CN113095584A - 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质 - Google Patents

一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质 Download PDF

Info

Publication number
CN113095584A
CN113095584A CN202110439051.4A CN202110439051A CN113095584A CN 113095584 A CN113095584 A CN 113095584A CN 202110439051 A CN202110439051 A CN 202110439051A CN 113095584 A CN113095584 A CN 113095584A
Authority
CN
China
Prior art keywords
intersection
traffic flow
conflict
risk
flow characteristic
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
Application number
CN202110439051.4A
Other languages
English (en)
Other versions
CN113095584B (zh
Inventor
李烨
谷瑞丰
史云涛
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202110439051.4A priority Critical patent/CN113095584B/zh
Publication of CN113095584A publication Critical patent/CN113095584A/zh
Application granted granted Critical
Publication of CN113095584B publication Critical patent/CN113095584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (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交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质，该方法包括：采集交叉口路段车辆的行驶视频数据及交通流特征值；从车辆的行驶视频数据中获取车辆的车辆轨迹数据；基于车辆轨迹数据确定冲突并将危险冲突所占总冲突数量的比例以及冲突发生的位置作为交叉口风险冲突水平；利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集；基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型；利用所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对交叉口处未来短期的风险冲突进行预测。综上，本发明提供了一种有效的手段来预警交叉口风险冲突。

