CN103164962A - 一种山区公路急弯路段实时车速预警方法 - Google Patents

Abstract

本发明具体公开了一种山区公路急弯路段实时车速预警方法，包括如下步骤：步骤1.在车辆和急转弯公路上布设基础信息采集装置，实时采集道路和车辆信息。步骤2在计算机中基于BP神经网络构建道路附着系数和滚动阻力系数的计算控制器；步骤3将步骤1中采集的各项参数输入BP神经网络控制器进行处理，输出车辆在弯道处的道路附着系数和滚动阻力系数；步骤4计算机求出车辆间距；步骤5计算机求出车辆间安全距离；步骤6对车辆的安全距离和车辆间距进行比较后对超速车辆进行报警。

Description

一种山区公路急弯路段实时车速预警方法

技术领域

本发明涉及一种车速预警系统，具体是能够保障山区公路急弯路段行车安全的车速预警方法。

背景技术

车速预警系统是保障公路交通安全的一项重要设施，其主要作用是在存在事故隐患时使驾驶员及时减速，从而避免交通事故的发生，特别是当道路线形条件和气候条件都较差时，结合实时气象、交通条件对车辆进行车速预警显得尤为重要。

另外期刊山东交通学院学报的2009年第12期的论文-基于图像处理技术的高速公路弯道车速预警系统的研究；东北农业大学工学硕士论文-山路盲区弯道会车提示系统的设计，期刊信息技术的2011年第6期的山区弯道智能会车提示系统的设计；期刊电视技术的2006年第6期一款基于凌阳61单片机的汽车弯道会车雷达设计，上述现有技术大多没有考虑不同气象条件和道路设计参数对车辆行驶状态的影响，无法根据车辆的实时行驶状态构建预警方案，与本发明提出的结合实时道路、交通和气象条件，根据车辆各自行驶状态进行预警的方法不同。

另外在专利弯道障碍物预警系统(CN200820122886)预警方案未考虑车辆进入弯道时的不同行驶状态是否有对其预警的必要；专利公路弯道会车预警装置（CN200920063304）主要针对的是会车提醒，未涉及同向车辆间的安全隐患；一种基于视频图像识别的弯道超速预警装置(CN201120507735)是基于视频图像识别进行弯道车速预警，该装置在能见度低的条件下适用性差。

发明内容

为解决现有技术存在的缺点，本发明提出了一种山区公路急弯路段实时车速预警方法。

本发明通过以下技术方案实现，具体步骤如下：

步骤1.在车辆和急转弯公路上布设基础信息采集装置，实地采集道路和车辆信息，所述的基础信息采集装置包括车载信息采集装置和道路交通检测装置；

步骤2在车载计算机中基于BP神经网络构建道路附着系数和滚动阻力系数的计算控制器；

步骤3将步骤1中车载信息采集装置采集的信息输入BP神经网络控制器处理，输出车辆在急转弯处的道路附着系数和滚动阻力系数，并通过车载微波通讯设备（OBU）传输至路侧微波读写天线（RSU）设备进而传输至中心控制计算机；

步骤4中心控制计算机根据道路交通检测装置检测的前车车速、前车通过各道路交通检测装置的时间、道路交通检测装置布设间距及后车车速、后车当前位置计算车辆实际间距并判别前车当前运动状态；

步骤5中心控制计算机根据道路交通检测装置检测的后车实时车速、步骤（3）输出的信号以及事先存储的当前路段道路设计参数，求出车辆间的安全距离；

步骤6对车辆的安全距离和车辆间距进行比较，若车辆间距小于安全距离，则对后车车速报警，若车辆间距大于安全距离，则回到步骤1采集下一辆车的信号。

所述的步骤1中，车载信息采集装置通过在汽车底盘设置红外温、湿度传感器和在轮胎上设置表面声波传感器，采集车辆进入公路急转弯前20-50m范围内路面的温度、湿度和轮胎的胎压、变形量、接地面积、滑移量随时间的变化情况；道路交通检测装置主要采集车速、交通量和车辆通过时间信息。温、湿度传感器和表面声波传感器分别通过CAN总线和无线微波通讯方式将采集数据传输至车载计算机系统，道路交通检测装置通过光纤传输与中心控制计算机实现通信。

