CN109448384B - 一种高速公路危险交通行为识别方法 - Google Patents

Abstract

本发明属于交通安全技术领域，公开了一种高速公路危险交通行为识别方法，包括：按照预设的采样间隔，在当前采样时刻实时采集目标车辆指标，并根据所采集指标判定目标车辆当前是否处于危险交通行为；若判定为否，则在下一个采样时刻，采集目标车辆的17个指标；根据除目标车辆的类型和交通流密度之外的15个指标，计算得到对应的判定指标；根据目标车辆的车辆类型、交通流密度以及对应的判定指标，利用当前路段对应的危险交通行为识别模型，计算得到目标车辆对应的判定概率；根据判定概率判定目标车辆当前是否为危险交通行为。本发明能够准确、及时的识别危险交通行为，评估准确性高。

Description

一种高速公路危险交通行为识别方法

技术领域

本发明涉及交通安全技术领域，尤其涉及一种高速公路危险交通行为识别方法。

背景技术

现阶段我国高速公路总里程已经突破13万公里，位居世界第一。高速公路的建设对我国经济发展起到了很大的推动作用，但随之也产生了一系列的问题，根据《道路交通运输安全发展报告(2017)》统计数据，2010年至2016年我国高速公路交通事故死亡人数占道路交通事故死亡总数的比例维持在10％左右，直接财产损失占总数的比例维持在30％左右。高速公路追尾事故频发，重特大事故频发，社会影响恶劣，交通安全整体的形势依然非常严峻。

提升高速公路的安全水平，其中的一个重要手段就是及时发现危险交通行为，并对危险交通行为进行预警干预。而如何准确、及时的发现危险交通行为是现阶段首先需要解决的关键问题。近几年来，随着视频识别技术的进一步提升，以及一些新的监测装备在交通领域广泛的应用，例如雷达、微波等，使得对交通流微观数据的监测成为可能。因此，目前，现有技术中已有一些检测识别危险交通行为的方法，但都不是很成熟。现有方法分为两类：以单一指标为依据的识别方法以及以多源数据为依据的识别方法。其中，以单一指标为依据的识别方法并不适用于复杂交通行为，例如，在不同交通情况下的超车、换道等行为，均无法用单一指标来判定是否为危险的交通行为。而以多源数据为依据的识别方法获取的数据缺乏可靠性，例如，基于智能手机获取车辆行为数据，数据的精度有待于进一步验证，识别可靠性低。

发明内容

有鉴于此，本发明提供一种高速公路危险交通行为识别方法，通过获取当前高速公路的大量历史数据，并基于历史数据建立对应的危险交通行为识别模型，进而根据该危险交通行为识别模型和车辆实时数据，准确、及时的识别危险交通行为，评估结果可靠性高。

为达到上述目的，本发明的实施例采用如下技术方案：

一种高速公路危险交通行为识别方法，其特征在于，包括：

步骤1，按照预设的采样间隔，在当前采样时刻实时采集目标车辆的车速v_t，在同车道行驶过程中与前车的跟驰距离S_t及车头时距T_t，在换道前与目标车道上的前车的最近距离S_TFt、车头时距T_TFt以及与目标车道上后车的最近距离S_TBt及车头时距T_TBt；

步骤2，判断当前采样时刻目标车辆的车速v_t是否大于预设判定阈值，若是，则判定目标车辆当前处于危险交通行为；否则，进一步判断与前车的跟驰距离S_t、与前车的车头时距T_t、与目标车道上的前车的最近距离S_TFt、与目标车道上的前车的车头时距T_TFt、与目标车道上后车的最近距离S_TBt以及与目标车道上后车的车头时距T_TBt中是否至少有一项小于对应的预设判定阈值，若是，则判定目标车辆当前处于危险交通行为；若否，则转至下一步骤；

