CN107742193B - 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 - Google Patents
一种基于时变状态转移概率马尔可夫链的行车风险预测方法 Download PDFInfo
- Publication number
- CN107742193B CN107742193B CN201711214314.1A CN201711214314A CN107742193B CN 107742193 B CN107742193 B CN 107742193B CN 201711214314 A CN201711214314 A CN 201711214314A CN 107742193 B CN107742193 B CN 107742193B
- Authority
- CN
- China
- Prior art keywords
- risk
- time
- state
- time window
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007704 transition Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006855 networking Effects 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明提供了一种基于时变状态转移概率马尔可夫链的行车风险预测方法,一、线下行车风险预测模型训练:基于事故和临近事故样本,通过对时间窗特征参数聚类划分实时行车风险状态并将其作为马尔可夫链可列状态,建立不同行车风险状态下的行车风险状态转移多项logistic模型;二、线上行车风险模型实时预测:在车联网环境下,实时采集预测模型所需变量参数,通过风险状态聚类中心位置和马尔可夫性质计算初始状态概率分布向量及未来任一时刻马尔可夫链n步转移概率,获得未来车辆风险状态预测结果。本发明通过递推算法实现了马尔可夫链n步时变状态转移概率的估计,可反映行车风险状态转移概率随交通系统特征变化而变化的特征,并能满足预警实时性要求。
Description
技术领域
本发明涉及交通安全评价和智能交通系统主动安全技术领域,特别是一种基于时变状态转移概率马尔可夫链的行车风险预测方法。
背景技术
在对本车和周围车辆运行状态感知的基础上,研究预测汽车未来行驶风险状态,有助于实现辅助驾驶系统准确、及时的碰撞预警或干预机制。目前行车风险预警主要通过实时计算选定的预警变量并与预设的不同等级的风险阈值进行比较判断,其中应用较广的预警变量主要包括碰撞时间、车间时间和距离等。而实际上,从行车风险形成开始到发生危险冲突的整个过程很难用单一的预警参数进行描述,需要采用更复杂的模型和算法进行研究。然而,目前国内外预警模型算法通常仅考虑车辆的运行特征(如车间距、速度和加速度特征等),而忽略了动态驾驶员行为、道路和环境变化对行车风险状态的影响,不能全面反映行车状态之间的内在演变规律,不利于行车风险模型的准确性和预测精度。因此,迫切需要研究能充分反映驾驶员行为、道路和环境变化特征的行车风险预测方法。
为实现实时行车风险预测,需要通过传感器实时采集车辆的行驶状态参数。仪器采集数据的时间间隔将连续时间变量划分成了一个离散连续时间序列t={1,2,...,n,...},车辆行驶状态的变化过程相应地可以表达为一个离散序列x(t)={x(1),x(2),...,x(n),...}。离散序列x(t)的变化过程具有很强的随机性,且系统内部状态的转移概率只与当前状态x(n)有关,而与之前的状态x(1),x(2),...,x(n-1)均无关,因此车辆行驶状态的演变过程具有马尔可夫性,可以通过马尔可夫链模型实时辨识和预测汽车未来运行风险状态。同时,随着车联网技术的快速发展,交通运行过程中参与各方之间行驶信息的实时交互技术日趋成熟,交通系统中动态驾驶员行为、道路和环境变化特征均可被及时获取,为实现满足上述条件的行车风险预测奠定了技术基础。
发明内容
针对现有技术中存在不足,本发明提供了一种基于时变状态转移概率马尔可夫链的行车风险预测方法,包括如下步骤:
步骤1:线下行车风险预测模型训练:在事故和临近事故样本的基础上,选取基于车辆运行特征的时间窗特征参数,通过对特征参数聚类划分实时行车风险状态并将其作为马尔可夫链可列状态;基于不同行车风险状态下的时间窗特征参数和驾驶员、道路、环境变量参数,建立不同行车风险状态下的行车风险状态转移多项logistic模型;
步骤2:线上行车风险模型实时预测:在车联网环境下,信息采集设备实时采集步骤1所需车辆、驾驶员、道路和环境信息变量参数,根据当前时刻时间窗特征参数距步骤1得到的风险状态聚类中心位置的欧氏距离计算初始状态概率分布向量,并通过马尔可夫性质计算未来时间窗的特征参数、带入多项logistic模型,获得未来任一时刻马尔可夫链n步转移概率,最后基于马尔可夫性质计算得到未来车辆风险状态预测结果。
