CN103914981A - 一种平面交叉口行人与左转车辆冲突预测方法 - Google Patents

Abstract

本发明提供一种平面交叉口行人与左转车辆冲突计算方法。该方法基于广义回归神经网络理论，依次经过信息采集，模型训练建立，模型检验，建立起平面信号交叉口行人与左转车辆冲突预测模型，最终实现本发明的行人与左转车辆冲突预测。被发明所提供的基于广义回归神经网络的平面交叉口行人与左转车辆冲突获取方法，实现了有易采集的交通流量预测交通冲突，克服了现有交通冲突技术冲突采集成本高的缺陷和不足，能有效的推动交通冲突技术在工程中的应用。

Description

一种平面交叉口行人与左转车辆冲突预测方法

技术领域

本发明涉及交通管理和交通安全领域，涉及一种平面信号交叉口行人与左转车辆冲突数的预测方法，具体是一种基于广义回归神经网络的平面交叉口行人与左转车辆冲突数预测方法。

背景技术

随着我国道路交通里程数和机动车保有量迅速增长，道路交通安全形势日益严峻。交通冲突技术作为国际交通安全领域新兴开发的非事故统计评价方法 ，以大样本、快速、定量研究评价交通安全现状与改善效果的特点而异于传统的事故统计评价方法。多年来，随着交通安全形势的严峻，此类以“快速”著称的安全评价方法愈来愈受到交通界的重视。交通冲突是指不同的交通参与者之间在时间和空间上产生了相互干扰，并且迫使交通参与者采取避让行为的一种交通状态。交通冲突技术以现场观测到的交通冲突作为交通事故替代指标来评价道路交通设施安全情况。交通冲突采集依赖于观测人员的长时间现场观测并且观测人员需要进行严格的培训，由于采集难度大，使其在交通工程中的事件应用受到了一定的限制，鉴于这种情况，有必要建立一种方法，快速地得到交叉口的冲突数，以利于交叉口的安全评价。

发明内容

针对现有交通冲突数采集的过程中存在的不足，本发明提供一种基于广义回归神经网络模型的平面交叉口行人与左转车辆交通冲突数的预测方法。在获取大量交通冲突和交通流参数数据的基础上建立交通冲突与交通流参数的预测模型，该方法可克服交通冲突数难以采集和预测的难题。本发明通过以下技术方案来实现：