步骤3，在下一个采样时刻，采集目标车辆的以下17个指标：车辆类型T_p、交通流密度K、速度最高限速值v_m、横向加速度a_x、纵向加速度a_y、与左侧标线的距离L_L、与右侧标线的距离L_R、与前车跟驰距离与前车相对速度Δv、与前车的车头时距换道前与目标车道后车的距离换道前与目标车道后车的相对速度△v_TB、换道前与目标车道后车的车头时距换道前与目标车道前车的距离换道前与目标车道前车的相对速度△v_TF、换道前与目标车道前车的车头时距

步骤4，根据除目标车辆的类型和交通流密度之外的15个指标，利用预存的判定指标计算公式，计算得到对应的判定指标；

步骤5，根据目标车辆的车辆类型、交通流密度以及对应的判定指标，利用当前路段的危险交通行为识别模型，计算得到目标车辆对应的判定概率；

步骤6，判断目标车辆对应的判定概率是否大于预设概率值：若是，则判定目标车辆当前处于危险交通行为；若否，则判定目标车辆当前处于安全交通行为。

基于本发明上述方案，通过实时采集车辆部分关键指标，并与判定阈值进行比较，快速识别车辆是否处于危险交通行为，若不能判定为危险交通行为，则进一步采集车辆更多相关指标，并利用危险交通行为识别模型，计算车辆的判定概率，进而根据判定概率确定车辆当前是否处于危险交通行为。本发明方法充分考虑了车辆自身的状态信息以及周边环境的信息，可对车辆某一时刻的行驶安全状态进行判定，评价精度高。此外，本发明中通过对多项指标进行降维，避免了不同指标之间的冗余性，提高了识别模型的准确性，可靠性高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种高速公路危险交通行为识别方法的流程示意图；

图2(a)为跟驰状态下，跟驰距离和车头时距测量示意图；

图2(b)为换道时，距离和车头时距测量示意图；

图3为某高速公路正常交通流条件下某车辆与前车正常跟驰状态下的跟驰距离的累计百分数曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1所示为本发明实施例提供的一种高速公路危险交通行为识别方法的流程示意图。

如图1所示，本发明实施例提供的高速公路危险交通行为识别方法包括以下步骤：

步骤1，按照预设的采样间隔，在当前采样时刻实时采集目标车辆的车速v_t，在同车道行驶过程中与前车的跟驰距离S_t及车头时距T_t，在换道前与目标车道上的前车的最近距离S_TFt、车头时距T_TFt以及与目标车道上后车的最近距离S_TBt及车头时距T_TBt。

其中，所述跟驰距离为车辆在跟驰状态下，车头与前车车尾之间的距离。所述车头时距即前后两辆车的前端通过同一地点的时间差，一般可使用前后车的车头间距除以后车速度来计算。直行时，目标车辆与同车道行驶的前车的跟驰距离及车头时距如图2(a)所示；换道时，目标车辆与目标车道上的前车的最近距离、车头时距以及与目标车道上后车的最近距离及车头时距如图2(b)所示。

需要说明的是，上述数据的获取可通过路侧视频或者雷达等设备进行采集，或者通过车辆本身安装的雷达或者激光测距以及GPS设备等，目前在市场上已经有实际应用，本发明对此不再赘述。特别说明的是，车辆之间的距离可通过路侧雷达获取，或者基于路侧监控视频，基于视频识别的方法也可以获得两辆车之间的距离。例如，目前已有路侧雷达，可同时对多车道的车辆进行精确跟踪，获取每一辆车的坐标位置，根据坐标位置即可计算不同车辆之间的相对距离。

此外，需要特别说明的是，在车辆实际行驶过程中，可能会出现本车道前方没有车辆，或者换道时目标车道无车辆通行的情况，此时，将对应参数取值为远大于判定值的参数即可。例如，本车道前方没有车辆的情况下，令车辆与前车的跟驰距离S_t取1000m，与前车的车头时距T_t取1000s；在换道时目标车道无车辆通行的情况下，令车辆与目标车道后车的距离S_TBt取1000m，与目标车道后车的车头时距T_TBt取1000s；令车辆与目标车道前车的距离S_TFt取1000m，与目标车道前车的车头时距T_TFt取1000s。