进一步,所述车辆运行特征包括本车速度,本车加速度,本车与前车之间距离和本车与前车之间的距离变化率。
进一步,所述驾驶员、道路、环境变量参数包括驾驶员注意力区域,驾驶员非驾驶任务数目,驾驶员非驾驶任务等级及驾驶员方向盘使用情况,车道数,交通流密度,道路线形及道路纵坡,照明情况,天气状况及路面状况。
进一步,所述步骤1中线下行车风险预测模型训练实现方法如下:
步骤1.1:获取事故数据样本及邻近事故数据样本,其中每个样本为事故发生前车辆运动特征、驾驶员行为特征、道路特征和环境特征变量随时间变化的观测值;
步骤1.2:通过对样本中刹车开始时刻车辆运动特征参数向量{-iTTC,THW}进行聚类得到瞬时行车风险等级划分,其中iTTC为车辆碰撞时间的倒数,THW为车间时间;根据聚类结果分布特征,以每一类中{-iTTC,THW}的取值边界为阈值定义基于瞬时运动参数的行驶风险等级;
步骤1.3:将瞬时的行驶风险等级信息按时间序列顺序合并划分为短时间的风险等级时间窗,选取时间窗内所有瞬时风险等级的均值、方差和趋势值{μ,σ,CON}作为每个时间窗的特征参数向量,对所有样本划分得到的时间窗特征向量集合进行聚类,得到三个风险聚类类别的聚类中心并将三个聚类类别S1,S2,S3作为马尔可夫链可列状态,趋势值CON定义为:CON=∑i,j(j-i)|j-i|dij,其中dij为风险度共生矩阵的第i行第j列元素,此处i,j代表瞬时行车风险等级,即:其中#表示统计次数,;
步骤1.4:按时刻t时间窗所处的风险状态(初始风险状态)类别将样本划分成K=3组,以时刻t时间窗内观测得到的时间窗特征参数{μt,σt,CONt}及驾驶模式变量{z1t,z2t,...,zmt}为自变量,z1t,z2t,...,zmt代表驾驶员、道路和环境信息变量,以下一个时间窗t+1的行车风险类别qt+1为预测变量,分别对3组样本进行MNL回归训练,最终得到K=3个不同初始风险状态下的状态转移MNL模型:其中αij(Zt)=P(qt+1=Sj|qt=Si)表示风险状态由时间窗t的Si状态转移至下一个相邻时间窗t+1的Sj状态的概率,即状态Si到状态Sj的马尔可夫链一步转移概率,其大小与时刻t时间窗内的自变量Zt有关,i=1,2,3表示属于风险类别i的自变量样本,和表示在风险类别i条件下MNL回归中第j和第k风险类别项的回归系数;至此得到马尔可夫链一步转移概率矩阵
进一步,所述步骤2中线上行车风险模型实时预测实现方法如下:
步骤2.1:在车联网环境下,通过信息采集设备实时采集步骤1所需车辆、驾驶员、道路和环境信息变量参数,按照步骤1所述方法计算获得当前时刻t时间窗内的观测时间窗特征向量x0=(μ0,σ0,CON0),并记录当前时刻驾驶模式变量向量DM0=[z10,z20,...,zm0],当前时刻记为系统初始时刻,即t=0,;
步骤2.2:风险状态的初始分布概率π0可根据初始观测时间窗特征向量x0=(μ0,σ0,CON0)与步骤1中获取的各风险状态聚类中心的欧氏距离进行估算:其中表示初始状态下系统属于风险状态Si的概率,ρ(x0,ci)为观测统计向量x0与第i个风险状态中心ci的欧氏距离:
步骤2.3:由马尔可夫性质,从当前时间窗t=0开始,车辆未来行驶过程中任一时间窗t=T的风险状态(状态转移步数Δ=T)可由初始分布概率π0和T个基于MNL的一步转移概率矩阵的乘积决定:πT=πT-1A(ZT-1)=πT-2A(ZT-2)A(ZT-1)=…=π0A(Z0)A(Z1)…A(ZT-1),其中当前可观测的自变量向量Z0=[μ0,σ0,CON0,DM0]′=[x0,DM0]′已知,其余Zn,n=1,2,...,T-1需要通过递推算法进行估算;
步骤2.4:根据t=T时刻的预测状态概率分布πT,得到t=T时刻的风险状态为Spred,并可根据预测风险状态Spred制定相应的车辆预警策略。
进一步,所述步骤2.3中Z1的估计方法为:
步骤2.3.1:将可由观测得到的Z0带入步骤1.4计算,得到第一个状态转移概率矩阵A(Z0)={aij(Z0)},i,j=1,2,3
步骤2.3.2:根据马尔可夫性质得到t=1时刻的状态分布概率为
步骤2.3.3:假设t=1时刻时间窗的统计特征向量为则根据与各风险状态聚类中心的欧氏距离可得到t=1时刻状态分布概率表达式其中
步骤2.3.4:令(共3个等式和3个未知数故有唯一解),求解得到t=1时刻时间窗的统计特征向量假设未来时间窗内驾驶模式未发生变化,获得t=1时刻时间窗的自变量向量
进一步,所述步骤2.3中Zn,n=2,...,T-1的递推估计方法为:
步骤2.3.5:将先前计算得到的带入步骤1.4计算,得到第n个状态转移概率矩阵
步骤2.3.6:根据马尔可夫性质得到t=n时刻的状态分布概率为