一种平面交叉口行人与左转车辆冲突预测方法，包括步骤：

步骤1：采集交通流量数据以及判断交通状态：统计交叉口各个进口道的交通流量，包括左转交通量，行人过街流量以及冲突数；

步骤2：采用采集的行人车辆冲突数和交通量，将采集的样本分为训练样本集和验证样本集，采用训练样本进行广义回归神经网络模型的建立；广义回归神经网络模型作为预测模型；

步骤3：利用缺一交叉的方式确定广义回归神经网络模型中光滑因子α的寻优函数，并通过遗传算法确定最优光滑因子α；

步骤4：将验证样本集中的样本带入预测模型，获得行人与机动车冲突预测值。

其中，步骤1中样本采集包括以下步骤：

步骤1.1：架设摄像机，完成对区域交通流数据的采集；

步骤1.2:测量记录实际道路检测区域的车道宽度和车道数；

步骤1.3:利用视频回放的方法处理采集的视频，统计冲突发生的数量以及交叉口的左转车流量，行人过街量以及冲突数。

其中，步骤2中广义回归神经网络模型的建立包括：

设置系统及其环境的各种参数：利用训练样本数据进行广义回归神经网络的建立，确定网络结构及各层之间的连接权重，完成神经网络的设计。

其中，步骤3中，确定广义回归神经网络模型中光滑因子α的寻优函数具体包括步骤：

步骤3.1.1:设光滑因子α初值；确立隶属度函数个数及类型；

步骤3.1.2:从训练样本中取出一个样品只用于检测，而其余的样本构建网络；

步骤3.1.3: 用构建的网络模型计算检测样品的误差，其绝对值称为检测误差；

步骤3.1.4:重复步骤步骤3.1.2和步骤3.1.3，直到所有的训练样品都有一次检测，最后求得检测误差的平均值，并将其作为搜优目标函数。

其中，步骤3中，通过遗传算法确定最优光滑因子具体包括步骤：

步骤3.2.1: 选定参数，包括种群规模、繁衍率、寻优率、最大进化代数及常数；

步骤3.2.2: 生成初始种群；

步骤3.2.3: 接着按适应度函数，计算每个个体的适应值；

步骤3.2.4: 而后执行选择、交叉、变异和Powell寻优四种操作，生成新一代种群；

步骤3.2.5: 最后判断是否满足终止条件，若是，求出最优解，即为参数估计值；若否，转至步骤3.2.3。

其中，步骤4具体包括：

步骤4.1：输入验证样本集至已经训练完毕的广义回归神经网络模型中，通过改模型得到冲突数期望值；

步骤4.2：将冲突数期望值与实际观测的冲突数进行比较，确定预测模型的有效性和应用的普遍性。

本发明的优点在于：本发明提出一种基于行人与左转冲突预测模型来获取平面信号交叉口行人与左转冲突数目的方法，采集信号交叉口左转，行人过街流量，将各类交通流量带入广义回归神经网络冲突预测模型中，计算得到行人与左转机动车辆的冲突数预测值。本发明的优势在于利用易获得的交通流量参数对交通冲突数（行人与左转机动车冲突数）进行预测，克服了现有的交通冲突技术中对于冲突数采集成本高和难度大的确定。本发明在采用交通冲突技术进行间接交通安全评价方面有实际的工程运用价值。

附图说明

图1为本发明的流程示意图。

图2为本发明的广义回归神经网络的建模流程示意图。

图3为本发明的利用缺一交叉法确定寻优函数的流程示意图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

如图1所示，本发明提出的平面交叉口行人与左转车辆冲突预测方法，包括以下步骤：

步骤1：采集交通流量数据以及判断交通状态：统计交叉口各个进口道的交通流量，包括左转交通量，行人过街流量以及冲突数；

步骤2：采用采集的行人车辆冲突数和交通量，将采集的样本分为训练样本集和验证样本集，采用训练样本进行广义回归神经网络模型的建立；广义回归神经网络模型作为预测模型；

步骤3：利用缺一交叉的方式确定广义回归神经网络模型中光滑因子的寻优函数，并通过遗传算法确定最优光滑因子；

步骤4：将验证样本集中的样本带入预测模型，获得行人与机动车冲突预测值。

以上可以看出，本发明主要由样本采集（步骤1）、模型建立及训练（步骤2，3）、冲突预测（步骤4）等部分组成。所述样本采集是通过统计摄像机的采集数据，完成对样本数据的提取；所述的样本训练是指利用样本集数据完成对广义回归神经网络模糊推理系统的建立并且利用缺一交叉和遗传算法的方法进行光滑因子的确定；所述的冲突预测负责通过采集的数据完成冲突数的预测。

样本部分主要涉及数据采集等内容。具体步骤如下：

步骤1.1:将摄像机架设在固定的装置上，本发明选取的研究范围为交叉口停车线上游20米范围内，通过架设相机完成对区域交通流数据的采集；

步骤1.2:测量记录实际道路检测区域的车道宽度和车道数；

步骤1.3:利用视频回放的方法处理采集的视频，统计冲突发生的数量以及交叉口的左转车流量，行人过街量以及冲突数。

模型训练部分主要是对广义回归神经网络的建立。具体步骤如下：

首先，设置系统及其环境的各种参数(包括样本数目、和随机变量的维数参数)：将统计的数据分为训练样本和检验样本，利用训练样本数据进行广义回归神经网络的建立，确定网络结构及各层之间的连接权重，完成神经网络的设计。

由于需要利用样本数据估算密度函数，因此密度函数中的光滑因子σ对最终预测结果的精度有重要影响，所以需要经过优化来选取其值，对于光滑因子的寻优有多种方法，为确保网络的泛化性能，我们将对参与训练的样本以缺一交叉的方式，检测网络的推广性能，并以此作为搜优目标。

因此，接下来，利用缺一交叉的方式确定广义回归神经网络模型中光滑因子α（阿尔法）的寻优函数：

步骤3.1.1:设光滑因子α初值；确立隶属度函数个数及类型；

步骤3.1.2:从训练样本中取出一个样品只用于检测，而其余的样本构建网络；

步骤3.1.3: 用构建的网络模型计算检测样品的误差，其绝对值称为检测误差；

步骤3.1.4:重复步骤3.1.2和步骤3.1.3，直到所有的训练样品都有一次检测，最后求得检测误差的平均值，并将其作为搜优目标函数。

然后，确定搜优目标后，利用遗传算法确定光滑因子α的最优值： 

步骤3.2.1: 选定参数，包括种群规模、繁衍率、寻优率、最大进化代数及常数；

步骤3.2.2: 生成初始种群；

步骤3.2.3: 接着按适应度函数，计算每个个体的适应值；

步骤3.2.4: 而后执行选择、交叉、变异和Powell寻优４种操作，生成新一代种群；

步骤3.2.5: 最后判断是否满足终止条件，若是，求出最优解，即为参数估计值；若否，转至步骤3.2.3。

冲突预测部分主要是利用得到的广义回归神经网络模型进行冲突预测。具体步骤如下：

（1）将验证样本集输入已经训练完毕的广义回归神经网络模型中，通过该模型得到输出样本冲突数预测值；

（2）将其与实际观测的冲突数进行比较，预测值与实际值的差值很小，从而证明了预测模型的有效性和应用的普遍性。

实施例：

本发明利用交叉口的交通参数建立了行人与左转车辆的广义回归神经网络预测模型，提出了一种基于交通冲突预测模型的平面信号交叉口行人与左转车辆冲突数的获取方法。本发明所建立的行人与左转车辆冲突预测模型经过检验组的数据检验证明其具有较高的预测精度。

