CN115188188B - 等待时间手机分心条件下行人过街风险评估方法 - Google Patents

Abstract

本发明涉及行人过街风险评估技术领域，公开了一种等待时间手机分心条件下行人过街风险评估方法，包括以下步骤：步骤1：采集基础数据；步骤2：对基础数据进行预处理；步骤3：自基础数据中提取得到特征参数；步骤4：按过街等待阶段和过街运动阶段划分特征参数，形成行人过街行为特征库；步骤5：建立基于随机森林算法的行人过街风险特征重要度分析模型；步骤6：利用CRITIC权重法建立行人过街风险评估模型；并对行人过街风险进行多参数融合评估并针对每个行人的过街风险进行打分，得到过街风险评分。本发明能够准确评估行人过街风险，特别是手机分心条件下的行人过街风险，能够为改善行人交通安全提供可靠数据参考。

Description

等待时间手机分心条件下行人过街风险评估方法

技术领域

本发明涉及行人过街风险评估技术领域，具体涉及一种等待时间手机分心条件下行人过街风险评估方法。

背景技术

近年来，随着汽车拥堵问题的不断升级，我国逐渐提倡建设慢行交通系统，提出将步行、自行车等慢速出行方式作为城市交通的主体，从而达到减少环境污染和缓解交通拥堵问题的目的。而在慢行交通系统中，行人在处于交叉口等地平面人行横道处时，因人行横道与车道线在平面线形上有交叉，行人与来往车辆之间容易产生冲突。且相关研究表明，在我国的城市道路交叉口发生的交通事故数占总的城市交通事故数的30％。而行人在与汽车的交互过程中，行人与汽车驾驶人相比缺少外界物理防护措施，在交通系统中处于弱势地位，故在行人与汽车的交通事故中，行人所受到的人身安全威胁更大。并且近年来，行人的交通事故发生数、交通事故死亡人数和受伤人数在逐年递增，行人的总体安全不容乐观。

在上述背景下，如何减少行人交通事故、提高行人安全是当下亟需解决的现实问题。分析行人交通事故案例可发现，其事故产生原因主要包括两个方面，一个是道路交通环境的外在因素；主要表现在行人的过街需求与行人过街设施设计、交通信号配时、交通管理措施等方面不匹配，导致行人不能在安全时间内到达目标位置。另一个是道路使用者自身行为的内在因素；在城市道路中，道路使用者主要包括行人与汽车驾驶人，他们行为发生改变时可能会引起临近交通状态发生改变，甚至引发交通事故，其中行人的不安全行为更容易影响到整个交通流，例如行人不按人行横道标记行走而横穿马路、不按信号配时过街、行人在步行过程中使用手机造成分心以至于与右转车辆以及抢行车辆发生冲突等。

自上述两方面原因可看出，行人的过街行为是导致事故产生的关键因素。相应地，为了降低事故发生率，更好地保证行人过街安全，现有的研究中，在分析确认行人过街安全改善措施时，也多围绕行人的过街行为来进行综合分析；例如，自行人的等待时间出发，研究行人的最大忍耐时间对行人的行为影响的分析方案；通过结合行人过街的速度特性、眼动特性等以确认影响行人过街的危险因素等；但这些研究方案在评估分析行人过街风险上仍存在不完善之处，仍待优化改进。

发明内容

本发明意在提供一种等待时间手机分心条件下行人过街风险评估方法，能够准确评估行人过街风险，特别是手机分心条件下的行人过街风险，能够为改善行人交通安全提供可靠数据参考。

本发明提供的基础方案为：等待时间手机分心条件下行人过街风险评估方法，包括以下步骤：

步骤1：采集基础数据；选取等待时间内手机分心行人群体与正常过街行人群体作为采集对象，采集其过街阶段画面作为基础数据；

步骤2：对基础数据进行预处理；所述预处理包括筛除无效画面数据；

步骤3：自基础数据中提取得到特征参数；所述特征参数包括行人基本属性特征参数、行人行为特征参数和交通环境特征参数；

步骤4：将行人过街阶段划分为过街等待阶段和过街运动阶段，并按过街等待阶段和过街运动阶段划分特征参数，形成行人过街行为特征库；

步骤5：依据行人过街行为特征库建立基于随机森林算法的行人过街风险特征重要度分析模型，即重要度分析模型；由重要度分析模型输出得到各行为特征对违章情况的重要度及过街违章分类效果综合评估指标；