步骤2.3.7:假设t=n时刻时间窗的统计特征向量为则根据与各风险状态聚类中心{ci},i=1,2,3的欧氏距离可得到t=n时刻状态分布概率表达式
步骤2.3.8:令求解得到t=n时刻时间窗的统计特征向量获得t=n时刻时间窗的自变量向量
步骤2.3.9:若n<T,返回步骤2.3.5继续计算;若n=T,返回为未来t=T时刻的预测状态概率分布。
进一步,所述信息采集设备包括摄像头、GPS传感器、陀螺仪和雷达传感器。
本发明的有益效果在于:
1.本发明克服了传统马尔可夫链模型应用中基于转移频率的状态转移概率估算方法的缺陷,通过递推算法实现了马尔可夫链n步时变状态转移概率的估计,可反映行车风险状态转移概率随车辆运动状态变化而变化的特征;
2.本发明通过计算马尔可夫链n步时变转移概率,可对未来n×δ(δ为状态转移步长,即一步状态转移概率所刻画的两个相邻状态间的实际时间间隔)时长内的行车风险状态进行实时预测,可以满足防碰撞预警实时性要求;
3.本发明建立的马尔可夫链模型状态转移概率递推算法中,通过引入驾驶员行为、道路和环境特征变量,充分考虑了实时的驾驶员行为、道路和环境特征对行车风险状态的影响,提高了行车风险状态预测模型的准确性和预测精度;
4.本发明实现实时行车风险预测所需变量参数均可在车联网条件下通过信息采集和传输设备获取,计算步骤简单,可实施性强。
附图说明
图1为本发明的基于时变状态转移概率马尔可夫链的行车风险预测流程框图;
图2为本发明的实现行车风险状态预测所需时间窗的概念示意图;
图3为本发明的实现行车风险状态预测所需时间窗风险等级趋势值CON的计算示意图。
具体实施方式
下面将结合附图对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,一种基于时变状态转移概率马尔可夫链的行车风险预测方法,包括步骤:
步骤一:线下行车风险预测模型训练:在自然驾驶数据库事故和临近事故样本的基础上,选取基于车辆行驶特征的时间窗特征参数,通过对特征参数聚类划分实时行车风险状态并将其作为马尔可夫链可列状态;基于不同行车风险状态下的时间窗特征参数和驾驶员、道路、环境变量参数,建立不同行车风险状态下的行车风险状态转移多项logistic模型;
线下行车风险预测模型训练实现方法如下:
(1)获取自然驾驶数据库中的事故数据样本及临近事故数据样本共N组{X1,X2,...,XN},其中每个样本Xi(i=1,2,...,N)为时长为Ti时间序列,分别记录了每个样本中车辆运行特征、驾驶员、道路和环境特征变量随时间变化的观测值,车辆运行特征包括本车速度,本车加速度,本车与前车之间距离和本车与前车之间的距离变化率,驾驶员、道路和环境特征参数包括驾驶员注意力区域,驾驶员非驾驶任务数目,驾驶员非驾驶任务等级及驾驶员方向盘使用情况,车道数,交通流密度,道路线形及道路纵坡,照明情况,天气状况及路面状况;
(2)选取样本中刹车开始时刻的车辆运动特征对瞬时行车风险等级进行划分,碰撞时间TTC和车间时间THW均为传统公认的衡量车辆运行风险的特征参数,为了避免单一传统预警变量碰撞时间TTC对车间距离变小风险状况和单一车间时间THW对两车相对速度变大风险状况的评价不足,结合两者优点,对车辆在刹车开始时刻的{-iTTC,THW}参数向量进行K-means聚类(其中iTTC为TTC的倒数,可以避免相对车速较小时TTC无限大的问题;iTTC前的负号保证其计算值与THW一样随着风险程度增加而递减),并通过elbow法确定最优聚类簇数N;根据聚类结果分布特征,以每一类中{-iTTC,THW}的取值边界为风险等级阈值,得到基于瞬时运动参数的行驶风险等级:RL1,RL2,….RLN(其中RL1风险等级最小-最安全,RLN风险等级最大-最危险);
(3)为了克服单一观测点包含信息的局限性,进而提高预测模型的实时性和准确性,将瞬时的行驶风险等级信息按时间序列顺序合并划分为短时间的风险等级时间窗(当前时刻t对应的时间窗以当前时刻t为最终时刻),如图2所示,选取时间窗内所有瞬时风险等级的均值、方差和趋势值{μ,σ,CON}作为每个时间窗的特征参数向量xi,对所有样本划分得到的时间窗特征向量集合{x1,x2,...,xn,...,xN′}进行K-means聚类;为了便于未来风险预警策略构建,取K=3(S1:低风险,S2:中风险,S3:高风险),得到三个风险状态类别的聚类中心并将三个聚类类别S1,S2,S3作为马尔可夫链可列状态,其中趋势值CON定义(图3)如下:
其中:#表示统计次数,dij为风险度共生矩阵的第i行第j列元素(此处i,j代表瞬时行车风险等级),表示按时间窗内时间序列方向,相邻时刻组成的风险等级对(i,j)出现的次数与所有相邻时刻风险等级组成的对数的比值;可以看出,CON不仅衡量了时间窗内每个观测数据点与其相邻数据点的对比强度关系,并反映了一个时间序列中数值的趋势变化特征(即当时间窗内瞬时风险等级呈上升趋势时CON为正值,反之为负值),故可用于表征时间窗内风险等级的变化规律;
