5 8,3 9,0 0 2 4 6 8 10 12 14 М ес яч ные до ли ДТ П в г одов ой с тр ук ту ре ав ари йн ос ти , % А-322 (2012-2019) ФАД РФ (2015-2019) 54 На дороге ежегодно регистрируются аварийно-опасные участки дороги (АОУ), однако количество ДТП на них вносит небольшой вклад в суммарную аварийность на дороге: в 2019 году зарегистрировано два АОУ, на которых произошло 7 ДТП (8,4% от общего числа отчетных ДТП на выбранной ФАД). Вследствие этого, для значительного снижения аварийности на дороге необходим анализ всех ДТП, в том числе ДТП с материальным ущербом. Для дальнейшего моделирования процессов, влияющих на риск возникновения КС на участках выбранной дороги и проверки точности его прогнозирования получены и обработаны данные о ДТП на дороге А–322, которые зафиксированы в период с 2012 по 2019 годы, т.е. реализован пассивный эксперимент. При этом учитывались как ДТП с пострадавшими, так и ДТП без жертв (только материальный ущерб). Общая выборка составила 2016 ед. ДТП. Исследование проведено на километровых участках дороги. Анализ основных характеристик выбранной дороги подтверждает ее выбор как типичного представителя ФАД, что позволяет произвести отбор элементов выбранных факторов, реализовать моделирование формирования риска возникновения КС на ФАД, и оценить адекватность полученной модели. 2.2 Обоснование постоянных дорожных характеристик фактора дорога – Д Учет всех параметров ведет к чрезмерному усложнению модели [131, 132], поэтому необходимо определить совокупность элементов рассматриваемого фактора, которые далее будут использованы при моделировании. Поставлена задача по определению конечного множества элементов {𝑑 𝑝 } и его мощности q: Д = {𝑑 𝑝 } 𝑝=1 𝑞 (2.1) 55 Решение поставленной задачи осуществлялось в три этапа. 1. Первоначально, в качестве основных элементов выбраны 18 независимых элементов (п 1.5.1) среди которых: сумма центральных углов (на основе данных о радиусе кривизны, протяженности кривых); объединенная характеристика продольного уклона дороги (сумма произведений величин уклона на его протяженность), его максимальное значение; число полос движения; ширина проезжей части, укрепленной части обочины; общая ширина обочины (левая и правая); протяженность прямого участка; протяженность моста, ограждения; протяженность зоны недостаточной видимости; характеристики перекрестков в баллах (пересечения с дорогой, ведущей в города большие и крупные – 3, средние и малые – 2, районные центры, большие и крупные, в малые и средние населенные пункты – 1, в сады, в поле, сезонный съезд на грунтовую дорогу – 0,5); наличие перекрестка в зоне 100 метров; количество пешеходных переходов, их характеристика в баллах (переход с остановочным пунктом, ведущий в город – 3, ведущий в малые и средние населенные пункты – 2, без остановочного пункта – 1); протяженность нахождения в черте населенного пункта; протяженность дороги с возможностью появления животных (по дорожному знаку 1.26 Перегон скота); количество объектов придорожного сервиса, их мощность; среднегодовая интенсивность движения транспортного потока. Недостатки дорожного покрытия и отклонения фактических показателей от нормативных в качестве элементов рассматриваемого фактора не рассмотрены в связи с информацией ФКУ Упрдор «Алтай»: «ФАД Алтайского края соответствуют нормативам на 95%» (по состоянию на 2018 год) [133]. На исследуемой дороге действуют шесть пунктов учета интенсивности движения (ПУИД). С целью расчета необходимого показателя на участках дороги, расположенных