所述的急转弯公路上道路交通检测装置设置方法：从急转弯起点开始，在考虑道路设计车速条件下，以天气和路面条件较好时的车辆安全制动距离经验值为参考标准，每隔这一距离设一受天气和环境影响较小的道路交通检测装置，可采用线圈道路交通检测装置或微波道路交通检测装置，以实现路上交通量和车速数据的实时检测和传输；

所述的步骤2中，计算控制器的建立过程是：将车载信息采集装置实时采集的各类数据值作为输入，以道路附着系数和滚动阻力系数作为输出，通过实验室测试数据和已有的相关参数历史数据进行样本训练，将训练误差减小到预定阈值或达到训练次数，以得到最优神经网络控制器；

所述步骤3中，将车辆进入急转弯时车载信息采集装置采集的数据输入步骤2构建的神经网络控制器，求得车辆在此急转弯处的道路附着系数和滚动阻力系数，并通过车载微波通讯设备（OBU）利用专用短程通信技术（DSRC）传输至路侧微波读写天线（RSU）设备进而传输至中心控制计算机；

所述步骤4车间距离的计算中，当有车辆陆续进入急转弯后，急转弯内的道路交通检测装置记录每一车辆通过时间、车速和该断面交通量，上一道路交通检测装置检测到后车的相关参数时，根据道路交通检测装置设置间距、前车通过该检测装置的时间、车速及此时是否通过下一检测装置来计算车间距离并判断前车的行驶状态；

所述步骤5安全距离的求解，中心控制计算机根据步骤3确定的后车在此急转弯处的路面附着系数和道路滚动阻力系数，根据步骤4检测的前车和后车车速以及事先存储的此公路急转弯线形设计参数，在此基础上计算两车间的安全距离；

所述步骤6中车速报警实现方式：在急转弯内设置的每一道路交通检测装置前设置蜂鸣报警装置，当通过上述计算确定后车与前车距离不满足安全距离要求时，在后车行驶至报警装置处时对其发出车速警报。

所述步骤1中急转弯公路上道路交通检测装置的设置：从急转弯起点开始，考虑道路设计车速值，以天气和路面条件较好时的车辆平均安全制动距离值为间距参考标准布置道路交通检测装置，为了使道路交通检测装置工作时尽量不受环境影响，选用线圈道路交通检测装置或微波道路交通检测装置。

车辆安全制动距离的计算公式为：

式中，D为车辆安全制动距离,V为路上典型车型在进入该急转弯时的平均车速，

和ψ别为气候和路面条件较好时路面与轮胎之间的附着系数及道路阻力系数，其中ψ=f+i_z，f为滚动阻力系数，i_z为道路纵坡。

所述步骤2中计算控制器分为三层结构，即输入层，隐含层和输出层，具体结构如图1。

第一层为输入层，输入值表示为x={x₁,x₂,..x_M}，其中，M表示输入参数的个数，M为大于等于1的整数，x₁,x₂,..x_M分别表示车型、车速、胎压、变形量、接地面积、滑移量、路面温度和湿度；x_j表示x₁,x₂,..x_M（j=1,2,3…M）中的任意一个参数，即输入层的任意参数；

第二层为隐含层，隐含层任一节点i的输入为net_i

${\mathrm{net}}_i=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_i,$

第i个节点的输出为y_i

$y_i=\mathrm{\φ}\left({\mathrm{net}}_i\right)=\mathrm{\φ}(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_i)$

其中

w_ij表示输入层第j个节点到隐含层第i个节点的权值，其中j和i分别表示输入层和隐含层任一节点的编号，j=1,2,3..M，i＝1,2,3...q，q为大于等于1的自然数，M和q分别为输入层和隐含层的结点个数；

θ_i表示隐含层第i个节点的阈值；

φ(x)表示隐含层的激励函数；

第三层为输出层，最终得到路面附着系数和滚动阻力系数值，输出层第k个节点的输入为net_k

${\mathrm{net}}_k=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}{y}_i+a_k=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}\mathrm{\φ}(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_i)+a_k$

第k个节点的输出为o_k

$o_k=\mathrm{\ψ}\left({\mathrm{net}}_k\right)=\mathrm{\ψ}(\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}{y}_i+a_k)=\mathrm{\ψ}(\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}\mathrm{\φ}(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_j)+a_k)$