步骤6：依据行人过街行为特征库及步骤5中的重要度分析模型输出结果，利用CRITIC权重法建立行人过街风险评估模型；并对行人过街风险进行多参数融合评估并针对每个行人的过街风险进行打分，得到过街风险评分。

本发明的工作原理及优点在于：首先进行了基础数据采集，采集对象分别选取手机分心行人群体和正常过街行人群体，能够构成对照组，能够更方便、更准确地捕捉得到手机分心条件对行人过街风险的影响。然后，自基础数据中提取特征参数，特征参数的种类涵盖行人自身特征及外界的交通环境特征，特征提取考量充分，在实际场景中，行人过街行为除了受到自身行为特性和需求决策影响外，还会受到周围交通环境的影响，这样设置，有助于后续更综合更完善地进行过街行为风险评估。然后，建立基于随机森林算法的行人过街风险特征重要度分析模型以对各特征参数进行处理，并得到其对过街风险的重要度；然后建立行人过街风险评估模型，融合评估此前获得的参数内容，并进而打分得到行人过街风险评分。

其中，重点在于：第一，本方案中，在分析行人过街行为时是针对整体的过街阶段进行的，相比于现有的评估方案中仅仅对行人过街运动或行人等待过程的单个过程进行分析的做法，现有的单过程分析虽然更便于区分提取特征参数，但评估维度受限，分析时许多会对过街行为造成影响的数据均未被充分考虑，特别是对于手机分心条件下的过街行为风险评估而言，现有的单过程分析将重点放在了行人过街过程中使用手机的行为情况上，而忽略了等待过街时间内使用手机对行人过街风险的影响，特别是仅在等待时间内使用手机而过街运动时不使用手机的情况对行人过街风险的影响，而实际上等待过程中使用手机所产生的分心容易引起行人的视觉搜索范围变窄、信息处理速度变慢、反应时间变缓，从而减少行人的警戒行为，进而影响过街决策判断，故而其对过街风险也存在重要影响；而现有方案没有综合考量此类影响，这使得现有的评估是不全面、不完善、不准确的。

而本方案则对整体的过街阶段，对行人过街运动过程和行人等待过程进行融合分析，并在建立特征库按阶段区分了特征参数，这样设置，本方案既能够实现对整体过街过程的全面分析评估，保证后续的风险评估全面可靠；还便于后续细致地区分风险影响相关的特征参数。

并且，本方案中特别区分了手机分心行人群体和正常过街行人群体，而常规方案中往往并没有对此作出区分，也没有特别对手机分心条件下的过街行为作出考虑和分析。而实际上，随着目前手机依赖现象的日趋严重，行人在步行过程中使用手机的现象普遍出现，手机分心条件成为影响行人过街行为的重要因素，需要进行针对性的分析考量，若是继续与正常过街行人群体一概而论，无法准确捕捉出手机分心条件对过街风险的影响，会丧失一定的评价可靠度，而本方案则不存在此类问题。

第二，本方案中，运用随机森林算法建立了基于随机森林算法的行人过街风险特征重要度分析模型，根据特征参数输出得到各行为特征对违章情况的重要度及过街违章分类效果综合评估指标，再根据行为特征对违章情况的重要度，也即是行为特征对产生过街风险的重要度以进行后续的风险分析，风险评估基于和风险行为重要相关的特征参数进行，能够较为准确地确认行人的过街风险，进而得到准确度较高的过街风险评分。并且，相比于常规的评估方案中，利用特征参数之间的相关性来检验行人时间违章与各个参数之间的相关程度，从中选择相关程度高的参数以进行后续的风险分析的做法；本方案则运用随机森林算法选择重要度作为风险评估基础，相比于相关程度，重要性更能够体现特征参数对风险行为的影响，相应地，评估准确度也更高。