(4)按时刻t时间窗所处的风险状态(初始风险状态)类别将样本划分成K=3组,以时刻t时间窗内观测得到的风险等级统计值{μt,σt,CONt}以及相应的驾驶员、道路和环境信息变量z1t,z2t,...,zmt(统称为驾驶模式变量向量DMt=[z1t,z2t,...,zmt])为自变量,以下一个时间窗t+1的行车风险类别qt+1为预测变量(注:t时刻和t+1时刻时间窗之间的实际时间间隔为马尔可夫链状态转移步长,并记为δ),分别对3组样本进行MNL回归训练,最终得到K=3个不同初始风险状态下的状态转移MNL模型:
其中:aij(Zt)=P(qt+1=Sj|qt=Si)表示风险状态由时间窗t的Si状态转移至下一个相邻时间窗t+1的Sj状态的概率,即状态Si到状态Sj的马尔可夫链一步转移概率(状态转移步数Δ=1),其大小与时刻t时间窗内的自变量Zt有关,Zt=[μt,σt,CONt,DMt]′,和 i=1,2,3分别表示属于风险类别i的自变量样本和在风险类别i条件下MNL回归中第j(k)风险类别项的回归系数;至此得到马尔可夫链一步转移概率矩阵
步骤二:线上行车风险模型实时预测:在车联网环境下,信息采集设备实时采集步骤一所需车辆、驾驶员、道路和环境信息变量参数,根据当前时刻时间窗特征参数距步骤一得到的风险状态聚类中心位置的欧氏距离计算初始状态概率分布向量,并通过马尔可夫性质计算未来时间窗的特征参数并带入多项logistic模型,获得未来任一时刻马尔可夫链n步转移概率,最后基于马尔可夫性质计算得到未来车辆风险状态预测结果;
线上行车风险模型实时预测实现方法如下:
(1)在车联网环境下,通过信息采集设备(包括摄像头、GPS传感器、陀螺仪和雷达传感器)实时采集步骤一所需车辆、驾驶员、道路和环境信息变量参数,按照步骤一(3)的方法计算获得当前时刻t(记为系统初始时刻,即t=0)时间窗内的观测统计向量x0=(μ0,σ0,CON0),并记录当前时刻驾驶模式变量向量DM0=[z10,z20,...,zm0];
(2)计算初始状态转移概率向量:
风险状态的初始分布概率π0可根据初始时间窗观测值统计向量x0=(μ0,σ0,CON0)与步骤一(3)中获取的各风险状态聚类中心的欧氏距离进行估算,如下式所示:
其中表示初始状态下系统属于风险状态Si的概率,ρ(x0,ci)为观测统计向量x0与第i个风险状态中心ci的欧氏距离;
(3)计算n步转移概率:
根据马尔可夫性质,从当前时间窗t=0开始,车辆未来行驶过程中任一时间窗t=T的风险状态(状态转移步数Δ=T)可由初始分布概率π0和T个基于MNL的一步转移概率矩阵的乘积决定:
πT=πT-1A(ZT-1)=πT-2A(ZT-2)A(ZT-1)=…=π0A(Z0)A(Z1)…A(ZT-1) (6)
其中除当前可观测的自变量向量Z0=[μ0,σ0,CON0,DM0]′=[x0,DM0]′已知外,其余Zn,n=1,2,...,T-1均不可观测未知,需要通过如下递推算法进行估算;
其中Z1可按如下步骤估计:
(3-1)将可由观测得到的Z0带入步骤一(4)计算,得到第一个状态转移概率矩阵A(Z0)={aij(Z0)},i,j=1,2,3;
(3-2)根据马尔可夫性质得到t=1时刻的状态分布概率为
(3-3)假设t=1时刻时间窗的统计特征向量为则根据与各风险状态聚类中心的欧氏距离可得到t=1时刻状态分布概率表达式其中
(3-4)令(共3个等式和3个未知数故有唯一解),求解得到t=1时刻时间窗的统计特征向量假设未来时间窗内驾驶模式(即驾驶员、道路和环境特征)未发生变化,获得t=1时刻时间窗的自变量向量
其余Zn,n=2,...,T-1可按如下步骤递推得到:
(3-5)将计算得到的带入步骤一中(4)计算,得到第n个状态转移概率矩阵
(3-6)根据马尔可夫性质得到t=n时刻的状态分布概率为
(3-7)假设t=n时刻时间窗的统计特征向量为则根据与各风险状态聚类中心{ci},i=1,2,3的欧氏距离可得到t=n时刻状态分布概率表达式
(3-8)令求解得到t=n时刻时间窗的统计特征向量获得t=n时刻时间窗的自变量向量
(3-9)若n<T,返回(3-5)继续计算;若n=T,返回为未来t=T时刻的预测状态概率分布;
(4)根据(3)得到的t=T时刻的预测状态概率分布πT,得到t=T时刻的风险状态为Spred(其满足并可根据预测风险状态Spred制定相应的车辆预警策略:当Spred=S1:车辆处于低风险状态,此时驾驶员无需采取任何处理措施;当Spred=S2:车辆处于中风险状态,此时系统应提示驾驶员采取减速或转向避让措施;当Spred=S3:车辆处于高风险状态,此时系统应提示驾驶员或车辆应采取紧急制动或紧急转向避让措施。
以上所述对本发明进行了简单说明,并不受上述工作范围限值,只要采取本发明思路和工作方法进行简单修改运用到其他设备,或在不改变本发明主要构思原理下做出改进和润饰的等行为,均在本发明的保护范围之内。
