CN112991743B - 基于行驶路径的实时交通风险ai预测方法及其系统 - Google Patents

基于行驶路径的实时交通风险ai预测方法及其系统 Download PDF

Info

Publication number
CN112991743B
CN112991743B CN202110437885.1A CN202110437885A CN112991743B CN 112991743 B CN112991743 B CN 112991743B CN 202110437885 A CN202110437885 A CN 202110437885A CN 112991743 B CN112991743 B CN 112991743B
Authority
CN
China
Prior art keywords
vehicle
risk
model
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.)
Active
Application number
CN202110437885.1A
Other languages
English (en)
Other versions
CN112991743A (zh
Inventor
刘俊伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Terry Digital Technology Beijing Co ltd
Original Assignee
Terra It Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Terra It Technology Beijing Co ltd filed Critical Terra It Technology Beijing Co ltd
Priority to CN202110437885.1A priority Critical patent/CN112991743B/zh
Publication of CN112991743A publication Critical patent/CN112991743A/zh
Application granted granted Critical
Publication of CN112991743B publication Critical patent/CN112991743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Abstract

为此，本发明的一种基于行驶路径的实时交通风险AI预测方法及系统，其中方法其特征在于，包括如下步骤：S1城市道路模型建立；S2基于实时计算机模拟或车辆定位信息的交通风险等级模型的建立；S3利用建立好的交通风险模型进行实时交通风险的预测，获得预测数据；或者包括步骤S1‑S3，以及在S3之后还包括；S4根据不断积累的预测数据，执行加强交通督导、改善道路建设、以及优化驾驶员安全行驶方案、建立天气与预测数据之间的关系模型中的任一项或其组合的工作。本发明实现了城市道路风险的实时监测以及为交通建设和搜索车当前和历史行驶记录以及当地天气状况提供大数据支撑。