并且，随机森林算法能够处理特征较多的高纬度数据，对于不同类型的过街群体(手机分心群体和正常过街群体)、不同的过街阶段(行人过街运动过程和行人等待过程)的特征较多的数据也能够达到较好的处理效果，这也是本方案能够对整体的过街阶段进行细致分析的原因之一。此外，在随机森林算法中，树与树之间是相互独立的，可以同时进行训练，不需要花费太长时间，运行效率较高，有助于提升评估效率。

进一步，所述重要度分析模型评估的过街违章情况包括：过街时效、抢行过街和空间违章。

这样设置，重要度分析模型将多种违章情况都纳入了考量，进而输出得到的重要度分析结果更为全面可靠，有助于后续建立准确的行人过街风险评估模型，进而达到较好的风险评估效果。

进一步，在步骤6中，建立行人过街风险评估模型时，选取重要度分析模型输出结果中，重要度排名前20％的行人行为特征以及表现行人过街违章情况的特征参数作为过街风险影响因素，并依据过街风险影响因素选取得到风险评估指标。

这样设置，风险评估指标依据重要度较高的行人行为特征得出，能够充分表现行人的过街风险，有助于提升评估准确度。

进一步，在步骤1中，采集基础数据时，数据采集地点包括有信号灯的人行横道、十字路口和丁字路口。

这样设置，数据采集地点多样，充分涵盖了行人过街场景，基础数据准备丰富，便于后续分析提取得到丰富的行人行为特征数据和交通环境特征数据。

进一步，所述行人基本属性特征参数包括行人的性别、年龄、结伴过街人数和手持物类型；所述行人行为特征参数包括：手机分心类型、过街等待时刻、手机分心时刻、过街等待位置、过街等待人数、信息搜索频次、过街时刻、到达各边界线的时刻和行人违章情况；所述交通环境特征参数包括人行横道线形长度、信号灯类型、信号灯周期、绿灯开始时刻和红灯开始时刻。

这样设置，各项参数项目涵盖丰富，能够充分体现行人的行为特性，有助于提升评估准确度。

进一步，所述手机分心类型包括视觉分心和听觉分心。

这样设置，对手机分心类型做了进一步细化；在实际生活中，除了低头玩手机的行为属于手机分心，接听电话、听音乐这类行为也同样属于手机分心。而在常规的手机分心行为判定中往往仅关注了低头玩手机这类较为直观的视觉集中在手机上的视觉分心行为，而没有进一步地对相对更为隐蔽的听觉分心行为进行监测，对于手机分心行为的判定不够完善，会影响后续对过街风险的判断。本方案则对视觉分心和听觉分心行为都进行了关注，且做了区分，对于手机分心行为的判定完善。

进一步，在步骤2中，所述预处理还包括筛除信号灯周期中绿灯为16秒、红灯为99秒的周期数据。

本方案统计发现在绿灯为16秒的信号灯周期内，按时过街的行人数量百分比不足20％，属于较为特殊的极端数据，若将此类数据同样纳入统计分析，会严重影响后续数据分析的可靠度。本方案特别筛除了特定周期数据，这样设置，有助于保证整体数据的有效性。

进一步，所述行人过街风险评估模型在处理数据时，对表现行人过街违章程度的特征参数进行无量纲化处理。

这样设置，采用无量纲化处理，能够有效消除因量纲不同对评价结果造成的影响，得到评价结果更为公正可靠。

进一步，还包括步骤7：对过街风险评分与手机分心行人的行为特征进行相关性检验；并挑选得到与过街风险评分相关的手机分心行为特征；分析手机分心行为特征在不同过街风险影响因素下的差异性，进而得到影响手机分心行人过街风险的因素。

这样设置，根据过街风险评分进一步反馈分析手机分心行人的行为特征，并确认相关影响因素，能够为行人交通安全规划提供可靠的数据参考。

进一步，在步骤7中，进行相关性检验时，采用Kendall检验和Spearman检验相关性检验方法。

这样设置，综合采用两种相关性检验方法来进行相关性检验，检验结果更可靠。

附图说明

图1为本发明等待时间手机分心条件下行人过街风险评估方法实施例的人行横道区域划分示意图；

图2为本发明等待时间手机分心条件下行人过街风险评估方法实施例的行人过街阶段划分图；

图3为本发明等待时间手机分心条件下行人过街风险评估方法实施例的重要度分析模型的流程示意图；

图4为本发明等待时间手机分心条件下行人过街风险评估方法实施例的过街风险评估模型的流程示意图；

图5为本发明等待时间手机分心条件下行人过街风险评估方法实施例的方法流程示意图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例基本如附图5所示：等待时间手机分心条件下行人过街风险评估方法，包括以下步骤：

步骤1：采集基础数据；选取等待时间内手机分心行人群体与正常过街行人群体作为采集对象，采集其过街阶段画面作为基础数据。并且，将等待时间内手机分心行人群体的数据作为目标组；正常过街行人群体的数据作为对照组；以便于针对性地分析评估等待时间手机分心条件下行人的过街风险。

本实施例中采用视频采集的方式获取行人过街视频作为基础数据。具体地，采用多机位形式(本实施例中采用双机位形式)使用拍摄仪器进行水平角度拍摄以获得行人相关行为动作，其中，拍摄仪器可为高清摄像机等，拍摄高度设置为1.9-2.1m左右，且把拍摄设备安放在人行横道侧边，降低行人直视设备的概率，减少因试验设备摆放位置引起行人警觉的情况发生，以获取贴近真实情况的基础数据，有助于提升后续风险评估的真实性。

在采集基础数据时，数据采集地点包括有信号灯的人行横道、十字路口和丁字路口。本实施例中，基础数据的采集时段为6个工作日中12个自然小时的数据，视频数据总时长为24小时，基础数据量丰富，且可依据实际情况增加基础数据量。

步骤2：对基础数据进行预处理；所述预处理包括筛除无效画面数据。

具体地，无效画面数据包括采集地点出现大型车辆(如公交车等)在红灯转向绿灯时驶入人行横道处导致遮挡的行人过街画面数据。所述预处理还包括筛除信号灯周期中绿灯为16秒、红灯为99秒的周期数据。本方案统计发现在绿灯为16秒的信号灯周期内，按时过街的行人数量百分比不足20％，属于较为特殊的极端数据，若将此类数据同样纳入统计分析，会严重影响后续数据分析的可靠度，故作筛除处理，有助于保证整体数据的有效性。

步骤3：自基础数据中提取得到特征参数；所述特征参数包括行人基本属性特征参数、行人行为特征参数和交通环境特征参数。

所述行人基本属性特征参数包括行人的性别、年龄、结伴过街人数和手持物类型。其中，性别包括男性和女性。年龄划分区间为少年(18岁以下)，青年(18-40岁)，中年(40-60岁)和老年(60岁以上)。本方案中在识别年龄特征时，结合外貌特征和穿衣特征进行识别判定；例如：将穿着校服、背书包的群体划分为少年等。

结伴过街人数：结伴过街人数选取的是整个过街过程中相互交流、相互有联系的行人群体数量，例如一起过街的夫妻、朋友、父子等。通过观察视频，筛选出到达人行横道的时间接近且在等待过街或过街运动过程中有交流的行人群体，统计其数量，得出结伴过街人数。

手持物类型：手持物类型指的是过街行人的手中或者背上的物品类型。手持物类型具体分为：空手、轻物体和重物体三类。其中轻物品包括小塑料袋、菜篮子、肩挎式背包、手提包、小孩的书包等小型轻型物品，重物体包括婴儿车、板车、货运小推车、大蛇皮袋、背上背着小孩、背上背着重物品等大型重型物品。

所述行人行为特征参数包括：手机分心类型、过街等待时刻、手机分心时刻、过街等待位置、过街等待人数、信息搜索频次、过街时刻、到达各边界线的时刻和行人违章情况。还包括：手机分心时间、行人过街启动时间、行人抢行过街时间、过街启动速度、过街平均速度、行人到达时间等。

具体地：所述手机分心类型包括视觉分心和听觉分心。其中，行人视线集中在手机上的、低头玩手机的为视觉分心类型；接打电话、听音乐的为听觉分心类型。

过街等待时刻指行人到达人行横道等待区域的时刻。手机分心时刻指行人开始使用手机的开始时刻。手机分心时间指使用手机的持续时间。过街等待位置指行人到达人行横道等待区域时选择进行等待的位置区域。过街等待人数指的是在某次信号灯周期的过街等待时间内，在规定的等待区域中一起等待过街的行人数量。

信息搜索频次指的是行人在过街等待以及过街运动过程中观察周围交通状况的次数，可分为行人在等待时间内的信息搜索频次和行人在过街过程中的信息搜索频次。且信息搜索频次按照不同行人类型计算的频次方式也不同，其中关于低头玩手机的群体的信息搜索频次计算，将在玩手机期间抬头次数作为信息搜索频次；对于正常过街行人群体来说，将左右眺望次数即左右摆头次数作为信息搜索频次。

过街时刻指的是行人开始运动进行过街操作的时刻，其中行人开始运动的判断标准为行人的腿进行了移动。到达各边界线的时刻指的是行人到达相应边界线的时刻，所述边界线对应设置于人行横道上第一个车道线位置、人行横道中间位置和最后一个车道线位置处。

行人过街启动时间指的是行人开始运动的时刻与信号灯绿灯开始时刻的时间差值；行人抢行过街时间是行人过街启动时间中的一种表现情况，指行人在绿灯亮起前进行了运动，对应为启动时间。

行人到达时间指的是绿灯开始时刻与行人到达目的地的时刻之间的时间差值，代表了行人的按时到达情况，本实施例中，对于能按时到达的行人将到达时间设置为20s，不能按时到达的行人的到达时间为实际到达时间。

行人违章主要包括两类：时间违章和空间违章。其中时间违章主要包括在信号灯为红灯时行人进行了穿越人行横道的抢行过街操作，以及在信号灯为绿灯的时间区间内行人未能按时到达人行横道终点。空间违章表示的是行人未按照人行横道规定的范围进行过街，且因行人各自的选择不同产生不同的过街空间轨迹。

所述交通环境特征参数包括人行横道线形长度、信号灯类型、信号灯周期、绿灯开始时刻和红灯开始时刻。其中，信号灯类型包括有倒计时信号灯和无倒计时信号灯；信号灯周期中，以一个完整的红灯时间+一个完整的绿灯时间为一个信号灯周期；绿灯开始时刻指的是人行横道处的信号灯由红灯转向绿灯的时刻；红灯开始时刻指的是人行横道处的信号灯由绿灯转向红灯的时刻。

步骤4：将行人过街阶段划分为过街等待阶段和过街运动阶段，并按过街等待阶段和过街运动阶段划分特征参数，形成行人过街行为特征库。

具体地，如附图2所示，过街等待阶段指的是从行人达到人行横道等待区域开始到行人开始进行过街操作为止的时间区段。过街运动阶段指的是行人开始进行过街操作开始到行人到达目标人行横道终点为止的时间区段。在不同的阶段内，行人所作出的行为表现是不一样的，这样划分后，有助于更为准确地确认过街影响因素。

步骤5：依据行人过街行为特征库建立基于随机森林算法的行人过街风险特征重要度分析模型，即重要度分析模型；由重要度分析模型输出得到各行为特征对违章情况的重要度及过街违章分类效果综合评估指标。

具体地，如附图3所示，所述重要度分析模型的运作流程如下：依据行人过街行为特征库首先构建随机森林模型；训练随机森林模型，构建基于随机森林的过街违章分析模型；输入测试样本，根据过街违章分析模型判断行人是否违章并输出各行为特征对违章情况的重要度及过街违章分类效果综合评估指标。

其中，构建的随机森林模型的决策树数量为450；最大深度为5；叶子节点的最小样本量为3；继续划分分类的最小样本量为3。其中，决策树数量设置较多，模型得到的运行结果更准确，运行速度更快。随机森林模型是应用随机森林算法的模型，能够为特征的重要度进行排序，模型泛化能力较强，模型输出结果准确。

并且，所述重要度分析模型评估的过街违章情况包括：过街时效、抢行过街和空间违章。具体地，重要度分析模型在评估过街违章情况中的过街时效情况时，分别从等待时间内手机分心群体和正常过街群体中选择行人特征数据作为输入项，以行人到达情况作为输出项，建立基于随机森林的行人到达情况的分析模型，对行人过街时效特征重要度进行分析。

