CN111967760A - 一种基于多维网络熵的道路交通安全评估方法 - Google Patents
一种基于多维网络熵的道路交通安全评估方法 Download PDFInfo
- Publication number
- CN111967760A CN111967760A CN202010819311.6A CN202010819311A CN111967760A CN 111967760 A CN111967760 A CN 111967760A CN 202010819311 A CN202010819311 A CN 202010819311A CN 111967760 A CN111967760 A CN 111967760A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- network
- entropy
- road traffic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008878 coupling Effects 0.000 claims abstract description 102
- 238000010168 coupling process Methods 0.000 claims abstract description 102
- 238000005859 coupling reaction Methods 0.000 claims abstract description 102
- 238000012502 risk assessment Methods 0.000 claims abstract description 9
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001808 coupling effect Effects 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q10/06—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
-
- 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)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多维网络熵的道路交通安全评估方法,其包括:步骤1,构建系统网络,系统网络具有节点和将节点连接起来的耦合边,节点对应为交通要素;步骤2,将系统网络进行模块划分;步骤3,根据节点和耦合边的属性,对各节点和耦合边赋予权重,描述模块中的节点度;步骤4,构建道路交通系统态势安全模型S(t);步骤5,计算安全威胁对系统网络造成的影响程度ΔEH;步骤6,计算三维网络熵势变化量ΔS;步骤7,根据影响程度ΔEH和三维网络熵势变化量ΔS,输出实时风险评估结果,ΔEH越大,则道路交通系统的风险等级越高,ΔS越大,则道路交通系统的潜在风险越高。本发明能够考虑多要素之间的耦合作用,输出所覆盖的道路交通系统范围内的安全态势水平。
Description
技术领域
本发明涉及智慧交通技术领域,特别是关于一种基于多维网络熵的道路交通安全评估方法。
背景技术
道路交通系统是一个由驾驶人、车辆和道路等各种要素组成的动态开放系统,然而,驾驶人-车辆-道路系统的广义不稳定性会引发交通风险。产生风险的要素众多,主要涉及驾驶员主观失误、车辆故障、路况和环境状态等。一些研究表明,驾驶员的感知和反应在不同的情况下会发生变化。先前的研究发现,多辆卡车、公共汽车、小轿车或摩托车的卷入可能导致潜在的交通事故。此外,环境要素也被证明是影响驾驶安全的主要要素。研究还表明,道路地理可能对风险水平产生影响,因此研究交通要素对驾驶风险的影响对于提高驾驶安全具有重要意义。
在过去的几十年里,人们提出了许多研究来评估引发驾驶风险的各种影响要素。道路交通系统的通行安全已成为智慧交通领域的重要研究内容,评估系统安全性、提高道路交通系统安全通行能力能更好促进智慧交通的发展。对交通风险的评价和影响要素的分析方法分为宏观和微观两个层次。具体地说,交通风险分析可以通过宏观的自然驾驶数据和微观的驾驶过程操作参数两个方面来分析影响风险的本源,从而探究整个道路交通系统的风险态势。宏观事故数据分析包括绝对数法、事故率法和事故强度分析法。同时还有与统计推理相关的贝叶斯网络、Petri网和博弈论等方法。这类方法通过分析涉及到与事故结果相关的属性。为了研究碰撞可能性与影响要素之间的关系,宏观事故数据分析包括提取和分析交通事故的宏观统计数据,研究碰撞可能性与影响要素之间的关系。通过建立logistic回归模型,将事故要素与可能的影响特征变量有效地结合起来,设计表征量表,对影响事故的要素进行分析。一项研究使用基于Copula的方法来估计事故的严重程度和涉及碰撞的影响要素。结果表明,影响事故严重程度的要素很多,但没有直接观察到。虽然这些宏观数据可以反映整个道路交通系统的风险,但也有两个主要的局限性。基于事故数据进行分析的评价结果是静态的,可以支撑事故发生后的后续风险研判,但难以实时动态衡量所覆盖区域的动态交通态势变化。此外,详细的驾驶数据是有限的,包括反映客观驾驶过程和各种要素的风险产生机制的车辆运动学参数和道路使用者运动特征。
由于道路交通系统是由各种单一又相互作用的交通要素组成,因此从道路交通系统的微观层次上评判系统安全态势也是一种可行思路。现有的微观交通层次风险评价参数推断纵向驾驶风险的主要有碰撞时间(TTC)和相对距离(THW)。判断横向驾驶风险如车辆的当前位置(CCP)车道改变(TLC),虚拟停车场和车辆振动频带(VRBS)。这些评价指标可以有效地估计某一驾驶过程中的风险。从时间和距离的角度对车辆行驶风险进行评价时,考虑了车辆的运动学和动力学;然而,这些忽略了潜在的风险,背后的驱动程序的特点。随着人工智能的发展,深度学习和强化学习技术被应用于驱动风险评估。但是,这些方法大多需要大量的训练数据,现有的测试场景还远远不够。
因此,道路交通系统是一个复杂的动态系统,涉及到人、车、环境3大子系统,在安全上存在着很多风险要素。考虑多要素之间的耦合作用,需要用系统的、结构化的方法来评估和减弱交通风险,不仅从宏观交通数据进行分析,也需要结合微观车辆视角,因此,有必要开发一种基于多维网络熵的道路交通安全评估方法。
发明内容
本发明的目的在于提供一种基于多维网络熵的道路交通安全态势评估方法,其能够考虑多要素之间的耦合作用,通过构建多维道路交通系统网络拓扑结构模型,结合因交通要素状态及运行性能变化导致的交通安全损失,采用综合表征时间域、空间域和物理域特征的多维网络熵对道路交通系统安全态势进行建模分析,最终输出所覆盖的道路交通系统范围内的安全态势水平。
为实现上述目的,本发明提供一种基于多维网络熵的道路交通安全评估方法,其包括:
步骤1,根据待评估的道路交通系统中的交通要素,构建系统网络C,所述系统网络C具有节点和将所述节点连接起来的耦合边,所述节点对应为所述交通要素;
步骤2,将所述系统网络C进行模块划分,每一个模块为由至少三条所述耦合边围成的封闭区域,每一所述模块包含至少一个连通子图;
步骤4,构建由下式(2)表示的道路交通系统态势安全模型S(t):
其中,N表示t时刻所述系统网络C中的连通子图k的总数,n表示t时刻所述系统网络C中的节点i的总数,m表示t时刻所述系统网络C中的模块Mj中的总数,T(C)表示t时刻的所述系统网络C中的所有节点的节点度之和,T(Ck,t)表示t时刻所述系统网络C中的连通子图k中所有节点的节点度之和,表示t时刻连通子图k的三维结构熵,表示节点i的质量,vi为节点i的速度,vi+1为节点i+1的速度,Nj表示模块Mj中所有节点的节点度之和,nj表示模块Mj包含的节点i的总数,ej表示有且只有一个端点与Mj中节点相连的边数;
步骤5,采用下式(5)计算安全威胁对所述系统网络造成的影响程度ΔEH:
ΔEH=Hs 3(Ck,t+Δt)-Hs 3(Ck,t) (5)
式中,Hs 3(Ck,t)表示t时刻的所述系统网络C中的连通子图k的三维网络熵势,Hs 3(Ck,t+Δt)表示t+Δt时的所述系统网络C中的连通子图k的三维网络熵势;
步骤6,根据式(2),采用式(6)计算三维网络熵势变化量ΔS:
ΔS=S(t+Δt)-S(t) (6)
步骤7,根据影响程度ΔEH和三维网络熵势变化量ΔS,输出实时风险评估结果,ΔEH越大,则所述道路交通系统的风险等级越高,ΔS越大,则道路交通系统的潜在风险越高。
进一步地,所述步骤3中的“根据所述节点和耦合边的属性,对各所述耦合边赋予权重”的方法包括:
根据所述耦合边两端的所述节点之间的距离以及物理和社会属性,判断所述耦合边的强弱,所述耦合边被判定为弱耦合边时,权重取值范围设置为(0,0.5];所述耦合边被判定为强耦合边时,权重取值范围设置为(0.5,1]。
进一步地,所述步骤3中的“根据所述节点和耦合边的属性,对各所述节点赋予权重”的方法包括:
根据所述节点的物理和社会属性,所述节点分为显性节点和隐形节点,所述显性节点包括所述交通要素中的交通参与者,所述隐形节点包括道路约束条件,所述显性节点的权重的取值范围设置为(0.5,1],所述隐形节点的权重的取值范围设置为(0,0.5]。
进一步地,所述步骤4中的“Hs 3(C)”的具体构建过程包括:
步骤41,根据步骤1中的所述系统网络C,构建考虑道路交通系统在时间维度上变化所引起的混乱程度变化的一维网络熵Hs,其描述为式(7):
步骤42,构建考虑道路交通系统在时间维度和空间维度上变化所引起的混乱程度变化的二维网络熵Hs 2(C),Hs 2(C)通过将式(8)描述的t时刻连通子图k的二维结构熵Hs 2(Ck,t)累加获得:
本发明由于采取以上技术方案,其具有以下优点:1、本发明提出的基于多维网络熵的道路交通安全态势评估方法通过对道路交通网络进行建模,结合道路交通系统节点及节点间耦合边的属性,以三维结构熵衡量系统因节点和耦合边在时间、空间和物理三个维度上变化而产生的安全程度的变化,能够准确定量分析道路交通系统安全程度;2、本发明提出的基于多维网络熵的道路交通安全态势评估方法从熵变产生的混乱影响的角度,将道路系统道路交通系统网络拓扑结构性能作为一个衡量道路交通系统安全状态的指标,考虑整个道路系统自身属性与系统熵势的耦合,量化随时间改变的系统熵量变化,综合评估道路交通系统安全状态。3、本发明基于人为要素、车辆要素、环境要素相互耦合而产生的耦合风险状态,当连接三者之间强耦合作用耦合边越多,节点安全属性越弱,则交互信息越大,熵值变化越大,混乱程度变化越大,则说明这种耦合风险越大,潜在风险越大。因此,本发能建立全面的道路安全态势安全评估指标,提高道路交通安全态势感知的有效性和实时性。
附图说明
图1是本发明实施例提供的基于多维网络熵的道路交通安全态势评估方法整体框架图;
图2是图1中的三维网络熵的构建流程示意图;
图3是本发明一实施例中的模块划分示例示意图;
图4是本发明一实施例中的系统网络结构示意图。
图5是本发明实施例提供的道路交通节点受力分析图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明实施例所提供的基于多维网络熵的道路交通安全评估方法包括:
步骤1,根据待评估的道路交通系统中的交通要素,构建道路交通系统网络C,所述系统网络C具有节点和连接所述节点之间的耦合边,所述节点对应为所述交通要素。道路交通系统中各个交通要素包括人(比如行人和骑车人)、车辆、和交通设施等,这些都可以视为所述系统网络C的节点。如下文实施例中给出的节点数量为n,节点i表示第i个节点,所有节点的集合表示为N;连接两节点之间的线段为耦合边,耦合边z表示第z条耦合边,所有耦合边集合表示为E,则C=(N,E)。其中,耦合边的数量与道路交通系统中的交通要素数量相关,耦合边的长度由其两端的节点之间的耦合强度确定。
步骤2,将所述系统网络C进行模块划分,每一个模块为由至少三条所述耦合边围成的封闭区域。
本实施例中,将系统网络C=(N,E)中的节点集合N划分为m个模块,每个模块用Mj表示,模块Mj表示第模块用Mj个模块,则D={M1,M2,...,Mm}可看作C的划分。
例如:如图3所示,节点集合N中包括行人节点1、行人节点2、车辆节点3、车辆节点4、路障节点5和骑车人节点6,对于存在风险的两个节点,可以进行连线,图3中的行人节点1与车辆节点3、路障节点5和骑车人节点6存在风险,则可将行人节点1与车辆节点3、路障节点5和骑车人节点6分别连线。图3中的行人节点2与车辆节点3、车辆节点4和路障节点5存在风险,则可将行人节点2与车辆节点3、车辆节点4和路障节点5分别连线。以此类推,对其它可能会产生风险的两个节点进行连线。进行模块划分时,可以划分成图中的斜线示意的封闭三角区域,也可以划分成封闭的四边形区域,甚至五边形区域,只要形成封闭区域即可。
进一步地,每一个模块包含至少一个连通子图k,那么,系统网络C可以演变为多个连通子图k的集合。
步骤3,系统网络C包括两组重要参数:组成整个系统的节点和系统中相互依赖关系的耦合边,而系统网络C中定义中的节点和耦合边均因其社会属性和物理属性而有一定的差异性,因此根据节点和耦合边的属性的差异性应该通过对系统网络C中的节点和耦合边进行加权处理。
同理,连通子图k中的节点i的节点度也可以采用式(1)提供的计算公式获取得到。
根据节点的功能不同,潜在风险程度也相应不同。耦合边的安全性越低,与其连接的节点受到动态干扰的可能性越高,但是节点风险增加的可能性还取决于节点自身的物理和社会属性。如果节点本身安全性很高,即便与其相连的耦合边属于强耦合边,容易受干扰,该节点产生危险的可能性也会降低。反之,则为弱耦合边。同时,本发明将不同交通要素之间的相互作用分为直接作用和间接作用,其中,直接作用可以理解为车辆性能直接对驾驶人行车安全性造成的影响,间接作用可以理解为道路两耦合边的路沿可能因驾驶人行车过程所受到约束而产生的间接影响。那么,强耦合边代表直接作用,弱耦合边代表间接作用。不同耦合边的耦合强度不同,各自的长度也不同,即被赋予的权重值不同。与此类似地,考虑到节点本身的物理和社会属性,强耦合边和弱耦合边的抗干扰能力及安全程度不同,因此,节点也因此在道路交通系统网络中被赋予的权重值也不同。
根据所述节点的物理和社会属性,所述节点分为显性节点和隐形节点,所述显性节点包括所述交通要素中的交通参与者,所述隐形节点包括道路约束条件,所述显性节点的权重的取值范围设置为(0.5,1],所述隐形节点的权重的取值范围设置为(0,0.5]。
根据所述耦合边两端的所述节点之间的距离以及物理和社会属性,判断所述耦合边的强弱,所述耦合边被判定为弱耦合边时,权重取值范围设置为(0,0.5];所述耦合边被判定为强耦合边时,权重取值范围设置为(0.5,1]。比如两个节点都是车辆,车间距离为100m,和两个节点一个为车辆一个为行人,相对距离为10m,那后者为强耦合边,前者为弱耦合边。
步骤4,构建由下式(2)表示的道路交通系统态势安全模型S(t):
其中,N表示t时刻所述系统网络C中的连通子图k的总数,n表示t时刻所述系统网络C中的节点i的总数,m表示t时刻所述系统网络C中的模块Mj中的总数,T(C)表示t时刻的所述系统网络C中的所有节点的节点度之和,即表示t时刻所述系统网络C中的连通子图k中所有节点的节点度之和,表示t时刻连通子图k的三维结构熵,Hs 3(C)表示t时刻所述系统网络C的三维结构熵,通过将式(3)描述的Hs 3(Ck,t)累加获得,表示节点i的质量,其由节点类型提供,通过传感器获取类型即可;vi为节点i的速度,该数据通过传感器/摄像头获取,vi+1为节点i+1的速度,Nj表示模块Mj中所有节点的节点度之和,nj表示模块Mj包含的节点i的总数,ej表示有且只有一个端点与Mj中节点相连的边数。
步骤5,采用下式(5)计算安全威胁对所述系统网络造成的影响程度ΔEH:
ΔEH=Hs 3(Ck,t+Δt)-Hs 3(Ck,t) (5)
式中,Hs 3(Ck,t)表示t时刻的所述系统网络C中的连通子图k的三维网络熵势,Hs 3(Ck,t+Δt)表示t+Δt时的所述系统网络C中的连通子图k的三维网络熵势。
步骤6,根据式(2),采用式(6)计算三维网络熵势变化量ΔS:
ΔS=S(t+Δt)-S(t) (6)
步骤7,根据影响程度ΔEH和三维网络熵势变化量ΔS,输出实时风险评估结果,ΔEH越大,则所述道路交通系统的风险等级越高,ΔS的潜在风险越高。
在一个实施例中,所述步骤3中的“根据所述节点和耦合边的属性,对各所述节点赋予权重”的方法包括:
如图2所示,所述步骤4中的“Hs 3(C)”的具体构建过程包括:
步骤41,根据步骤1中的所述系统网络C,构建考虑道路交通系统在时间维度上变化所引起的混乱程度变化的一维网络熵Hs,其描述为式(7):
步骤42,评价不同的人为因素、车辆因素、环境因素相互耦合而产生的耦合风险状态的方法是计算三者之间的交互信息,当链接三者之间强耦合作用耦合边越多,节点安全属性越弱,则交互信息越大,熵值变化越大,混乱程度变化越大,则说明这种耦合风险越大,潜在风险越大。不同节点组成道路交通系统网络,网络单元组成道路交通系统网络。当整个道路交通系统发生节点的增减和耦合边的变化时,从熵的角度看,随着这些变化,网络的无序程度也发生了变化,因此整个系统的安全程度也发生了变化。基于一维道路交通系统网络,构建二维道路交通系统网络,二维道路交通系统网络具有时间维度和空间位置维度,二维道路交通系统网络的熵为道路交通系统在时间维度和空间位置维度变化上所引起的混乱程度的变化。
构建考虑道路交通系统在时间维度和空间维度上变化所引起的混乱程度变化的二维网络熵Hs 2(C),Hs 2(C)通过将式(8)描述的t时刻连通子图k的二维结构熵Hs 2(Ck,t)累加获得:
Hs 2(C)是一个二项式,第1项表示在某一模块k中确定任意节点i所需要的信息量;第2项表示在C中,确定模块k所需的信息量。其中,每个模块可由与其相连的其它模块中的节点进行信息交互和位置变化。因此,二维网络熵Hs 2(C)包含各个模块内部的节点和各模块之间的交互信息,反映了道路交通系统网络拓扑结构的属性。
步骤43,通过考虑节点之间的信息交互,考虑道路交通系统在时间、空间和物理三个维度上变化的而引起的混乱程度的变化,构建考虑道路交通系统在时间维度、空间维度和物理维度变化所引起的混乱程度变化的三维网络熵 通过将式(3)描述的Hs 3(Ck,t)累加获得,进而“自下而上”量化评估网络耦合边和网络节点的安全指数,通过耦合熵势和系统自身属性输出系统熵量和熵差,最终评估整个道路交通系统网络的安全态势。
本发明实施例在获取了三维结构熵的计算公式后,再根据熵的定义,定义道路交通系统是一个三维复杂道路交通系统网络,节点沿时间轴方向展开,相对于系统原点,各节点因自身社会和物理属性而具有熵势能,简称熵势。本发明用熵势和熵差来描述个节点和耦合边在道路交通系统的运动状态,定义系统的初始熵势为道路交通系统初始运作状态,设为Hs 3(Ck,t0),定义系统的熵差为ΔEH,即描述变化过程中熵势与所设定初始时刻的熵势之差。定义系统熵量为S(t),即t时刻整个系统自身属性与t时刻系统熵势的耦合,同时用系统熵量变化ΔS来反映整个系统动态变化过程。
进一步地,考虑到道路交通系统网络会因节点或耦合边的安全性降低而带来整个系统分模块之间的信息交互紊乱,从而可能带来道路交通系统网络的连通拓扑结构变成封闭非连通状态,因此,结合上述给出的道路交通系统在组成成分中某一环出现问题过程中空间域、时间域及物理域的动态评估结果,可得道路交通系统态势安全模型S(t)。
ΔEH=Hs 3(Ck,t+Δt)-Hs 3(Ck,t)
同时根据上述道路交通系统态势安全模型,可求得实时的风险评估结果,及随时间改变的系统熵量变化ΔS=S(t+Δt)-S(t)。
由前述定义网络熵的值并不能准确的评估道路交通系统风险程度,这个值仅仅是评估某一个时刻因节点或耦合边属性变化而带来的风险状态。而当道路系统网络性能或安全性能突然下降时,会造成安全威胁概率增大,由整个道路交通系统属性和该时刻熵势状态耦合的系统熵量的变化程度才更能反映风险程度越高。
如图4所示,对任意道路交通环境,通过对该环境搭建系统网络,可以分析该道路交通系统中各个交通要素(包括行人、骑车人、车辆和道路等)都为该道路交通系统网络的节点,根据节点属性和相对距离不同,每个节点的潜在风险程度和节点之间耦合边也不同。考虑一个含有5个显性节点和2个隐性节点(道路约束条件,如道路两侧路沿和人行道)的最邻近道路交通系统网络,几个节点构成一个网络,其中每个节点都与它有关的各节点相连,然后对连接节点的耦合边按照直接作用(如车辆性能直接影响驾驶人行车安全性)和间接作用(如道路两耦合边的路沿可能因驾驶人行车过程所受到约束而产生间接影响)划分为强耦合边(图4实线)和弱耦合边(图4虚线)。因此,图4显示了一个由5个节点和9条耦合边组成的道路交通系统网络C=(N,E),同时几条耦合边和节点之间也构成了不同的分区,如图将节点集合N化为5个模块,每个模块用Mj表示,则D={M1,M2,M3,M4,M5}可看作C的划分。不同节点组成道路交通系统网络,网络单元组成道路交通道路交通系统网络。当整个道路交通系统发生节点的增减和耦合边的变化时,从熵的角度看,随着这些变化,网络的无序程度也发生了变化,因此整个系统的安全程度也发生了变化。
如图1所示,整个道路交通系统的交通要素熵变分析过程可以阐述为:对于如图2所示的道路交通系统,将系统中各交通要素定义为节点,并将交通要素之间作用关系定义为衔接节点的耦合边。因此,对于交通系统网络,通过划分模块,并判断节点和耦合边的属性,对于强耦合边和弱耦合边,利用式(1)计算模块k中节点i的度
在得到道路交通系统节点度之后,可以输出评价不同的人为要素、车辆要素、环境要素相互耦合而产生的耦合风险状态的交互信息,并输出三维网络熵对任意道路交通系统网络C在时间、空间和物理三个维度上变化,定义系统的初始熵势为道路交通系统初始运作状态,设为Hs 3(Ck,t0),并计算系统的变化过程中熵势与所设定初始时刻的熵势差ΔEH,然后计算t时刻整个系统自身属性与t时刻系统熵势的耦合系统熵量为S(t)。
同时根据上述道路交通系统态势安全模型,可求得实时的风险评估结果,及随时间改变的系统熵量变化ΔS=S(t+Δt)-S(t)。
如图1所示,根据不同子节点的物理和社会属性,分析子节点之间是否存在潜在冲突,当子节点间两两存在潜在冲突时,如行人子节点1与骑车人子节点6之间存在通行冲突,则两节点间形成耦合边,边的权重由节点属性和相对距离进行给出。当为强耦合边时,给定权重取值范围为(0.5,1],当为弱耦合边时,给定权重取值范围为(0,0.5]。当子节点间两两属性一致或距离过远等因素导致不存在潜在冲突时,如行人子节点1与行人子节点2之间不存在潜在冲突,则两节点间不形成耦合边。最后各个子节点之间连线形成边,边划分闭环模块,如行人子节点1,骑车人子节点6和路障子节点5形成的子模块1。不同的节点之间如存在耦合边,皆可闭环构成不同的子模块。最终可得道路交通系统子模块划分图。
对于如图4所示的道路交通系统,以车辆1为研究对象分析该子节点受到其他子节点之间的耦合作用力的强度变化趋势如图5所示。考虑到道路交通系统网络会因节点或耦合边的安全性降低而带来整个系统分模块之间的信息交互紊乱,从而可能带来道路交通系统网络的连通拓扑结构变成封闭非连通状态,因此,结合上述给出的道路交通系统在组成成分中某一环出现问题过程中空间域、时间域及物理域的动态评估结果。对于车辆1而言,考虑其自身属性和周耦合边节点属性及相对距离,因其可能选择的左转轨迹而带来潜在耦合作用力的变化。对于车辆2来说,其在车辆1节点的左前方,属于强耦合边,且随着车辆1的运动趋势而产生熵变,系统先熵增后熵减。对于行人来说,其在车辆1节点的左前方,属于弱耦合边,且随着车辆1的运动趋势而产生熵变,系统先熵增后熵减,但整体熵变幅度小于车辆2。对于骑车人来说,其在车辆1节点的右前方,属于弱耦合边,且随着车辆1的运动趋势而产生熵变,系统先熵增后熵减,但整体熵变幅度小于车辆2,最后受力效果与行人近似。对于障碍物来说,其在车辆1节点的右前方,属于强耦合边,但且随着车辆1的运动趋势而产生熵变,系统持续熵减,最后对节点车辆1干扰不大。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于多维网络熵的道路交通安全评估方法,其特征在于,包括:
步骤1,根据待评估的道路交通系统中的交通要素,构建系统网络C,所述系统网络C具有节点和将所述节点连接起来的耦合边,所述节点对应为所述交通要素;
步骤2,将所述系统网络C进行模块划分,每一个模块为由至少三条所述耦合边围成的封闭区域,每一所述模块包含至少一个连通子图;
步骤4,构建由下式(2)表示的道路交通系统态势安全模型S(t):
其中,N表示t时刻所述系统网络C中的连通子图k的总数,n表示t时刻所述系统网络C中的节点i的总数,m表示t时刻所述系统网络C中的模块Mj中的总数,T(C)表示t时刻的所述系统网络C中的所有节点的节点度之和,T(Ck,t)表示t时刻所述系统网络C中的连通子图k中所有节点的节点度之和,表示t时刻连通子图k的三维结构熵,表示节点i的质量,vi为节点i的速度,vi+1为节点i+1的速度,Nj表示模块Mj中所有节点的节点度之和,nj表示模块Mj包含的节点i的总数,ej表示有且只有一个端点与Mj中节点相连的边数;
步骤5,采用下式(5)计算安全威胁对所述系统网络造成的影响程度ΔEH:
ΔEH=Hs 3(Ck,t+Δt)-Hs 3(Ck,t) (5)
式中,Hs 3(Ck,t)表示t时刻的所述系统网络C中的连通子图k的三维网络熵势,Hs 3(Ck,t+Δt)表示t+Δt时的所述系统网络C中的连通子图k的三维网络熵势;
步骤6,根据式(2),采用式(6)计算三维网络熵势变化量ΔS:
ΔS=S(t+Δt)-S(t) (6)
步骤7,根据影响程度ΔEH和三维网络熵势变化量ΔS,输出实时风险评估结果,ΔEH越大,则所述道路交通系统的风险等级越高,ΔS越大,则所述道路交通系统的的潜在风险越高。
4.如权利要求1至3中任一项所述的基于多维网络熵的道路交通安全评估方法,其特征在于,所述步骤4中的“Hs 3(C)”的具体构建过程包括:
步骤41,根据步骤1中的所述系统网络C,构建考虑道路交通系统在时间维度上变化所引起的混乱程度变化的一维网络熵Hs,其描述为式(7):
步骤42,构建考虑道路交通系统在时间维度和空间维度上变化所引起的混乱程度变化的二维网络熵Hs 2(C),Hs 2(C)通过将式(8)描述的t时刻连通子图k的二维结构熵Hs 2(Ck,t)累加获得:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010819311.6A CN111967760B (zh) | 2020-08-14 | 2020-08-14 | 一种基于多维网络熵的道路交通安全评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010819311.6A CN111967760B (zh) | 2020-08-14 | 2020-08-14 | 一种基于多维网络熵的道路交通安全评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967760A true CN111967760A (zh) | 2020-11-20 |
CN111967760B CN111967760B (zh) | 2022-04-08 |
Family
ID=73366125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010819311.6A Active CN111967760B (zh) | 2020-08-14 | 2020-08-14 | 一种基于多维网络熵的道路交通安全评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967760B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649143A (zh) * | 2023-11-29 | 2024-03-05 | 山东大学 | 一种基于驾驶员的生态驾驶行为评估方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447255A (zh) * | 2018-03-21 | 2018-08-24 | 北方工业大学 | 一种城市道路动态交通网络结构信息系统 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
-
2020
- 2020-08-14 CN CN202010819311.6A patent/CN111967760B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
CN108447255A (zh) * | 2018-03-21 | 2018-08-24 | 北方工业大学 | 一种城市道路动态交通网络结构信息系统 |
Non-Patent Citations (5)
Title |
---|
HEYE HUANG: "Objective and Subjective Analysis to Quantify Influence Factors of Driving Risk", 《2019 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC)》 * |
王艳辉等: "基于涌现和熵的城轨运营安全程度评判方法及应用研究", 《铁道学报》 * |
胡钢等: "基于邻接信息熵的网络节点重要性识别算法", 《系统工程理论与实践》 * |
蔡晓禹等: "基于驾驶行为和信息熵的道路交通安全风险预估", 《中国公路学报》 * |
赵静娴: "基于熵的应急物流网络稳定性研究", 《武汉科技大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649143A (zh) * | 2023-11-29 | 2024-03-05 | 山东大学 | 一种基于驾驶员的生态驾驶行为评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111967760B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | A hierarchical prediction model for lane-changes based on combination of fuzzy C-means and adaptive neural network | |
CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
Moridpour et al. | Lane changing models: a critical review | |