между ПУИД, принято решение использовать его равномерное изменение. Для этого предложено определять доли близости (α, β) к ближайшим ПУИД, которые представляют собой величины, обратные расстоянию до 56 соответствующих ПУИД. Среднегодовая часовая интенсивность 𝑠 среднегод 𝑖 на i-ом километровом участке дороги рассчитывается с помощью выражения: 𝑠 среднегод 𝑖 = 𝛼 ∙ 𝑠 среднегод ПУИД 𝑎 + 𝛽 ∙ 𝑠 среднегод ПУИД 𝑏 , (2.2) где 𝛼 – доля близости к правому ПУИД, 𝛼𝜖[0; 1]; 𝛽 – доля близости к левому ПУИД, 𝛽𝜖[0; 1]); 𝑠 среднегод ПУИД – среднегодовая интенсивность на соответствующем ПУИД. Расчет долей близости представлен на рисунке 2.5. Рисунок 2.5 – Расчет долей близости α, β 2. На втором этапе сформирована таблица данных, отражающая значения элементов и средней аварийности по итогам 2012–2018 годов по каждому километровому участку выбранной дороги. В связи с ограниченной точностью данных о ДТП (во многих случаях в качестве адреса ДТП регистрируется только километр дороги без уточнения метров), принятая точность является допустимой в рамках такого анализа. 3. На третьем этапе для сокращения числа переменных проведен корреляционный анализ: рассчитаны коэффициенты парной корреляции Пирсона / Спирмена (для элементов, измеренных в порядковой шкале) между выбранными переменными и средней аварийностью на участке ФАД. Статистической гипотезой H 0 в корреляционном анализе является предположение об отсутствии связи между исследуемыми переменными (p>0,05), альтернативной гипотезой H 1 – существует связь между выбранными переменными (p≤0,05). b a ПУИД b ПУИД a b a b b a a дорога Место расчета 57 Выбраны те элементы, уровень значимости коэффициентов корреляции которых p<0,05. Результаты анализа представлены в таблице 2.1. Таблица 2.1 – Результаты корреляционного анализа элементов фактора дорога – Д № пп Элемент фактора Значение коэффициента корреляции Значимость для моделирования 1 Сумма центральных углов 0,24 Да 2 Объединенная характеристика продольного уклона дороги 0,32 Да 3 Максимальная величина уклона 0,34 Да 4 Число полос движения 0,46 Да 5 Протяженность моста 0,40 Да 6 Протяженность ограждения 0,27 Да 7 Протяженность зоны недостаточной видимости 0,30 Да 8 Характеристика перекрестков 0,25 Да 9 Характеристика пешеходных переходов и остановочных пунктов 0,22 Да 10 Протяженность дороги с возможностью появления животных 0,37 Да 11 Количество и мощность объектов придорожного сервиса 0,50 Да 12 Среднегодовая интенсивность движения 0,32 Да 13 Ширина проезжей части 0,01 Нет 14 Ширина укрепленной части обочины 0,01 Нет 15 Общая ширина обочины 0,08 Нет 16 Протяженность прямого участка -0,01 Нет 17 Наличие перекрестка в зоне 100 метров 0,02 Нет 18 Протяженность нахождения в черте населенного пункта -0,03 Нет В результате корреляционного анализа для проведения дальнейшего моделирования выделены и обоснованы 12 значимых переменных 𝑑 𝑝 (конечное множество элементов фактора дорога – Д с мощностью q=12). Выбранные элементы определены как совокупность постоянных дорожных характеристик (не изменяются в процессе эксплуатации) [134, 135]. Для каждого i-го километрового участка дороги получены значения выбранных элементов с целью дальнейшего моделирования. 