其中

w_ki表示隐含层任一节点i到输出层任一节点k的权值，k为输出层任一节点编号，k=1,2,3...L，L为大于等于1的自然数；

α_k表示输出层第k个节点的阈值；

Ψ(net_k)表示输出层的激励函数；

O_k表示输出层第k个节点的输出；

样本训练时，根据误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值；

输入P个学习样本，用x¹,x²,...x^p,表示；对于第P个样本x^p的二次型误差准则函数为E_p：P为大于等于的自然数；

$E_p=\frac{1}{2}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{({T_k}^p-{O_k}^p)}^2$

其中T_k为第k个节点的期望输出值；O_k表示输出层第k个节点的输出；T_k ^p和O_k ^p分别表示第p个样本的期望输出值和实际输出值；

系统对P个训练样本的总误差准则函数为：

$E=\frac{1}{2}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{({T_k}^p-{O_k}^p)}^2$

其中T_k ^p和O_k ^p分别表示第p个样本的期望输出值和实际输出值；

根据误差梯度下降法依次修正输出层权值的修正量Δw_ki，输出层阈值的修正量Δa_k，隐含层权值的修正量Δw_ij，隐含层阈值的修正量Δθ_i；

${\mathrm{\Δw}}_{\mathrm{ki}}=\mathrm{\η}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}({T_k}^p-{o_k}^p)\·{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)\·y_i$

${\mathrm{\Δa}}_k=\mathrm{\η}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}({T_k}^p-{o_k}^p)\·{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)$

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\η}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p)\·{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)\·w_{\mathrm{ki}}\·{\mathrm{\φ}}^{\′}\left({\mathrm{net}}_i\right)\·x_j$

${\mathrm{\Δ\θ}}_i=\mathrm{\η}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p)\·{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)\·w_{\mathrm{ki}}\·{\mathrm{\φ}}^{\′}\left({\mathrm{net}}_i\right)$

其中η为学习率，

和ψ′(net_k)表示隐含层和输出层激励函数的求导函数；

误差修正完成后随机选取下一个样本提供给网络，重复计算过程，直至网络全局误差函数小于预先设定的一个极小值，即网络收敛；或学习次数小于预先设定的值，即网络无法收敛。

所述步骤4中车间距离计算方法：当有车辆陆续进入急转弯后，急转弯内的道路交通检测装置记录车辆通过时间、车速和该断面交通量，上一道路交通检测装置检测到后车的相关参数时，由传输至中心控制计算机的道路交通检测装置采集数据进行前后车间距计算并判断前车运动状态，计算方法为：

（1）按照行车方向将布设的道路交通检测装置按照自然数的顺序进行编号，从起点道路交通检测装置1开始，当有车辆通过检测断面时，由道路交通检测装置记录该车的通过时间、车速及此断面该时刻的交通量，并及时传输给中心控制计算机；

（2）若道路交通检测装置h（h为大于等于的自热数）在t₁时间检测到第n（n为大于等于1的自然数）辆车通过，车速为V₁，此时该断面处交通量为n，经过时间Δt后检测到第n+1辆车通过，车速为V₂，此时该断面处交通量为n+1，利用计算机采集到的后续道路交通检测装置数据搜索t+Δt时刻第n辆车的位置，可能出现的结果如下：

①至t+Δt时刻h+1道路交通检测装置未检测到第n辆车通过，即此时h+1道路交通检测装置统计的交通量为n-1，说明此时第n辆车和第n+1辆车间不满足安全距离，则在第n+1辆车通过道路交通检测装置h后的报警装置时对其进行速度报警；

②在t+Δt时刻第n辆车已通过后续m（m为大于等于1的自然数）个道路交通检测装置，搜索其通过最后一道路交通检测装置时的时间t₂及通过最后两个道路交通检测装置时的速度V_h+m-1和V_h+m，分别计算此时第n车和第n+1车的实际距离和两辆车之间所需的安全距离，在实际距离小于所需安全距离时对后车进行速度预警。

第n车和第n+1车的车间实际距离按下式计算：

$S=\mathrm{ms}+V_{h+m}[\mathrm{\Δt}-(t_2-t_1)]+\frac{({V_{h+m}}^2-{V_{h+m}}^2)}{4s}{[\mathrm{\Δt}-(t_2-t_1)]}^2$