步骤2，判断当前采样时刻目标车辆的车速v_t是否大于当前路段的限速值，若是，则判定目标车辆当前处于危险交通行为；否则，进一步判断目标车辆与前车的跟驰距离S_t、与前车的车头时距T_t、与目标车道上的前车的最近距离S_TFt、与目标车道上的前车的车头时距T_TFt、与目标车道上后车的最近距离S_TBt以及与目标车道上后车的车头时距T_TBt中是否至少有一项小于对应的预设判定阈值，若是，则判定目标车辆当前处于危险交通行为；若否，则转至下一步骤。

步骤3，在下一个采样时刻，采集目标车辆的以下17个指标：车辆类型T_p、交通流密度K、速度最高限速值v_m、横向加速度a_x、纵向加速度a_y、与左侧标线的距离L_L、与右侧标线的距离L_R、与前车跟驰距离与前车相对速度Δv、与前车的车头时距换道前与目标车道后车的距离换道前与目标车道后车的相对速度△v_TB、换道前与目标车道后车的车头时距换道前与目标车道前车的距离换道前与目标车道前车的相对速度△v_TF、换道前与目标车道前车的车头时距

其中，采集上述17项指标的依据在于：从两方面进行梳理，一方面分析事故的发生原因，在条件允许的情况下，结合事故发生前的视频，分析诱发交通事故的典型危险交通行为，包括跟驰距离过近，超速，不良变道，超车后急刹车等；另一方面，从交警执法的角度出发，参考高速公路交通违章行为的处罚依据和标准，总结危险交通行为，包括压线行驶，不按车道行驶，超速，违规变道，逆行等等。在此基础上确定表达危险交通行为的具体指标集合，主要涵盖了两方面的内容，分别是车辆本身的状态指标以及车辆自身与周边其他车辆的状态指标，共计17项指标，如表1所示。其中，外界环境的变量主要包括道路单元区域内的交通流密度，该变量主要代表交通量的大小，在不同的交通量条件下交通行为将有所差异。

表1

其中，车辆类型包括小客车、中型车、大型车以及汽车列车。交通流密度是指某一瞬间，一条车道单位道路长度上的车辆数目。本发明实施例中，交通流密度的计算公式为：其中N表示路段内的车辆数，L表示路段长度(单位为km)。本发明实施例中，以目标车辆前后各100米范围内的车辆数作为N，对应的L即为0.2km。

此外，需要说明的是，在车辆实际行驶过程中，可能会出现本车道前方没有车辆，或者换道时目标车道无车辆通行的情况，此时，将对应参数取值为远大于判定值的参数即可。例如，具体来说，在换道时目标车道无车辆通行的情况下，令车辆与目标车道后车的距离取1000m，与目标车道后车相对速度△v_TB取0km/h，与目标车道后车的车头时距取1000s；令车辆与目标车道前车的距离取1000m，与目标车道前车相对速度△v_TF取0km/h，与目标车道前车的车头时距取1000s。即，与换道相关的参数的取值如表2所示。类似的，若本车道前方没有车辆，则令车辆与前车跟驰距离取1000m、与前车相对速度Δv取0km/h、与前车的车头时距取1000s。

表2

步骤4，根据除目标车辆的类型和交通流密度之外的15个指标，利用预存的判定指标计算公式，计算得到对应的判定指标。

由于可用指标较多，部分指标之间可能存在多重共线性问题，导致判定结果不理想，甚至是不合理的现象出现，使得所建立的模型不能对数据进行有效的解释。因此，本发明实施例方法在建立危险交通行为识别模型之前，对指标进行变换得到数量较少、代表性更强的判定指标，通过判定指标进行判定，从而避免不同指标之间的多重共线性影响判定结果，最终提高识别模型的准确性。