58 2.3 Разработка математической модели оценки уровня потенциального риска возникновения ДТП на участках ФАД Моделирование влияния совокупности элементов фактора дорога – Д на уровень риска возникновения ДТП основано на совокупности 12 постоянных дорожных характеристик и среднегодовой аварийности, которая определена исходя из данных о ДТП с пострадавшими и без жертв за 2012–2018 годы на выбранной ФАД. Показатели определены для каждого километрового участка – «участок дороги между двумя смежными указателями километров на дороге» [136]. Основой для моделирования явилось определение типовых участков: участков, обладающих схожей или одинаковой совокупностью показателей выбранных элементов фактора дорога – Д, которые должны обладать соответственно одинаковым значением уровня риска ДТП (частотой), обусловленного совокупностью постоянных дорожных характеристик. В работе этот показатель определен как уровень потенциального риска возникновения ДТП – риска возникновения ДТП на i-ом километровом участке дороги (ДТП/год), обусловленного совокупностью постоянных дорожных характеристик. Уровень потенциального риска представлен коэффициентом опасности дороги 𝐾 𝐷 𝑖 , значение которого является следствием влияния совокупности элементов фактора Д = {𝑑 𝑝 }: 𝐾 𝐷 𝑖 = 𝑣(𝑑 𝑝 𝑖 ). (2.3) В соответствии с выбранным подходом, для решения поставленной задачи выбрано машинное обучение, которое производилось в два этапа: 1) формирование групп, объединяющих типовые участки – схожие между собой по показателям постоянных дорожных характеристик и определение уровня потенциального риска в них; 59 2) установление правила нахождения группы на основе информации о показателях постоянных дорожных характеристик и определения соответствующего значения уровня потенциального риска. Основой моделирования на первом этапе выбран кластерный анализ. Он позволяет обрабатывать большие объемы данных и объединять однотипную информацию в единый кластер для дальнейшего адресного исследования каждого из них. Кластерный анализ заключается в следующем: на основе анализа степени сходства переменных, обладающих высокой схожестью, они кластеризуются в отдельный кластер (группу). Анализ реализован следующим образом: задано множество объектов – участков дороги (километров) 𝑄 = {𝑄 1 , 𝑄 2 , … , 𝑄 𝑛𝑘 } , с количеством nk=299 (исключены отрезки дороги в пригородной зоне г. Барнаула и длительной протяженностью (более 3 км) по населенному пункту). Задано множество постоянных дорожных характеристик (выбранных элементов фактора дорога – Д): Д = {𝑑 1 , 𝑑 2 , … , 𝑑 𝑞 }, которыми обладает каждый 𝑄 𝑖 , где q=12. Результат измерения p-ой дорожной характеристики объекта Q i обозначено как 𝑑 𝑝 𝑖 , а вектор Д 𝑖 = [𝑑 𝑝 𝑖 ] размерности p×1 отвечает постоянным дорожным характеристикам каждого i-го километра дороги. Сформировано множество дорожных характеристик всех участков дороги Д = {Д 1 , Д 2 , … , Д 𝑛𝑘 }. Множество фактора дорога – Д может быть представлено как nk точек в p-мерном Евклидовом пространстве E p Особенностью анализа является то, что большая часть параметров 𝑑 𝑝 дискретны и многие значения параметры 𝑑 𝑝 𝑖 принадлежащие разным Q i одинаковы или близки. Далее следует разбиение множества объектов (участков дороги) 𝑄на mk кластеров: π 1 , π 2 , … π mk , чтобы каждый участок дороги Q i принадлежал одному и только одному кластеру, а кластеры π характеризовались объектами одинаковыми или схожими по дорожным характеристикам. Каждый кластер представляет собой группу участков дороги со схожими характеристиками, а, следовательно, влияние 60 рассматриваемого фактора дорога – Д на аварийность (уровень потенциального риска) одинаково для объектов, принадлежащих одному кластеру [137]. Данные предварительно стандартизованы. С помощью алгоритма К-средних участки разделены