CN112614344B (zh) | 一种自动驾驶汽车参与的混合交通系统效能评估方法 | |
CN109002595B (zh) | 模拟动态换道行为的双车道元胞自动机微观交通仿真方法 | |
Sun et al. | Modeling vehicle interactions during lane‐changing behavior on arterial streets | |
CN114312830B (zh) | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 | |
Guido et al. | Safety performance measures: a comparison between microsimulation and observational data | |
CN113561974B (zh) | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 | |
CN110956851B (zh) | 一种智能网联汽车协同调度换道方法 | |
CN115457782B (zh) | 基于深度强化学习的自动驾驶车辆交叉口无冲突合作方法 | |
Lichtlé et al. | Deploying traffic smoothing cruise controllers learned from trajectory data | |
CN111967760B (zh) | 一种基于多维网络熵的道路交通安全评估方法 | |
US20190146493A1 (en) | Method And Apparatus For Autonomous System Performance And Benchmarking | |
Duong et al. | Calibration of microscopic traffic model for simulating safety performance | |
Eggert et al. | The foresighted driver: Future ADAS based on generalized predictive risk estimation | |
Hao et al. | Aggressive lane-change analysis closing to intersection based on UAV video and deep learning | |
Villagra et al. | Interaction-aware risk assessment: Focus on the lateral intention | |
CN116588123A (zh) | 基于安全势场模型的风险感知的预警策略方法 | |
Gregoriades | Towards a user-centred road safety management method based on road traffic simulation | |
Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections | |
Ma et al. | Evolving testing scenario generation method and intelligence evaluation framework for automated vehicles | |
Hu et al. | Decision-making for connected and automated vehicles in chanllenging traffic conditions using imitation and deep reinforcement learning | |
CN113299068A (zh) | 一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统 | |
Ma et al. | Application of conditional generative adversarial network to multi-step car-following modeling |
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 |