步骤5，根据目标车辆的车辆类型、交通流密度以及对应的判定指标，利用当前路段对应的危险交通行为识别模型，计算得到目标车辆对应的判定概率。

步骤6，判断目标车辆对应的判定概率是否大于预设概率值：若是，则判定目标车辆当前处于危险交通行为；若否，则判定目标车辆当前处于安全交通行为。

其中，预设概率值可根据具体需要进行设置。预设概率值越低，识别灵敏度越高，但可靠性较低；反之，预设概率值越高，识别灵敏度越低，但可靠性较高。通常，可将预设概率值设置为0.5。

基于本发明实施例上述方案，通过实时采集车辆部分关键指标，并与判定阈值进行比较，快速识别车辆是否处于危险交通行为。若判定结果为安全的交通行为，则进一步采集车辆更多相关指标，并利用危险交通行为识别模型，计算车辆的判定概率，进而根据判定概率确定车辆当前是否处于危险交通行为。本发明实施例方法充分考虑了车辆自身的状态信息以及周边环境的信息，可对车辆某一时刻的行驶安全状态进行判定，评价精度高。此外，本发明实施例中通过对多项指标进行降维，避免了不同指标之间的冗余性，提高了识别模型的准确性，可靠性高。

优选的，可在正常交通流状态下(即排除交通拥堵情况)，采集各车辆在一段时间内的交通数据，并将统计数据按照从小到大顺序排列，采用各类数据的15％位数，将15％分位数作为各项数据的判定阈值。即，本发明实施例提供的高速公路危险交通行为识别方法，在步骤2之前，还可以包括：

预先采集一段时间内车辆经过当前路段时在同车道行驶过程中与前车的跟驰距离S及车头时距T，在换道前与目标车道上的前车的最近距离S_TF、车头时距T_TF以及与目标车道上后车的最近距离S_TB及车头时距T_TB；

分别统计所采集的跟驰距离S、车头时距T、最近距离S_TF、车头时距T_TF、最近距离S_TB以及车头时距T_TB的15％分位数，分别记为S_15％、T_15％、S_TF15％、T_TF15％、S_TB15％以及T_TB15％；

存储S_15％、T_15％、S_TF15％、T_TF15％、S_TB15％以及T_TB15％，作为对应的预设判定阈值。

其中，15％分位数是统计学中常用的概念，指的是将所有数值由小到大排列，其中累计频率处于15％位置的数值。示例性的，以跟驰距离S为例，图3所示为某高速公路正常交通流条件下，某车辆与前车正常跟驰状态下的跟驰距离的累计百分数曲线，从图3可以看出，对应的15％分位的跟驰距离S_15％为11.1m，其表示的含义为：在统计的全部跟驰距离中，15％的车辆跟驰距离小于11.1m，85％的车辆的跟驰距离大于11.1m，即绝大多数车辆会保持一个较大的跟驰距离，仅有少部分车辆会保持一个较小的跟驰距离。

此次，需要说明的是，本领域技术人员应当理解，采集数据的地点应当选取统计学上具有普遍意义的高速公路基本路段，不应当选取不具有代表性的特殊路段，如长大下坡段等。

优选的，本发明实施例提供的高速公路危险交通行为识别方法，在计算判定指标之前需要预先获得判定指标计算公式，即在步骤4之前，所述方法还包括：

预先采集当前路段对应的m组样本数据，其中每组样本数据包括以下17个数据：车辆在一采样时刻的交通流密度、速度、最高限速值、横向加速度、纵向加速度、与左侧标线的距离、与右侧标线的距离、与前车跟驰距离、与前车相对速度、与前车的车头时距、换道前与目标车道后车的距离、换道前与目标车道后车的相对速度、换道前与目标车道后车的车头时距、换道前与目标车道前车的距离、换道前与目标车道前车的相对速度、换道前与目标车道前车的车头时距以及车辆的车辆类型；