式中

s为道路交通检测装置布置间距；

Δt为道路交通检测装置h检测到第n辆车和第n+1辆车的时间差；

V_h+m为第n辆车通过第h+m个道路交通检测装置时的车速；

V_h+m-1为第n辆车通过第h+m-1个道路交通检测装置时的车速；

m为第n辆车在Δt时间内通过的道路交通检测装置h后的道路交通检测装置个数；

t₁为第n辆车通过道路交通检测装置h的时刻；

t₂为第n辆车在Δt时间内通过最后一个道路交通检测装置的时刻；

此时第n车的车速为：

$V_2^{\′}=V_{h+m}+\frac{({V_{h+m}}^2-{V_{h+m-1}}^2)}{2s}[\mathrm{\Δt}-(t_2-t_1)]$

计算第n+1辆车和第n车之间所需的安全距离时，需先将步骤1中采集的第n+1辆车的相关参数输入步骤2中构造的BP神经网络控制器，以求得第n+1辆车在此急转弯处的道路附着系数和滚动阻力系数。

所述步骤5中安全距离的计算：求得第n+1车在急转弯处的道路附着系数和滚动阻力系数后，安全距离确定方法为：

ⅰ）当V′₂＞V₂时，车间距离满足安全间距需要，无需进行车速预警；

ⅱ）当V_h+m＜V′₂≤V₂时，两车间的安全距离为：

ⅲ）当V′₂≤V₂且V′₂≤V_h+m时，两车间安全距离为：

式中

和ψ分别为根据前述条件计算得到的第n+1车在急转弯处的道路附着系数和滚动阻力系数。

所述步骤6车速报警实现：在急转弯公路上设置的每一道路交通检测装置前设置蜂鸣报警装置，当通过上述计算确定后车与前车距离不满足安全距离要求时，在后车行驶至报警装置处时由中心控制计算机指挥其发出车速警报。

本发明的有益效果是：

本发明提出一种能够根据实时气象、交通条件，结合道路设计参数，对汽车在急弯路段行驶超速时进行提醒的预警系统，以使车辆在通过急弯路段时更加安全，不仅比传统的弯道车速预警方法更精确，而且更加适用于出现大雾、风沙、雨雪等恶劣天气时，有助于预防交通事故的发生。

附图说明

图1BP神经网络结构；

图2在公路段道路交通检测装置的铺设示意图；

图3本发明的工作流程图；

具体实施方式

下面结合附图对本发明进行详细说明：

本发明包括如下步骤：

1.布设基础信息采集装置:包括车载信息采集装置和道路交通检测装置两种。车载信息采集装置通过在汽车底盘设置红外温、湿度传感器和在轮胎上设置表面声波传感器，采集车辆进入公路急转弯前20-50m范围内路面的温度、湿度和轮胎的胎压、变形量、接地面积、滑移量随时间的变化情况；道路交通检测装置主要采集车速、交通量和车辆通过时间信息；

2.基于BP神经网络构建道路附着系数和滚动阻力系数的计算控制器：在车载计算机中以车载信息采集装置实时采集的数据项作为输入，以道路附着系数和滚动阻力系数作为输出，通过实验室测试数据和已有的相关参数历史数据进行样本训练，将训练误差减小到预定阈值或达到训练次数，以得到最优神经网络控制器；

3.车载计算机和中心控制计算机之间的数据传输：将车辆进入急转弯前车载信息采集装置采集的数据输入BP神经网络控制器，输出车辆在此急转弯上的附着系数和道路滚动阻力系数，并通过车载OBU传输至路侧RSU设备进而传输至中心控制计算机；

4.车间距离计算：当车辆陆续进入急转弯后，急转弯内的道路交通检测装置记录车辆通过时间、车速和该断面交通量，并将数据实时传输至中心控制计算机，中心控制计算机根据道路交通检测装置检测的前车车速、前车通过各道路交通检测装置的时间、道路交通检测装置布设间距及后车车速、后车当前位置计算车辆实际间距和前车速度并判别前车当前运动状态；

5.安全距离计算：中心控制计算机根据道路交通检测装置采集的车辆信息、后车车载计算机传输的数据、已求得的前车车速及事先存储的公路急转弯的设计参数计算前后两车间的安全距离；

6.车速报警实现：在急转弯公路上设置的每一道路交通检测装置前设置蜂鸣报警装置，当通过上述计算确定后车与前车距离不满足安全距离要求时，在后车行驶至报警装置处时对其发出车速警报。

