CN113808394A - 一种基于风险组合模式的过街通道安全评价方法 - Google Patents

一种基于风险组合模式的过街通道安全评价方法 Download PDF

Info

Publication number
CN113808394A
CN113808394A CN202110993934.XA CN202110993934A CN113808394A CN 113808394 A CN113808394 A CN 113808394A CN 202110993934 A CN202110993934 A CN 202110993934A CN 113808394 A CN113808394 A CN 113808394A
Authority
CN
China
Prior art keywords
crossing
street
pedestrian
vehicle
risk
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
CN202110993934.XA
Other languages
English (en)
Other versions
CN113808394B (zh
Inventor
李豪杰
胡浩东
张子乾
任刚
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202110993934.XA priority Critical patent/CN113808394B/zh
Publication of CN113808394A publication Critical patent/CN113808394A/zh
Application granted granted Critical
Publication of CN113808394B publication Critical patent/CN113808394B/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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于风险组合模式的过街通道安全评价方法。本发明公开了一种基于行人风险感知与驾驶员行为风险组合模式的过街通道安全评价方法，包括如下步骤：S100：现场调查与视频数据获取；S200：提取行人与冲突车辆的轨迹数据，提取人、车、路与环境变量；S300：根据变量对行人风险感知与驾驶员行为进行聚类；S400：根据聚类结果确定行人风险感知与驾驶员行为风险组合模式；S500：基于行人风险感知与驾驶员行为风险组合模式评价过街通道交通安全。本发明能够较为全面地评价目标过街通道的行人行为、驾驶员行为与交通冲突，为过街通道交通行为与交通安全的综合评价提供了多维全面的方法。