на четыре кластера (mk=4), со схожими дорожными условиями. Метод K-средних представляет собой выполнение следующего алгоритма: определяются центры кластеров на основе k случайно выбранных наблюдений, затем состав кластеров изменяется путем определения минимума изменчивости внутри кластеров и максимума ее между ними. Каждое следующее наблюдение (k+1) относится к кластеру, отличающегося минимальным значением сходства с центром тяжести. При обновлении состава кластера определяется новый центр тяжести. Алгоритм продолжается до прекращения изменения состава [138]. Кластеризация проведена в программе Statistica. Для каждого километрового участка дороги определен кластер. Результаты представлены в таблице 2.2. Таблица 2.2 – Результаты кластеризации ФАД А-322 Номер кластера Количество участков в кластере Примеры участков в кластере (километры дороги) 1 4 км 55+000 – км 56+000; км 128+000 – км 129+000 2 26 км 66+000 – км 67+000 км; км 87+000 – км 88+000 3 92 км 86+000 – км 87+000 км; км 130+000 – км 131+000 4 177 км 166+000 – км 167 +000; км 289+000 – км 290+000 Анализ межгрупповой и внутригрупповой дисперсии показал, что различия между кластерами значимы. Выбранный подход реализует гипотезу о том, что в результате случайных воздействий (например, ДТП с водителями в алкогольном опьянении) число аварий может не соответствовать потенциальному риску на каждом конкретном 61 участке. Это согласуется с ранее выдвинутым предположением о равномерном распределении вероятности возникновения ДТП по причине «опасных» водителей и ТС во времени и пространстве, которое позволяет использовать в качестве потенциального риска среднее количество ДТП по участкам дорог, относящихся к одному кластеру. Его расчет на основе аварийности за 2012–2018 годы представлен в таблице 2.3. Проведение дисперсионного анализа доказало значимость различий средних в кластерах. Таблица 2.3 – Потенциальный риск ДТП в кластерах ( 𝐾 𝐷 𝑖 ) Номер кластера Потенциальный риск (ДТП/год) Уровень 1 8,02 «Красный» 2 2,07 «Оранжевый» 3 1,50 «Желтый» 4 0,91 «Зеленый» Установлены четыре уровня потенциального риска возникновения ДТП: «красный», «оранжевый», «желтый» и «зеленый». Цвет ранжирован в соответствии со значением потенциального риска в кластере. Первый кластер («красный» уровень) отличается наиболее высоким значением потенциального риска и объединяет участки с наиболее сложными дорожными условиями: сочетанием всех или нескольких следующих характеристик: высоких значений продольного уклона, значительной протяженностью мостов, зоны необеспеченной видимости, наличием перекрестка, пешеходного перехода и объектов придорожного сервиса. Примеры участков представлены на рисунке 2.6. 62 а) б) Рисунок 2.6 – Примеры участков дороги первого кластера: а) км 55+000 – км 56+000; б) км 128+000 – км 129+000 Второй кластер («оранжевый» уровень), характеризуется меньшим значением потенциального риска в сравнении с первым кластером. Он объединил участки с менее выраженной сложностью дорожных условий в сравнении с первым кластером, но более сложным в сравнении с другими. Участки характеризуются совокупностью большинством следующих характеристик: наличие значительного продольного уклона, объектов придорожного сервиса, перекрестков. Пример представлен на рисунке 2.7. 