Description

基于行驶路径的实时交通风险AI预测方法及其系统
技术领域
本发明涉及一种道路交通风险与路况分析系统，尤其涉及一种基于行驶路径的实时交通风险AI预测系统，属于道路交通控制领域。
背景技术
智慧城市的发展阶段分为六个层次，首先是建立视觉基础，即城市地理数字化，第二是数字化基础上的模型设计问题，第三是城市诊断，第四就是城市预测。在诸多预测项目中，在对城市地理数字化实现基础上针对城市道路交通的事故风险与路况综合分析预测是智慧城市重要的发展规划之一。道路交通事故其根源是车辆尤其是机动车的存在而产生，因此对机动车之间行驶监控，是智慧城市安全的首要课题。
对于道路安全问题，现有技术并未考虑行驶路径的交叉或重合带来的交通事故风险。而主要集中在道路的路径规划（CN104567898A，CN101776458A）、道路拥堵(CN108198449A，CN102636177A)、或者安全控制（CN110021185A）方面，是在已有道路设施状态下被动地考虑如何择优路径形式或如何规避风险，没有从原理上考虑交通事故的本质以及基于交通事故而衍生的考虑城市机动车道路建设（如道路规格、布局，以及地线划分等设计是否合理）、当地天气、驾驶员行驶信息（包括行驶习惯和路线记录）等方面的因素。
车辆的行驶都基于着行驶的道路路线，而事故的发生其本质在于基于道路路线上，车辆之间产生零距离的结果。因此可以这么认为，事故的产生是因为道路行驶路径存在至少一个交点（包括重合），以及因此产生的可能的碰撞、刮擦等零距离现象。而距离问题离不开这几个因素，第一车辆在基于规划好的路径或习惯或历史可能的路径上行驶中的相对距离，第二车辆的当前速度、第三驾驶员的驾驶习惯（如优选的路径，历史路径中选择最多的）和驾驶风格（激烈驾驶、时常慢速行驶、或介于之间），以及第四天气。因此，交通事故的产生，不仅可以反映道路的路线规划、还可以反映路径规划背后所基于的道路建设以及驾驶习惯和当地天气等，利用对交通事故预测，还能督导交通，推进道路建设完善。因此亟需一种能够不仅预测交通风险，还能以此为交通管理和城市道路建设和驾驶员培养以及当地天气提供数据参考。
发明内容
为了解决上述问题，本发明提供一种基于行驶路径的实时交通风险AI预测方法及其系统。其原理在于，以道路路线是否存在一个交点为基础考察每一辆道路上的车辆的风险，并在城市网格化道路模型上显示出风险，并以此实时检测道路情况，并以此展开交通督导，为智慧城市道路建设改进，驾驶员培养建设和当地天气提供指导性参考数据。
本发明所指的道路路线是行驶路径的载体，道路路线与行驶路径的逻辑关系是行驶路径真包含于道路路线。道路路线是否存在至少一个交点是指车辆之间当前行驶的道路是否存在至少一个交点。所述道路包括同向道路，异向道路。不论是否同向，只要道路被立体分隔物（如隔离栏、墩桩、或其他路障）分隔，即形成两条道路路线，此时本发明不考虑该两条道路之间的交通风险；而被近似认为平面的道路地线分隔的道路则认为属于同一条道路路线，即存在交通风险。本发明所指的格点是指网格化处理后最小的方格单元。本发明的交通风险是指对于两车之间交通风险，理解为是等同的，即一车对于另一车的交通风险等同于另一车对于该车的交通风险。
为此，本发明的一种基于行驶路径的实时交通风险AI预测方法，其特征在于，包括如下步骤：
S1城市道路模型建立；
S2 基于实时计算机模拟或车辆定位信息的交通风险等级模型的建立；
S3 利用建立好的交通风险模型进行实时交通风险的预测，获得预测数据；或者
包括步骤S1-S3，以及在S3之后还包括：
S4 根据不断积累的预测数据，执行加强交通督导、改善道路建设、以及优化驾驶员安全行驶方案、建立天气与预测数据之间的关系模型中的任一项或其组合的工作。
关于步骤S1
其中，步骤S1具体包括：利用城市地理坐标系建立城市道路地图，或者人工智能模型识别出城市道路而形成网格化的城市路网C，形成分路网d 1，d 2，...，d n(n为网格数量)；优选地，所述的利用城市地理坐标系建立城市道路地图包括：构建城市室外三维语义模型，获取任意选择的标准建筑基底靠南和靠西的边缘分别为X轴和Y轴其直角顶点为原点作为室外基准点O，建立室外三维模型坐标系E，从而城市室外三维语义模型中每一条道路上任一点都有在E下的坐标。
所述的人工智能模型包括：利用RNN循环神经网络算法，通过节点生成器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续连接产生的新节点，如此循环而连接成路网。其中，节点生成器包括编码器以及解码器。
具体地，所述路网提取过程包括：将城市网格化处理，针对每个格点g进行分路网提取，将每个格点g的分路网融合形成城市路网C。
其中，节点生成的过程具体包括：S1-1利用遥感影像图对城市进行网格化处理，对于每个格点g从格点几何中心c’出发找到距离所述几何中心c’最近、次近以及逐渐远的n个起始节点，n∈[1,10]；
S1-2定义步长l以及矢量方向r作为属性矢量V’（attribute vector），将每个起始节点以及K条入射路经方向
Figure 676050DEST_PATH_IMAGE001
的点作为输入点（K个点与对应的起始点之间对应了K个初始属性矢量）， 将K+1个输入点以及属性矢量V’输入编码器，由解码器生成新节点；具体是对于每一个起始点的每一个方向的输入点
Figure 579284DEST_PATH_IMAGE002
，对应了在E下的坐标
Figure 118850DEST_PATH_IMAGE003
，属性矢量V’对应于坐标增量
Figure 516464DEST_PATH_IMAGE004
，其中t表示当前输入点的序号（对于起始点为0，对于第一个新的输入点为1)，将该坐标和属性矢量V’输入编码器，解码器将出射在E下生成的新节点
Figure 418561DEST_PATH_IMAGE005
，其中
Figure 368062DEST_PATH_IMAGE006
，
Figure 4711DEST_PATH_IMAGE007
；
S1-3再以所述新节点为起始点重复步骤S1-1和S1-2，直到格点g中所有道路提取完毕生成分路网，其中，所述步长l是指当前节点到下一个节点之间的直线距离。l=1-5m，优选为1-3m，更优选为1-2m，最优选为1m；
S1-4对于城市路网C的各分路网中划分出没有交点的道路路线。
关于步骤S2
考虑交通风险的四类主要因素，第一，由于当前设定的行驶路径（如对于设定了导航路线的车辆）所在的道路路线存在至少一个交点而产生的可能的交通风险。应当理解的是，由于在同一条道路上的车辆之间其实际行驶路径可能不会重合，即多车道情况，但每一辆车的行驶路径所在的道路路线重合（认为存在多个交点）或者存在至少一处交汇处（本发明定义为存在至少一个交点）；
第二，考虑每一辆车在预设的半径范围内，与其行驶路径所在的道路路线有至少一个交点的其他车辆行驶路径所在的道路路线上的其他车辆与其之间可能的交通风险。可以理解的是，与第一种情况相比，第二种情况考虑的是近距离的交通风险，因为当前每一辆被研究车辆可能离下一个交点或重合处还比较远，而只能先预测将来到达或即将到达下一个交点或重合处可能与所述其他车辆的碰撞或剐蹭等，而此时最关心的是在当前道路路线位置处，该被研究车辆的半径范围内近距离的交通风险。但也可能是半径范围内存在下一个交点或重合处。此时表明该车辆即将到达该下一个交点或重合处；
第三，考虑当前未知行驶路径的行驶车辆所贡献的交通风险。这种情况是考虑由于驾驶员没有设置导航路线，就不能以第一种情况进行风险预测，但能够以第二种情况进行预测，即容易考虑的是该车辆近距离的交通风险的贡献。然而尽管如此，实际上未知行驶路径的行驶车辆客观上存在一条行驶路径，该行驶路径可能是驾驶员习惯行驶的路径，和/或其他原因而临时选择的非习惯行驶的路径；
第四，无论行驶路径是否已知，都存在临时改变行驶路径的情况，此时仍然可以以第二种情况计算，由于改变而产生的可能新路线由于不确定性，从而应当理解此时第二种情况产生的风险是最大的。这是因为，临时改变的路线可能是驾驶员不熟悉的路线，或者虽然实际上在驾驶员心中已经明确大致路线方向，但由于存在寻找道路的可能，导致注意力的不集中而在短距离范围内造成事故。同时，大概率出现的情况是，如果改变行驶路径，驾驶员很可能会设置导航规划新的路径，此时又可以以第一种情况计算风险。还有一种可能是，改变道路后又重新回到改变前的行驶路径上，此时即按照改变前的算法进行风险计算。可以理解的是，只要行驶过程中关闭导航，就属于第三种情况。