所述步骤1中急转弯公路上道路交通检测装置的设置：从急转弯的起点开始，考虑道路设计车速值，以天气和路面条件较好时的车辆平均安全制动距离值为间距参考标准布置道路交通检测装置，为了使道路交通检测装置工作时尽量不受环境影响，选用线圈道路交通检测装置或微波道路交通检测装置。

车辆安全制动距离的计算公式为：

式中，D为车辆安全制动距离,V为路上典型车型在进入该急转弯时的平均车速，

和ψ别为气候和路面条件较好时路面与轮胎之间的附着系数及道路阻力系数，其中ψ=f+i_z，f为滚动阻力系数，i_z为道路纵坡。

所述步骤2中BP神经网络构建路面附着系数和滚动阻力系数计算控制器分为三层结构，即输入层，隐含层和输出层,具体结构见图1。

第一层为输入层，输入值表示为x={x₁,x₂,..x_M}，其中，M表示输入参数的个数，M为大于等于1的整数，x₁,x₂,...x_M分别表示车型、车速、胎压、变形量、接地面积、滑移量、路面温度和湿度；x_j表示x₁,x₂,..x_M的任意一个参数，即输入层的任意参数；

第二层为隐含层，隐含层任一节点i的输入为net_i

${\mathrm{net}}_i=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_i,$

第i个节点的输出为y_i

$y_i=\mathrm{\φ}\left({\mathrm{net}}_i\right)=\mathrm{\φ}(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_i)$

其中

w_ij表示输入层第j个节点到隐含层第i个节点的权值，其中j和i分别表示输入层和隐含层任一节点的编号，j=1,2,3..M，i＝1,2,3...q，M和q分别为输入层和隐含层的结点个数；

θ_i表示隐含层第i个节点的阈值；

φ(x)表示隐含层的激励函数；

第三层为输出层，最终得到路面附着系数和滚动阻力系数值，输出层第k个节点的输入为net_k

${\mathrm{net}}_k=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}{y}_i+a_k=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}\mathrm{\φ}(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_i)+a_k$

第k个节点的输出为o_k

$o_k=\mathrm{\ψ}\left({\mathrm{net}}_k\right)=\mathrm{\ψ}(\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}{y}_i+a_k)=\mathrm{\ψ}(\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}\mathrm{\φ}(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_j)+a_k)$

其中

w_ki表示隐含层任一节点i到输出层任一节点k的权值，k为输出层任一节点编号，k=1,2,3...L；

α_k表示输出层第k个节点的阈值；

ψ(x)表示输出层的激励函数；

o_k表示输出层第k个节点的输出；

样本训练时，根据误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值；

输入P个学习样本，用x¹,x²,...x^p,..x^P表示，对于第p个样本x^p的二次型误差准则函数为E_p：

$E_p=\frac{1}{2}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{({T_k}^p-{O_k}^p)}^2$

其中T_k为第k个节点的期望输出值;

系统对P个训练样本的总误差准则函数为：

$E=\frac{1}{2}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{({T_k}^p-{O_k}^p)}^2$

其中T_k ^p和O_k ^p分别表示第p个样本的期望输出值和实际输出值；

根据误差梯度下降法依次修正输出层权值的修正量Δw_ki，输出层阈值的修正量Δa_k，隐含层权值的修正量Δw_ij，隐含层阈值的修正量Δθ_i；

${\mathrm{\Δw}}_{\mathrm{ki}}=\mathrm{\η}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}({T_k}^p-{o_k}^p)\·{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)\·y_i$

${\mathrm{\Δa}}_k=\mathrm{\η}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}({T_k}^p-{o_k}^p)\·{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)$

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\η}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p)\·{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)\·w_{\mathrm{ki}}\·{\mathrm{\φ}}^{\′}\left({\mathrm{net}}_i\right)\·x_j$

${\mathrm{\Δ\θ}}_i=\mathrm{\η}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p)\·{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)\·w_{\mathrm{ki}}\·{\mathrm{\φ}}^{\′}\left({\mathrm{net}}_i\right)$

其中η为学习率，φ′(x)和ψ′(x)表示隐含层和输出层激励函数的求导函数；

误差修正完成后随机选取下一个样本提供给网络，重复计算过程，直至网络全局误差函数小于预先设定的一个极小值，即网络收敛；或学习次数小于预先设定的值，即网络无法收敛。

所述步骤4中车间距离计算方法：当有车辆陆续进入急转弯后，急转弯内的道路交通检测装置记录车辆通过时间、车速和该断面交通量，上一道路交通检测装置检测到后车的相关参数时，由传输至中心控制计算机的道路交通检测装置采集数据进行前后车间距计算并判断前车运动状态，计算方法为：