本发明选择北京市一交叉路口连续三天早晚高峰进行数据采集，该交叉口高峰的信号周期约为1.5min，其中对向直行30s，左转23s。

模型的使用简单快捷，对不同的时间间隔，每单个周期，每五周期，每十周期内的行人与左转车辆冲突数的分布进行研究，由于每五周期的预测效果较好，因此采用每五周期内收集的行人与左转车辆冲突数以及左转方向的车流量和交叉口几何特性进行模型建立。

表1实施例的每五周期时间间隔的流量和行人与左转车辆冲突数的预测值，实施例采用20个训练样本，4个测试样本。

周期	1	2	3	4
					行人流量	14	19	16	25
左转车流量	36	41	40	52
					冲突数	3	4	7	8

行人与左转车辆冲突数的快速准确的获取对于信号交叉口进行安全评价是至关重要的，基于广义回归神经网络的平面信号交叉口行人与左转车辆冲突数的预测模型，通过将冲突流量带入相关的模型即可获得行人与左转车辆冲突数的预测值，通过预测数据可快速的评价交叉口安全性并且可为交通管理部门提供信号交叉口安全性能改善的依据。

Claims (6)

1. 一种平面交叉口行人与左转车辆冲突预测方法，其特征在于，包括步骤：

步骤1：采集交通流量数据以及判断交通状态：统计交叉口各个进口道的交通流量，包括左转交通量，行人过街流量以及冲突数；

步骤2：采用采集的行人车辆冲突数和交通量，将采集的样本分为训练样本集和验证样本集，采用训练样本进行广义回归神经网络模型的建立；广义回归神经网络模型作为预测模型；

步骤3：利用缺一交叉的方式确定广义回归神经网络模型中光滑因子α的寻优函数，并通过遗传算法确定最优光滑因子α；

步骤4：将验证样本集中的样本带入预测模型，获得行人与机动车冲突预测值。

2.如权利要求1所述的平面交叉口行人与左转车辆冲突预测方法，其特征在于：步骤1中样本采集包括以下步骤：

步骤1.1：架设摄像机，完成对区域交通流数据的采集；

步骤1.2:测量记录实际道路检测区域的车道宽度和车道数；

步骤1.3:利用视频回放的方法处理采集的视频，统计冲突发生的数量以及交叉口的左转车流量，行人过街量以及冲突数。

3.如权利要求1所述的平面交叉口行人与左转车辆冲突预测方法，其特征在于：步骤2中广义回归神经网络模型的建立包括：

设置系统及其环境的各种参数：利用训练样本数据进行广义回归神经网络的建立，确定网络结构及各层之间的连接权重，完成神经网络的设计。

4.如权利要求1所述的平面交叉口行人与左转车辆冲突预测方法，其特征在于：步骤3中，确定广义回归神经网络模型中光滑因子α的寻优函数具体包括步骤：

步骤3.1.1:设光滑因子α初值；确立隶属度函数个数及类型；

步骤3.1.2:从训练样本中取出一个样品只用于检测，而其余的样本构建网络；

步骤3.1.3: 用构建的网络模型计算检测样品的误差，其绝对值称为检测误差；

步骤3.1.4:重复步骤步骤3.1.2和步骤3.1.3，直到所有的训练样品都有一次检测，最后求得检测误差的平均值，并将其作为搜优目标函数。

5.如权利要求4所述的平面交叉口行人与左转车辆冲突预测方法，其特征在于：步骤3中，通过遗传算法确定最优光滑因子具体包括步骤：

步骤3.2.1: 选定参数，包括种群规模、繁衍率、寻优率、最大进化代数及常数；

步骤3.2.2: 生成初始种群；

步骤3.2.3: 接着按适应度函数，计算每个个体的适应值；

步骤3.2.4: 而后执行选择、交叉、变异和Powell寻优四种操作，生成新一代种群；

步骤3.2.5: 最后判断是否满足终止条件，若是，求出最优解，即为参数估计值；若否，转至步骤3.2.3。

6.如权利要求5所述的平面交叉口行人与左转车辆冲突预测方法，其特征在于：步骤4具体包括：

步骤4.1：输入验证样本集至已经训练完毕的广义回归神经网络模型中，通过改模型得到冲突数期望值；

步骤4.2：将冲突数期望值与实际观测的冲突数进行比较，确定预测模型的有效性和应用的普遍性。