Claims (4)
1.一种基于时变状态转移概率马尔可夫链的行车风险预测方法,其特征在于,包括如下步骤:
步骤1:线下行车风险预测模型训练:在事故和临近事故样本的基础上,选取基于车辆运行特征的时间窗特征参数,通过对特征参数聚类划分实时行车风险状态并将其作为马尔可夫链可列状态;基于不同行车风险状态下的时间窗特征参数和驾驶员、道路、环境变量参数,建立不同行车风险状态下的行车风险状态转移多项logistic模型;
所述线下行车风险预测模型训练实现方法如下:
步骤1.1:获取事故数据样本及邻近事故数据样本,其中每个样本为事故发生前车辆运动特征、驾驶员行为特征、道路特征和环境特征变量随时间变化的观测值;
步骤1.2:通过对样本中刹车开始时刻车辆运动特征参数向量{-iTTC,THW}进行聚类得到瞬时行车风险等级划分,其中iTTC为车辆碰撞时间的倒数,THW为车间时间;根据聚类结果分布特征,以每一类中{-iTTC,THW}的取值边界为阈值定义基于瞬时运动参数的行驶风险等级;
步骤1.3:将瞬时的行驶风险等级信息按时间序列顺序合并划分为短时间的风险等级时间窗,选取时间窗内所有瞬时风险等级的均值、方差和趋势值{μ,σ,CON}作为每个时间窗的特征参数向量,对所有样本划分得到的时间窗特征向量集合进行聚类,得到三个风险聚类类别的聚类中心并将三个聚类类别S1,S2,S3作为马尔可夫链可列状态,趋势值CON定义为:CON=∑i,j(j-i)|j-i|dij,其中dij为风险度共生矩阵的第i行第j列元素,此处i,j代表瞬时行车风险等级,即:其中#表示统计次数, ;
步骤1.4:按时刻t时间窗所处的风险状态(初始风险状态)类别将样本划分成K=3组,以时刻t时间窗内观测得到的时间窗特征参数{μt,σt,CONt}及驾驶模式变量{z1t,z2t,...,zmt}为自变量,z1t,z2t,...,zmt代表驾驶员、道路和环境信息变量,以下一个时间窗t+1的行车风险类别qt+1为预测变量,分别对3组样本进行MNL回归训练,最终得到K=3个不同初始风险状态下的状态转移MNL模型:其中aij(Zt)=P(qt+1=Sj|qt=Si)表示风险状态由时间窗t的Si状态转移至下一个相邻时间窗t+1的Sj状态的概率,即状态Si到状态Sj的马尔可夫链一步转移概率,其大小与时刻t时间窗内的自变量Zt有关,表示属于风险类别i的自变量样本,和表示在风险类别i条件下MNL回归中第j和第k风险类别项的回归系数;至此得到马尔可夫链一步转移概率矩阵
步骤2:线上行车风险模型实时预测:在车联网环境下,信息采集设备实时采集步骤1所需车辆、驾驶员、道路和环境信息变量参数,根据当前时刻时间窗特征参数距步骤1得到的风险状态聚类中心的欧氏距离计算初始状态概率分布向量,并通过马尔可夫性质计算未来时间窗的特征参数、带入多项logistic模型,获得未来任一时刻马尔可夫链n步转移概率,最后基于马尔可夫性质计算得到未来车辆风险状态预测结果;
所述线上行车风险模型实时预测实现方法如下:
步骤2.1:在车联网环境下,通过信息采集设备实时采集步骤1所需车辆、驾驶员、道路和环境信息变量参数,按照步骤1所述方法计算获得当前时刻t时间窗内的观测时间窗特征向量x0=(μ0,σ0,CON0),并记录当前时刻驾驶模式变量向量DM0=[z10,z20,...,zm0],当前时刻记为系统初始时刻,即t=0, ;
步骤2.2:风险状态的初始分布概率π0可根据初始观测时间窗特征向量x0=(μ0,σ0,CON0)与步骤1中获取的各风险状态聚类中心的欧氏距离进行估算:其中表示初始状态下系统属于风险状态Si的概率,ρ(x0,ci)为观测统计向量x0与第i个风险状态中心ci的欧氏距离:
步骤2.3:由马尔可夫性质,从当前时间窗t=0开始,车辆未来行驶过程中任一时间窗t=T的风险状态(状态转移步数Δ=T)可由初始分布概率π0和T个基于MNL的一步转移概率矩阵的乘积决定:πT=πT-1A(ZT-1)=πT-2A(ZT-2)A(ZT-1)=…=π0A(Z0)A(Z1)…A(ZT-1),其中当前可观测的自变量向量Z0=[μ0,σ0,CON0,DM0]′=[x0,DM0]′已知,其余Zn,n=1,2,...,T-1需要通过递推算法进行估算;
所述Z1的估计方法为:
步骤2.3.1:将可由观测得到的Z0带入步骤1.4计算,得到第一个状态转移概率矩阵A(Z0)={aij(Z0)},i,j=1,2,3;
步骤2.3.2:根据马尔可夫性质得到t=1时刻的状态分布概率为
步骤2.3.3:假设t=1时刻时间窗的统计特征向量为则根据与各风险状态聚类中心的欧氏距离可得到t=1时刻状态分布概率表达式其中
步骤2.3.4:令(共3个等式和3个未知数故有唯一解),求解得到t=1时刻时间窗的统计特征向量假设未来时间窗内驾驶模式未发生变化,获得t=1时刻时间窗的自变量向量
所述Zn,n=2,...,T-1的递推估计方法为:
步骤2.3.5:将先前计算得到的带入步骤1.4计算,得到第n个状态转移概率矩阵
步骤2.3.6:根据马尔可夫性质得到t=n时刻的状态分布概率为
步骤2.3.7:假设t=n时刻时间窗的统计特征向量为则根据与各风险状态聚类中心{ci},i=1,2,3的欧氏距离可得到t=n时刻状态分布概率表达式
步骤2.3.8:令求解得到t=n时刻时间窗的统计特征向量获得t=n时刻时间窗的自变量向量
步骤2.3.9:若n<T,返回步骤2.3.5继续计算;若n=T,返回为未来t=T时刻的预测状态概率分布;
步骤2.4:根据t=T时刻的预测状态概率分布πT,得到t=T时刻的风险状态为Spred,并可根据预测风险状态Spred制定相应的车辆预警策略。
2.根据权利要求1所述的一种基于时变状态转移概率马尔可夫链的行车风险预测方法,其特征在于,所述车辆运行特征包括本车速度,本车加速度,本车与前车之间距离和本车与前车之间的距离变化率。
3.根据权利要求1所述的一种基于时变状态转移概率马尔可夫链的行车风险预测方法,其特征在于,所述驾驶员、道路、环境变量参数包括驾驶员注意力区域,驾驶员非驾驶任务数目,驾驶员非驾驶任务等级及驾驶员方向盘使用情况,车道数,交通流密度,道路线形及道路纵坡,照明情况,天气状况及路面状况。
4.根据权利要求1所述的一种基于时变状态转移概率马尔可夫链的行车风险预测方法,其特征在于,所述信息采集设备包括摄像头、GPS传感器、陀螺仪和雷达传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214314.1A CN107742193B (zh) | 2017-11-28 | 2017-11-28 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214314.1A CN107742193B (zh) | 2017-11-28 | 2017-11-28 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107742193A CN107742193A (zh) | 2018-02-27 |
CN107742193B true CN107742193B (zh) | 2019-08-27 |
Family
ID=61239551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711214314.1A Active CN107742193B (zh) | 2017-11-28 | 2017-11-28 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742193B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549954B (zh) * | 2018-03-26 | 2022-08-02 | 平安科技(深圳)有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
CN109177982B (zh) * | 2018-10-31 | 2020-05-08 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN109542081B (zh) * | 2018-11-14 | 2021-06-22 | 江苏大学 | 一种基于线下车辆减速度曲线的线上行车危险估计方法 |
CN109671266B (zh) * | 2018-11-26 | 2020-11-06 | 北京交通大学 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
CN109637158B (zh) * | 2018-12-27 | 2020-04-21 | 东南大学 | 一种用于快速路入口匝道区域的智能车辆合流预警方法 |
CN109686125B (zh) * | 2019-01-11 | 2021-05-18 | 重庆邮电大学 | 一种基于hmm的v2x车联网车辆防撞预警系统 |
CN109993983B (zh) * | 2019-04-09 | 2020-10-27 | 西安交通大学 | 一种基于马尔科夫链的智能交通车辆自适应诱导方法 |
CN110135636B (zh) * | 2019-05-10 | 2021-04-20 | 北京理工大学 | 一种车间运行状态预测信息的获取方法、装置及系统 |
CN110163451B (zh) * | 2019-06-03 | 2020-06-12 | 北京中科奥创科技有限公司 | 暖通系统的健康度预测方法、系统和计算机可读存储介质 |