（1）按照行车方向将布设的道路交通检测装置进行编号1,2,3......，从起点道路交通检测装置1开始，当有车辆通过检测断面时，由道路交通检测装置记录该车的通过时间、车速及此断面该时刻的交通量，并及时传输给中心控制计算机；

（2）若道路交通检测装置h在t₁时间检测到第n辆车通过，车速为V₁，此时该断面处交通量为n，经过时间Δt后检测到第n+1辆车通过，车速为V₂，此时该断面处交通量为n+1，利用计算机采集到的后续道路交通检测装置数据搜索t+Δt时刻第n辆车的位置，可能出现的结果如下：

①至t+Δt时刻h+1道路交通检测装置未检测到第n辆车通过，即此时h+1道路交通检测装置统计的交通量为n-1，说明此时第n辆车和第n+1辆车间不满足安全制动距离，则在第n+1辆车通过道路交通检测装置h后的报警装置时对其进行速度报警；

②在t+Δt时刻第n辆车已通过后续m个道路交通检测装置，搜索其通过最后一道路交通检测装置时的时间t₂及通过最后两个道路交通检测装置时的速度V_h+m-1和V_h+m，分别计算此时第n车和第n+1车的实际距离和两辆车之间所需的安全距离，在实际距离小于所需安全距离时对后车进行速度预警。

第n车和第n+1车的车间实际距离按下式计算：

$S=\mathrm{ms}+V_{h+m}[\mathrm{\Δt}-(t_2-t_1)]+\frac{({V_{h+m}}^2-{V_{h+m}}^2)}{4s}{[\mathrm{\Δt}-(t_2-t_1)]}^2$

式中

s为道路交通检测装置布置间距；

Δt为道路交通检测装置i检测到第n辆车和第n+1辆车的时间差；

V_h+m为第n辆车通过第h+m个道路交通检测装置时的车速；

V_h+m-1为第n辆车通过第h+m-1个道路交通检测装置时的车速；

m为第n辆车在Δt时间内通过的道路交通检测装置h后的道路交通检测装置个数；

t₁为第n辆车通过道路交通检测装置h的时刻；

t₂为第n辆车在Δt时间内通过最后一个道路交通检测装置的时刻；

此时第n车的车速为：

$V_2^{\′}=V_{h+m}+\frac{({V_{h+m}}^2-{V_{h+m-1}}^2)}{2s}[\mathrm{\Δt}-(t_2-t_1)]$

计算第n+1辆车和第n车之间所需的安全距离时，需先将步骤1中采集的第n+1辆车的相关参数输入步骤2中构造的BP神经网络控制器，以求得第n+1辆车在此急转弯处的道路附着系数和滚动阻力系数。

所述步骤5中安全距离的计算：求得第n+1车在急转弯处的道路附着系数和滚动阻力系数后，安全距离确定方法为：

ⅰ）当V′₂＞V₂时，车间距离满足安全间距需要，无需进行车速预警；

ⅱ）当V_h+m＜V′₂≤V₂时，两车间的安全距离为：

ⅲ）当V′₂≤V₂且V′₂≤V_h+m时，两车间安全距离为：

式中

和ψ分别为根据前述条件计算得到的第n+1车在急转弯处的道路附着系数和滚动阻力系数。

所述步骤6车速报警实现：在急转弯内设置的每一道路交通检测装置前设置蜂鸣报警装置，当通过上述计算确定后车与前车距离不满足安全距离要求时，在后车行驶至报警装置处时由中心控制计算机指挥其发出车速警报。

Claims (7)

1.一种山区公路急弯路段实时车速预警方法，其特征在于，包括如下步骤： 

步骤1.在车辆和急转弯公路上铺设基础信息采集装置，实地采集道路和车辆信息，所述的基础信息采集装置包括车载信息采集装置和路用道路交通检测装置； 

步骤2在车载计算机中基于BP神经网络构建道路附着系数和滚动阻力系数的计算控制器； 

步骤3将步骤1中车载信息采集装置采集的信息输入BP神经网络控制器处理，输出车辆在急转弯处的道路附着系数和滚动阻力系数，并通过车载微波通讯设备传输至路侧微波读写天线设备进而传输至中心控制计算机； 