Description

一种基于交通流特征的交叉口安全水平短时预测方法、系统、 终端及可读存储介质
技术领域
本发明属于交通安全技术领域，具体涉及一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质。
背景技术
我国机动车保有量约以每年5％的速度增长，截止至2017年末，我国机动车保有量约3.10亿辆，其中，汽车占比约70.17％，2017年我国发生的涉及人员伤亡的道路交通事故共计203049起，导致经济损失12.1亿元，约造成6.3万人死亡。交叉口是道路使用者改变行驶路线的重要节点，是交通冲突的密集区，更是交通事故高发的区域。据相关统计结果显示，美国城市交通事故中55％发生在交叉口；法国大约有24％的交通事故发生在交叉口；英国大约有33％的交通事故发生在交叉口；中国城市的交通事故大约有30％发生在交叉口，而导致死亡的交通事故，约有50％发生在交叉口。由此可见，交叉口的交通事故多发，造成人身伤亡或财产损失的可能性较大，交通安全风险较高。为了有效的预防并减少交叉口交通事故的发生，将“事后改善”转变为“事前预防”，提高交叉口安全管理水平，有必要开展交叉口交通安全风险评估的研究，探讨交叉口交通安全风险控制的策略与方法。
而如何实现快速、准确、实时地对交叉口的安全水平进行短时预测，提高“事前预防”的能力，是本发明关注的重点。
发明内容
本发明的目的是针对交叉口的交通安全问题提供一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质，所述预测方法以交叉路口的交通流特征作为关键特征，构建其与交叉口风险冲突的关联，得到短期内交叉口风险冲突水平的预测模型，用于预测交叉口的风险冲突。
一方面，本发明提供的一种基于交通流特征的交叉口安全水平短时预测方法，包括如下步骤：
步骤1：采集交叉口路段车辆的行驶视频数据及交叉口路段的交通流特征值；
步骤2：从步骤1中所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据；
步骤3：基于步骤2中车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；
其中，将危险冲突发生的位置区域及所述位置区域上危险冲突所占总冲突数量的比例表示所述位置的风险冲突水平，统计交叉口区域内各个位置区域的风险冲突水平表示所述交叉口的风险冲突水平；
步骤4：利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集，其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时间的交叉口风险冲突水平作为一个样本；
步骤5：基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型，如下：
Figure BDA0003034298310000021
其中，F为预测得到交叉口风险冲突水平，X为交叉口路段的交通流特征值的矩阵，
Figure BDA0003034298310000022
为模型参数组合为i的随机森林预测算法
Figure BDA0003034298310000023
；
步骤6：利用步骤5中的所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对同一类型交叉口处未来短期的风险冲突进行预测。
可选地，参与所述交叉口风险冲突短时预测模型训练的交通流特征值的特征变量按照如下方式确定：应用随机参数回归模型选择交通流特征值的类别，剔除包含异质性的特征变量，具体如下：
首先，选择用于表示交通流特征值的特征变量；
其次，构建随机参数回归模型，其中，将交叉口的风险冲突水平中危险冲突所占总冲突数量的比例作为因变量，所选择的特征变量作为自变量，依次将所选择的特征变量设定为随机参数模型中的随机参数，其他特征变量不设定为随机参数，再进行随机参数回归模型的拟合计算；
其中，若所述随机参数回归模型的结果中随机参数的系数满足显著性，所述随机参数对应的特征变量产生了含有随机参数的系数，包含异质性，对应剔除所述特征变量；否则，保留所述特征变量。
可选地，所述随机参数回归模型表示如下：
Y＝(β+ω)X+β′X′+ε
其中，X′表示不含有异质性的交通流特征向量输入值，X表示交通流特征含有异质性的向量输入值，Y表示交叉口冲突水平向量输入值，β′表示不含有异质性的交通流特征值在随机参数回归模型中的系数向量，β表示含有异质性的交通流特征值在随机参数回归模型中的系数向量，ε表示模型的误差项，ω表示正态分布的均值为零的随机分布项，借此可以用来刻画个体异质性。即，将随机参数视为X，其他非随机参数视为X′，利用模型结果β+ω是否满足显著性来鉴别特征变量是否包含异质性。
可选地，所述选择用于表示交通流特征值的特征变量时，所述交通流特征值表示如下：
X＝{x1，x2，x3，x4}
其中，X为交通流特征值，x1表示行车车道断面流量，x2和x3分别表示行车车道n1分钟内车辆行驶速度均值、标准差，x4表示行车车道n2分钟内车辆类型比例。
第二方面，本发明提供的一种基于所述交叉口安全水平短时预测方法的系统，包括：
数据采集模块：用于采集车辆的行驶视频数据；
数据处理模块：用于从所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据以及交叉口路段的交通流特征值；
危险冲突鉴定模块：用于基于车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；
其中，将危险冲突发生的位置区域及所述位置区域上危险冲突所占总冲突数量的比例表示所述位置的风险冲突水平，统计交叉口区域内各个位置区域的风险冲突水平表示所述交叉口的风险冲突水平；
训练样本集构建模块：用于利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集；
其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时间的交叉口风险冲突水平作为一个样本；
交叉口风险冲突短时预测模型构建模块，用于基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型；