根据m组样本数据，建立原始数据矩阵X_m×15，原始数据矩阵X_m×15的一行数据为一组样本数据中除交通流密度和车辆类型之外的15个数据；

计算原始数据矩阵X_m×15中每一列数据的平均值，并对原始数据矩阵X_m×15进行标准化处理，得到标准化矩阵X′，计算标准化矩阵X′对应的协方差矩阵R；

计算协方差矩阵R的特征值及对应的单位化特征向量，确定协方差矩阵R的全部n个特征值中累积贡献率超过85％的p个特征值；其中，p表示累积贡献率超过85％的特征值的个数，p≤n；

利用p个特征值对应的单位化特征向量组成矩阵矩阵A的列向量为对应的单位化特征向量；其中，a_ji表示矩阵A的第i行第j列的元素，j＝1、2、3…p，i＝1、2、3…n；

根据矩阵A的各列向量，得到p个判定指标的计算公式：

其中，Y₁、Y₂、…Y_p表示p个判定指标，n＝15，X₁、X₂、…X_n表示目标车辆的15个指标。

即，将原先的17个指标降维为p个判定指标，再将车辆的车辆类型和交通流密度考虑在内，则一共有p+2个指标，如表3所示：

表3

其中，需要说明的是，关于模型标定数据的获取，为了提高模型参数的精确度，一方面，需要保证足够的数据量，另一方面在采集到的数据中，应当涵盖典型车辆的典型的交通行为，包括安全交通行为与危险交通行为。具体来说，包含四种不同类型车辆的典型跟驰行为、换道行为、骑线行驶超速等等，这其中包含了安全的交通行为以及危险的交通行为。安全交通行为较为普遍，一般情况下均可获取，根据上文提到的方法，获取不同交通行为对应的指标值。对于危险交通行为获取：首先通过对监控视频进行初步分析，提取可能的危险交通行为，之后通过专业人士来判定其是否为危险行为。如果判定为危险行为，则提取该危险行为从发生到结束过程中对应的指标值。考虑到安全问题，不建议采用实车实验手段获取数据。条件允许的情况下，可采用驾驶模型舱来采集不同场景条件下的危险交通行为。具体危险交通行为可包含：超速、急加速、急减速、换道时与目标车道后方车辆距离过近、换道时与目标车辆前方车辆跟驰距离过近、骑线行驶等等。关于数据量，安全交通行为不少于500条，危险的交通行为不少于100条。一条交通行为特指某一种行为从开始到结束的这个过程，例如换道行为，指从换道开始到换道结束。

示例性的，本发明实施例以某段高速公路的实际采数据为依据，给出判定指标计算公式中各系数如表4所示：

表4

参见表4，将15个数据降维后得到6个判定指标，其中每个判定指标下对应的一列即为该指标计算公式中的系数。将表中相关系数大于0.3的数值进行加粗，可对判定指标代表的物理含义进行解释：第一判定指标代表换道前与前车的相对状态，第二判定指标代表跟驰状态下与前车的相对状态，第三判定指标代表换道前与目标车道后车的相对状态，第四判定指标代表与车道标线的相互关系，第五判定指标代表车辆的速度状态，第六判定指标代表最高限速。

优选的，本发明实施例提供的高速公路危险交通行为识别方法，在计算判定概率之前需要预先获得危险交通行为识别模型。即，在步骤5之前，还包括：

建立二元logit模型：转换得到：其中，

P表示危险交通行为发生的概率，Y_i表示第i个判定指标，i＝1,2,...,p，β_i表示第i个判定指标Y_i对应的系数，β₀为常数，K表示交通流密度，T_p表示车辆类型，γ₁表示交通流密度对应的系数，γ₂表示车辆类型对应的系数；

根据当前路段对应的m组样本数据，对所述二元logit模型进行参数标定，确定各参数的取值，得到当前路段对应的危险交通行为识别模型：exp()表示以10为底的指数函数。