Description

一种基于风险组合模式的过街通道安全评价方法
技术领域
本发明涉及交通安全评价领域，涉及一种基于风险组合模式的过街通道安全评价方法，特别涉及一种基于行人风险感知与驾驶员行为风险组合模式的过街通道安全评价的方法。
背景技术
随着出行需求和交通量的增长，与行人相关的交通事故数量正在增长，特别是在过街通道区域，由于车辆速度快，让行率低，行人路权难以保障，在交通冲突中往往更容易发生严重事故，因此过街通道的交通安全问题亟待解决。
目前，评价过街通道交通安全主要有两种方法：
一种是基于事故数的交通安全评价方法，由于过街通道交通事故随机性大，观测可行性低，导致事故数据通常样本量少，难以支持交通安全分析与评价的工作；
另一种是基于交通冲突的交通安全评价方法，这种方法可以提供大量的交通冲突数据支持统计分析，数据采集速度快、难度小，数据质量高，常作为传统交通事故分析的替代安全分析方法，但少有研究从行人风险感知与驾驶员行为角度微观地评价人车冲突与过街通道的交通安全。
发明内容
为了解决上述存在的问题，本发明提供一种基于行人风险感知与驾驶员行为风险组合模式的过街通道安全评价的方法，通过聚类模型对过街通道过街行人及冲突车辆驾驶员行为进行划分，组合行人风险感知与驾驶员行为确定风险组合模式，根据风险组合模式模式评价过街通道交通安全，能够较为全面地评价目标过街通道的行人行为、驾驶员行为与交通冲突，为过街通道交通行为与交通安全的综合评价提供了多维全面的方法。
本发明提供的基于行人风险感知与驾驶员行为风险组合模式的过街通道安全评价的方法，通过以下步骤实现：
步骤一，现场调查与视频数据获取：
以过街通道及其上下游40米范围内机动车道作为研究对象，采集视频数据，包括可能发生交通冲突的过街行人及上下游冲突车辆的轨迹及特征数据，以及环境变量。其中的视频数据采用路侧摄像机与无人机航拍摄像机同步拍摄的方法获取，航拍摄像机于80米以上高度稳定拍摄过街通道及其上下游40米范围内机动车道，路侧摄像机于路缘拍摄过街通道范围。
步骤二，提取行人与冲突车辆的轨迹数据，提取人、车、路与环境变量：
应用计算机软件辅助提取航拍视频中过街行人与冲突车辆的运动轨迹数据，包括视频各帧对应的时刻t、行人与车辆的位置(行人横坐标xped，行人纵坐标yped，车辆横坐标xveh，车辆纵坐标yveh)、速度矢量(行人横向速度vpedx，行人纵向速度vpedy，车辆横向速度vvehx，车辆纵向速度vvehy)、加速度矢量(行人横向加速度apedx，行人纵向加速度apedy，车辆横向加速度avehx，车辆纵向加速度avehy)；
通过调查视频采集人、车、路与环境变量，包括过街行人年龄组A(行人为青年时，A＝0，行人中存在儿童时，A＝1，行人中存在老人时，A＝2)，成组过街的过街行人数N，过街行人的等待时间Tw，过街行人被打断的时间Ts，过街行人过街时被打断的次数Ns，拒绝间隙的个数Nr，过街行人是否在斑马线内过街C(行人在线内过街时，C＝1，否则C＝0)，过街行人是否变速W(行人过街时加速或减速，W＝1，否则W＝0)，接受间隙G，拒绝间隙R，行人过街速度Sp，过街行人过街时与冲突车辆的距离D，车辆上游速度Sv，车型T(小轿车T＝0，否则T＝1)，车辆运动状态M(车辆停止，M＝0，车辆减速，M＝1，其他情况，M＝2)。
步骤三，根据步骤2中提取的变量对行人风险感知与驾驶员行为进行聚类：
分别针对过街行人数据和冲突车辆数据，应用两步聚类法对包含连续变量和分类变量的数据进行聚类，将过街行人根据风险感知水平分为高风险感知水平组与低风险感知水平组，将冲突车辆的驾驶员根据行为特征分为侵略性驾驶组和谨慎驾驶组。
上述两步聚类法包括预聚类与聚类两个阶段：
在预聚类阶段，假设连续型变量服从正态分布，分类变量服从多项式分布，采用对数似然距离衡量集群相似度，逐个读取样本并预先聚类相似度高的密集数据，形成子簇。对数似然距离的具体计算方法如下：
d(i，j)＝εi+εj-ε<i，j> (1)
在公式(1)中
Figure BDA0003233265850000021
在公式(2)中