因此，综合上述分析，交通风险包括，行驶路径（无论是否已知或是否属于习惯的行驶路径）的风险贡献和半径范围内的近距离风险两部分贡献。
针对上述四种情况，所述步骤S2具体包括如下：
S2-1获取城市路网C的每一个网格g中至少一辆车m i 的行驶路径信息，
其中，所述行驶路径信息包括；当前设定的行驶路径、历史路径、偏离路径的信息、格点g中当前半径范围R内的同一道路车辆数N、与当前行驶的道路路线具有至少一交点的道路路线上的车辆数N’；
具体地，可以通过车辆定位系统判别车辆之间是否在步骤S1-4所划分的同一条道路上，以及根据当前设定的行驶路径、历史路径计算出各车辆所在的道路路线是否具有至少一个交点。
S2-2如果存在当前设定的行驶路径，则计算至少一辆车m i 所在的半径范围R内的其他存同一道路路线上的任一其他车辆m ’ j 之间的相对距离变化信息，其中i和j 表示每一网格g中的存在行驶路径的车辆顺序数；根据所述相对距离变化信息得到所述至少一辆车mi的交通风险值q i ，根据所述至少一辆车m i 的交通风险值q i 得到所述至少一辆车m i 的半径范围R内交通风险值q=
Figure 330650DEST_PATH_IMAGE008
；不断获得车m i 和与之具有至少一个交点的道路路线上的车m” j 的当前行驶信息，根据所述当前行驶信息获得最先达到下一个交点或重合处的车辆，以及此时另一车辆与最先达到的车辆之间的道路路线距离r，根据距离r的大小获取对应车m i 的风险值p i ，根据风险值p i 计算当前车m i 所处位置的行驶路径交通风险值p=
Figure 352833DEST_PATH_IMAGE009
，N’为当前车m” j 的总数，则当前的车m i 的总风险值
Figure 473236DEST_PATH_IMAGE010
（1），其中a和b为权重，且a+b=1，
Figure 128339DEST_PATH_IMAGE011
和
Figure 992390DEST_PATH_IMAGE012
表示N和N’辆车对于车m i 的风险值求和；如果不存在行驶路径则执行S2-3；
其中，所述根据所述相对距离变化信息得到所述至少一辆车m i 的交通风险值q i 具体包括在每一固定时间段
Figure 134658DEST_PATH_IMAGE013
内获取车m i 和车m’ j 之间距离的
Figure 691542DEST_PATH_IMAGE014
，其中w表示固定时间段
Figure 302783DEST_PATH_IMAGE013
的按时间顺序排列的顺序数，则
Figure 970524DEST_PATH_IMAGE015
在多个固定时间段内连续变小且两车距离小于或等于R的1/2-1/5，则记录风险值q i =1；若连续变大，则风险值q i =0；若
Figure 108245DEST_PATH_IMAGE015
在多个固定时间段内变化在一个小值范围（0.1-40m）内和/或连续变小且两车距离大于R的1/2-1/5，则风险值q i =0.5，即中间值，R=200-500m，R的圆心为车上所选的一个点。
在优选的方案里，还可以根据驾驶员的驾驶风格而增减R值，当驾驶员习惯快速行驶（即习惯于逼近规定的所在道路路线的最高速或超过最高速），则R值为R+100m，若驾驶员习惯慢速行驶（即习惯于逼近规定的所在道路路线的最低速或低于最低速），则R值为R-100m；所述的固定时间段
Figure 226242DEST_PATH_IMAGE016
，多个固定时间段的个数为3-10，N’=N，即只考虑半径R范围内的车m” j 。
应当理解的是，不论车m i 是否先到达，其与车m’ j 之间的距离r即能够描述撞蹭和被撞蹭风险情况。并且当两车在同一道路并行时，同时存在R范围内和在于重合道路路线的情况，此时即考虑的是a和b各占一半，并且p=1，此时总风险值Q即由距离的变化
Figure 449413DEST_PATH_IMAGE015
决定。当拥堵跟车时，距离变化在小值范围内，因此
Figure 920846DEST_PATH_IMAGE017
。当两车各自R无交集，说明距离还很远，此时应以风险p的权重b占主部，如0.5-1之间取值。
所述当前行驶信息包括，车辆当前在道路路线中的定位信息、当前速度v以及当前行驶路径，则所述不断获得车m i 和车m’ j 的当前行驶信息，根据所述当前行驶信息获得最先达到下一个交点或重合处的车辆，以及此时另一车辆与最先达到的车辆之间的道路路线距离r具体包括：获得车m i 达到下一个交点或重合处的时间Ti=L i /v i ，其中L为当前位置到下一个交点或重合处的行驶路径的长度。则对于车m’ j 的当前速度
Figure 54018DEST_PATH_IMAGE018
；接下来在固定时间
Figure 952704DEST_PATH_IMAGE016
之后再进行r的计算，从而实时获取任意时刻r值；
所述根据距离r的大小获取对应车m i 的风险值p i 包括：当r∈[0m,50m]，p i =1；当R≥r＞50m，p i =0.5；当r＞R时，p i =0。
应当理解的是，如果计算距离r时，两车中至少一辆车已经位于交点或重合处，则此时的距离r 即为实际的两车之间道路路线距离（无论各自的半径范围在此时是否有交集）。
S2-3获取每一辆未知当前行驶路径车辆n i 的与车m i 道路路线具有同一道路和至少一个交点的道路路线上历史路径l k ，其中k表示历史路径的序号，根据R和历史路径l k 得到当前每一辆车n i 与车辆m i 之间的如步骤S2-2中的总风险值记作
Figure 663171DEST_PATH_IMAGE019
则总风险值
Figure 62928DEST_PATH_IMAGE020
（2），M为历史路径的条数，
Figure 909661DEST_PATH_IMAGE021
分别为第k条历史路径的权重和总风险值，
Figure 244828DEST_PATH_IMAGE022
为每一条历史路径权重，且总和为1；
在一个实施例中，其中历史路径l k 为车辆中根据定位系统计算得到的车辆行驶路径，根据该路线选择的频繁程度而将其分类为常规历史路线l c ，非常规行驶路径s d ，其中c和d为相应路线的条数序号，则
Figure 317957DEST_PATH_IMAGE023
（3），其中
Figure 131192DEST_PATH_IMAGE024
分别表示对c条常规历史路线和d条非常规历史路线的风险值求和，e c 和f d 表示权重，且
Figure 363591DEST_PATH_IMAGE025
S2-4 若发现车m i 偏离当前设定的行驶路径或偏离任一条历史路径，则按照步骤S2-2中计算半径范围R内交通风险值q=
Figure 197554DEST_PATH_IMAGE008
作为偏离时的实时风险值X i ；一旦发现车m i 在当前设定的行驶路径或历史路径上，则按照相应的步骤S2-2或S2-3计算风险值；
S2-5根据步骤2-2-步骤S2-4得到获取城市路网C的每一网格g中实时交通风险总值
Figure 148193DEST_PATH_IMAGE026
（4）其中B为格点g内部的当前车辆总数，且当未偏离时X i =0，当偏离时
Figure 374906DEST_PATH_IMAGE027
，当未知当前行驶路径时则
Figure 196232DEST_PATH_IMAGE028
，则城市路网C中的实时交通总风险值Q C =
Figure 466676DEST_PATH_IMAGE029
（5）其中A为城市路网C中的格点总数。
由此，通过城市路网C网格化实现了实时交通风险的分布信息，以及城市路网中总风险值的获取，能够实时对各格点区域进行交通督导和道路建设参考。
优选地，考虑到天气因素，则存在天气因子D，当雨雪雾天则D值较高，当为晴天则较低，则
Figure 373452DEST_PATH_IMAGE030
（6），
