CN110610611B - 面向混行交通流中智能网联车辆的行车安全性评价方法 - Google Patents
面向混行交通流中智能网联车辆的行车安全性评价方法 Download PDFInfo
- Publication number
- CN110610611B CN110610611B CN201910915520.8A CN201910915520A CN110610611B CN 110610611 B CN110610611 B CN 110610611B CN 201910915520 A CN201910915520 A CN 201910915520A CN 110610611 B CN110610611 B CN 110610611B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- index
- speed
- safety evaluation
- driving safety
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 241001123248 Arma Species 0.000 claims abstract 4
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 15
- 206010039203 Road traffic accident Diseases 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract 2
- 230000015572 biosynthetic process Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了面向混行交通流中智能网联车辆的行车安全性评价方法,涉及城市交通路网通行服务领域。所述评价方法包括:1)利用速度时间序列VS,构建基于ARMA模型与广义RBF神经网络的联合预测模型,预测下一时段智能网联车辆的行车速度Vt+1;2)定义并计算行车安全性评价指标;3)确定评价指标对应的等级数值,构造行车安全性评价模型,进行行车安全性评价。本发明充分利用智能网联车辆所处的环境下其信息传递的快速性与准确性,提高了智能网联车辆使用的智能性与安全性,并且对常规车辆的信息传递时效性也起到了促进作用。
Description
技术领域
本发明涉及城市交通路网通行服务领域,尤其涉及一种面向混行交通流中智能网联车辆的行车安全性评价方法。
背景技术
混行交通流是未来3~5年后的交通流常态。所谓混行就是路段上行驶的车辆不仅是常规车辆,还包括智能网联车辆。当前智能网联车关键技术不断得到突破,如何确保在混行条件下智能网联车辆的安全运行越来越受到研究者们的重视。因此,对混行交通流环境下智能网联车辆的行车安全性进行评价成为极具研究价值的课题。
近年来,不安全驾驶行为造成的交通事故一直居高不下,行车安全问题愈发突出。其中,车辆追尾碰撞是一类常见的交通事故也是影响行车安全性的重要原因,约占事故总数的25%~40%,驾驶员的反应能力的局限性是造成车辆追尾碰撞发生的主要原因之一;智能网联车辆能够通过车联网更快捕捉交通实时信息传达给驾驶员,从而在一定程度上降低因信息迟滞而导致的追尾碰撞事故发生概率。然而随着近年来智能网联车辆的增加,国内却没有面向混行交通流中智能网联车辆的行车安全性评价方法。比如,在智能网联车辆根据云端数据成编队行驶时,编队中某一辆车突然变道会影响车辆编队的行驶,极易诱发交通事故,从而影响其他车辆的行车安全性。可见,由此带来的出行效率和驾驶员对智能交通系统的信任程度降低,制约着智能交通系统的发展。目前只有两种针对常规车辆的行车安全性评价方法。一种是基于交通事故的行车安全性评价方法,该方法能够给出公路路段的总体安全水平,同时又利于找出对行车安全性影响大的路段。另外一种是基于道路交通设施的行车安全性评价方法,该方法依据工程经验,判断不同道路交通流的安全性,确定其权重,给出评分等级,最后进行加权综合,得出整个道路上行车安全水平。这两种方法具有针对性强、简单易行的优点。但这两种方法预测行车速度准确性低,无法获得智能网联车的行车安全性,且没有考虑到预测速度、设计车速和变道智能网联车辆的侧向加速度等因素,不能够体现智能网联车辆在运动过程中的实际运动状态与预测运动状态。因此,这两种方法不适用于智能网联车辆的行车安全性评价。
因此,借助智能网联车的关键技术,评价混行交通流环境下智能网联车辆行车安全性,从而使智能网联车辆成编队行驶、常规车辆按规定行使,成为保证行车安全,加强智能交通系统建设,提高出行效率,实现社会经济性的重要途径。
发明内容
针对现有技术中存在不足,本发明提供了面向混行交通流中智能网联车辆的行车安全性评价方法,克服了预测行车速度信息准确性低,无法获得精确的行车安全性信息等问题,提高了行车安全性。
本发明是通过以下技术方案实现上述技术目的的。
面向混行交通流中智能网联车辆的行车安全性评价方法,构建基于ARMA模型与广义RBF神经网络的联合预测模型,预测下一时段智能网联车辆的行车速度Vt+1,定义并计算行车安全性评价指标,由评价指标对应的等级数值构造行车安全性评价模型,进行行车安全性评价。
进一步,所述联合预测模型为:
其中,ei为ARMA模型或广义RBF神经网络在联合预测模型中的权重,Cit为广义RBF神经网络或ARMA模型对Vt+1在目标时刻t的预测结果,ft为随机噪声,且ft∈[0,1]。
进一步,所述行车安全性评价指标包括:下一时段预测智能网联车辆速度与设计速度相似性指标S1、相邻路段上车速变化趋势的协调性指标S2、变道智能网联车辆侧向加速度指标S3、交通事故发生率指标S4和追尾碰撞指标S5。
更进一步,所述下一时段预测智能网联车辆速度与设计速度相似性指标S1为:
S1=|Vt+1-Vd|
其中,Vd为当前路段设计速度。
更进一步,所述相邻路段上车速变化趋势的协调性指标S2为:
其中:Vt-1为上一时段行车速度。
更进一步,所述变道智能网联车辆侧向加速度指标S3为:
更进一步,所述交通事故发生率指标S4为:
其中,β1为该路段受交通事故影响不能够按正常通行能力服务的时间,β2为从路段开通以来服务总时间。
更进一步,所述追尾碰撞指标S5为:
其中,S51为TTC碰撞时间指标,且S51所占比重h为车头间距,V't为前车车速,L为车身长度,σ为调整参数;S52为车头间距指标,S52=|h-h'|,h'为平衡态车头间距,h0为最小停车间距,v0为自由流速度,α为敏感系数,且S52所占比重S53为车头时距指标,htmin为最小车头时距,且S53所占比重
更进一步,所述行车安全性评价模型为:
其中,τ为智能网联车的比例,f为出行车安全性评价值,Si'为评价指标对应的等级数值。
更进一步,所述行车安全性评价指标对应的等级为优、良、差。
本发明采用上述技术方案后的有益效果为:本发明能够有效地利用的历史行车速度数据,并结合基于自回归滑动平均模型(Auto-Regressive Moving Average Model,ARMA)与广义径向基函数(Radial Basis Function,RBF)神经网络的联合预测模型,精准预测下一时段智能网联车辆行车速度Vt+1,并且确定两种预测模型在联合预测模型中的权重。然后将预测得到的行车速度Vt+1用于计算下一时段预测智能网联车辆速度与设计速度相似性指标S1,相邻路段上车速变化趋势的协调性指标S2。结合云端数据库中的车辆数据信息与车辆传感器收集的信息计算变道智能网联车辆侧向加速度指标S3、路段交通事故发生率指标S4、追尾碰撞指标S5。其中,指标S5由TTC(time to collision)碰撞时间指标S51、车头间距指标S52、车头时距指标S53经加权平均算法计算得来。最后构建综合行车安全性评价模型,将各指标代入行车安全性评价公式来评价行车安全性。本发明利用基于ARMA与RBF神经网络的联合预测模型精准的预测下一时段智能网联车辆行车速度数据,通过联合预测模型计算车速;与单种预测模型相比提高了预测车速的精确性并且确定单种预测模型的权重,进一步加强了预测的准确性。本发明计算下一时段预测智能网联车辆速度与设计速度相似性指标S1和相邻路段车速协调性指标S2,这两种指标充分反映了行车速度与行车安全性息息相关,通过这两个指标能够提供更为准确的行车安全性信息。本发明对侧向加速度指标S3、路段交通事故发生率指标S4和追尾碰撞指标S5进行评价,可以更进一步确保行车安全性信息的准确性。
附图说明
图1为本发明面向混行交通流中智能网联车辆的行车安全性评价方法逻辑框图。
图2为混行交通流示意图。
图3为智能网联车辆变道示意图。
图4为ARMA模型预测曲线图。
图5为RBF神经网络预测曲线图。
图6为联合模型预测曲线图。
具体实施方式
以下结合附图和具体实施方式对本发明作详细描述。
如图1所示,面向混行交通流中智能网联车辆的行车安全性评价方法,该方法包括如下步骤:
步骤1,智能网联车辆安装的车载传感器收集实时车速Vt、前一时段车速Vt-1、前车车速Vt'、瞬时转弯半径R0和实时车头间距h。智能网联车辆通过车联网从云端数据库获取智能网联车辆历史车速数据、车辆簧载质量Gs、非簧载质量Gu、等效轮距B、簧载质量重心离地高度hs、车轮半径R、当前路段设计速度Vd、车身长度L、该路段受交通事故影响不能够按正常通行能力服务的时间β1和从路段开通以来服务总时间β2;智能网联车辆历史车速数据形成速度时间序列VS。
步骤2,利用速度时间序列VS,构建基于ARMA模型与广义RBF神经网络的联合预测模型,预测下一时段智能网联车辆的行车速度Vt+1。
步骤2.1,将速度时间序列VS输入自回归滑动平均模型ARMA,预测智能网联车辆下一时段行车速度Vt+1,设计目标智能网联车辆下一时段的行车速度预测模型C1。
设xi-p为速度时间序列,μi、μj-p为当前和历史预测误差随项,是白噪声序列,Φi为自回归系数,θj为移动平均系数,Φ和θ是待估参数,则下一时段的行车速度预测模型C1的表达为:
式中,p、q为正整数,且p≠q。
步骤2.2,将速度时间序列VS输入广义RBF神经网络,预测智能网联车辆下一时段行车速度Vt+1,设计目标智能网联车辆下一时段的行车速度预测模型C2。
设计广义RBF神经网络,输入层包含M个输入节点,隐含层包含I个节点,输出层包含J个神经元,隐含层的第i个节点的基函数φ为高斯函数,Xi为基函数的中心,输出层中输出单元与基函数相连的权值为ωij,输出层中第o个输出单元与常数1相连的权值为ωoj。设输出层的实际输出为Yk=[yk1,yk2,...,ykj,...,ykJ],输入层输入训练样本Xk(即速度时间序列VS),则输出第J个神经元(即下一时段行车速度Vt+1)得出的结果为:
步骤2.3,建立C1、C2联合的智能网联车辆速度预测模型。
对预测目标智能网联车辆行车速度采用两种预测模型C1、C2,设C1t为ARMA联合预测模型对下一时段智能网联车辆行车速度的在目标时刻t的预测结果,C2t为广义RBF神经网络对下一时段智能网联车辆行车速度在目标时刻t的预测结果,e1为ARMA模型在联合预测模型中所占的权重,e2为广义RBF神经网络在联合预测模型中所占的权重,ft为随机噪声且ft∈[0,1],则联合预测模型如下所示:
设K为C1、C2两种预测模型之间的协方差矩阵,且单位矩阵R=[1,1],则权重ei为:
步骤2.4,由上述步骤得出智能网联车辆在下一时段的预测速度Vt+1。
步骤3,定义并计算行车安全性评价指标,分别是下一时段预测智能网联车辆速度与设计速度相似性指标S1、相邻路段上车速变化趋势的协调性指标S2、变道智能网联车辆侧向加速度指标S3、交通事故发生率指标S4和追尾碰撞指标S5。其中,指标S5由TTC(time tocollision)碰撞时间指标S51、车头间距指标S52、车头时距指标S53经追尾碰撞加权平均算法计算得来。将步骤2中得到Vt+1的代入安全性评价指标S1、S2的计算公式中,结合评价标准表得出评价结果。利用步骤1中车载传感器收集的信息和云端数据库中的车辆数据信息计算安全性评价指标S3、S4、S5。
步骤3.1,设计速度相似性指标S1。
使用下一时段预测智能网联车辆速度Vt+1与当前路段设计速度Vd差值的绝对值作为评价指标;差值的绝对值越小代表Vt+1与Vd越接近,其相似性指标越小;相对地,差值的绝对值越大代表Vt+1与Vd差距大,其相似性指标越大。则下一时段预测智能网联车辆速度与设计速度相似性指标S1计算公式如下:
S1=|Vt+1-Vd|
相似性评价指标标准见表1。
表1相似性评价指标标准表
步骤3.2,设计相邻路段上车速变化趋势的协调性指标S2。
智能网联行车安全性由行车过程中运行速度变化的协调性来表示,将协调性指标量化为相邻路段上车速变化趋势。若相邻路段上车速变化小,则说明突发事件少、常规车辆与智能网联车联运行正常,存在少量或者不存在突然变道、紧急制动、打破智能网联车辆编队行驶等影响行车安全性的行为。若相邻路段上车速变化大,则反之。设车辆的行驶速度不超过当前路段的最高限速,使用车载传感器测得上一时段行车速度Vt-1结合智能网联车辆下一时段的行车速度Vt+1,计算相邻路段车速协调性指标S2,该指标的计算公式如下:
S2的值越小,表示即相邻路段上智能网联车车速变化趋势越连续,S2的值越大,表示相邻路段上智能网联车车速变化趋势较剧烈;协调性评价指标标准见表2。
表2协调性评价指标标准表
步骤3.3,设计变道智能网联车辆侧向加速度指标S3。
在混行交通流环境下,智能网联车辆成编队行驶,而常规车辆在智能网联车辆车队之间或另外一条车道上行驶,如附图3所示。此时影响智能网联车辆行车安全性的主要因素是编队中某辆智能网联车辆的驾驶员取消自动驾驶从而进行手动驾驶,驾驶员操纵车辆进行变道脱离智能网联车辆编队。但是在混行交通流中车辆行驶速度较快,智能网联车的驾驶员变道时可能未注意后方来车,极易引发撞车事故,影响其他智能网联车辆的行车安全性。针对上述变道行为,计算变道智能网联车辆侧向加速度指标S3。首先,车载传感器采集实时车速Vt与瞬时转弯半径R0,接着通过车联网技术从云端数据库获取车辆簧载质量Gs、非簧载质量Gu、等效轮距B、簧载质量重心离地高度hs、车轮半径R,最后通过侧向加速度算法计算指标S3。该指标的计算公式如下:
其中:SF为临界加速度。
智能网联车辆的侧向加速度指标标准见表3。
表3变道智能网联车辆侧向加速度指标标准表
步骤3.4,设计交通事故率指标S4。
S4为该路段受交通事故影响不能够按正常通行能力服务的时间β1和为从路段开通以来服务总时间β2之比。智能网联车辆通过车联网从云端数据库中获取β1、β2,从而计算出S4,该指标的计算公式如下:
交通事故率指标S4标准见表4。
表4交通事故率指标标准表
步骤3.5,设计追尾碰撞指标S5。
在智能网联车辆成编队行驶时,追尾碰撞是影响行车安全的重要因素。定义TTC评价指标为衡量车队中由车辆紧急制动时,该车后方车辆经车载信息处理中心的计算得出与前方车辆的预估碰撞时间。车载传感器测得的车头间距h、实时车速Vt、前车车速Vt',从云端数据库获取车身长度L,则TTC碰撞时间指标公式如下:
由文献资料(秦严严,王昊.智能网联车辆交通流优化对交通安全的改善[J].中国公路学报,2018,31(4):202-210.)查得平衡态车头间距再结合车载传感器测得的车头间距h,建立车头间距指标模型S52,其中h0为最小停车间距,v0为自由流速度,α为敏感系数且α∈[0,1],计算公式如下:
在混行交通流环境下,车头时距是评价行车安全性的重要指标。使用当前实际测得智能网联车辆车头间距h与车载传感器实际测得速度Vt计算当前车头时距ht,将ht与最小车头时距htmin(2秒)的差值计算车头时距指标S53,计算公式如下:
将上述步骤得出的TTC(time to collision)碰撞时间指标S51、车头间距指标S52、车头时距指标S53代入加权平均算法计算追尾碰撞指标S5,计算公式如下:
利用综合追尾碰撞加权平均算法(设智能网联车测得实时车速Vt、前车速度Vt'、实时车头间距h和智能网联车车身长度L之间的比例关系得到S51所占比重S52所占比重S53所占比重σ为调整参数,可通过支持向量机(Support Vector Machine,SVM)不断优化调整参数值,使得σ与Vt-Vt'趋于相近。
步骤4,确定评价指标对应的等级数值,构造行车安全性评价模型,进行行车安全性评价。
为了将评价指标量化以此来获得准确的行车安全性评价结果,因此构建智能网联车辆行车安全性评价模型,即:
由步骤3得出Si(i=1,2,3,4)的等级,根据指标标准表得出评价等级为优、良、差,设当评价等级为优时,等级数值Si'为1;当评价等级为良时,Si'为0;当评价等级为差时,Si'为-1。τ为智能网联车的比例,在混行交通流下,τ∈[0.2,1),智能网联车辆占比越大,智能网联车辆的行车安全性就越好。由上述行车安全性评价模型可以计算出行车安全性评价值f,具体面向混行交通流中智能网联车辆的行车安全性评价指标标准见表5。
表5面向混行交通流中智能网联车辆的行车安全性评价指标标准表
由上述步骤,得出混行交通流中智能网联车辆的行车安全性评价结果。
选取如图2所示的场景(智能网联车成编队行驶,常规车辆按规定行使)进行仿真实验。首先利用ARMA进行预测,并将预测值与实际值进行比较,平稳性检验、白噪声检验良好,预测曲线如附图4所示。然后利用RBF神经网络模型进行预测,预测曲线如附图5所示。利用联合预测模型进行预测,得出第Vt+1为60km/h,联合预测模型预测曲线如附图6所示。由图6可知联合模型预测效果优胜于单一模型,说明联合模型能综合单一模型优点,弱化模型不足之处,因而预测精度更高,稳定性更强。
车载传感器收集实时车速Vt为63km/h、前一时段车速Vt-1为60km/h、前车车速V'为62km/h、瞬时转弯半径R0为0m和实时车头间距h为5.2m。从云端数据库获取当前路段设计速度Vd为70km/h、车身长度L为4.933m、该路段受交通事故影响不能够按正常通行能力服务的时间β1为142h和从路段开通以来服务总时间β2为2003h。经仿真实验,得出S1指标为优,S2指标为优,S3指标为优,S4指标为优,S5指标值为0.822。最后代入安全性评价模型输出f值为5.332。经多次仿真实验,且与实际结果对比安全性评价准确率达到93.72%。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (6)
1.面向混行交通流中智能网联车辆的行车安全性评价方法,其特征在于:构建基于ARMA模型与广义RBF神经网络的联合预测模型,预测下一时段智能网联车辆的行车速度Vt+1,定义并计算行车安全性评价指标,由行车安全性评价指标对应的等级数值构造行车安全性评价模型,进行行车安全性评价;
所述联合预测模型为:
其中,ei为ARMA模型或广义RBF神经网络在联合预测模型中的权重,Cit为广义RBF神经网络或ARMA模型对Vt+1在目标时刻t的预测结果,ft为随机噪声,且ft∈[0,1];
所述行车安全性评价指标包括:下一时段预测智能网联车辆速度与设计速度相似性指标S1、相邻路段上车速变化趋势的协调性指标S2、变道智能网联车辆侧向加速度指标S3、交通事故发生率指标S4和追尾碰撞指标S5;
所述行车安全性评价模型为:
其中,τ为智能网联车的比例,f为出行车安全性评价值;S'i为行车安全性评价指标对应的等级数值,所述行车安全性评价指标对应的等级为优、良、差,当评价等级为优时,等级数值S'i为1;当评价等级为良时,S'i为0;当评价等级为差时,S'i为-1;S5为追尾碰撞指标。
2.根据权利要求1所述的面向混行交通流中智能网联车辆的行车安全性评价方法,其特征在于:所述下一时段预测智能网联车辆速度与设计速度相似性指标S1为:
S1=|Vt+1-Vd|
其中,Vd为当前路段设计速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915520.8A CN110610611B (zh) | 2019-09-26 | 2019-09-26 | 面向混行交通流中智能网联车辆的行车安全性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915520.8A CN110610611B (zh) | 2019-09-26 | 2019-09-26 | 面向混行交通流中智能网联车辆的行车安全性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610611A CN110610611A (zh) | 2019-12-24 |
CN110610611B true CN110610611B (zh) | 2021-08-03 |
Family
ID=68893186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910915520.8A Active CN110610611B (zh) | 2019-09-26 | 2019-09-26 | 面向混行交通流中智能网联车辆的行车安全性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610611B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112977477B (zh) * | 2021-02-26 | 2022-03-22 | 江苏大学 | 一种基于神经网络的混合车车协同汇流系统和方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700255B (zh) * | 2013-12-30 | 2015-10-07 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
US10235818B2 (en) * | 2016-05-13 | 2019-03-19 | Ford Global Technologies, Llc | Adaptive vehicle control |
CN107346460B (zh) * | 2017-07-18 | 2018-06-12 | 吉林大学 | 基于智能网联系统下前车运行信息的未来工况预测方法 |
CN109131350B (zh) * | 2018-08-23 | 2020-04-03 | 北京理工大学 | 一种混合动力汽车能量管理方法及系统 |
CN109767619B (zh) * | 2018-12-29 | 2021-05-25 | 江苏大学 | 一种智能网联纯电动汽车行驶工况预测方法 |
-
2019
- 2019-09-26 CN CN201910915520.8A patent/CN110610611B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110610611A (zh) | 2019-12-24 |
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 | |
CN110488802B (zh) | 一种网联环境下的自动驾驶车辆动态行为决策方法 | |
CN112896170B (zh) | 一种车路协同环境下的自动驾驶横向控制方法 | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN105946860B (zh) | 一种考虑驾驶风格的弯道车速预测方法 | |
CN101633358A (zh) | 具有集成驾驶风格识别的自适应车辆控制系统 | |
Ye et al. | Development and evaluation of a vehicle platoon guidance strategy at signalized intersections considering fuel savings | |
CN106781468B (zh) | 基于建成环境和低频浮动车数据的路段行程时间估计方法 | |
Hosseinpour et al. | Application of adaptive neuro-fuzzy inference system for road accident prediction | |
Stojčić | Application of ANFIS model in road traffic and transportation: a literature review from 1993 to 2018 | |
CN116206440A (zh) | 一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法 | |
CN113762473A (zh) | 一种基于多时空图的复杂场景行车风险预测方法 | |
Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
Oh et al. | In-depth understanding of lane changing interactions for in-vehicle driving assistance systems | |
CN116564095A (zh) | 基于cps的重点车辆高速公路隧道预测巡航云控制方法 | |
CN114987539A (zh) | 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统 | |
Prontri et al. | Traffic signal control using fuzzy logic | |
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 | |
CN117273964B (zh) | 一种自适应行驶数据的智能车险策略生成系统及方法 | |
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 | |
CN113327430B (zh) | 基于lstm的井下无轨胶轮车车速预测方法及装置 | |
Xiong et al. | Traffic safety evaluation and accident prediction of freeway: evidence from China | |
CN113335293A (zh) | 一种线控底盘的高速公路路面探测系统 | |
Tomar et al. | Neural network based lane change trajectory predictions for collision prevention |
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 |