Figure BDA0003233265850000022
其中，d(i,j)为分类i与分类j的对数似然距离，ni是分类i的样本数，MA是连续型变量的数量，MB是分类变量的数量，
Figure BDA0003233265850000023
是第m个连续型变量的方差，
Figure BDA0003233265850000024
是分类i中第m个连续型变量的方差，Lm是第m个分类变量的类别数，niml是分类i中第m个分类变量取值为第l个类别的样本数，<i,j>表示由分类i和分类j合并的分类。
在聚类阶段，使用凝聚法将子簇递归合并，在预聚类得到H的个子簇中，将距离最近的两个子簇合并为一个，得到新的H-1个子簇，然后合并新的H-1个子簇中距离最近的两个子簇，以此类推，最终输出满足期望簇数的聚类结果。
行人风险感知聚类应用的变量为：成组过街的行人数N，行人的等待时间Tw，行人被打断的时间Ts，行人过街时被打断的次数Ns，拒绝间隙的个数Nr，行人是否在斑马线内过街C，行人是否变速W，接受间隙G，拒绝间隙R，行人过街速度Sp，行人过街时与冲突车辆的距离D，车型T，车辆运动状态M。行人风险感知聚类的期望簇数为2，根据聚类结果的聚类特征，将分类结果分为高风险感知组和低风险感知组。
驾驶员行为聚类应用的变量为：冲突车辆速度均值、加速度均值、速度标准差、加速度标准差，提取方法为，将过街通道上下游各40米路段分割为5米长度的计算区域，通过步骤二中提取的轨迹数据计算目标车辆在各计算区域内的速度值、加速度值，车辆速度均值为各计算区域速度值的平均值，加速度均值为各计算区域加速度值的平均值，速度标准差为各计算区域的速度值的标准差，加速度标准差为各计算区域加速度值的标准差。驾驶员行为聚类的期望簇数为2，根据聚类结果的聚类特征，将分类结果分为侵略性驾驶组和谨慎驾驶组。
步骤四，根据聚类结果确定行人风险感知与驾驶员行为风险组合模式：
结合行人风险感知聚类和驾驶员行为聚类结果确定风险组合模式。行人风险感知聚类和驾驶员行为聚类结果确定的风险组合模式包括：过街行人低风险感知水平、驾驶员侵略性驾驶的第一模式，过街行人高风险感知水平、驾驶员侵略性驾驶的第二模式，过街行人低风险感知水平、驾驶员谨慎驾驶的第三模式，过街行人高风险感知水平、驾驶员谨慎驾驶的第四模式。
步骤五，基于行人风险感知与驾驶员行为风险组合模式评价过街通道交通安全：
计算各风险组合模式下的冲突数占受调查的冲突总数比例，根据经验设定各风险组合模式占比的评价阈值，通过比较各风险组合模式所占比例与该风险组合模式评价阈值的相对大小评价过街通道的交通安全：第一模式所占比例高于第一模式评价阈值，代表该过街通道不安全，不能提供良好的风险感知条件与驾驶员行为约束；第二模式所占比例高于第二模式评价阈值，代表该过街通道安全状态一般，为行人感知风险提供了良好的条件，但未能有效地约束驾驶员的危险行为；第三模式所占比例高于第三模式评价阈值，代表该过街通道安全状态一般，有效地约束了驾驶员的危险行为，但未能为行人感知风险提供良好条件；第四模式所占比例高于第四模式评价阈值，代表该过街通道安全状态较好，能提供良好的风险感知条件并约束驾驶员的行为。
本发明的有益效果为：通过聚类模型对过街通道过街行人及冲突车辆驾驶员行为进行划分，组合行人风险感知与驾驶员行为确定风险组合模式，根据风险组合模式模式评价过街通道交通安全，能够较为全面地评价目标过街通道的行人行为、驾驶员行为与交通冲突，为过街通道交通行为与交通安全的综合评价提供了多维全面的方法。
附图说明
图1为本发明的方法流程示意图；
图2为本发明实施例的评价方法流程示意图；
图3为本发明实施例的视频数据拍摄范围示意图。
具体实施方式
下面结合附图与具体实施例对本发明作详细描述：
在一个实施例中，如图1所示，本发明提供一种基于行人风险感知与驾驶员行为风险组合模式的过街通道安全评价的方法，该方法包括以下步骤：
S100，采集过街通道及其上下游机动车道的视频数据；
S200，提取视频数据中过街行人与冲突车辆的轨迹数据，人、车、路与环境变量；