需要说明的是，在根据m组样本数据，对模型进行参数标定时，需要确定每组样本数据对应的因变量的取值，本发明实施例中将危险交通行为取值为1，非危险交通行为(也即安全交通行为)取值为0。可通过以下两种方式确定是否为危险驾驶行为：方式一，基于高速公路交通违章行为的处罚依据和标准，对危险交通行为进行判定；方式二：由具有交通安全专业背景等相关人员对危险交通行为进行联合判定，组成人员可包括交通安全的科研人员，一线执法交警以及具有丰富驾驶经验的职业司机等。

此外，本领域技术人员可以理解，对于参数的标定，可采用目前成熟的数据统计软件(如SPSS)实现，本发明实施例对此不再赘述。

示例性的，给出得到某段高速公路对应的危险交通行为识别模型的过程中的相关参数：

在SPSS软件中各参量的数据格式如表5所示：

表5

其中，车辆类型为离散变量，对应的编码方式如表6所示：

表6

利用SPSS软件进行模型参数拟合，模型中的相关系数的拟合结果见表7：

表7

变量	系数
		主成分1	0.052
主成分2	-0.495
		主成分3	-0.434
主成分4	0.115
		主成分5	0.982
主成分6	-0.157
		车流密度	0.016
车辆类型(1)	18.754
		车辆类型(2)	18.329
车辆类型(3)	19.267
		常量	-48.947

根据表7可以得到该段高速公路对应的危险交通行为识别模型为：

其中，当车辆类型为大型车时，γ₂＝0；当车辆类型为汽车列车时，γ₂＝18.754：当车辆类型为小客车时，γ₂＝18.329，当车辆类型为中型车时，γ₂＝19.267。

利用上述模型进行预测的结果如表8所示：

表8

表8中，1表示危险交通行为，0表示非危险交通行为。可以看出，非危险交通行为预测为非危险交通行为的比例为96.3％，危险交通行为预测为危险交通行为的比例为84.2％，整体的预测正确率为94％。

优选的，本发明实施例提供的高速公路危险交通行为识别方法中，在判定目标车辆当前处于危险交通行为之后，还可以包括：

向目标车辆的车载终端发送警告信息，以提示驾驶员目标车辆当前处于危险交通行为。

此外，该警告信息也可传输至车队管理中心，以便交通管理者了解驾驶员的驾驶状况。进一步的，可对车辆出现危险交通行为的次数进行统计，如果危险交通行为出现次数超过某个阈值，可告知交通管理部门，由交管部门进行实际处罚。

基于上述方法，本发明实施例还提供了一种高速公路危险交通行为识别系统，该系统包括场外数据采集端、场内数据处理端以及信息发布端。其中，场外数据采集端采集车辆相关指标，交由场内数据处理端根据危险交通行为识别模型进行判定，并将判定结果传送给信息发布端，由信息发布端将判定结果发送给相关部门进行发布。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (3)

1.一种高速公路危险交通行为识别方法，其特征在于，包括：

步骤1，按照预设的采样间隔，在当前采样时刻实时采集目标车辆的车速v_t，在同车道行驶过程中与前车的跟驰距离S_t及车头时距T_t，在换道前与目标车道上的前车的最近距离S_TFt、车头时距T_TFt以及与目标车道上后车的最近距离S_TBt及车头时距T_TBt；

步骤2，判断当前采样时刻目标车辆的车速v_t是否大于当前路段的限速值，若是，则判定目标车辆当前处于危险交通行为；否则，进一步判断目标车辆与前车的跟驰距离S_t、与前车的车头时距T_t、与目标车道上的前车的最近距离S_TFt、与目标车道上的前车的车头时距T_TFt、与目标车道上后车的最近距离S_TBt以及与目标车道上后车的车头时距T_TBt中是否至少有一项小于对应的预设判定阈值，若是，则判定目标车辆当前处于危险交通行为；若否，则转至下一步骤；