63 Рисунок 2.7 – Пример участка дороги второго кластера (км 87+000 – км 88+000) Участки третьего кластера («желтый» уровень потенциального риска) в основном характеризуются совокупностью всех или отдельных следующих элементов: значительным радиусом кривизны, наличием мостов, зоны необеспеченной видимости, высокой интенсивностью движения. Пример представлен на рисунке 2.8 Рисунок 2.8 – Пример участка дороги третьего кластера (км 29+000 – км 30+000) Отрезки четвертого кластера («зеленый» уровень потенциального риска) отличаются наиболее простыми условиями движения, в своем большинстве 64 представляют собой практически прямые участки. Пример представлен на рисунке 2.9. а) б) Рисунок 2.9 – Примеры участков дороги четвертого кластера: а) км 47+000 – км 48+000; б) км 206+000 – км 207+000 Вторым этапом моделирования является установление правила определения кластера в зависимости от значений совокупности постоянных дорожных характеристик. Это позволит определять кластер, а на его основе – соответствующее значение уровня потенциального риска (по таблице 2.3). Это необходимо при изменении значений элемента фактора дорога – Д, а также при определении уровня потенциального риска на других участках ФАД II и III 65 категорий. Применимость выбранной группы методов в целях исследования факторов аварийности подтверждается работами [139, 140], однако полученная авторами модель применяется для городских улиц, а в качестве переменных использованы виды нарушений ПДД. Для нахождения правила определения кластера проведен линейный дискриминантный анализ с помощью программы Statistica. Целью использования данного типа анализа является поиск классификационных функций: 𝐷𝐹 𝑧 (𝑑 𝑝 ) = 𝑘 1𝑧 𝑑 1 + 𝑘 2𝑧 𝑑 2 + ⋯ + 𝑘 𝑞𝑧 𝑑 𝑞 + 𝑎, (2.4) где 𝐷𝐹 𝑧 (𝑑 𝑝 ) – линейная классификационная функция; z – индекс классификационной функции; k – коэффициенты; d – переменные (дорожные характеристики); q – число признаков; a – свободный член. Реализована стандартная процедура проведения дискриминантного анализа. В качестве зависимой переменной выбраны номера кластеров, независимыми выступили выбранные постоянные дорожные характеристики; включены все переменные. Количество классификационных функций: четыре (согласно количеству кластеров). В результате получены следующие классификационные функции: 𝐷𝐹 1 (𝑑 𝑝 ) = −57,68𝑑 1 − 0,04𝑑 2 + 0,38𝑑 3 + 9,19𝑑 4 − 48,55𝑑 5 + 173,51𝑑 6 − −11,76𝑑 7 + 51,71𝑑 8 − 0,94𝑑 9 − 3,14𝑑 10 + 0,19𝑑 11 + 0,07𝑑 12 − 314,80, (2.5) 𝐷𝐹 2 (𝑑 𝑝 ) = −33,45𝑑 1 + 0,02𝑑 2 + 0,11𝑑 3 + 11,59𝑑 4 − 18,72𝑑 5 + 16,76𝑑 6 − −6,41𝑑 7 − 1,31𝑑 8 − 0,77𝑑 9 − 3,38𝑑 10 + 0,05𝑑 11 + 0,11𝑑 12 − 49,43, (2.6) 𝐷𝐹 3 (𝑑 𝑝 ) = −45,22𝑑 1 + 0,01𝑑 2 + 0,25𝑑 3 + 12,12𝑑 4 − 0,89𝑑 5 + 28,68𝑑 6 − −4,13𝑑 7 − 13,64𝑑 8 − 0,77𝑑 9 − 3,99𝑑 10 − 0,01𝑑 11 + 0,15𝑑 12 − 35,94, (2.7) 66 𝐷𝐹 4 (𝑑 𝑝 ) = −14,56𝑑 1 − 0,01𝑑 2 + 0,10𝑑 3 + 12,85𝑑 4 − 1,69𝑑 5 + 25,48𝑑 6 − −3,32𝑑 7 − 4,30𝑑 8 − 1,24𝑑 9 − 2,88𝑑 10 − 0,01𝑑 11 + 0,09𝑑 12 − 23,11, (2.8) где d 1 – сумма центральных углов; d 2 – объединенная характеристика продольного уклона дороги (сумма произведений величин уклона на его протяженность); d 3 – максимальная величина уклона; d 4 – число полос движения; d 5 – протяженность зоны с возможностью появления животных; d 6 – моста; d 7 – ограждения; d 8 – зоны необеспеченной видимости; d 9 – характеристика перекрестка; d 10 – пешеходного перехода (в баллах); d 11 – сумма мощности объектов придорожного сервиса; d 12 – среднегодовая интенсивность. Анализ модели показал, что Лямбда Уилкса составила 0,03; p-уровень значимости F-критерия меньше 0,001 что говорит о корректности результатов. В таблице 2.4 представлена матрица результатов классификации, доля верно классифицированных участков составила 95,32%. Таблица 