S300，分别针对过街行人数据和和冲突车辆数据，应用两步聚类法进行聚类，将过街行人根据风险感知水平分为高风险感知水平组与低风险感知水平组，将冲突车辆的驾驶员根据行为特征分为侵略性驾驶组和谨慎驾驶组；
S400，根据S300的聚类结果，确定风险组合模式；
S500，根据各风险组合模式下的人车冲突占比，评价过街通道交通安全。
在一个实施例中，S100具体包括：以过街通道及其上下游40米范围内机动车道作为研究对象，通过视频数据采集的数据集包括可能发生交通冲突的过街行人及上下游冲突车辆的轨迹及特征数据，以及环境变量。其中的视频数据采用路侧摄像机与无人机航拍摄像机同步拍摄的方法获取，航拍摄像机于80米以上高度稳定拍摄过街通道及其上下游40米范围内机动车道，路侧摄像机于路缘拍摄过街通道范围。
在一个实施例中，S200具体包括：应用计算机软件辅助提取航拍视频中过街行人与冲突车辆的运动轨迹数据，包括视频各帧对应的时刻t、行人与车辆的位置(行人横坐标xped，行人纵坐标yped，车辆横坐标xveh，车辆纵坐标yveh)、速度矢量(行人横向速度vpedx，行人纵向速度vpedy，车辆横向速度vvehx，车辆纵向速度vvehy)、加速度矢量(行人横向加速度apedx，行人纵向加速度apedy，车辆横向加速度avehx，车辆纵向加速度avehy)；通过调查视频采集人、车、路与环境变量，包括过街行人年龄组A(行人为青年时，A＝0，行人中存在儿童时，A＝1，行人中存在老人时，A＝2)，成组过街的过街行人数N，过街行人的等待时间Tw，过街行人被打断的时间Ts，过街行人过街时被打断的次数Ns，拒绝间隙的个数Nr，过街行人是否在斑马线内过街C(行人在线内过街时，C＝1，否则C＝0)，过街行人是否变速W(行人过街时加速或减速，W＝1，否则W＝0)，接受间隙G，拒绝间隙R，行人过街速度Sp，过街行人过街时与冲突车辆的距离D，车辆上游速度Sv，车型T(小轿车T＝0，否则T＝1)，车辆运动状态M(车辆停止，M＝0，车辆减速，M＝1，其他情况，M＝2)。
在一个实施例中，S300具体包括：分别针对过街行人数据和冲突车辆数据，应用两步聚类法对包含连续变量和分类变量的数据进行聚类，将过街行人根据风险感知水平分为高风险感知水平组与低风险感知水平组，将冲突车辆的驾驶员根据行为特征分为侵略性驾驶组和谨慎驾驶组。
上述两步聚类法包括预聚类与聚类两个阶段：
在预聚类阶段，假设连续型变量服从正态分布，分类变量服从多项式分布，采用对数似然距离衡量集群相似度，逐个读取样本并预先聚类相似度高的密集数据，形成子簇。对数似然距离的具体计算方法如下：
d(i,j)＝εi+εj-ε<i,j> (1)
在公式(1)中
Figure BDA0003233265850000051
在公式(2)中
Figure BDA0003233265850000052
其中，d(i,j)为分类i与分类j的对数似然距离，ni是分类i的样本数，MA是连续型变量的数量，MB是分类变量的数量，
Figure BDA0003233265850000053
是第m个连续型变量的方差，
Figure BDA0003233265850000054
是分类i中第m个连续型变量的方差，Lm是第m个分类变量的类别数，niml是分类i中第m个分类变量取值为第l个类别的样本数，<i,j>表示由分类i和分类j合并的分类。
在聚类阶段，使用凝聚法将子簇递归合并，在预聚类得到H的个子簇中，将距离最近的两个子簇合并为一个，得到新的H-1个子簇，然后合并新的H-1个子簇中距离最近的两个子簇，以此类推，最终输出满足期望簇数的聚类结果。
行人风险感知聚类应用的变量为：成组过街的行人数N，行人的等待时间Tw，行人被打断的时间Ts，行人过街时被打断的次数Ns，拒绝间隙的个数Nr，行人是否在斑马线内过街C，行人是否变速W，接受间隙G，拒绝间隙R，行人过街速度Sp，行人过街时与冲突车辆的距离D，车型T，车辆运动状态M。行人风险感知聚类的期望簇数为2，根据聚类结果的聚类特征，将分类结果分为高风险感知组和低风险感知组。