Figure 138277DEST_PATH_IMAGE031
（7），其中D为不小于1的实数，优选地，晴天时D=1，阴天时D=1.1-1.3，小雨或小雪时D=1.4，中雨或中雪时D=1.5-1.7，大雨或大雪时D=1.8-2.1，暴雨或暴雪及以上时D=1-1.3。由于暴雨能见度低，车辆行驶一般都会减速，此时根据交通事故数据而确定D值不会很高。雾天则根据能见度V制定，以100-200m为无雾安全距离，则雾天时D=100/V-200/V。
S2-6基于网格化的城市地理坐标系建立城市道路地图，使用计算机模拟车辆行驶建立交通风险等级模型Grad1，或者基于网格化的城市路网C，使用车辆定位系统获得所述车辆定位信息以分别获得多个风险值分布模型样本，将所述多个风险值分布模型样本分为训练集以及验证集，两者比例为5:1-2:1，对于每个格点g形成所述多个风险值分布模型样本的局部模型样本；使用人工智能模型AI作为初始模型，将训练样本代入初始模型，不断得到新的训练中模型，同时不断扩大模型样本，并继续训练训练中模型，直到代入验证集得到训练前后总风险值Q g 和/或Q C 误差小于预设阈值则完成风险模型Mod的建立，最后根据Mod计算的风险值对每个格点g使用训练好的分类器得到实时风险等级分类，获得交通风险等级模型Grad2，在一个实施例中交通风险等级模型Grad2即为GAN-SVM联合模型。
其中，使用计算机模拟车辆行驶建立交通风险等级模型Grad1包括根据当前城市路网C中车辆位置分布而进行模型样本采样，形成在城市路网C中的实时车辆分布图以及对应的实时风险值空间分布图，每隔预设时间TI=0.1-1s采样一次，通过对每个格点g中风险值根据公式（4）和（5）计算风险等级，所述计算是使用计算机程序对风险数值划分，所述计算机程序即为交通风险等级模型。
所述使用车辆定位系统获得所述车辆定位信息以分别获得多个风险值分布模型样本是指根据车辆定位系统在城市路网C中获得在城市路网C中的车辆分布图以及对应的实时风险值空间分布图，并将风险值伪彩化，形成实时风险值空间伪彩分布图作为风险值分布模型样本，每隔预设时间TI=0.1-1s采样一次，形成多个风险值分布模型样本。
人工智能模型AI包括人工神经网络ANN或对抗网络GAN，所述分类器包括SVM支持向量机或神经网络，优选地，所述神经网络包括卷积神经网络DNN。
关于步骤S3
S3进一步包括：利用建立好的交通风险等级模型Grad，采集城市路网C中个格点g的实时道路路线上车辆的实时风险值空间分布图或实时风险值空间伪彩分布图，分别代入Grad1或Grad2中获得实时的风险等级预测数据。
关于步骤S4
S4进一步包括：根据不断积累的步骤S3得到的预测数据，当发现数个月和或数天某一格点中预测数据等级总处于高级别，则在相应格点处加强交通管理措施，和/或查看和分析城市道路规划是否已经不适应当前道路行驶状况，和/或，根据不断积累的步骤S3得到的预测数据，制作优化驾驶员的安全行驶方案和/或建立天气与预测数据之间的关系模型。
其中优化驾驶员安全行驶方案，包括采用在机动车内安装的抬头显示装置（HUD装置），实时将获取城市路网C中当前行驶所处格点的风险值空间分布图，风险值空间伪彩分布图，风险等级中任一项或其组合投影到前挡风玻璃上。
所述建立天气与预测数据之间的关系模型包括将公式（6）和（7）变形，得到天气与预测数据之间的关系模型
Figure 79688DEST_PATH_IMAGE032
（9）。只要通过模型Grad2获得实时预测的Q g 或Q C ，就能根据当前车辆的模型Grad1计算的风险总值计算出相应的D，从而判断预测的数据对应的天气情况，并同样通过HUD装置将天气情况投影到前挡风玻璃上。
本发明还提供了一种实现上述预测方法的系统，其特征在于，包括：至少一个车辆卫星定位系统，至少一个导航装置，至少一个车载HUD装置，服务器，预测中心；所述至少一个车辆卫星定位系统用于对行驶车辆进行定位、当前行驶信息、历史路径的记录，以将定位、当前行驶信息、历史路径发送给所述服务器，所述导航装置可以是车载导航仪或驾驶员驾驶车辆时所携带的移动终端，用以将规划的行驶路径发送给服务器；所述服务器用于利用接受到的定位、当前行驶信息，历史路径以及所述导航装置规划的行驶路径分析处理得到交通风险值，并将定位、当前行驶信息、行驶路径信息、历史路径和对应的交通风险值发送给预测中心，所述预测中心根据定位、当前行驶信息、行驶路径信息、历史路径和对应的交通风险值，利用具有坐标系E的城市室外三维语义模型或城市路网C，分析形成风险值空间分布图和/或风险值空间伪彩分布图，并建立模型Grad1和/或Grad2，并能够根据服务器实时发送的定位、当前行驶信息、行驶路径信息、历史路径和对应的交通风险值得到风险值空间分布图和/或风险值空间伪彩分布图和/或风险等级预测数据。
在一个实施例中，所述预测中心还通过不断积累得到的预测数据执行加强交通督导、改善道路建设、以及优化驾驶员安全行驶方案、建立天气与预测数据之间的关系模型中的任一项或其组合的工作。
在一个实施例中，所述预测中心能够将当前行驶所处格点的风险值空间分布图，风险值空间伪彩分布图，风险等级，天气情况中任一项或其组合经由车载HUD装置投影到前挡风玻璃上。
本发明还提供一种计算机可读非暂时性存储介质，其中存储有可由所述服务器和预测中心运行而实现上述基于行驶路径的实时交通风险AI预测方法的程序。
有益效果：1.能够准确获得每一辆车的定位、当前行驶信息，历史路径以及所述导航装置规划的行驶路径，2.实时直观地获取车辆所在城市网路C中所在格点g的交通风险分布伪彩图，并得到风险等级和天气因子。3.实现了城市道路风险的实时监测以及为交通建设和搜索车当前和历史行驶记录以及当地天气状况提供大数据支撑。
附图说明
图1.本发明的基于行驶路径的实时交通风险AI预测方法总流程图；
图2城市路网C网格化形成625个分路网示意图；
图3 RNN循环神经网络算法路网算法过程示意图；
图4上班高峰期城市路网C的一个网格g中存在施工点的部分分路网实时风险值空间伪彩分布图，其中显示了其中一辆车m i 及其半径R=150m范围内的车辆；
图5GAN-SVM联合模型建立过程；
图6基于行驶路径的实时交通风险AI预测系统结构与信息通讯示意图；
其中附图标记，1车辆卫星定位系统，2导航装置，3车载HUD装置，4服务器，5预测中心。
具体实施方式
实施例1
如图1所示，本发明的基于行驶路径的实时交通风险AI预测方法包括S1城市道路模型建立人工智能模型识别出城市道路而形成网格化的城市路网C，将城市路网C网格化形成625个分路网d 1，d 2，...，d 625（参见图2）。
所述的人工智能模型包括：利用RNN循环神经网络算法，通过编码器以及解码器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续连接产生的新节点，如此循环而连接成路网。
具体地，所述路网提取过程包括：将城市网格化处理，针对每个格点g进行分路网提取，将每个格点g的分路网融合形成城市路网C。
节点生成的过程具体包括：S1-1利用遥感影像图对城市进行网格化处理，对于每个格点g从格点几何中心c出发找到距离所述几何中心c’最近、次近以及逐渐远的n个起始节点，n=5；
接下来如图3所示，S1-2定义步长l=1m以及矢量方向r作为属性矢量V’，将每个起始节点以及K条入射路经方向
Figure 52192DEST_PATH_IMAGE001
的点作为输入点（K个点与对应的起始点之间对应了K个初始属性矢量）， 将K+1个输入点以及属性矢量V’输入编码器，由解码器生成新节点；具体是对于每一个起始点的每一个方向的输入点
Figure 446264DEST_PATH_IMAGE002
，对应了在E下的坐标
Figure 404993DEST_PATH_IMAGE003
，属性矢量V’对应于坐标增量
Figure 76277DEST_PATH_IMAGE004
，其中t表示当前输入点的序号（对于起始点为0，对于第一个新的输入点为1)，将该坐标和属性矢量V’输入编码器，解码器将出射在E下生成的新节点
Figure 95049DEST_PATH_IMAGE005
，其中
Figure 835471DEST_PATH_IMAGE006