预测模块，用于利用所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对同一类型交叉口处未来短期的风险冲突进行预测。
第三方面，本发明提供一种终端设备，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用计算机程序以执行：一种基于交通流特征的交叉口安全水平短时预测方法的步骤。
可选地，该终端设备还包括与处理器连接的输入设备，所述输入设备用于获取车辆的行驶视频数据。
第四方面，本发明提供一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：一种基于交通流特征的交叉口安全水平短时预测方法的步骤。
有益效果
本发明提供了一种交叉口安全水平短时预测方法，用于交叉口安全水平预测，其通过交叉口处的微观车辆轨迹数据来计算每个个体之间在每一时空下的风险冲突情况，相较于传统的安全评估，能够做到对产生风险冲突的时空进行更加精细、准确的定位，发现交叉路口处的安全瓶颈的时空位置，为对交叉口处的安全主动防控提供了基础。其次，本发明将交通流数据与风险冲突挂钩，利用交叉口的交通流数据特征采集方便，易于提取的优点，使得本发明所述方法具有建设成本低，实施门槛低，落地快的特点，一定程度上改善了了交叉口处的安全水平，提高了针对交叉口处的事故主动预防的能力，对于交叉口处的安全水平评价和事故的主动预防有着重大意义，具有优良的应用前景。
本发明的进一步优选方案中，借助随机参数回归模型，提前对预测模型考虑的变量进行异质性分析，将包含异质性的变量剔除，增强了预测模型的通用性，避免出现针对训练预测模型的路口的时候精度高，预测模型应用到其他路口的时候精度差。
附图说明
图1是本发明实施例1提供的流程示意图；
图2是本发明实施例2提供的系统的功能模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。显然，所描述的实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。下面将结合实施例对本发明做进一步的说明。
实施例1：
本实施例1提供的一种基于交通流特征的交叉口安全水平短时预测方法，包括如下步骤：
步骤1：采集交叉口路段车辆的行驶视频数据及交叉口路段的交通流特征值。
其中，通过高空俯拍技术(无人机航拍、高楼固定摄像)对交叉口区域进行为期一周以上的视频采集，对不具备高空俯拍条件的区域，可以采用车载的GPS和视频系统采集车辆的行驶视频数据；
交通流数据是指交通流的参数，包括交通量、流率、速度和交通流密度等。本实施例中交通流信息可以通过视频提取，也可以通过预埋线圈直接获得。
步骤2：从步骤1中所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据。
车辆的行驶视频数据实际指代车辆微观轨迹数据，表示将交叉口作为坐标系，车辆作为一个点，每一个时刻(即视频每一帧)车辆所在的坐标，一辆车在视频中所有时刻的坐标汇总起来，就是一辆车的微观轨迹数据。
步骤3：基于步骤2中车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突。
其中，本实施例中选择现有方法中通过替代安全指标距离碰撞的时间(Time ToCollision,以下简称TTC)计算出交叉口处车辆间的冲突程度，对应预设安全阈值为经验值，其根据实际需求以及历史数据等来确定，本发明优选阈值为2s。
其中，将危险冲突所占总冲突数量的比例以及冲突发生的位置表示交叉口风险冲突水平Y，表示为：
Y＝{y1，y2}
其中，Y为交叉口冲突水平的矩阵，y1为危险的冲突所占总冲突数量的比例，y2表示为冲突发生的位置。其中，总冲突是指交叉口的区域内所选的一段时间内的总冲突数量，譬如5分钟。
本实施例中优选将交叉口路段区域进行网格划分，每个网格作为一个位置区域，通过监测一段时间内的总冲突以及危险冲突，可以得到每个位置区域上是否发生危险冲突，若发生了危险冲突，对应危险冲突所占总冲突数量的比例；进而统计每个发生了危险冲突的位置区域的位置和比例信息构成交叉口的风险冲突水平。
步骤4：利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集，其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时长的交叉口风险冲突水平作为一个样本。
交叉口相应时刻提取其交通流特征值矩阵X表示为：
X＝{x1，x2，x3，x4}
其中，X为包含交通流特征值的矩阵,其中x1表示行车车道断面流量，x2和x3分别表示行车车道两分钟内车辆行驶速度均值、标准差，x4表示行车车道五分钟内车辆类型比例，以上均用X表示交通流特征值，本实施例中选择上述交通流特征值，其他可行的实施例中可以选择其他交通流特征值参与计算。
步骤5：基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型，如下：
Figure BDA0003034298310000051
其中，F为预测得到交叉口风险冲突水平，X为交叉口路段的交通流特征值的矩阵，
Figure BDA0003034298310000052
为模型参数组合为i的随机森林预测算法
Figure BDA0003034298310000053
。
预测得到的未来短期的交叉口风险冲突水平F其表示为：
F＝{f1，f2}
其中，f1为预测得到的危险的冲突所占总冲突数量的比例，f2表示为预测得到的冲突发生的位置。
从训练样本集的样本数据可知，利用样本数据进行训练构建预测模型，实质上构建交叉口路段的交通流特征值的矩阵与未来短期内交叉口风险冲突水平的关系，本实施例中，即预测5分钟内的交叉口风险冲突水平。
本实施例中，i为适用于该专利中随机参数预测模型的参数向量，以下均用i表示随机参数森林算法的参数组合，譬如：随机森林的深度，决策树个数，每棵树的最大特征值，最小叶子节点数的组合。
步骤6：利用步骤5中的所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对同一类型交叉口处未来短期的风险冲突进行预测。