步骤4中心控制计算机根据道路交通检测装置检测的前车车速、前车通过各道路交通检测装置的时间、道路交通检测装置布设间距及后车车速、后车当前位置计算车辆实际间距并判别前车当前运动状态； 

步骤5中心控制计算机根据道路交通检测装置检测的后车实时车速、步骤（3）输出的信号以及事先存储的当前路段道路设计参数，求出车辆间的安全距离； 

步骤6对车辆间的安全距离和车辆实际间距进行比较，若车辆实际间距小于安全距离，则对后车车速报警，若车辆实际间距大于安全距离，则回到步骤1采集下一辆车的信号。 

2.如权利要求1所述的一种山区公路急弯路段实时车速预警方法，其特征在于，所述的步骤1中，车载信息采集装置为表面声波传感器和红外温、湿度传感器，所述的传感器设于车辆底盘和轮胎上，采集车辆进入公路急转弯约20-50m范围内轮胎的胎压、变形量、接地面积、滑移量及路面温度、湿度参数随时间的变化情况；所述的路用道路交通检测装置铺设于道路上，采集车速、交通量和车辆通过时间信息；车载信息采集装置采集的数据经车载计算机处理后通过路侧无线通讯设备实时传输至中心控制计算机，道路交通检测装置采集的信息通过光纤传输至中心控制计算机。 

3.如权利要求1所述的一种山区公路急弯路段实时车速预警方法，其特征在于，所述的步骤1中，急转弯公路上道路交通检测装置设置方法：从急转弯起点开始，以考虑道路设计车速条件下天气和路面条件较好时的车辆平均安全制动距离值为标准，每隔车辆平均安全制动距离设一道路交通检测装置，以实现路上交通量和车速数据的实时检测和传输；为了使道路交通检测装置工作时尽量不受环境影响，选用线圈道路交通检测装置或微波道路交通检测装置。 

车辆安全制动距离的计算公式为： 

式中，D为车辆安全制动距离,V为路上典型车型在进入该急转弯时的平均车速，

和ψ别为气候和路面条件较好时路面与轮胎之间的附着系数及道路阻力系数，其中ψ＝f+i_z，f为滚动阻力系数，i_z为道路纵坡。 

4.如权利要求1所述的一种山区公路急弯路段实时车速预警方法，其特征在于，所述的步骤2中，所述的计算控制器的建立过程是：以步骤1中车载信息采集装置实时采集的数据项作为输入，以道路附着系数和滚动阻力系数作为输出，通过实验室测试数据和已有的相关参数历史数据进行样本训练，将训练误差减小到预定阈值或达到训练次数，以得到最优神经网络控制器。 

5.如权利要求1所述的一种山区公路急弯路段实时车速预警方法，其特征在于，所述步骤2中计算控制器分为三层结构，即输入层，隐含层和输出层； 

第一层为输入层，输入值表示为x＝{x₁,x₂,...x_M}，其中，M表示输入参数的个数，M为大于等于1的自然数，x₁,x₂,...x_M分别表示车型、车速、胎压、变形量、接地面积、滑移量、路面温度和湿度；x_j表示x₁,x₂,...x_M中的任意一个参数，即输入层的任意参数； 

第二层为隐含层，隐含层任一节点i的输入为net_i

第i个节点的输出为y_i

其中 

w_ij表示输入层第j个节点到隐含层第i个节点的权值，其中j和i分别表示输入层和隐含层任一节点的编号，j＝1,2,3...M，i＝1,2,3...q，M和q分别为输入层和隐含层的节点个数，且M，q为大于等于1的自然数； 