CN110503254B (zh) * | 2019-08-13 | 2023-01-17 | 常州大学 | 一种基于马尔科夫链的非金属管道泄漏预警方法 |
CN110544373B (zh) * | 2019-08-21 | 2020-11-03 | 北京交通大学 | 一种基于北斗车联网的货车预警信息提取与风险识别方法 |
CN110588658B (zh) * | 2019-09-26 | 2020-12-29 | 长安大学 | 一种基于综合模型检测驾驶员风险等级的方法 |
CN110705628B (zh) * | 2019-09-26 | 2022-07-19 | 长安大学 | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 |
CN110803203B (zh) * | 2019-11-06 | 2021-11-26 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种高速铁路行车轨迹的演进预测方法及系统 |
CN110807930B (zh) * | 2019-11-07 | 2021-08-17 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
CN111008238B (zh) * | 2019-11-15 | 2023-10-10 | 武汉楚誉科技股份有限公司 | 基于关联演化大数据的关键模式自动定位与预警方法 |
CN111209966B (zh) * | 2020-01-07 | 2023-09-26 | 中南大学 | 一种基于马尔科夫链的路径行程时间确定方法及系统 |
CN111785023A (zh) * | 2020-07-14 | 2020-10-16 | 山东派蒙机电技术有限公司 | 一种车辆碰撞风险预警方法及系统 |
CN112183615B (zh) * | 2020-09-25 | 2023-08-18 | 睿驰达新能源汽车科技(北京)有限公司 | 一种带有马尔可夫链数据处理的汽车风险用户筛查方法 |
CN112328970A (zh) * | 2020-11-05 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 基于车辆性能参数的事故预测方法和系统 |
CN113095558B (zh) * | 2021-04-01 | 2022-05-24 | 天津大学 | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 |
CN113095713B (zh) * | 2021-04-28 | 2023-10-20 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
CN113177361B (zh) * | 2021-05-14 | 2022-04-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于不确定性分析的动态机械故障预测及风险评估方法 |
CN113436432A (zh) * | 2021-05-24 | 2021-09-24 | 武汉理工大学 | 一种利用路侧观测数据进行路段短时交通风险预测的方法 |
CN113689072B (zh) * | 2021-07-16 | 2024-03-08 | 中国绿发投资集团有限公司 | 一种基于马尔科夫链的海上风电机组运行状态评估方法 |
CN113744526B (zh) * | 2021-08-25 | 2022-12-23 | 贵州黔通智联科技股份有限公司 | 一种基于lstm和bf的高速公路风险预测方法 |
CN115037517B (zh) * | 2022-05-06 | 2023-11-17 | 全球能源互联网研究院有限公司南京分公司 | 智能物联终端安全状态采集方法、装置及电子设备 |
CN115758095A (zh) * | 2023-01-10 | 2023-03-07 | 昆明理工大学 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
CN116226787B (zh) * | 2023-05-04 | 2023-08-01 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320113A1 (en) * | 2010-06-25 | 2011-12-29 | Gm Global Technology Operations, Inc. | Generating driving route traces in a navigation system using a probability model |
-
2017