驾驶员行为聚类应用的变量为：冲突车辆速度均值、加速度均值、速度标准差、加速度标准差，提取方法为，将过街通道上下游各40米路段分割为5米长度的计算区域，通过步骤二中提取的轨迹数据计算目标车辆在各计算区域内的速度值、加速度值，车辆速度均值为各计算区域速度值的平均值，加速度均值为各计算区域加速度值的平均值，速度标准差为各计算区域的速度值的标准差，加速度标准差为各计算区域加速度值的标准差。驾驶员行为聚类的期望簇数为2，根据聚类结果的聚类特征，将分类结果分为侵略性驾驶组和谨慎驾驶组。
在一个实施例中，S400具体包括：结合行人风险感知聚类和驾驶员行为聚类结果确定风险组合模式。行人风险感知聚类和驾驶员行为聚类结果确定的风险组合模式包括：过街行人低风险感知水平、驾驶员侵略性驾驶的第一模式，过街行人高风险感知水平、驾驶员侵略性驾驶的第二模式，过街行人低风险感知水平、驾驶员谨慎驾驶的第三模式，过街行人高风险感知水平、驾驶员谨慎驾驶的第四模式。
在一个实施例中，S500具体包括：
计算各风险组合模式下的冲突数占受调查的冲突总数比例，根据经验设定各风险组合模式占比的评价阈值，通过比较各风险组合模式所占比例与该风险组合模式评价阈值的相对大小评价过街通道的交通安全：第一模式所占比例高于第一模式评价阈值，代表该过街通道不安全，不能提供良好的风险感知条件与驾驶员行为约束；第二模式所占比例高于第二模式评价阈值，代表该过街通道安全状态一般，为行人感知风险提供了良好的条件，但未能有效地约束驾驶员的危险行为；第三模式所占比例高于第三模式评价阈值，代表该过街通道安全状态一般，有效地约束了驾驶员的危险行为，但未能为行人感知风险提供良好条件；第四模式所占比例高于第四模式评价阈值，代表该过街通道安全状态较好，能提供良好的风险感知条件并约束驾驶员的行为。
在一个实施例中，提供了一种基于风险组合模式的过街通道安全评价装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于风险组合模式的过街通道安全评价方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于风险组合模式的过街通道安全评价方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以如图3所示的实际过街通道为例，评价方法如图2所示：
步骤一，以过街通道及其上下游40米范围内机动车道作为研究对象，通过视频数据采集的数据集包括可能发生交通冲突的过街行人及上下游冲突车辆的轨迹及特征数据，以及环境变量。其中的视频数据采用路侧摄像机与无人机航拍摄像机同步拍摄的方法获取，航拍摄像机于80米以上高度稳定拍摄过街通道及其上下游40米范围内机动车道，路侧摄像机于路缘拍摄过街通道范围。
步骤二，提取行人与冲突车辆的轨迹数据，提取人、车、路与环境变量：
根据步骤一和步骤二得到的相关数据如表1，表2所示。
表1行人与车辆轨迹数据采集表
Figure BDA0003233265850000071
Figure BDA0003233265850000081
表2人、车、路与环境变量数据采集表
Figure BDA0003233265850000082
步骤三，根据变量对行人风险感知与驾驶员行为进行聚类。
步骤四，根据聚类结果确定行人风险感知与驾驶员行为风险组合模式。
步骤五，基于行人风险感知与驾驶员行为风险组合模式评价过街通道交通安全。
该实施例中第一模式占比16.3％，高于所在区域平均水平(15.1％)，第二模式占比18.7％，低于所在区域平均水平(24.5％)，第三模式占比35.9％，高于所在区域平均水平(27.7％)，第四模式占比29.2％，低于所在区域平均水平(32.7％)，即说明该过街通道安全状态较差，不能提供良好的风险感知条件与驾驶员行为约束，尤其在行人风险感知方面，未能为行人感知风险提供良好条件。
以上所述，是本发明的具体实施例，并非是对本发明作任何其他形式的限制，依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (10)