步骤3，在下一个采样时刻，采集目标车辆的以下17个指标：车辆类型T_p、交通流密度K、速度最高限速值v_m、横向加速度a_x、纵向加速度a_y，与左侧标线的距离L_L、与右侧标线的距离L_R；与前车跟驰距离与前车相对速度Δv、与前车的车头时距换道前与目标车道后车的距离换道前与目标车道后车的相对速度Δv_TB、换道前与目标车道后车的车头时距换道前与目标车道前车的距离换道前与目标车道前车的相对速度Δv_TF、换道前与目标车道前车的车头时距

预先采集当前路段对应的m组样本数据，其中每组样本数据包括以下17个数据：车辆在一采样时刻的交通流密度、速度、最高限速值；横向加速度、纵向加速度；与左侧标线的距离、与右侧标线的距离；与前车跟驰距离、与前车相对速度、与前车的车头时距；换道前与目标车道后车的距离、换道前与目标车道后车的相对速度、换道前与目标车道后车的车头时距；换道前与目标车道前车的距离、换道前与目标车道前车的相对速度、换道前与目标车道前车的车头时距以及车辆的车辆类型；

根据所述m组样本数据，建立原始数据矩阵X_m×15；其中，所述原始数据矩阵X_m×15的一行数据为m组样本数据中的一组样本数据中除交通流密度和车辆类型之外的15个数据；

计算所述原始数据矩阵X_m×15中每一个指标的平均值，即每一列数据的平均值，并对样本矩阵进行标准化转换，得到标准化矩阵X′，计算所述标准化矩阵X′对应的协方差矩阵R；

计算所述协方差矩阵R的特征值及对应的单位化特征向量，确定所述协方差矩阵R的全部n个特征值中累积贡献率超过85％的p个特征值；其中，p表示累积贡献率超过85％的特征值的个数，p≤n；

利用所述p个特征值对应的单位化特征向量组成矩阵矩阵A的列向量为特征值的单位化特征向量；

根据矩阵A的各列向量，得到p个判定指标的计算公式：

其中，Y₁、Y₂、…Y_p为p个判定指标，n＝15，X₁、X₂、…X_n表示目标车辆的15个指标；

步骤4，根据除目标车辆的类型和交通流密度之外的15个指标，利用预存的判定指标计算公式，计算得到对应的判定指标；

建立二元logit模型：其中，P表示危险交通行为发生的概率，Y_i表示第i个判定指标，i＝1,2,...,p，β_i表示第i个判定指标Y_i对应的系数，β₀为常数，K表示交通流密度，T_p表示车辆类型，γ₁表示交通流密度对应的系数，γ₂表示车辆类型对应的系数；

根据当前路段对应的m组样本数据，对所述二元logit模型进行参数标定，确定各参数的取值，得到当前路段对应的危险交通行为识别模型：exp()表示以10为底的指数函数；

步骤5，根据目标车辆的车辆类型、交通流密度以及对应的判定指标，利用当前路段对应的危险交通行为识别模型，计算得到目标车辆对应的判定概率；

步骤6，判断目标车辆对应的判定概率是否大于预设概率值：若是，则判定目标车辆当前处于危险交通行为；若否，则判定目标车辆当前处于安全交通行为。

2.根据权利要求1所述的方法，其特征在于，在步骤2之前，所述方法还包括：

预先采集一段时间内车辆经过当前路段时在同车道行驶过程中与前车的跟驰距离S及车头时距T，在换道前与目标车道上的前车的最近距离S_TF、车头时距T_TF以及与目标车道上后车的最近距离S_TB及车头时距T_TB；

分别统计所采集的跟驰距离S、车头时距T、最近距离S_TF、车头时距T_TF、最近距离S_TB以及车头时距T_TB的15％分位数，分别记为S_15％、T_15％、S_TF15％、T_TF15％、S_TB15％以及T_TB15％；

存储S_15％、T_15％、S_TF15％、T_TF15％、S_TB15％以及T_TB15％，作为对应的预设判定阈值。

3.根据权利要求1所述的方法，其特征在于，在判定目标车辆当前处于危险交通行为之后，还包括：

向目标车辆的车载终端发送警告信息，以提示驾驶员目标车辆当前处于危险交通行为。