，
Figure 597891DEST_PATH_IMAGE007
；
S1-3再以所述新节点为起始点重复步骤S1-1和S1-2，直到格点g中所有道路提取完毕生成分路网；
S1-4对于城市路网C的各分路网中划分出没有交点的道路路线（图2所示），即具有隔离栏的道路而区分于属于同一道路路线的具有实心地线的道路路线。
S2 基于实时计算机模拟或车辆定位信息的交通风险等级模型的建立；
S3 利用建立好的交通风险模型进行实时交通风险的预测，获得预测数据；或者
包括步骤S1-S3，以及
S4 根据不断积累的预测数据，执行加强交通督导、改善道路建设、以及优化驾驶员安全行驶方案、建立天气与预测数据之间的关系模型中的任一项或其组合的工作。
实施例2
所述步骤S2具体包括如下：
S2-1获取上班高峰时期图4中城市路网C的一个网格g中存在施工点的部分分路网其中一辆车m i 的行驶路径信息，
其中，所述行驶路径信息包括；当前设定的行驶路径、历史路径、偏离路径的信息、格点g中当前半径范围R=150m内的同一道路车辆数3，以及半径范围150m内具有重合道路路线上的车辆数3；本实施例未发现车辆有偏离路径。
S2-2服务器获取导航装置规划的当前设定的行驶路径，则将已知路径信息和行驶路径信息发送给预测终端，计算其中一辆车m i 所在的半径范围150m内的其他同一道路路线上的其中两辆具有当前设定的行驶路径的车m ’1和m ’2之间的相对距离变化信息发现都不断减小；且与两车距离都已不到50m。则根据所述相对距离变化信息得到所述每一辆车的交通风险值均为1，根据所述至少一辆车m i 的交通风险值q i 得到所述至少一辆车m i 的半径范围R内交通风险值
Figure 248315DEST_PATH_IMAGE033
。
同时，每隔0.1s获得车m i 和与之重合的道路路线上的两辆车m ’1和m ’2的当前行驶信息，即车辆当前在道路路线中的位置、当前速度v以及当前行驶路径，根据所述当前行驶信息获得最先达到下一个交点或重合处的车辆，以及此时另一车辆与最先达到的车辆之间的道路路线距离r。由于此时与两辆车都已与车m i 在同一条道路上，即两辆车m ’1和m ’2都已到达重合处。则距离r即为步骤S2-2中的车辆之间的都不到50m的距离，则对于车m i 的p i =1。此时计算当前车m i 所处位置的行驶路径交通风险值
Figure 313354DEST_PATH_IMAGE034
，则当前的车m i 的总风险值
Figure 947598DEST_PATH_IMAGE035
，即权重a和b取相等的值。
实施例3
当S2-3获取剩余的一辆由于未开导航而未知当前行驶路径车辆n i 的与车m i 道路路线具有同一道路和重合同一道路路线上历史路径l k ，也在150m范围内，并且已经处于重合处，距离变化越来越小且相距为80m。并且存在历史路径l k 为车辆中根据定位系统计算得到的车辆行驶路径，服务器中记录了该车n i 常年存在两条常规历史路线l 1和l 2，并且周一至周五走l 1而周末走l 2，同时一年中只有10次走过同一条非常规行驶路径s 1，则认为在一年中10/365=2/73的概率是走s1而71/73概率走l 1和l 2 。其中5/7×71/73的概率走l 1而2/7×71/73概率走l 2，则
Figure 982550DEST_PATH_IMAGE019
=5/7×71/73×(0.5×0.5+0.5×0.5)+ 2/7×71/73×(0.5×0.5+0.5×0.5)+ 2/73×(0.5×0.5+0.5×0.5)≈0.49；
由于未有车辆偏离道路，执行S2-5根据步骤2-2-步骤S2-4得到获取城市路网C的每一个网格g中在该实施例的4辆车的实时交通风险总值
Figure 487481DEST_PATH_IMAGE036
=（2+0.49）+（2+0.49）+（2+0.49）+0.49+0.49+0.49=8.94，则城市路网C中的交通总风险值
Figure 926684DEST_PATH_IMAGE037
。
实施例4
本实施例在实施例2和3的基础上考虑到天气因素，存在天气因子D，行驶则雾天时D=150/50=3则
Figure 517065DEST_PATH_IMAGE038
, （7'），则对应的实施例2和3中的风险值都需乘以3。
S2-6基于网格化的城市地理坐标系建立城市道路地图，使用计算机模拟车辆行驶建立交通风险等级模型Grad1；或者基于网格化的城市路网C使用车辆定位系统获得所述车辆定位信息，以分别获得多个风险值分布模型样本，将所述多个模型样本分为训练集以及验证集，两者比例为2:1，对于每个格点g形成局部模型样本；使用对抗网络GAN作为初始模型，将训练样本代入初始模型，不断得到新的训练中模型，同时不断扩大模型样本，并继续训练训练中模型，直到代入验证集得到训练前后总风险值Q g 和Q C 误差小于预设阈值0.01则完成风险模型Mod的建立，最后根据Mod计算的风险值对每个格点g使用训练好的SVM支持向量机得到实时风险等级分类，获得交通风险等级模型Grad2，即GAN-SVM联合模型（如图5所示）。
其中，使用计算机模拟车辆行驶建立交通风险等级模型Grad1包括根据当前城市路网C中车辆位置分布而进行模型样本采样，形成在城市路网C中的实时车辆分布图以及对应的实时风险值空间分布图，每隔预设时间TI=0.5s采样一次，通过对每个格点g中风险值根据公式（4）和（5）计算风险等级，所述计算是使用计算机程序对风险数值划分，所述计算机程序即为交通风险等级模型。
所述使用车辆定位系统获得所述车辆定位信息是指根据车辆定位系统在城市路网C中获得在城市路网C中的车辆分布图以及对应的实时风险值空间分布图，并将风险值伪彩化，形成实时风险值空间伪彩分布图(如图4)，每隔预设时间TI=0.5s采样一次。
S3进一步包括：采集城市路网C中个格点g的实时道路路线上车辆的实时风险值空间分布图和实时风险值空间伪彩分布图，代入Grad1或Grad2中获得实时的风险等级预测数据。
S4进一步包括：根据不断积累的步骤S3得到的预测数据，制作优化驾驶员的安全行驶方案和/建立天气与预测数据之间的关系模型。
其中优化驾驶员安全行驶方案，包括采用在机动车内安装的HUD装置，实时将获取城市路网C中当前行驶所处格点的风险值空间分布图和风险值空间伪彩分布图和/或风险等级中任一项投影到前挡风玻璃上。
建立天气与预测数据之间的关系模型
Figure 745921DEST_PATH_IMAGE039
（9）。只要通过模型Grad2获得实时预测的Q g 或Q C ，就能根据当前车辆的模型Grad1计算的风险总值计算出相应的D，从而判断预测的数据对应的天气情况，并同样通过HUD装置将天气情况投影到前挡风玻璃上。
实施例5
本实施例提供了一种实现上述预测方法的系统，其特征在于，包括：至少一个车辆卫星定位系统1，至少一个导航装置2，至少一个车载HUD装置3，服务器4，预测中心5；所述至少一个车辆卫星定位系统1用于对行驶车辆进行定位、当前行驶信息、历史路径的记录，以将定位、当前行驶信息、历史路径发送给所述服务器，所述导航装置2可以是车载导航仪或驾驶员驾驶车辆时所携带的移动终端，用以将规划的行驶路径发送给服务器4；所述服务器4用于利用接受到的定位、当前行驶信息，历史路径以及所述导航装置规划的行驶路径分析处理得到交通风险值，并将定位、当前行驶信息、行驶路径信息、历史路径和对应的交通风险值发送给预测中心5，所述预测中心5根据定位、当前行驶信息、行驶路径信息、历史路径和对应的交通风险值，利用具有坐标系E的城市室外三维语义模型或城市路网C，分析形成风险值空间分布图和/或风险值空间伪彩分布图，并建立模型Grad1和/或Grad2，并能够根据服务器4实时发送的定位、当前行驶信息、行驶路径信息、历史路径和对应的交通风险值得到风险值空间分布图和/或风险值空间伪彩分布图和/或风险等级和/或天气因子预测数据。
所述预测中心5将当前行驶所处格点的风险值空间伪彩分布图和风险等级高经由车载HUD装置3投影到前挡风玻璃上（如图6）。
所述预测中心5还通过不断积累得到的预测数据执行加强交通督导、改善道路建设、以及优化驾驶员安全行驶方案、建立天气与预测数据之间的关系模型中的任一项或其组合的工作。