其中，得到预测结果F后，可以对交叉口的未来安全水平进行评估，评估规则可以根据当地使用者的意愿，依据不同的路口针对设置。譬如，交叉口在未来短期，会在哪里(交叉口的具体位置)发生多少比例的危险冲突。还可以进一步设定预警规则(或者叫标准)，如：在某个位置，危险冲突的比例高于多少，需要预警等等。
实施例2：
本实施例在实施例1的基础上，为了提高交叉口风险冲突短时预测模型的通用性，借助随机参数回归模型，提前对交通流特征值的特征变量进行异质性分析，将包含异质性的变量剔除。本实施例以交通流特征值矩阵X为例进行陈述，其中，X＝{x1，x2，x3，x4}。
构建随机参数回归模型，将交叉口的风险冲突水平中危险冲突所占总冲突数量的比例作为因变量，所选择的特征变量作为自变量，依次将所选择的特征变量设定为随机参数模型中的随机参数，其他特征变量不设定为随机参数，再进行随机参数回归模型的拟合计算。譬如，以x1作为随机参数，x2，x3，x4不设定为随机参数，再进行模型的拟合运算。
若所述随机参数回归模型的结果中随机参数的系数满足显著性，所述随机参数对应的特征变量产生了含有随机参数的系数，包含异质性，对应剔除所述特征变量；否则，保留所述特征变量。本实施例中应用NLOGIT6软件，若模型结果中参数的Significance小于10％，视为满足显著性，对应变量需要被剔除。
本发明通过上述手段剔除包含异质性的特征变量，再利用保留下来的特征变量表示交通流特征值矩阵X，再进行交叉口风险冲突短时预测模型的训练。
实施例3：
本实施例提供一种基于交通流特征的交叉口安全水平短时预测方法的系统，包括：
数据采集模块：用于采集车辆的行驶视频数据；
数据处理模块：用于从所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据以及交叉口路段的交通流特征值；
危险冲突鉴定模块：用于基于车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；并将危险冲突所占总冲突数量的比例以及冲突发生的位置表示交叉口风险冲突水平；
训练样本集构建模块：用于利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集；
其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时间的交叉口风险冲突水平作为一个样本；
交叉口风险冲突短时预测模型构建模块，用于基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型；
预测模块，用于利用所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对交叉口处未来短期的风险冲突进行预测。
进一步，其他可行的实施例中，还包括含异质性的变量筛选模块，用于应用随机参数回归模型选择交通流特征值的类别，剔除包含异质性的特征变量。
需要说明的是，应当理解，各个模块单元的实现过程请参照对应方法的阐述，在此不再赘述。本发明各个实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。
实施例3：
本实施例提供一种终端设备，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用计算机程序以执行：
步骤1：采集交叉口路段车辆的行驶视频数据及交叉口路段的交通流特征值；
步骤2：从步骤1中所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据；
步骤3：基于步骤2中车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；其中，将危险冲突所占总冲突数量的比例以及冲突发生的位置表示交叉口风险冲突水平；
步骤4：利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集；
步骤5：基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型；
步骤6：利用步骤5中的所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对交叉口处未来短期的风险冲突进行预测。
或者对照实施例2的内容，还执行：应用随机参数回归模型选择交通流特征值的类别，剔除包含异质性的特征变量的步骤。
进一步地，在其他可行的实施例中，该终端设备还包括与处理器连接的输入设备，所述输入设备用于获取车辆的行驶视频数据。譬如，与车载的GPS、视频系统、无人机、高楼固定摄像等连接的输入模块。
其中，各个步骤的具体实现过程请参照前述方法的阐述。
实施例4
本实施例提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以执行：
步骤1：采集交叉口路段车辆的行驶视频数据及交叉口路段的交通流特征值；
步骤2：从步骤1中所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据；
步骤3：基于步骤2中车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；其中，将危险冲突所占总冲突数量的比例以及冲突发生的位置表示交叉口风险冲突水平；
步骤4：利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集；
步骤5：基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型；
步骤6：利用步骤5中的所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对交叉口处未来短期的风险冲突进行预测。
或者对照实施例2的内容，还执行：应用随机参数回归模型选择交通流特征值的类别，剔除包含异质性的特征变量的步骤。
其中，各个步骤的具体实现过程请参照前述方法的阐述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (8)

1.一种基于交通流特征的交叉口安全水平短时预测方法，其特征在于：包括如下步骤：
步骤1：采集交叉口路段车辆的行驶视频数据及交叉口路段的交通流特征值；
步骤2：从步骤1中所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据；
步骤3：基于步骤2中车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；
其中，将危险冲突发生的位置区域及所述位置区域上危险冲突所占总冲突数量的比例表示所述位置的风险冲突水平，统计交叉口区域内各个位置区域的风险冲突水平表示所述交叉口的风险冲突水平；
步骤4：利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集，其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时长的交叉口风险冲突水平作为一个样本；
步骤5：基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型，如下：
Figure FDA0003034298300000012
其中，F为预测得到交叉口风险冲突水平，X为交叉口路段的交通流特征值的矩阵，
Figure FDA0003034298300000011
为模型参数组合为i的随机森林预测算法
Figure FDA0003034298300000013
步骤6：利用步骤5中的所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对同一类型交叉口处未来短期的风险冲突水平进行预测。
2.根据权利要求1所述的方法，其特征在于：参与所述交叉口风险冲突短时预测模型训练的交通流特征值的特征变量按照如下方式确定：应用随机参数回归模型选择交通流特征值的类别，剔除包含异质性的特征变量，具体如下：
首先，选择用于表示交通流特征值的特征变量；
其次，构建随机参数回归模型，其中，将交叉口的风险冲突水平中危险冲突所占总冲突数量的比例作为因变量，所选择的特征变量作为自变量，依次将所选择的特征变量设定为随机参数模型中的随机参数，其他特征变量不设定为随机参数，再进行随机参数回归模型的拟合计算；
其中，若所述随机参数回归模型的结果中随机参数的系数满足显著性，所述随机参数对应的特征变量产生了含有随机参数的系数，包含异质性，对应剔除所述特征变量；否则，保留所述特征变量。
3.根据权利要求2所述的方法，其特征在于：所述随机参数回归模型表示如下：
Y＝(β+ω)X+β′X′+ε
其中，X′表示不含有异质性的交通流特征向量输入值，X表示交通流特征含有异质性的向量输入值，Y表示交叉口冲突水平向量输入值，β′表示不含有异质性的交通流特征值在随机参数回归模型中的系数向量，β表示含有异质性的交通流特征值在随机参数回归模型中的系数向量，ε表示模型的误差项，ω表示正态分布的均值为零的随机分布项。
4.根据权利要求2所述的方法，其特征在于：所述选择用于表示交通流特征值的特征变量时，所述交通流特征值表示如下：
X＝{x1，x2，x3，x4}
其中，X为交通流特征值，x1表示行车车道断面流量，x2和x3分别表示行车车道n1分钟内车辆行驶速度均值、标准差，x4表示行车车道n2分钟内车辆类型比例。
5.一种基于权利要求1-4任一项所述方法的系统，其特征在于：包括：
数据采集模块：用于采集车辆的行驶视频数据；
数据处理模块：用于从所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据以及交叉口路段的交通流特征值；
危险冲突鉴定模块：用于基于车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；其中，将危险冲突发生的位置区域及所述位置区域上危险冲突所占总冲突数量的比例表示所述位置的风险冲突水平，统计交叉口区域内各个位置区域的风险冲突水平表示所述交叉口的风险冲突水平；
训练样本集构建模块：用于利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集；
其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时长的交叉口风险冲突水平作为一个样本；
交叉口风险冲突短时预测模型构建模块，用于基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型；
预测模块，用于利用所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对同一类型交叉口处未来短期的风险冲突进行预测。
6.一种终端设备，其特征在于：包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用计算机程序以执行：权利要求1-4任一项所述的一种基于交通流特征的交叉口安全水平短时预测方法的步骤。
7.根据权利要求6所述的终端设备，其特征在于：还包括与处理器连接的输入设备，所述输入设备用于获取车辆的行驶视频数据。
8.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以执行：权利要求1-4任一项所述的一种基于交通流特征的交叉口安全水平短时预测方法的步骤。
CN202110439051.4A 2021-04-23 2021-04-23 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质 Active CN113095584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110439051.4A CN113095584B (zh) 2021-04-23 2021-04-23 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110439051.4A CN113095584B (zh) 2021-04-23 2021-04-23 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质

Publications (2)

Publication Number Publication Date
CN113095584A true CN113095584A (zh) 2021-07-09
CN113095584B CN113095584B (zh) 2023-08-15

Family

ID=76679592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110439051.4A Active CN113095584B (zh) 2021-04-23 2021-04-23 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质

Country Status (1)

Country Link
CN (1) CN113095584B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115565373A (zh) * 2022-09-22 2023-01-03 中南大学 高速公路隧道事故实时风险预测方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766636A (zh) * 2017-10-12 2018-03-06 东南大学 一种基于极值理论与微观仿真的城市交叉口安全评价方法
CN112150801A (zh) * 2020-08-21 2020-12-29 同济大学 一种基于准车辆轨迹的快速路实时事故风险预测方法
CN112508392A (zh) * 2020-12-02 2021-03-16 云南省交通规划设计研究院有限公司 一种山区双车道公路隐患路段交通冲突风险动态评估方法
CN112669594A (zh) * 2020-12-11 2021-04-16 国汽(北京)智能网联汽车研究院有限公司 交通路况预测的方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766636A (zh) * 2017-10-12 2018-03-06 东南大学 一种基于极值理论与微观仿真的城市交叉口安全评价方法
CN112150801A (zh) * 2020-08-21 2020-12-29 同济大学 一种基于准车辆轨迹的快速路实时事故风险预测方法
CN112508392A (zh) * 2020-12-02 2021-03-16 云南省交通规划设计研究院有限公司 一种山区双车道公路隐患路段交通冲突风险动态评估方法
CN112669594A (zh) * 2020-12-11 2021-04-16 国汽(北京)智能网联汽车研究院有限公司 交通路况预测的方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朱顺应;蒋若曦;王红;邹禾;汪攀;丘积;: "机动车交通冲突技术研究综述", 中国公路学报, no. 02, pages 55 - 61 *
罗向龙;李丹阳;杨?张生瑞;: "基于KNN-LSTM的短时交通流预测", 北京工业大学学报, no. 12, pages 99 - 102 *
范鲁明;贺国光;: "改进非参数回归在交通流量预测中的应用", 重庆交通大学学报(自然科学版), no. 01, pages 19 - 37 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115565373A (zh) * 2022-09-22 2023-01-03 中南大学 高速公路隧道事故实时风险预测方法、装置、设备及介质
CN115565373B (zh) * 2022-09-22 2024-04-05 中南大学 高速公路隧道事故实时风险预测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113095584B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN109345020B (zh) 一种完全信息下的无信号交叉口车辆驾驶行为预测方法
CN112487617B (zh) 基于碰撞模型的风险预防方法、装置、设备及存储介质
Ma et al. Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry
CN113380033B (zh) 基于人机混合增强智能的城市交通安全预警方法及系统
Evestedt et al. Interaction aware trajectory planning for merge scenarios in congested traffic situations
CN103985268B (zh) 一种基于最优泊位模型的智能停车场车位诱导机制算法
CN110555536A (zh) 一种网约车订单的安全性预测方法、装置、设备和存储介质
CN111785023A (zh) 一种车辆碰撞风险预警方法及系统
CN112015843A (zh) 基于多车意图交互结果的行车风险态势评估方法及系统
CN106095963A (zh) 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
CN109035777B (zh) 交通运行态势分析方法及系统
WO2023274071A1 (zh) 驾驶行为监控方法、装置、电子设备及存储介质
CN112382086A (zh) 自动驾驶汽车开放道路测试评价系统的使用方法
CN109784586B (zh) 车险的出险情况的预测方法及系统
CN113807622A (zh) 一种事件决策生成方法、装置、电子设备及存储介质
CN109035775B (zh) 一种突发事件识别的方法及装置
CN111986480B (zh) 一种城市道路交通事件影响评价方法、系统及存储介质
CN113535816A (zh) 一种智能网联云控车辆的行车性能评价方法及系统
CN116168531A (zh) 基于雷达与视频的隧道安全管理方法、装置、设备及介质
CN109214827A (zh) 一种识别车辆刷单骗补行为的方法和装置
CN113095584A (zh) 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质
CN111696347B (zh) 一种自动化分析交通事件信息的方法和装置
Ma et al. Predicting the effect of various ISA penetration grades on pedestrian safety by simulation
Lochrane et al. Modeling driver behavior in work and nonwork zones: Multidimensional psychophysical car-following framework
Ramezani-Khansari et al. [Retracted] Estimating Lane Change Duration for Overtaking in Nonlane‐Based Driving Behavior by Local Linear Model Trees (LOLIMOT)

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