θ_i表示隐含层第i个节点的阈值； 

φ(x)表示隐含层的激励函数； 

第三层为输出层，最终得到路面附着系数和滚动阻力系数值，输出层第k个节点的输入为net_k

第k个节点的输出为o_k

其中 

w_ki表示隐含层任一节点i到输出层任一节点k的权值，k为输出层任一节点编号，k＝1,2,3...L，L为大于等于1的自然数； 

a_k表示输出层第k个节点的阈值； 

Ψ(net_k)表示输出层的激励函数； 

o_k表示输出层第k个节点的输出； 

样本训练时，根据误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值； 

输入P个学习样本，用x¹,x²,...x^p,表示，所述的p为大于等于1的自然数； 

对于第p个样本x^p的二次型误差准则函数为E_p： 

系统对P个训练样本的总误差准则函数为： 

其中T_k ^p和O_k ^p分别表示第p个样本的期望输出值和实际输出值； 

根据误差梯度下降法依次修正输出层权值的修正量Δw_ki，输出层阈值的修正量Δa_k，隐含层权值的修正量Δw_ij，隐含层阈值的修正量Δθ_i； 

其中η为学习率，和ψ′(net_k)表示隐含层和输出层激励函数的求导函数； 

误差修正完成后随机选取下一个样本提供给网络，重复计算过程，直至网络全局误差函数小于预先设定的一个极小值，即网络收敛；或学习次数小于预先设定的值，即网络无法收敛。 

6.如权利要求1所述的一种山区公路急弯路段实时车速预警方法，其特征在于，所述的步骤4车间距离计算方法：当有车辆陆续进入急转弯后，急转弯内的道路交通检测装置记录车辆通过时间、车速和该断面交通量，上一道路交通检测装置检测到后车的相关参数时，由传输至中心控制计算机的道路交通检测装置采集数据进行前后车间距计算并判断前车运动状态，计算方法为： 

（1）按照行车方向将布设的道路交通检测装置按照自然数的顺序进行编号，从起点道路交通检测装置1开始，当有车辆通过检测断面时，由道路交通检测装置记录该车的通过时间、车速及此断面该时刻的交通量，并及时传输给中心控制计算机； 

（2）若道路交通检测装置h在t₁时间检测到第n辆车通过，车速为V₁，此时该断面处交通量为n，经过时间Δt后检测到第n+1辆车通过，车速为V₂，此时该断面处交通量为n+1，利用计算机采集到的后续道路交通检测装置数据搜索t+Δt时刻第n辆车的位置，可能出现的结果如下： 

①至t+Δt时刻h+1道路交通检测装置未检测到第n辆车通过，即此时h+1道路交通检测装置统计的交通量为n-1，说明此时第n辆车和第n+1辆车间不满足安全制动距离，则在第 n+1辆车通过道路交通检测装置h后的报警装置时对其进行速度报警； 

②在t+Δt时刻第n辆车已通过后续m个道路交通检测装置，搜索其通过最后一道路交通检测装置时的时间t₂及通过最后两个道路交通检测装置时的速度V_h+m-1和V_h+m，分别计算此时第n车和第n+1车的实际距离和两辆车之间所需的安全距离，在实际距离小于所需安全距离时对后车进行速度预警。 

第n车和第n+1车的车间实际距离按下式计算： 

式中 

s为道路交通检测装置布置间距； 

Δt为道路交通检测装置h检测到第n辆车和第n+1辆车的时间差； 

V_h+m为第n辆车通过第h+m个道路交通检测装置时的车速； 

V_h+m-1为第n辆车通过第h+m-1个道路交通检测装置时的车速； 

m为第n辆车在Δt时间内通过的道路交通检测装置h后的道路交通检测装置个数； 

t₁为第n辆车通过道路交通检测装置h的时刻； 

t₂为第n辆车在Δt时间内通过最后一个道路交通检测装置的时刻； 

此时第n车的车速为： 

计算第n+1辆车和第n车之间所需的安全距离时，需先将步骤1中采集的第n+1辆车的相关参数输入步骤2中构造的BP神经网络控制器，以求得第n+1辆车在此急转弯处的道路附着系数和滚动阻力系数。 

所述步骤5中安全距离的计算：求得第n+1车在急转弯处的道路附着系数和滚动阻力系数后，安全距离确定方法为： 

ⅰ）当V₂′＞V₂时，车间距离满足安全间距需要，无需进行车速预警； 

ⅱ）当V_h+m＜V₂′≤V₂时，两车间的安全距离为： 

ⅲ）当V₂′≤V₂且V₂′≤V_h+m时，两车间安全距离为： 

式中

和ψ分别为根据前述条件计算得到的第n+1车在急转弯处的道路附着系数和滚动阻力系数。 

7.如权利要求1所述的一种山区公路急弯路段实时车速预警方法，其特征在于，所述步骤6中车速报警实现方式：在急转弯内设置的每一道路交通检测装置前设置蜂鸣报警装置，当通过上述计算确定车间距离不满足安全距离要求时，在后车行驶至报警装置处时对其发出车速警报。 

Images