1.一种基于风险组合模式的过街通道安全评价方法，其特征在于，该方法包括如下步骤：
S100，采集过街通道及其上下游机动车道的视频数据；
S200，提取视频数据中过街行人与冲突车辆的轨迹数据，人、车、路与环境变量；
S300，分别针对过街行人数据和和冲突车辆数据，应用两步聚类法进行聚类，将过街行人根据风险感知水平分为高风险感知水平组与低风险感知水平组，将冲突车辆的驾驶员根据行为特征分为侵略性驾驶组和谨慎驾驶组；
S400，根据S300的聚类结果，确定风险组合模式；
S500，根据各风险组合模式下的人车冲突占比，评价过街通道交通安全。
2.根据权利要求1所述的一种基于风险组合模式的过街通道安全评价方法，其特征在于，步骤S100中，采用路侧摄像机与无人机航拍摄像机同步拍摄的方法获取视频数据。
3.根据权利要求1所述的一种基于风险组合模式的过街通道安全评价方法，其特征在于，步骤S200中，过街行人与冲突车辆的运动轨迹数据包括视频各帧对应的时刻t以及行人与车辆的位置、速度矢量、加速度矢量，其中行人与车辆的位置包括行人横坐标xped、行人纵坐标yped、车辆横坐标xveh和车辆纵坐标yveh，行人与车辆的速度矢量包括行人横向速度vpedx、行人纵向速度vpedy、车辆横向速度vvehx和车辆纵向速度vvehy，行人与车辆的加速度矢量包括行人横向加速度apedx、行人纵向加速度apedy、车辆横向加速度avehx和车辆纵向加速度avehy；人、车、路与环境变量包括过街行人年龄组A，成组过街的过街行人数N，过街行人的等待时间Tw，过街行人被打断的时间Ts，过街行人过街时被打断的次数Ns，拒绝间隙的个数Nr，过街行人是否在斑马线内过街C，过街行人是否变速W，接受间隙G，拒绝间隙R，过街行人过街速度Sp，过街行人过街时与冲突车辆的距离D，冲突车辆上游速度Sv，冲突车辆车型T，冲突车辆运动状态M。
4.根据权利要求3所述的一种基于风险组合模式的过街通道安全评价方法，其特征在于，过街行人为青年时A＝0，过街行人中存在儿童时A＝1，过街行人中存在老人时A＝2；过街行人在斑马线内过街时C＝1，否则C＝0；过街行人过街时加速或减速时W＝1，否则W＝0；冲突车辆为小轿车时T＝0，否则T＝1；冲突车辆停止时M＝0，冲突车辆减速时M＝1，其他情况时M＝2。
5.根据权利要求1所述的一种基于风险组合模式的过街通道安全评价方法，其特征在于，步骤S300中，过街行人数据包括：成组过街的过街行人数N，行过街人的等待时间Tw，过街行人被打断的时间Ts，过街行人过街时被打断的次数Ns，拒绝间隙的个数Nr，过街行人是否在斑马线内过街C，过街行人是否变速W，接受间隙G，拒绝间隙R，过街行人过街速度Sp，过街行人过街时与冲突车辆的距离D，冲突车辆车型T，冲突车辆运动状态M。
6.根据权利要求1所述的一种基于风险组合模式的过街通道安全评价方法，其特征在于，步骤S300中，冲突车辆数据包括：冲突车辆速度均值、加速度均值、速度标准差、加速度标准差；冲突车辆数据的提取方法为，将过街通道上下游机动车道按照设定值分割为若干计算区域，通过冲突车辆的运动轨迹数据计算各计算区域内的冲突车辆速度均值、加速度均值、速度标准差、加速度标准差。
7.根据权利要求1所述的一种基于风险组合模式的过街通道安全评价方法，其特征在于，步骤S400中，风险组合模式包括：过街行人低风险感知水平、驾驶员侵略性驾驶的第一模式，过街行人高风险感知水平、驾驶员侵略性驾驶的第二模式，过街行人低风险感知水平、驾驶员谨慎驾驶的第三模式，过街行人高风险感知水平、驾驶员谨慎驾驶的第四模式。
8.根据权利要求1所述的一种基于风险组合模式的过街通道安全评价方法，其特征在于，步骤S500中，计算各风险组合模式下的冲突数占受调查的冲突总数比例，根据经验设定各风险组合模式占比的评价阈值，通过比较各风险组合模式所占比例与该风险组合模式评价阈值的相对大小评价过街通道的交通安全：第一模式所占比例高于第一模式评价阈值，代表该过街通道不安全，不能提供良好的风险感知条件与驾驶员行为约束；第二模式所占比例高于第二模式评价阈值，代表该过街通道安全状态一般，为行人感知风险提供了良好的条件，但未能有效地约束驾驶员的危险行为；第三模式所占比例高于第三模式评价阈值，代表该过街通道安全状态一般，有效地约束了驾驶员的危险行为，但未能为行人感知风险提供良好条件；第四模式所占比例高于第四模式评价阈值，代表该过街通道安全状态较好，能提供良好的风险感知条件并约束驾驶员的行为。
9.一种基于风险组合模式的过街通道安全评价装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一所述的基于风险组合模式的过街通道安全评价方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一所述的基于风险组合模式的过街通道安全评价方法的步骤。
CN202110993934.XA 2021-08-27 2021-08-27 一种基于风险组合模式的过街通道安全评价方法 Active CN113808394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110993934.XA CN113808394B (zh) 2021-08-27 2021-08-27 一种基于风险组合模式的过街通道安全评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110993934.XA CN113808394B (zh) 2021-08-27 2021-08-27 一种基于风险组合模式的过街通道安全评价方法