- 2017-11-28 CN CN201711214314.1A patent/CN107742193B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
Also Published As
Publication number | Publication date |
---|---|
CN107742193A (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742193B (zh) | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 | |
Xue et al. | Rapid Driving Style Recognition in Car‐Following Using Machine Learning and Vehicle Trajectory Data | |
CN107958269A (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
CN113401143B (zh) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 | |
Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
Jiang et al. | Traffic and vehicle speed prediction with neural network and hidden markov model in vehicular networks | |
Han et al. | Driving intention recognition and lane change prediction on the highway | |
Zhao et al. | Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN | |
Scheubner et al. | A stochastic range estimation algorithm for electric vehicles using traffic phase classification | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
Hu et al. | Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models | |
CN115206103B (zh) | 一种基于平行仿真系统的可变限速控制系统 | |
CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
Gaikwad | Vehicle velocity prediction using artificial neural networks and effect of real-world signals on prediction window | |
CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
US11801836B2 (en) | Enhanced vehicle operation | |
Wu et al. | Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN110610611B (zh) | 面向混行交通流中智能网联车辆的行车安全性评价方法 | |
Zhang et al. | Modeling lane-change risk in urban expressway off-ramp area based on naturalistic driving data | |
CN108839655A (zh) | 一种基于最小安全车距的协同式自适应控制方法 | |
Li et al. | Automated Vehicle Identification Based on Car-Following Data With Machine Learning | |
Ali et al. | Employment of instrumented vehicles to identify real-time snowy weather conditions on freeways using supervised machine learning techniques–A naturalistic driving study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |