CN110363983B - 无信号交叉口机非人实时轨迹预测与冲突识别方法 - Google Patents

Abstract

本发明公开了一种无信号交叉口机非人实时轨迹预测与冲突识别方法，包括：利用建立的历史轨迹数据库训练ARMA模型和极限学习预测机；利用ARMA模型预测进口道机非人轨迹；根据进口道机非人预测轨迹进行进口道冲突预警；利用极限学习预测机预测交叉口机非人轨迹；根据交叉口机非人预测轨迹进行交叉口冲突预警。本发明分为进口道内机非人轨迹预测和冲突识别，以及交叉口内机非人轨迹预测和冲突识别两部分，能实现整个交叉口的实时动态轨迹预测和冲突识别，具有较好的鲁棒性，实时性非常高。

Description

无信号交叉口机非人实时轨迹预测与冲突识别方法

技术领域

本发明涉及智能交通技术领域，更具体的说是涉及无信号交叉口机非人实时轨迹预测与冲突识别方法。

背景技术

现有交通冲突识别研究多基于历史轨迹数据进行静态车车冲突的检测和判别，且多针对车车冲突较严重的个别行车方向，很少涉及到行人与非机动车的安全控制技术，也很少从整个实际交通场景角度考虑机非人混合冲突识别和预警总体方案。实时冲突识别及预警研究目前主要集中在车车、车路协同框架下的车车冲突预警，由于受到车载检测器检测盲区、检测视野范围、检测技术等影响，其中行人和非机动车的检测与识别还是一个研究难点。

其中，无信号交叉口机非人实时轨迹预测和冲突识别面临一些困难和挑战，根据提取的交叉口历史轨迹特点，在建立轨迹预测模型时主要有以下两个问题：(1)同时空下交叉口内的机非人轨迹较多，且具有方向不确定性特征，尤其是转弯车辆难以建模；(2)车辆进入进口道还未转向前，需与过街行人和非机动车进行冲突预警，而过街行人轨迹样本较少，因而不能与交叉口内轨迹预测统一建模。分析同时空下整个交叉口预测的轨迹特征，发现在冲突判别时存在以下问题：(1)同时刻存在多股交互冲突轨迹，在判别的先后顺序上较为棘手；(2)根据以往的冲突判别方式，往往会陷于两两冲突的思维局限性中。

因此，如何提供一种合理有效的无信号交叉口机非人轨迹预测模型及冲突识别方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种无信号交叉口机非人实时轨迹预测与冲突识别方法，该算法基于交叉口视频图像实时轨迹提取，能实现整个交叉口的实时动态轨迹预测和冲突识别，具有较好的鲁棒性，实时性非常高。

为了实现上述目的，本发明采用如下技术方案：

无信号交叉口机非人实时轨迹预测与冲突识别方法，包括以下步骤：

S1进口道机非人轨迹预测：将视频提取的实时进口道机非人轨迹输入至预先训练好的ARMA模型中，得到进口道机非人预测轨迹；

S2进口道冲突预警：根据所述进口道机非人预测轨迹判断进口道内机非人是否存在冲突，如存在，发布进口道冲突预警信息；

S3交叉口机非人轨迹预测：将视频提取的实时交叉口内机非人轨迹输入至预先训练好的极限学习机中，得到交叉口机非人预测轨迹；

S4交叉口冲突预警：根据所述交叉口机非人预测轨迹判断交叉口内机非人是否存在冲突，如存在，发布交叉口冲突预警信息。

进一步，在S1之前还包括以下步骤：

历史轨迹数据库的建立：提取历史交通视频图像的机非人轨迹数据，建立历史轨迹数据库，所述历史轨迹数据库包括进口道机非人历史轨迹和交叉口内机非人历史轨迹；

轨迹训练：利用所述进口道机非人历史轨迹训练ARMA模型，利用所述交叉口内机非人历史轨迹训练极限学习机。

进一步，所述进口道机非人历史轨迹包括进口道机动车历史轨迹、进口道过街行人历史轨迹与进口道过街非机动车历史轨迹；

所述交叉口内机非人历史轨迹包括交叉口机动车历史轨迹和交叉口非机动车历史轨迹。

进一步，利用所述进口道机非人历史轨迹训练ARMA模型的具体步骤为：

步骤一：利用ADF判断所述进口道机动车历史轨迹、所述进口道过街行人历史轨迹与所述进口道过街非机动车历史轨迹是否为平稳序列，若为平稳序列则进入步骤二，若为不平稳序列进行差分处理后进入步骤二；

步骤二：求出序列样本自相关函数以及偏自相关函数；

步骤三：利用所述自相关函数以及所述偏自相关函数对所述ARMA模型进行模型识别和定阶；

步骤四：完成模型识别和定阶后，利用最小二乘法进行所述ARMA模型的参数估计；

步骤五：完成参数估计后，利用QLB统计量对拟合的模型进行有效性检验，若有效性检验不通过，返回步骤三，如果有效性检验通过，作为所述预先训练好的ARMA模型。

进一步，所述S1中，将视频提取的实时进口道机非人轨迹输入至预先训练好的ARMA模型得到进口道内的预测轨迹，其具体计算公式为：

X_t＝φ₀+φ₁X_t-1+φ₂X_t-2+…+φ_pX_t-p+θ₁u_t-1+θ₂u_t-2+…+θ_qu_t-a (1)

其中，X_t为t时刻的机非人轨迹坐标预测值，包含机非人轨迹的横向和纵向像素坐标；x_t-1,x_t-2……x_t-p表示不同时间点机非人历史轨迹坐标值，u_t-q是t-q时刻的离散白噪声，φ₀,φ₁,φ₂……φ_p表示自回归系数；θ₁,θ₂……θ_q表示移动回归系数；u_t,u_t-1……u_t-q表示不同时间点的离散白噪声项；

通过将t-1,t-2,...t-p时刻的实时进口道机非人轨迹坐标值x_t-1,x_t-2……x_t-p代入公式(1)中，得到所述进口道内机非人预测轨迹。

上述进一步技术方案的有益效果为：由于进口道过街横道上的非机动车和行人轨迹样本少，不适合机器学习大样本训练，而进口道车辆轨迹和非机动车及行人过街的轨迹几乎是线性的，利用时间序列的ARMA模型预测进口道内的机非人轨迹不仅方法简单，而且准确度高，输入仅为当前时刻及当前时刻以前的轨迹真实值，并可以进行多步轨迹预测，且预测步长与模型轨迹的数步长一致。

进一步，利用所述交叉口内机非人历史轨迹训练极限学习机的具体步骤为：

将每条所述交叉口内机非人历史轨迹分为A部分和B部分，其中，所述A部分作为所述极限学习机的输入x_j，B部分作为所述极限学习机的输出t_j；

任意赋值输入权值ω_i，b_i，i＝1，2，...，l，其中，ω_i表示输入层与第i个隐含层间的权向量，b_i表示隐含层神经元的阈值，l表示隐含层神经元数；

计算所述极限学习机的隐含层输出矩阵H，其计算公式为：

其中g(x)为激活函数，表示与输入x_j对应的第i个隐层神经元的输出；

计算输出权矩阵

其计算公式为：

其中，ξ为正则化系数，

N表示训练样本总数，m表示极限学习机的输出变量。

进一步，所述S3中，将视频提取的实时交叉口内机非人轨迹输入至预先训练好的极限学习机中，得到交叉口机非人预测轨迹，其计算公式为：

其中，t_j表示交叉口内的预测轨迹，x_j表示提取的实时交叉口内机非人轨迹，i＝1,2,...,l，j＝1,2,...N，l表示隐含层神经元数，N表示训练样本总数，ω_i表示输入层与第i个隐含层间的权向量，b_i表示隐含层神经元的阈值，β_i表示第i个隐含层与输出层间的权向量，

上述进一步技术方案的有益效果为：由于交叉口转弯轨迹方向不确定，实时机非人轨迹时空预测是个难点问题，利用极限学习机可以挖掘轨迹隐藏的位置变化关系以及提高了预测的实时性和精准性，而改进的极限学习机预测模型，避免了轨迹短期预测过程中的过度拟合问题。

进一步，进口道内机非人冲突，包括进口道机动车与过街行人的冲突、进口道机动车和过街非机动车的冲突；

交叉口内机非人冲突，包括交叉口机动车与交叉口机动车的冲突、交叉口机动车与交叉口非机动车的冲突、交叉口机动车与行人的冲突。

进一步，还包括以下步骤：

计算进口道内机非人冲突到达冲突点断面的时间差，将所述冲突点断面的时间差作为冲突严重性指标PET值，根据所述冲突严重性指标PET值发布所述进口道冲突预警信息；

计算交叉口内机非人冲突到达冲突点断面的时间差，将所述冲突点断面的时间差作为冲突严重性指标PET值，根据所述冲突严重性指标PET值发布所述交叉口冲突预警信息。

进一步，根据所述冲突严重性指标PET值发布所述进口道冲突预警信息或所述交叉口冲突预警信息的具体步骤为：

冲突严重性判断：选取所有历史PET统计值的15％和85％分位分别作为严重性冲突阈值和潜在冲突阈值；

当冲突严重性指标PET值＜严重性冲突阈值，表示存在严重冲突，当冲突严重性指标PET值＞潜在冲突阈值，表示存在潜在冲突，当严重性冲突阈值＜冲突严重性指标PET值＜潜在冲突阈值，表示存在轻微冲突；

发布冲突预警信息：当检测到潜在冲突时，不发出提示信息，当检测到轻微冲突和严重冲突时，通过警示灯闪烁和电子显示屏进行提醒。

上述进一步技术方案的有益效果为：车辆冲突的严重性判别可以再现车辆的危险驾驶行为，基于此，可以进行更深一步的交叉口安全评价、预防危险驾驶行为等安全措施。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种无信号交叉口机非人实时轨迹预测与冲突识别方法，该方法基于视频图像实时提取的机非人轨迹数据，以整个无信号交叉口机非人及其所有流向为研究对象，提出了无信号交叉口两阶段机非人轨迹预测和冲突识别方法，该方法分为进口道内机非人轨迹预测和冲突识别，以及交叉口内机非人轨迹预测和冲突识别两部分，该技术基于现有的交通监控系统，可用于实际无信号交叉口交通安全预警解决方案，也可作为车车/车路协同研究框架下一种大视野检测范围内机非人冲突预警辅助技术。

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，还可以根据提供的附图获得其他的附图。

图1附图为本发明无信号交叉口机非人实时轨迹预测与冲突识别方法流程示意图；

第一阶段，各方向车辆进入进口道，该车的实时轨迹被提取，接着进行车辆轨迹预测，并与该进口道人行横道上的行人或非机动车提取预测的轨迹进行冲突判断和严重性分级，以确定是否进行冲突预警。第二阶段，各方向车辆继续前行进入交叉口，根据该车提取的实时轨迹进行转弯预测，并与其他方向的机非人预测轨迹进行冲突判断和严重性分级，以确定是否进行冲突预警。

图2附图为本发明无信号交叉口机非人实时轨迹预测与冲突识别方法框架示意图；

图3附图为历史轨迹数据特点分析过程；

图4附图为两阶段轨迹预测流程图；

图5附图为两阶段轨迹冲突判别流程图；

图6附图为无信号交叉口两阶段机非人轨迹预测结果(实例)；

图7附图为无信号交叉口两阶段机非人冲突识别结果(实例)；

图8附图为车辆冲突判别动态过程(实例)；

图9附图为整个无信号交叉口机非人轨迹预测和冲突判别的实现结果(实例)，图中绿色轨迹线为实时提取的轨迹，红色轨迹线为预测的轨迹线；

图10附图为交叉口冲突预警硬件布局设计；

图11附图为交叉口冲突预警效果Vissim仿真开发结果(实例)，其中图11(a)为进口道预警信息发布，图11(b)为交叉口预警信息发布。

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。

本发明实施例公开了一种适用于无信号交叉口机非人实时轨迹预测与冲突识别方法，具体流程图如图1图2所示，大致可以分为五个步骤。

(1)提取轨迹数据，建立历史轨迹数据库

通过大量的历史轨迹数据统计分析，可以总结出，在交叉口进口道内，机非人轨迹多为直线，位置移动平稳，轨迹随时间变化明显。根据目标大小，将轨迹分为机动车、非机动车和行人三种。而交叉口内轨迹多为直线或随机方向上曲线中的一种，根据目标大小，将轨迹分为机动车和非机动车两种，分别建立历史轨迹数据库。因而在进口道内以机动车与行人、机动车与非机动车为主，而交叉口内以机动车与机动车、机动车与非机动车冲突为主。

(2)模型训练和轨迹预测

鉴于上述分析，实行分段轨迹预测，进口道内机非人轨迹预测采用了ARMA时间序列法，而对于交叉口内，则采用了善于挖掘空间位置变化关系的极限学习机。

1)对于处理平稳数据流而言，ARMA法具有较高预测精度的优势。为了保证在预测轨迹足够精度的同时，能满足预测实时性的需求，利用进口道机非人历史轨迹样本进行模型阶数的标定，将训练好的ARMA模型作为第一阶段的“轨迹预测机1”。

自回归移动平均模型(ARMA)由自回归部分(AR)和移动平均部分(MA)两部分组成，因此包含两个阶数，可以表示为ARMA(p,q)，p是自回归阶数，q是移动平均阶数，一般采用AIC准则确定其值。其计算公式为：

X_t＝φ₀+φ₁X_t-1+φ₂X_t-2+…+φ_pX_t-p+θ₁u_t-1+θ₂u_t-2+…+θ_qu_t-a (1)

其中：X_t为t时刻的机非人轨迹坐标预测值，包含机非人轨迹的横向和纵向像素坐标；x_t-1,x_t-2......x_t-p表示不同时间点机非人轨迹坐标值，u_t-q是t-q时刻的离散白噪声，φ₀,φ₁,φ₂……φ_p表示自回归系数；θ₁,θ₂……θ_q表示移动回归系数；u_t,u_t-1……u_t-q表示不同时间点的离散白噪声项。

自回归移动平均模型综合了AR和MA两个模型的优势，在ARMA模型中，自回归过程负责量化当前数据和前期数据之间的关系，移动平均过程负责解决随机变动项的求解问题，因此该模型更适合时空变化的数据预测。

在模型使用时，根据历史数据统计特点和AIC准则，先确定模型阶数(p,q)，再对每个交叉口历史数据进行拟合，确定自回归和移动平均系数，其具体训练过程为：

1)将视频提取的进口道机动车历史轨迹数据、进口道过街行人历史轨迹与进口道过街非机动车历史轨迹数据利用ADF检验判断三者是否为平稳序列，若是则直接进入步骤2)；若不平稳则进行差分处理后进入步骤2。

2)求出序列样本自相关函数(ACF)与偏自相关函数(PACF)的值。

3)通过自相关和偏自相关函数，并结合AIC或BIC准则对建立的模型进行模型识别和定阶。

4)完成模型识别和定阶后，利用最小二乘法进行模型的参数估计。

5)完成参数估计后，利用QLB统计量对拟合的模型进行有效性检验。若模型检验不通过，回到步骤3),重新选择模型拟合。如果拟合模型通过检验，将标定好的模型作为“轨迹预测机1”。

表1 ARMA标定结果

将提取的实时进口道机非人轨迹输入“轨迹预测机1”，即可预测出未来一小段时间内进口道上的运动轨迹，结果如附图6所示。

2)极限学习机是机器学习的一种，因其在挖掘空间位置变化关系具有较大的优势而被广泛应用于位置变化预测中。将交叉口内历史轨迹作为极限学习机训练的样本，经过大量样本训练后，将符合精度要求的模型作为“轨迹预测机2”。

极限学习机ELM是一种单隐层前馈神经网络学习算法，若输入层有n个输入变量，隐含层有l个神经元，输出层有m个输出变量；输入层与隐含层间的连接权矩阵为ω，隐含层与输出层间的连接矩阵为β，隐含层神经元的阀值为b，(x_j，t_j)为训练样本,o_j为与t_j对应的实际输出，其中j＝1，2，...，N。则ELM模型为：