2.4 – Матрица результатов классификации Кластер Доля верно классифицированных участков Количество участков в каждом кластере 1 2 3 4 1 100,00 4 0 0 0 2 96,00 0 24 0 1 3 91,67 0 1 88 7 4 97,13 0 1 4 169 В целом 95,32 4 26 92 177 Для определения уровня потенциального риска ( 𝐾 𝐷 𝑖 ) на основе значений постоянных характеристик дороги i-го участка необходимо выполнение следующих шагов: 1) Определение кластера, к которому принадлежит рассматриваемый i-й участок: расчет значений четырех классификационных функций (определение веса классификации) с использованием зависимостей (2.5) – (2.8), выбор максимального из них и установление соответствующего номера кластера в соответствии с индексом классификационной функции, значение которой оказалось максимальным; 67 2) определение уровня потенциального риска на основе номера кластера и таблицы 2.3. Математическая модель, позволяющая определить уровень потенциального риска возникновения ДТП на i-ом участке ФАД ( 𝐾 𝐷 𝑖 ) представляет собой выражение: 𝐾 𝐷 𝑖 = { 8,02 ДТП/год, при 𝐷𝐹 1 (𝑑 𝑝 ) = max 𝐷𝐹 𝑧 (𝑑 𝑝 ) 2,07 ДТП/год, при 𝐷𝐹 2 (𝑑 𝑝 ) = max 𝐷𝐹 𝑧 (𝑑 𝑝 ) 1,50 ДТП/год, при 𝐷𝐹 3 (𝑑 𝑝 ) = max 𝐷𝐹 𝑧 (𝑑 𝑝 ) 0,91 ДТП/год, при 𝐷𝐹 4 (𝑑 𝑝 ) = max 𝐷𝐹 𝑧 (𝑑 𝑝 ) , (2.9) где 𝑑 𝑝 𝑖 – p-е постоянные дорожные характеристики на i-ом участке (p=1…12); 𝐷𝐹 𝑧 (d) – классификационные функции, z=1, 2, 3, 4, (2.5) – (2.8). Применение кластерного и дискриминантного анализов, позволило провести моделирование влияния элементов фактора дорога – Д на уровень потенциального риска возникновения ДТП на участках ФАД. Полученное математическое выражение позволяет отнести участок ФАД к одному из четырех кластеров и определить на нем уровень потенциального риска, обусловленного совокупностью постоянных дорожных характеристик. Выводы по главе 2 1. Анализ основных дорожных и климатических характеристик, а также показателей аварийности ФАД А-322 показал, что они находятся в зоне средних значений по РФ, что позволило выбрать эту дорогу в качестве базы для моделирования. Закономерности, выявленные на данной дороге, могут быть использованы на аналогичных ФАД России, расположенных в той же климатической зоне. 68 2. На основе корреляционного анализа из 18 базовых элементов фактора дорога – Д выделены 12 постоянных дорожных характеристик, отличающихся наиболее сильной связью со средней аварийностью на участках дорог: сумма центральных углов на участке, объединенная характеристика продольного уклона дороги (сумма произведений величин уклона на его протяженность), максимальная величина уклона, число полос движения, протяженность зоны с возможностью появления животных, моста, ограждения, зоны необеспеченной видимости, характеристика перекрестка, пешеходного перехода, сумма мощности объектов придорожного сервиса, среднегодовая интенсивность. 3. Кластерный анализ позволил разделить участки ФАД на четыре кластера, каждый из которых объединил километровые участки, схожие по совокупности показателей постоянных дорожных характеристик (типовые участки). В каждом кластере определен показатель – уровень потенциального риска 𝐾 𝐷 𝑖 (ДТП/год). 4. С использованием дискриминантного анализа получена математическая модель, позволяющая отнести участок ФАД к конкретному кластеру и определить на нем соответствующий показатель потенциального риска 𝐾 𝐷 𝑖 . Адекватность классификационных функций обоснована расчетом Лямбды Уилкса, уровня значимости F-критерия и матрицы классификации, доля верно классифицированных участков составила 95%. |