CN111402577A - 一种信号交叉口驾驶员停车时间预测方法 - Google Patents

Abstract

本发明公开了一种信号交叉口驾驶员停车时间预测方法。本发明属于交通安全和驾驶员行为分析技术领域。本发明针对信号交叉口黄灯期间驾驶决策困难，停车时机把握不当，容易引发交通事故的问题，分析驾驶员停车时间分布，考虑无法观测变量，驾驶员个体及群体差异性等因素的影响，构建基于AFT方法的停车时间模型，实现对信号交叉口停车时间的有效预测，对是否可以安全停车给出预判，从而给出驾驶员合理的停车时机。本发明可以辅助驾驶员安全驾驶，并可为自动驾驶和交通安全管理提供技术支持。

Description

一种信号交叉口驾驶员停车时间预测方法

技术领域

本发明涉及交通安全领域，特别涉及一种信号交叉口驾驶员停车时间预测方法。

背景技术

道路交叉口是交通事故高发点，也是安全驾驶关键地带。当车辆驶向交叉口，遇到过渡信号黄灯时，驾驶员需要迅速做出走/停决策。若驾驶员停车时机把握不当，可能引发停车越线或追尾事故。因此研究影响驾驶员停车时间影响因素，并对驾驶员能否安全停车做出预判具有重要现实意义，既可辅助驾驶员安全驾驶，也可为自动驾驶和交通安全管理提供参考。

目前关于交叉口的研究集中于交叉口渠化设计，交通流线改进，信号配时优化，以及驾驶决策研究，对驾驶员停车行为研究较少；在时间预测方面，目前交通领域多用线性回归、时间序列等模型进行预测，生存分析模型应用较少。

2019年6月7日公开的中国专利CN201910264443.4(公告号CN109859478A)，提出一种基于车辆轨迹的信号控制交叉口驾驶决策事件识别方法。该发明根据运动体轨迹在三维立体空间中的邻近程度，识别交通交互事件，同时也进一步识别了极端驾驶行为及关键决策事件。该发明虽然对信号交叉口驾驶决策事件进行识别，但并未对驾驶员停车行为做进一步分析。

2019年12月10日公开的中国专利CN201611165287.9(公告号CN106845768B)，提出一种基于生存分析参数分布的公交车旅行时间模型构建方法。该发明将旅行时间比拟为生存分析中时间持续期，假设其近似服从参数分布，建立各影响变量与旅行时间的生存分析模型，通过选取最优模型的概率密度函数进行积分得到其期望函数，作为公交车旅行时间评价模型。该发明虽然将生存分析模型与交通领域结合，但并未考虑个体差异性。

有鉴于此，本发明提供一种信号交叉口驾驶员停车时间预测方法，并且充分考虑了不同驾驶员个体及群体偏好，克服不可观测变量的影响，分析驾驶员经济社会属性、驾驶习惯、交通环境、信号灯配置等对驾驶员停车行为的影响，并对停车时间进行有效预测。

发明内容

为了解决上述技术问题，本发明提出了一种信号交叉口驾驶员停车时间预测方法，通过生存分析模型对停车时间分布进行分析，构建考虑数据差异性的AFT模型，挖掘影响信号交叉口停车时间的关键因素，对信号交叉口停车时间进行合理预测。

为达到以上目的，本发明采取的技术方案是：

一种信号交叉口驾驶员停车时间预测方法，具体包括以下步骤：

步骤100，建立数据集：采集驾驶数据，建立信号交叉口数据集，驾驶数据包括：试验条件(如自然驾驶状态，测试车实地驾驶或驾驶模拟器等)，车辆信息(如车型、车龄等)，驾驶员信息(如性别，年龄，驾龄，驾驶习惯)，干扰活动(如电话使用、导航、喝水、化妆等)，交通环境(如交通控制、信号配时等)，交通状态(如交通流量等)，驾驶信息(如黄灯信号启亮时的车速、车辆到停车线的距离、停车时间等)等；

步骤101，停车时间分布分析：采用生存分析法对步骤100中建立的数据集进行分析，根据不同变量将数据集进行分组，对总体停车时间分布及不同分组的停车时间分布进行分析，确定群体差异性的存在；

步骤102，建立基于AFT方法的时间模型：以停车时间为因变量(生存时间变量)，相关影响因素为自变量，基于AFT模型对变量进行分布拟合，所述分布包括：Weibull分布、Gamma分布、Log-logistic分布和Log-normal分布，比较模型拟合优度和预测精度，进行模型比选；

步骤103，差异性分析：基于步骤101进行差异性分析，从而对步骤102建立的模型进行修正优化，差异性分析包括：未观测变量引起的差异性分析、驾驶员群体之间的差异性分析及个体差异性分析；

步骤104，对驾驶员停车时间进行预测：将修正后的模型与修正前的模型进行比较，选取拟合优度与预测精度最优的模型描述停车时间与相关影响因素之间的函数关系，对驾驶员停车时间做出有效预测。

在上述方案的基础上，步骤101的具体步骤为：

步骤200，将步骤100中的数据集中的停车时间设定为生存分析模型的生存时间变量；

步骤201，对步骤100中的数据集构建总体Kaplan-Meier生存曲线，对总体停车时间分布进行分析；

步骤202，根据不同变量将步骤100的数据集进行分组，对各组数据分别构建Kaplan-Meier生存曲线，比较不同分组数据的停车时间分布，确定群体差异性的存在。

在上述方案的基础上，步骤102的具体步骤为：

步骤300，以停车时间作为因变量，相关影响因素作为自变量，

步骤301，基于AFT模型对变量进行分布拟合，针对不同的停车时间分布函数分别构建AFT模型；

logt_j＝X_jβ+Z_j

式中，log(t_j)为对数函数；X_j是个体j的自变量向量；β是回归系数向量；Z_j是相应停车时间分布下不同的概率密度误差项；t_j为个体j的停车时间；

步骤302，对步骤301中构建的AFT模型进行模型比选，选取拟合优度与预测精度最优的模型，利用AIC与BIC值比较模型拟合优度，AIC和BIC值越小，模型的拟合优度越好；选用平均绝对百分误差MAPE比较模型的预测精度，MAPE值越小，模型预测精度越好。

在上述方案的基础上，步骤103的具体步骤为：

步骤400，基于步骤101进行未观测变量引起的差异性分析；

步骤401，基于步骤101进行驾驶员群体之间的差异性分析；

步骤402，基于步骤101进行个体差异性分析，从而对模型进行修正优化。

在上述方案的基础上，步骤400的具体步骤为：

步骤500，用修正因子α对模型进行修正建模；修正因子α是一个随机正数，假设其均值为1，方差为θ，为了计算方便，修正因子α选用两种分布，伽马(1/θ,θ)分布和逆高斯(1,1/θ)分布；

步骤501，针对步骤500中修正因子α的不同分布分别构建未观测变量修正模型；

步骤502，按照步骤302的方法对修正模型进行比选。

在上述方案的基础上，步骤401的具体步骤为：

步骤600，将步骤100中建立的数据集进行分组，选择分组变量；

步骤601，对不同群体驾驶员用不同修正因子进行建模，不同群体的修正因子γ互不相同，每个群体的修正因子用γ_i替代，但同一群体内的驾驶员个体修正因子γ_i相同，修正因子γ的属性与步骤500所述修正因子α的属性相同，针对修正因子γ的不同分布分别构建群体差异性修正模型；

步骤602，按照步骤302的方法对修正模型进行比选。

在上述方案的基础上，步骤402的具体步骤为：

步骤700，从步骤300中的自变量中确定随机变量；

步骤701，将随机变量的固定系数加入服从正态分布(0，σ²)的随机项ω_m，使原来的回归系数向量β变为β'，β'＝β+ω_m，按照步骤301中不同的停车时间分布函数分别构建个体差异性模型；

步骤702，按照步骤302的方法对修正模型进行比选。

与现有技术相比，本发明的有益效果在于：针对信号交叉口黄灯期间驾驶决策困难且影响驾驶员停车行为因素众多的特点，提出了考虑驾驶员停车数据差异性的方法，不仅能够给出驾驶员合理的停车时机，辅助驾驶员安全驾驶，还可为自动驾驶和交通安全管理提供技术支持。

附图说明

本发明有如下附图：

图1是本发明实施例中的设计方案流程图；

图2是本发明实施例中所建立的停车时间分布分析示意图；

图3是本发明实施例中所建立的AFT方法流程图；

图4是本发明实施例中所建立的差异性分析示意图；

图5是本发明实施例中所建立的未观测变量差异性分析示意图；

图6是本发明实施例中所建立的群体差异性分析示意图；

图7是本发明实施例中所建立的个体差异性分析示意图。

具体实施方式

以下结合附图1-7对本发明作进一步详细说明。

本发明实施例中一种信号交叉口驾驶员停车时间预测方法包括以下步骤：

图1为本发明实施例中的设计方案流程图。如图1所示，本发明实施例中驾驶员停车时间预测方法包括以下步骤：

步骤100，建立数据集：采集驾驶数据，建立信号交叉口数据集，驾驶数据包括：试验条件(如自然驾驶状态，测试车实地驾驶或驾驶模拟器等)，车辆信息(如车型、车龄等)，驾驶员信息(如性别，年龄，驾龄，驾驶习惯)，干扰活动(如电话使用、导航、喝水、化妆等)，交通环境(如交通控制、信号配时等)，交通状态(如交通流量等)，驾驶信息(如黄灯信号启亮时的车速、车辆到停车线距离、停车时间等)等；

步骤101，停车时间分布分析：采用生存分析法对步骤100中建立的数据集进行分析，根据不同变量将数据集进行分组，对总体停车时间分布及不同分组的停车时间分布进行分析，确定数据差异性的存在；

步骤102，建立基于AFT方法的时间模型：以停车时间为因变量，相关影响因素为自变量，基于AFT模型对变量进行分布拟合(如Weibull分布，Gamma分布，Log-logistic分布，Log-normal分布等)，比较模型拟合优度和预测精度，进行模型比选；

步骤103，数据差异性分析：基于步骤101进行差异性分析，从而对步骤102建立的模型进行修正优化，差异性分析包括：未观测变量引起的差异性分析、驾驶员群体之间差异性分析及个体差异性分析；

步骤104，对驾驶员停车时间进行预测：将修正后的模型与修正前的模型进行比较，选取拟合优度与预测精度最优的模型描述停车时间与相关影响因素之间的函数关系，对驾驶员停车时间做出合理预测。

下面，针对上述流程中重要步骤进行详细说明：

1)关于步骤101：图2是本发明实施例中所建立的停车时间分布分析示意图。

步骤200，将步骤100数据集中的停车时间设定为生存分析模型的生存时间变量；

步骤201，对步骤100的数据集构建总体Kaplan-Meier生存曲线，对总体停车时间分布进行分析；

步骤202，根据不同分组变量将步骤100的数据集进行分组，对各组数据分别构建Kaplan-Meier生存曲线，比较不同分组数据的停车时间分布，确定群体差异性的存在。

2)关于步骤102：图3是本发明实施例中所建立的AFT方法流程图。

步骤300，以停车时间作为因变量(生存时间变量)，相关影响因素作为自变量，如驾驶员信息中的驾驶员年龄、性别等因素，车辆信息中的车型、车龄等因素，驾驶信息中的黄灯信号启亮时的车速、到停车线距离、时间等因素；

步骤301，基于AFT模型对变量进行分布拟合，如Weibull分布、Gamma分布、Log-logistic分布、Log-normal分布，针对不同的停车时间分布函数分别构建AFT模型；

logt_j＝X_jβ+Z_j

式中，log(t_j)为对数函数；X_j是个体j的自变量向量；β是回归系数向量；Z_j是相应停车时间分布下不同的概率密度误差项；t_j为个体j的停车时间；

步骤302，对步骤301中构建的AFT模型进行模型比选，选取拟合优度与预测精度最优的模型，利用AIC(Akaike Information Criterion)与BIC(Bayesian InformationCriterion)值比较模型拟合优度，AIC和BIC值越小，模型的拟合优度越好；选用平均绝对百分误差(MAPE，Mean Absolute Percentage Error)比较模型的预测精度，MAPE值越小，模型预测精度越好。

3)关于步骤103：图4是本发明实施例中所建立的差异性分析示意图。

步骤400，基于步骤101进行未观测变量引起的差异性分析；

步骤401，基于步骤101进行驾驶员群体之间的差异性分析；

步骤402，基于步骤101进行个体差异性分析，从而对模型进行修正优化；

4)关于步骤400：图5是本发明实施例中所建立的未观测变量差异性分析示意图。

步骤500，用修正因子α对模型进行修正建模；修正因子α是一个随机正数，本发明假设其均值为1，方差为θ，为了计算方便，本发明中修正因子α选用两种分布，伽马(1/θ,θ)分布和逆高斯(1,1/θ)分布；

步骤501，针对步骤500中修正因子α的不同分布分别构建未观测变量修正模型；

步骤502，按照步骤302的方法对修正模型进行比选。

5)关于步骤401：图6是本发明实施例中所建立的群体差异性分析示意图。

步骤600，将步骤100中建立的数据集进行分组，选择分组变量，如驾驶员年龄、性别等变量；

步骤601，对不同群体驾驶员用不同修正因子进行建模，不同群体的修正因子γ互不相同，每个群体的修正因子用γ_i替代，但同一群体内的驾驶员个体修正因子γ_i相同，修正因子γ的属性与步骤500所述修正因子α的属性相同，针对修正因子γ的不同分布分别构建群体差异性修正模型；

步骤602，按照步骤302的方法对修正模型进行比选。

6)关于步骤402：图7是本发明实施例中所建立的个体差异性分析示意图。

步骤700，从步骤300中的自变量中确定随机变量；

步骤701，将随机变量的固定系数加入服从正态分布(0，σ²)的随机项ω_m，使原来的固定系数向量β变为β'，β'＝β+ω_m，按照步骤301中不同的停车时间分布函数分别构建个体差异性模型；

步骤702，按照步骤302的方法对修正模型进行比选。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的变化与修饰，皆应属本发明的涵盖范围。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种信号交叉口驾驶员停车时间预测方法，其特征在于，包括以下步骤：

步骤100，建立数据集：采集驾驶数据，建立信号交叉口数据集，驾驶数据包括：试验条件，车辆信息，驾驶员信息，干扰活动，交通环境，交通状态和驾驶信息，试验条件包括：自然驾驶状态、测试车实地驾驶或驾驶模拟器；车辆信息包括：车型和车龄；驾驶员信息包括：性别、年龄、驾龄和驾驶习惯；干扰活动包括：电话使用、导航、喝水和化妆；交通环境包括：交通控制和信号配时；交通状态包括：交通流量；驾驶信息包括：黄灯信号启亮时的车速、车辆到停车线的距离和停车时间；

步骤101，停车时间分布分析：采用生存分析法对步骤100中建立的数据集进行分析，根据不同变量将数据集进行分组，对总体停车时间分布及不同分组的停车时间分布进行分析，确定群体差异性的存在；

步骤102，建立基于AFT方法的时间模型：以停车时间为因变量，相关影响因素为自变量，基于AFT模型对变量进行分布拟合，所述分布包括：Weibull分布、Gamma分布、Log-logistic分布和Log-normal分布，比较模型拟合优度和预测精度，进行模型比选；

步骤103，差异性分析：基于步骤101进行差异性分析，从而对步骤102建立的模型进行修正优化，差异性分析包括：未观测变量引起的差异性分析、驾驶员群体之间的差异性分析及个体差异性分析；

步骤104，对驾驶员停车时间进行预测：将修正后的模型与修正前的模型进行比较，选取拟合优度与预测精度最优的模型描述停车时间与相关影响因素之间的函数关系，对驾驶员停车时间做出有效预测。

2.如权利要求1所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤101的具体步骤为：

步骤200，将步骤100中的数据集中的停车时间设定为生存分析模型的生存时间变量；

步骤201，对步骤100中的数据集构建总体Kaplan-Meier生存曲线，对总体停车时间分布进行分析；

步骤202，根据不同变量将步骤100的数据集进行分组，对各组数据分别构建Kaplan-Meier生存曲线，比较不同分组数据的停车时间分布，确定群体差异性的存在。

3.如权利要求2所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤102的具体步骤为：

步骤300，以停车时间作为因变量，相关影响因素作为自变量，

步骤301，基于AFT模型对变量进行分布拟合，针对不同的停车时间分布函数分别构建AFT模型；

logt_j＝X_jβ+Z_j

式中，log(t_j)为对数函数；X_j是个体j的自变量向量；β是回归系数向量；Z_j是相应停车时间分布下不同的概率密度误差项；t_j为个体j的停车时间；

步骤302，对步骤301中构建的AFT模型进行模型比选，选取拟合优度与预测精度最优的模型，利用AIC与BIC值比较模型拟合优度，AIC和BIC值越小，模型的拟合优度越好；选用平均绝对百分误差MAPE比较模型的预测精度，MAPE值越小，模型预测精度越好。

4.如权利要求3所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤103的具体步骤为：

步骤400，基于步骤101进行未观测变量引起的差异性分析；

步骤401，基于步骤101进行驾驶员群体之间的差异性分析；

步骤402，基于步骤101进行个体差异性分析，从而对模型进行修正优化。

5.如权利要求4所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤400的具体步骤为：

步骤500，用修正因子α对模型进行修正建模；修正因子α是一个随机正数，假设其均值为1，方差为θ，为了计算方便，修正因子α选用两种分布，伽马(1/θ,θ)分布和逆高斯(1,1/θ)分布；

步骤501，针对步骤500中修正因子α的不同分布分别构建未观测变量修正模型；

步骤502，按照步骤302的方法对修正模型进行比选。

6.如权利要求4所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤401的具体步骤为：

步骤600，将步骤100中建立的数据集进行分组，选择分组变量；

步骤601，对不同群体驾驶员用不同修正因子进行建模，不同群体的修正因子γ互不相同，每个群体的修正因子用γ_i替代，但同一群体内的驾驶员个体修正因子γ_i相同，修正因子γ的属性与步骤500所述修正因子α的属性相同，针对修正因子γ的不同分布分别构建群体差异性修正模型；

步骤602，按照步骤302的方法对修正模型进行比选。

7.如权利要求4所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤402的具体步骤为：

步骤700，从步骤300中的自变量中确定随机变量；

步骤701，将随机变量的固定系数加入服从正态分布(0，σ²)的随机项ω_m，使原来的回归系数向量β变为β'，β'＝β+ω_m，按照步骤301中不同的停车时间分布函数分别构建个体差异性模型；

步骤702，按照步骤302的方法对修正模型进行比选。

Images