其中g(x)为激活函数，表示与输入x_j对应的第i个隐层神经元的输出。期望输出的误差最小，在极限情况下为零误差逼近，可以表示为:

即存在ω_i，b_i，β_i使得

用矩阵表示为：

Hβ＝T (5)

其中H指神经网络的隐含层输出矩阵：

T为训练目标，β和T为：

当激活函数g(x)无限可微时，该模型的参数无需全部改变，ω和b在训练前能随机选择且在训练中能够维持不变。而隐含层与输出层间的连接矩阵β的获得可以通过对方程组进行最小二乘解的求解:

其解为:

其中H⁺为隐含层输出矩阵H的Moore-Penrose广义逆。

传统ELM基于经验风险最小化原则，会产生过度拟合的问题，因此在本专利中，引入结构风险的正则化极限学习机来提高轨迹短期预测的泛化能力和稳定性，如下式(11)来代替式(9)

式中：ξ为正则化系数，||β||²代表结构风险。采用拉格朗日法求解(11)式，得到其解为：

将交叉口内机非人历史轨迹作为训练样本，进行极限学习机训练，创建极限学习机。具体的，将机非人在交叉口内的每条历史轨迹分为A、B两个部分，A作为极限学习机训练的输入x_j，B作为输出t_j；其中，车辆进入进口道时，车辆的行驶轨迹、过街行人与非机动的轨迹均是直线，车辆继续行进至停车线附近，便开始分流向，那么之前的实时检测的轨迹部分都可以作为A部分，包括用于ARMA模型预测的那一部分轨迹，分流后的轨迹作为B部分。A和B部分划分标准根据实际轨迹确定，本实施例中将分向轨迹偏离直线轨迹5度角位置作为A部分和B部分划分位置。

任意赋值输入权值ω_i，b_i，i＝1，2，...，l；

计算隐层输出矩阵H；

计算输出权矩阵

将实时交叉口内机非人轨迹输入“轨迹预测机2”即可预测交叉口未来一段时间内的运动轨迹(附图9)。

(3)分阶段冲突判断

依据预测出的轨迹，建立模型对交通冲突进行判别，这是发布预警信息内容的关键。分析同时空下整个交叉口预测的轨迹特征，发现在冲突判别时存在以下问题：①同时刻存在多股交互冲突轨迹，在判别的先后顺序上较为棘手②根据以往的冲突判别方式，往往会陷于两两冲突的思维局限性中。

为解决上述问题，提出了与两阶段预测相对应的两阶段冲突识别方法，包括进口道机非人冲突判别和交叉口机非人冲突判别，具体流程可参见附图5。

1)在进口道阶段，由于过街行人较少，可直接根据冲突定义即预测轨迹是否相交直接判断是否存在机非人的冲突，并且依据轨迹对应目标大小判断冲突对象，包括进口道机动车与过街行人的冲突、进口道机动车和过街非机动车的冲突。

2)在交叉口内，主要存在机动车与非机动车或机动车与机动车的冲突，包括交叉口机动车与交叉口机动车的冲突、交叉口机动车与交叉口非机动车的冲突、交叉口机动车与行人的冲突，但是交叉口内的车辆冲突要远远多于进口道内的冲突，因而在两两冲突的基础上，利用了前段轨迹预测不断缩小冲突检测范围。这样既做到了全交叉口冲突检测，也达到了缩短判断时间的目的。

(4)冲突识别

包括进口道冲突识别和交叉口冲突识别。

选取了PET指标作为冲突严重性判别之别，该指标由计算交通实体两两通过冲突断面的时间差计算而得。依据统计分析将交通冲突分三类，选取所有历史PET统计值的15％和85％分位作为严重冲突和潜在冲突的阈值，其阈值分别为1.24s和4.09s。即当PET>4.09s时，对应潜在冲突；1.24s<PET<4.09s时，对应轻微冲突；当PET<1.24s时，对应严重冲突。

以某时刻南进口直行机动车和南进口过街行人为例，动态轨迹冲突及严重性判别过程如图7所示，经计算PET为5.02s，因此该冲突为潜在冲突，因此不进行提示。(注：蓝色点表示潜在冲突)

(5)无信号交叉口机非人冲突预警方案

在交通冲突严重性判别后，如何将预警信息告知给冲突车辆成了整个冲突预警的最后一道关键工序，整个预警方案包括预警组件、分级预警发布两个部分。

其中预警组件为LED电子显示屏和警示灯闪烁，主要安装于四个进口道处。前端主要由摄像头采集视频信息，经短距离通信送给微型CPU，CPU处理后，将预警结果通过UDP单播发送到LED单元和声光报警器，最后以视觉形式发布预警消息(图10)，图11为其基于Vissim二次开发的效果仿真。

根据PET值与冲突等级的关系，分级警示信息发布如下：当检测到潜在冲突时，不发出提示信息；若为轻微冲突时，闪烁黄光，屏幕显示“注意前方机动车/行人”；当检测到严重冲突时，闪烁红光，屏幕显示“请立即减速行驶”。

本发明的有益效果为：基于实时视频轨迹数据，以整个无信号交叉口机非人及其所有流向为研究对象，提出了无信号交叉口机非人交叉冲突预警模型，该模型基于现有的交通监控系统，可用于实际无信号交叉口交通安全预警解决方案，也可作为车车/车路协同研究框架下一种大视野检测范围内机非人冲突预警辅助技术。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.无信号交叉口机非人实时轨迹预测与冲突识别方法，其特征在于，包括以下步骤：

S1进口道机非人轨迹预测：将视频提取的实时进口道机非人轨迹输入至预先训练好的ARMA模型中，得到进口道机非人预测轨迹；

S2进口道冲突预警：根据所述进口道机非人预测轨迹判断进口道内机非人是否存在冲突，如存在，计算进口道内机非人冲突到达冲突点断面的时间差，将所述冲突点断面的时间差作为冲突严重性指标PET值，根据所述冲突严重性指标PET值发布进口道冲突预警信息；

S3交叉口机非人轨迹预测：将视频提取的实时交叉口内机非人轨迹输入至预先训练好的极限学习机中，得到交叉口机非人预测轨迹；

S4交叉口冲突预警：根据所述交叉口机非人预测轨迹判断交叉口内机非人是否存在冲突，如存在，计算交叉口内机非人冲突到达冲突点断面的时间差，将所述冲突点断面的时间差作为冲突严重性指标PET值，根据所述冲突严重性指标PET值发布交叉口冲突预警信息；

根据所述冲突严重性指标PET值发布所述进口道冲突预警信息或所述交叉口冲突预警信息的具体步骤为：

冲突严重性判断：选取所有历史PET统计值的15％和85％分位分别作为严重性冲突阈值和潜在冲突阈值；

当冲突严重性指标PET值＜严重性冲突阈值，表示存在严重冲突，当冲突严重性指标PET值＞潜在冲突阈值，表示存在潜在冲突，当严重性冲突阈值＜冲突严重性指标PET值＜潜在冲突阈值，表示存在轻微冲突；

发布冲突预警信息：当检测到潜在冲突时，不发出提示信息，当检测到轻微冲突和严重冲突时，通过警示灯闪烁和电子显示屏进行提醒。

2.根据权利要求1所述的无信号交叉口机非人实时轨迹预测与冲突识别方法，其特征在于，在S1之前还包括以下步骤：

历史轨迹数据库的建立：提取历史交通视频图像的机非人轨迹数据，建立历史轨迹数据库，所述历史轨迹数据库包括进口道机非人历史轨迹和交叉口内机非人历史轨迹；

轨迹训练：利用所述进口道机非人历史轨迹训练ARMA模型，利用所述交叉口内机非人历史轨迹训练极限学习机。

3.根据权利要求2所述的无信号交叉口机非人实时轨迹预测与冲突识别方法，其特征在于，所述进口道机非人历史轨迹包括进口道机动车历史轨迹、进口道过街行人历史轨迹与进口道过街非机动车历史轨迹；

所述交叉口内机非人历史轨迹包括交叉口机动车历史轨迹和交叉口非机动车历史轨迹。

4.根据权利要求3所述的无信号交叉口机非人实时轨迹预测与冲突识别方法，其特征在于，利用所述进口道机非人历史轨迹训练ARMA模型的具体步骤为：

步骤一：利用ADF判断所述进口道机动车历史轨迹、所述进口道过街行人历史轨迹与所述进口道过街非机动车历史轨迹是否为平稳序列，若为平稳序列则进入步骤二，若为不平稳序列进行差分处理后进入步骤二；

步骤二：求出序列样本自相关函数以及偏自相关函数；

步骤三：利用所述自相关函数以及所述偏自相关函数对所述ARMA模型进行模型识别和定阶；

步骤四：完成模型识别和定阶后，利用最小二乘法进行所述ARMA模型的参数估计；

步骤五：完成参数估计后，利用QLB统计量对拟合的模型进行有效性检验，若有效性检验不通过，返回步骤三，如果有效性检验通过，作为所述预先训练好的ARMA模型。

5.根据权利要求4所述的无信号交叉口机非人实时轨迹预测与冲突识别方法，其特征在于，所述S1中，将视频提取的实时进口道机非人轨迹输入至预先训练好的ARMA模型得到进口道机非人预测轨迹，其具体计算公式为：

X_t＝φ₀+φ₁X_t-1+φ₂X_t-2+…+φ_pX_t-p+θ₁u_t-1+θ₂u_t-2+…+θ_qu_t-q (1)

其中，X_c为t时刻的机非人轨迹坐标预测值，包含机非人轨迹的横向和纵向像素坐标；x_t-1，x_t-2……x_t-p表示不同时间点机非人轨迹坐标值，u_t-q是t-q时刻的离散白噪声，φ₀，φ₁，φ₂……φ_p表示自回归系数；θ₁，θ₂……θ_q表示移动回归系数；u_t，u_t-1……u_t-q表示不同时间点的离散白噪声项；

通过将t-1，t-2，...t-p时刻的实时进口道机非人轨迹坐标值x_t-1，x_t-2……x_t-p代入公式(1)中，得到所述进口道机非人预测轨迹。

6.根据权利要求2所述的无信号交叉口机非人实时轨迹预测与冲突识别方法，其特征在于，利用所述交叉口内机非人历史轨迹训练极限学习机的具体步骤为：

将每条所述交叉口内机非人历史轨迹分为A部分和B部分，其中，所述A部分作为所述极限学习机的输入x_j，B部分作为所述极限学习机的输出t_j；

任意赋值输入权值ω_i，b_i，i＝1，2，...，l，其中，ω_i表示输入层与第i个隐含层间的权向量，b_i表示隐含层神经元的阈值，l表示隐含层神经元数；

计算所述极限学习机的隐含层输出矩阵H，其计算公式为：

其中g(x)为激活函数，表示与输入x_j对应的第i个隐层神经元的输出；

计算输出权矩阵

其计算公式为：

其中，ξ为正则化系数，

N表示训练样本总数，m表示极限学习机的输出变量。

7.根据权利要求6所述的无信号交叉口机非人实时轨迹预测与冲突识别方法，其特征在于，所述S3中，将视频提取的实时交叉口内机非人轨迹输入至预先训练好的极限学习机中，得到交叉口机非人预测轨迹，其计算公式为：

其中，t_j表示交叉口内的预测轨迹，x_j表示提取的实时交叉口内机非人轨迹，i＝1，2，...，l，j＝1，2，...N，l表示隐含层神经元数，N表示训练样本总数，ω_i表示输入层与第i个隐含层间的权向量，b_i表示隐含层神经元的阈值，β_i表示第i个隐含层与输出层间的权向量，

8.根据权利要求1所述的无信号交叉口机非人实时轨迹预测与冲突识别方法，其特征在于，进口道内机非人冲突，包括进口道机动车与过街行人的冲突、进口道机动车和过街非机动车的冲突；

交叉口内机非人冲突，包括交叉口机动车与交叉口机动车的冲突、交叉口机动车与交叉口非机动车的冲突、交叉口机动车与行人的冲突。

Images