Claims (8)

1.一种基于行驶路径的实时交通风险AI预测方法，其特征在于，包括如下步骤：
S1城市道路模型建立；
S2 基于实时计算机模拟或车辆定位信息的交通风险等级模型的建立；
S3 利用建立好的交通风险模型进行实时交通风险的预测，获得预测数据；
S4 根据不断积累的预测数据，执行加强交通督导，改善道路建设，优化驾驶员安全行驶方案，建立天气与预测数据之间的关系模型中的任一项或其组合的工作；其中，
步骤S1具体包括：利用城市地理坐标系建立城市道路地图，或者人工智能模型识别出城市道路而形成网格化的城市路网C，形成分路网d 1，d 2，...，d n ，其中n为网格数量；
所述的利用城市地理坐标系建立城市道路地图包括：构建城市室外三维语义模型，获取任意选择的标准建筑基底靠南和靠西的边缘分别为X轴和Y轴其直角顶点为原点作为室外基准点O，建立室外三维模型坐标系E，从而城市室外三维语义模型中每一条道路上任一点都有在E下的坐标；所述的人工智能模型包括：利用RNN循环神经网络算法，通过节点生成器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续连接产生的新节点，如此循环而连接成路网，其中，节点生成器包括编码器以及解码器；
所述路网提取过程包括：将城市网格化处理，针对每个格点g进行分路网提取，将每个格点g的分路网融合形成城市路网C；
其中，节点生成的过程具体包括：
S1-1利用遥感影像图对城市进行网格化处理，对于每个格点g从格点几何中心c’出发找到距离所述几何中心c’最近、次近以及逐渐远的n个起始节点，n∈[1,10]；
S1-2定义步长l以及矢量方向r作为属性矢量V’，将每个起始节点以及K条入射路径方向
Figure DEST_PATH_IMAGE001
的点作为输入点，将K+1个输入点以及属性矢量V’输入编码器，由解码器生成新节点；具体是对于每一个起始点的每一个方向的输入点
Figure DEST_PATH_IMAGE002
，对应了在E下的坐标
Figure DEST_PATH_IMAGE003
，属性矢量V’对应于坐标增量
Figure 639874DEST_PATH_IMAGE003
，其中t表示当前输入点的序号，将该坐标和属性矢量V’输入编码器，解码器将出射在E下生成的新节点
Figure DEST_PATH_IMAGE004
，其中
Figure DEST_PATH_IMAGE005
，
Figure DEST_PATH_IMAGE006
；
S1-3再以所述新节点为起始点重复步骤S1-1和S1-2，直到格点g中所有道路提取完毕生成分路网，其中，所述步长l是指当前节点到下一个节点之间的直线距离，l=1-5m；
S1-4对于城市路网C的各分路网中划分出没有交点的道路路线；
所述步骤S2具体包括：
S2-1获取城市路网C的每一个网格g中至少一辆车m i 的行驶路径信息，
所述行驶路径信息包括；当前设定的行驶路径，历史路径，偏离路径的信息，格点g中当前半径范围R内的同一道路车辆数N，与当前行驶的道路路线具有至少一交点的道路路线上的车辆数N’；
通过车辆卫星定位系统判别车辆之间是否在步骤S1-4所划分的同一条道路上，以及根据当前设定的行驶路径、历史路径计算出各车辆所在的道路路线是否具有至少一个交点；
S2-2如果存在当前设定的行驶路径，则计算至少一辆车m i 所在的半径范围R内的其他同一道路路线上的任一其他车辆m’ j 之间的相对距离变化信息，其中i和j表示每一网格g中的存在行驶路径的车辆顺序数；根据所述相对距离变化信息得到所述至少一辆车mi的交通风险值q i ，根据所述至少一辆车m i 的交通风险值q i 得到所述至少一辆车m i 的半径范围R内交通风险值q=
Figure DEST_PATH_IMAGE007
；不断获得车m i 和与之具有至少一个交点的道路路线上的车m” j 的当前行驶信息，根据所述当前行驶信息获得最先达到下一个交点或重合处的车辆，以及此时另一车辆与最先达到的车辆之间的道路路线距离r，根据距离r的大小获取对应车m i 的风险值p i ，根据风险值p i 计算当前车m i 所处位置的行驶路径交通风险值p=
Figure DEST_PATH_IMAGE008
，N’为当前车m” j 的总数，则当前的车m i 的总风险值
Figure DEST_PATH_IMAGE009
（1），其中a和b为权重，且a+b=1，
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
表示N和N’辆车对于车m i 的风险值求和；如果不存在行驶路径则执行S2-3；
S2-3获取每一辆未知当前行驶路径车辆n i 的与车m i 道路路线具有同一道路和至少一个交点的道路路线上历史路径l k ，其中k表示历史路径的序号，根据R和历史路径l k 得到当前每一辆车n i 与车辆m i 之间的如步骤S2-2中的总风险值记作
Figure DEST_PATH_IMAGE012
，则总风险值
Figure DEST_PATH_IMAGE013
（2），M为历史路径的条数，
Figure DEST_PATH_IMAGE014
分别为第k条历史路径的权重和总风险值，
Figure DEST_PATH_IMAGE015
为每一条历史路径权重，且总和为1；
S2-4 若发现车m i 偏离当前设定的行驶路径或偏离任一条历史路径，则按照步骤S2-2中计算半径范围R内交通风险值q=
Figure 275123DEST_PATH_IMAGE007
作为偏离时的实时风险值X i ；一旦发现车m i 在当前设定的行驶路径或历史路径上，则按照相应的步骤S2-2或S2-3计算风险值；
S2-5根据步骤2-2-步骤S2-4得到获取城市路网C的每一网格g中实时交通风险总值
Figure DEST_PATH_IMAGE016
（4）其中B为格点g内部的当前车辆总数，且当未偏离时X i =0，当偏离时
Figure DEST_PATH_IMAGE017
，当未知当前行驶路径时则
Figure DEST_PATH_IMAGE018
，则城市路网C中的实时交通总风险值
Figure DEST_PATH_IMAGE019
（5）其中A为城市路网C中的格点总数；
S2-6基于网格化的城市地理坐标系建立城市道路地图，使用计算机模拟车辆行驶建立交通风险等级模型Grad1，或者基于网格化的城市路网C，使用车辆定位系统获得所述车辆定位信息以分别获得多个风险值分布模型样本，将所述多个风险值分布模型样本分为训练集以及验证集，两者比例为5:1-2:1，对于每个格点g形成所述多个风险值分布模型样本的局部模型样本；使用人工智能模型AI作为初始模型，将训练样本代入初始模型，不断得到新的训练中模型，同时不断扩大模型样本，并继续训练训练中模型，直到代入验证集得到训练前后总风险值Q g 和/或Q C 误差小于预设阈值则完成风险模型Mod的建立，最后根据Mod计算的风险值对每个格点g使用训练好的分类器得到实时风险等级分类，获得交通风险等级模型Grad2；
所述使用计算机模拟车辆行驶建立交通风险等级模型Grad1包括根据当前城市路网C中车辆位置分布而进行模型样本采样，形成在城市路网C中的实时车辆分布图以及对应的实时风险值空间分布图，每隔预设时间TI=0.1-1s采样一次，通过对每个格点g中风险值根据公式（4）和（5）计算风险等级，所述计算是使用计算机程序对风险数值划分，所述计算机程序即为交通风险等级模型；