Publications (2)

Publication Number Publication Date
CN113808394A true CN113808394A (zh) 2021-12-17
CN113808394B CN113808394B (zh) 2022-09-30

Family

ID=78942063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110993934.XA Active CN113808394B (zh) 2021-08-27 2021-08-27 一种基于风险组合模式的过街通道安全评价方法

Country Status (1)

Country Link
CN (1) CN113808394B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482686A (zh) * 2022-08-31 2022-12-16 东南大学 评价车让人执法摄像头对行人过街二次冲突影响的方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140172226A1 (en) * 2012-12-18 2014-06-19 Honda Research Institute Europe Gmbh Driver assistance system
CN106997689A (zh) * 2017-05-11 2017-08-01 重庆邮电大学 基于路口的v2p避免碰撞方法
US20180075309A1 (en) * 2016-09-14 2018-03-15 Nauto, Inc. Systems and methods for near-crash determination
CN108230676A (zh) * 2018-01-23 2018-06-29 同济大学 一种基于轨迹数据的交叉口行人过街风险评估方法
CN110414365A (zh) * 2019-07-03 2019-11-05 上海交通大学 基于社会力模型的过街行人轨迹预测方法、系统及介质
CN110866677A (zh) * 2019-10-25 2020-03-06 东南大学 一种基于基准化分析的驾驶人相对风险评价方法
CN111459168A (zh) * 2020-04-23 2020-07-28 上海交通大学 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统
CN111627205A (zh) * 2020-04-28 2020-09-04 南京理工大学 基于碰撞风险的自动驾驶车辆与非机动车辆通行权分配方法
CN111951548A (zh) * 2020-07-30 2020-11-17 腾讯科技（深圳）有限公司 一种车辆驾驶风险确定方法、装置、系统及介质
CN113096379A (zh) * 2021-03-03 2021-07-09 东南大学 基于交通冲突的驾驶风格识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140172226A1 (en) * 2012-12-18 2014-06-19 Honda Research Institute Europe Gmbh Driver assistance system
US20180075309A1 (en) * 2016-09-14 2018-03-15 Nauto, Inc. Systems and methods for near-crash determination
CN106997689A (zh) * 2017-05-11 2017-08-01 重庆邮电大学 基于路口的v2p避免碰撞方法
CN108230676A (zh) * 2018-01-23 2018-06-29 同济大学 一种基于轨迹数据的交叉口行人过街风险评估方法
CN110414365A (zh) * 2019-07-03 2019-11-05 上海交通大学 基于社会力模型的过街行人轨迹预测方法、系统及介质
CN110866677A (zh) * 2019-10-25 2020-03-06 东南大学 一种基于基准化分析的驾驶人相对风险评价方法
CN111459168A (zh) * 2020-04-23 2020-07-28 上海交通大学 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统
CN111627205A (zh) * 2020-04-28 2020-09-04 南京理工大学 基于碰撞风险的自动驾驶车辆与非机动车辆通行权分配方法
CN111951548A (zh) * 2020-07-30 2020-11-17 腾讯科技（深圳）有限公司 一种车辆驾驶风险确定方法、装置、系统及介质
CN113096379A (zh) * 2021-03-03 2021-07-09 东南大学 基于交通冲突的驾驶风格识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙重静等: "人车冲突风险度评价指标计算研究综述", 《交通信息与安全》 *
魏丽英等: "基于演化博弈论的行人与机动车冲突演化机理研究", 《物理学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482686A (zh) * 2022-08-31 2022-12-16 东南大学 评价车让人执法摄像头对行人过街二次冲突影响的方法
CN115482686B (zh) * 2022-08-31 2023-10-20 东南大学 评价车让人执法摄像头对行人过街二次冲突影响的方法

Also Published As

Publication number Publication date
CN113808394B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
Hamdar et al. Weather and road geometry impact on longitudinal driving behavior: Exploratory analysis using an empirically supported acceleration modeling framework
Mergia et al. Exploring factors contributing to injury severity at freeway merging and diverging locations in Ohio
Elmitiny et al. Classification analysis of driver's stop/go decision and red-light running violation
Yu et al. Quantifying visual road environment to establish a speeding prediction model: an examination using naturalistic driving data
Qin et al. Logistic regression models of the safety of large trucks
Pande et al. A classification tree based modeling approach for segment related crashes on multilane highways
DE102015209947A1 (de) Evakuierungsfahrtassistenzvorrichtung
CN111554105B (zh) 一种复杂交通路口的智能流量识别与统计方法
Goyani et al. Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions
Farah When do drivers abort an overtaking maneuver on two-lane rural roads?
CN113808394B (zh) 一种基于风险组合模式的过街通道安全评价方法
CN115035491A (zh) 一种基于联邦学习的驾驶行为路况预警方法
Toledo et al. Alternative definitions of passing critical gaps
EP3770879A1 (de) Verfahren, vorrichtung und computerprogramm zum aufbereiten von daten über eine ampelanlage
Chen et al. Analyzing differences of highway lane-changing behavior using vehicle trajectory data
CN115482662B (zh) 一种危险工况下驾驶员避撞行为预测方法及系统
CN114822044B (zh) 一种基于隧道的行车安全预警方法及设备
Saheli Understanding the Factors Affecting Urban Vehicle-to-Vehicle Crash Severity with Focus on Drivers' Route Familiarity
Hegazy et al. Classifying aggressive drivers for better traffic signal control
CN115860461A (zh) 一种平面交叉口下非机动车交通冲突的风险因子评估方法
Qin et al. Weather and road geometry impact on acceleration behavior: Experimental set-up and data collection using a driving simulator
Bäumler et al. Report on validation of the stochastic traffic simulation (Part B)
CN114566051A (zh) 基于logistic模型的高速公路转换区严重冲突识别方法
Hashemi et al. Exploratory Analysis of Roadway Departure Crashes Contributing Factors Based on Classification and Regression Trees
CN113807009B (zh) 一种微观换道轨迹的分段提取方法

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