所述使用车辆定位系统获得所述车辆定位信息以分别获得多个风险值分布模型样本是指根据车辆定位系统在城市路网C中获得在城市路网C中的车辆分布图以及对应的实时风险值空间分布图，并将风险值伪彩化，形成实时风险值空间伪彩分布图作为风险值分布模型样本，每隔预设时间TI=0.1-1s采样一次，形成所述多个风险值分布模型样本。
2.如权利要求1所述的预测方法，其特征在于，其中，所述根据所述相对距离变化信息得到所述至少一辆车m i 的交通风险值q i 具体包括在每一固定时间段
Figure DEST_PATH_IMAGE020
内获取车m i 和车m’ j 之间距离的
Figure DEST_PATH_IMAGE021
，其中w表示固定时间段
Figure 863317DEST_PATH_IMAGE020
的按时间顺序排列的顺序数，则
Figure 992947DEST_PATH_IMAGE021
在多个固定时间段内连续变小且两车距离小于或等于R的1/2-1/5，则记录风险值q i =1；若连续变大，则风险值q i =0；若
Figure DEST_PATH_IMAGE022
在多个固定时间段内变化在一个小值范围内和/或连续变小且两车距离大于R的1/2-1/5，则风险值q i =0.5；所述的固定时间段
Figure DEST_PATH_IMAGE023
，R=200-500m，所述小值范围是0.1-40m；
所述当前行驶信息包括，车辆当前在道路路线中的定位信息，当前速度v以及当前行驶路径，则所述不断获得车m i 和车m’ j 的当前行驶信息，根据所述当前行驶信息获得最先达到下一个交点或重合处的车辆，以及此时另一车辆与最先达到的车辆之间的道路路线距离r具体包括：获得车m i 达到下一个交点或重合处的时间Ti=L i /v i，其中L为当前位置到下一个交点或重合处的行驶路径的长度，对于车m’ j 的当前速
Figure DEST_PATH_IMAGE024
；接下来在固定时间
Figure 135215DEST_PATH_IMAGE020
=0.1-1s之后再进行r的计算，从而实时获取任意时刻r值；
所述根据距离r的大小获取对应车m i 的风险值p i 包括：当r∈[0m,50m]， p i =1；当R≥r＞50m， p i =0.5；当r＞R时，p i =0。
3.如权利要求2所述的预测方法，其特征在于，根据驾驶员的驾驶风格而增减R值，当驾驶员习惯快速行驶，则R值为R+100m，若驾驶员习惯慢速行驶，则R值为R-100m，多个固定时间段的个数为3-10，N’=N，即只考虑半径R范围内的车m” j 。
4.如权利要求1所述的预测方法，其特征在于，其中历史路径l k 为车辆中根据卫星定位系统计算得到的车辆行驶路径，分类为常规历史路线l c ，非常规行驶路径s d ，其中c和d为相应路线的条数序号，则
Figure DEST_PATH_IMAGE025
（3），其中
Figure 551153DEST_PATH_IMAGE026
分别表示对c条常规历史路线和d条非常规历史路线的风险值求和，e c 和f d 表示权重，且
Figure DEST_PATH_IMAGE027
。
5.如权利要求1所述的预测方法，其特征在于，存在天气因子D，则
Figure 552607DEST_PATH_IMAGE016
（6），
Figure DEST_PATH_IMAGE028
（7），其中D为不小于1的实数，晴天时D=1，阴天时D=1.1-1.3，小雨或小雪时D=1.4，中雨或中雪时D=1.5-1.7，大雨或大雪时D=1.8-2.1，暴雨或暴雪及以上时D=1-1.3，雾天则根据能见度V制定D，以100-200m为无雾安全距离，则雾天时D=100/V-200/V；人工智能模型AI包括人工神经网络ANN或对抗网络GAN，所述分类器包括SVM支持向量机或神经网络。
6.如权利要求5所述的预测方法，其特征在于，所述交通风险等级模型Grad2为GAN-SVM联合模型；
S3进一步包括：利用建立好的交通风险等级模型Grad，采集城市路网C中各格点g的实时道路路线上车辆的实时风险值空间分布图或实时风险值空间伪彩分布图，分别代入Grad1或Grad2中获得实时的风险等级预测数据；
S4进一步包括：根据不断积累的步骤S3得到的预测数据，当发现数个月和或数天某一格点中预测数据等级总处于高级别，则在相应格点处加强交通管理措施，和/或查看和分析城市道路规划是否已经不适应当前道路行驶状况，和/或，
根据不断积累的步骤S3得到的预测数据，制作优化驾驶员的安全行驶方案和/或建立天气与预测数据之间的关系模型；
其中优化驾驶员安全行驶方案，包括采用在机动车内安装的抬头显示装置，实时将获取城市路网C中当前行驶所处格点的风险值空间分布图，风险值空间伪彩分布图，风险等级中任一项或其组合投影到前挡风玻璃上；
所述建立天气与预测数据之间的关系模型包括将公式（6）和（7）变形，得到天气与预测数据之间的关系模型=
Figure DEST_PATH_IMAGE029
（9），通过模型Grad2获得实时预测的Q g 或Q C ，根据当前车辆的模型Grad1计算的风险总值计算出相应的D，从而判断预测的数据对应的天气情况，并同样通过HUD装置将天气情况投影到前挡风玻璃上。
7.一种实现如权利要求1-6中任一项所述预测方法的系统，其特征在于，包括：至少一个车辆卫星定位系统，至少一个导航装置，至少一个车载HUD装置，服务器，预测中心；
所述至少一个车辆卫星定位系统用于对行驶车辆进行定位，当前行驶信息、历史路径的记录，以将定位，当前行驶信息，历史路径发送给所述服务器；
所述导航装置可以是车载导航仪或驾驶员驾驶车辆时所携带的移动终端，用以将规划的行驶路径发送给服务器；
所述服务器用于利用接受到的定位，当前行驶信息，历史路径以及所述导航装置规划的行驶路径分析处理得到交通风险值，并将定位，当前行驶信息，行驶路径信息，历史路径和对应的交通风险值发送给预测中心；
所述预测中心根据定位，当前行驶信息，行驶路径信息，历史路径和对应的交通风险值，利用具有坐标系E的城市室外三维语义模型或城市路网C，分析形成风险值空间分布图和/或风险值空间伪彩分布图，并建立所述模型Grad1和/或Grad2，并根据服务器实时发送的定位，当前行驶信息，行驶路径信息，历史路径和对应的交通风险值得到风险值空间分布图和/或风险值空间伪彩分布图和/或风险等级预测数据；和/或
所述预测中心还通过不断积累得到的预测数据执行加强交通督导，改善道路建设，优化驾驶员安全行驶方案，建立天气与预测数据之间的关系模型中的任一项或其组合的工作；和/或
所述预测中心能够将当前行驶所处格点的风险值空间分布图，风险值空间伪彩分布图，风险等级，天气情况中任一项或其组合经由车载HUD装置投影到前挡风玻璃上。
8.一种计算机可读非暂时性存储介质，其中存储有可由如权利要求7所述服务器和预测中心运行而实现如权利要求1-6中任一项基于行驶路径的实时交通风险AI预测方法的程序。
CN202110437885.1A 2021-04-22 2021-04-22 基于行驶路径的实时交通风险ai预测方法及其系统 Active CN112991743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110437885.1A CN112991743B (zh) 2021-04-22 2021-04-22 基于行驶路径的实时交通风险ai预测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110437885.1A CN112991743B (zh) 2021-04-22 2021-04-22 基于行驶路径的实时交通风险ai预测方法及其系统

Publications (2)

Publication Number Publication Date
CN112991743A CN112991743A (zh) 2021-06-18
CN112991743B true CN112991743B (zh) 2021-10-08

Family

ID=76339898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110437885.1A Active CN112991743B (zh) 2021-04-22 2021-04-22 基于行驶路径的实时交通风险ai预测方法及其系统

Country Status (1)

Country Link
CN (1) CN112991743B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279455A (zh) * 2021-11-16 2022-04-05 北京百度网讯科技有限公司 路径规划方法、装置、电子设备和可读存储介质
CN117114175B (zh) * 2023-08-14 2024-02-20 上海鸭嘴兽网络科技有限公司 基于北斗定位技术实现外贸货物交付计划的预测方法
CN116882873A (zh) * 2023-09-07 2023-10-13 北京正开科技有限公司 基于数据处理的产业协同时间的确定方法和系统
CN117077899B (zh) * 2023-10-16 2023-12-22 四川邕合科技有限公司 一种智慧园区耗能异常监测分析方法、系统、终端及介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694745A (zh) * 2009-06-16 2010-04-14 同济大学 基于高速公路几何线形综合技术指标的安全检测方法
CN104978853B (zh) * 2014-04-01 2017-11-21 中国移动通信集团公司 一种道路交通安全评估方法及系统
CN104835318B (zh) * 2015-03-23 2017-01-18 中南大学 一种基于贝叶斯联合模型量化径路安全水平的方法
CN106530706B (zh) * 2016-12-02 2019-02-22 清华大学 一种基于连通性空间权重矩阵的区域交通安全评价方法
US10775186B2 (en) * 2017-12-29 2020-09-15 ANI Technologies Private Limited Method and system for predicting traffic conditions
CN109993970B (zh) * 2019-03-15 2020-09-29 西南交通大学 一种城市区域交通事故风险预测方法
CN111967712B (zh) * 2020-07-08 2023-04-07 北京航空航天大学 一种基于复杂网络理论的交通风险预测方法

Also Published As

Publication number Publication date
CN112991743A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112991743B (zh) 基于行驶路径的实时交通风险ai预测方法及其系统
US10794720B2 (en) Lane-level vehicle navigation for vehicle routing and traffic management
WO2022222632A1 (zh) 交通仿真方法、装置、计算机设备和存储介质
US9355063B2 (en) Parking lot detection using probe data
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
Dandl et al. Microsimulation of an autonomous taxi-system in Munich
CN104121918A (zh) 一种实时路径规划的方法和系统
CN101364345A (zh) 基于探测车技术的实时动态交通信息处理方法
CA2496870A1 (en) Apparatus and method for providing traffic information
CN110491158A (zh) 一种基于多元数据融合的公交车到站时间预测方法及系统
CN110851741A (zh) 出租车载客热点识别推荐算法
Kong et al. RMGen: A tri-layer vehicular trajectory data generation model exploring urban region division and mobility pattern
CN112784000B (zh) 基于出租车轨迹数据的寻客方法
CN108961758A (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
Bachechi et al. Implementing an urban dynamic traffic model
CN114413923B (zh) 一种行驶路线推荐方法、装置、存储介质及系统
CN110674990A (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN114923512A (zh) 一种基于共享单车和出租车移动轨迹的城市污染物监测优化方法
Torrisi et al. The microsimulation modeling as a tool for transport policies assessment: an application to a real case study
GB2560487A (en) Vehicle route guidance
Lv et al. Optimization of dynamic parking guidance information for special events
CN116698054B (zh) 道路匹配方法、装置、电子设备及存储介质
EP4249851A1 (en) Autonomous vehicle navigation using map fragments
US20230384113A1 (en) System and method for processing event data
EP3617651B1 (en) Use of a geographic database comprising lane level information for traffic parameter prediction

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 22 / F, building 683, zone 2, No. 5, Zhongguancun South Street, Haidian District, Beijing 100086

Patentee after: Terry digital technology (Beijing) Co.,Ltd.

Address before: 100190 22 / F, building 683, zone 2, 5 Zhongguancun South Street, Haidian District, Beijing

Patentee before: Terra-IT Technology (Beijing) Co.,Ltd.