步骤6：依据行人过街行为特征库及步骤5中的重要度分析模型输出结果，利用CRITIC权重法建立行人过街风险评估模型；并对行人过街风险进行多参数融合评估并针对每个行人的过街风险进行打分，得到过街风险评分。

建立行人过街风险评估模型时，选取重要度分析模型输出结果中，重要度排名前20％的行人行为特征以及表现行人过街违章情况的特征参数作为过街风险影响因素，如附表1所示；具体地，判断行人是否按时到达的特征参数主要是行人的到达时间，故选择行人的到达时间作为体现行人过街时效的风险程度评价指标；行人在过街过程中的行走轨迹是判断行人是否进行空间违章的标准，挑选行人在过街运动阶段中的空间位置选择作为体现行人空间违章风险程度的指标，具体表现为：整个过程均处于人行横道上的属于未空间违章，仅在启动区域中未行走在人行横道上的属于开始阶段空间违章，仅在到达区域中未行走在人行横道上的属于结束阶段空间违章，在整个过程均未处于人行横道上的属于全程空间违章；其中，本方案中将整个的人行横道按车道延展线进行划分，划分得到启动区域、过程区域、到达区域的划分如附图1所示，便于进一步细致地区分行人在不同区域内的速度特性及行为特征。判断并依据过街风险影响因素选取得到风险评估指标。

表1过街风险影响因素统计表

并且，所述行人过街风险评估模型在处理数据时，对表现行人过街违章程度的特征参数进行无量纲化处理，具体为对特征参数进行正向化或逆向化处理，其中，若所采用的特征参数值越大越好则选用正向化处理，并采用下式处理；

若所采用的特征参数值越小越好则选用逆向化处理，并采用下式处理；

这样设置，能够有效消除因量纲不同对评价结果造成的影响，得到评价结果更为公正可靠。

并且，本方案所采用的CRITIC权重法(Criteria Importance ThroughIntercriteria Correlation,CRITIC)是一种以各个指标之间的对比强度和冲突性为基础来确定各个指标权重的客观赋权法。该方法利用指标的标准差来表示其对比强度，如果数据的标准差越大，表示其波动程度越大，其中蕴含的信息量越大，则赋予的权重越高；冲突性则是用相关系数来进行表示，如果不同指标之间的相关系数越大，说明指标之间拥有较强的正相关性，其冲突性越小，而赋予的权重越低。相比于如熵权法等的其他综合评价方法，CRITIC权重法考虑了指标变异性大小，同时也兼顾指标之间的相关性，完全利用数据自身的客观属性进行科学评价。本方案利用CRITIC权重法建立行人过街风险评估模型的流程如附图4所示。

将表1中各个过街风险影响因素无量纲化处理过后的数据带入CRITIC权重法中，可得到相应的权重，具体权重分布如表2所示。

表2过街风险影响因素权重分布表

基于上述权重，可进一步计算得出行人过街风险得分。

步骤7：对过街风险评分与手机分心行人的行为特征进行相关性检验；并挑选得到与过街风险评分相关的手机分心行为特征；分析手机分心行为特征在不同过街风险影响因素下的差异性，进而得到影响手机分心行人过街风险的因素。

进行相关性检验时，采用Kendall检验和Spearman检验相关性检验方法；对风险评分与手机分心行人的基本属性特征和过街等待阶段行为特征进行相关性检验，其中包括行人性别、年龄、结伴人数、手持物状态、手机分心类型、手机分心时间、等待时间内信息搜索频次和过街人群，本实施例中获得的检验结果如下表3所示。

表3不同风险评分下行人特征相关性检验表

其中,Sig值小于0.05表示相关性显著。

观察上表3可发现，手机分心群体中的过街风险评分与行人年龄、手机分心类型和信息搜索频次的Sig值均小于0.05，相关性显著，说明手机分心行人的年龄、手机分心类型和等待时间内信息搜索频次对过街风险有显著影响。

进一步地，在分析手机分心行为特征在不同过街风险影响因素下的差异性时，通过分析过街风险影响因素在不同年龄、不同手机分心类型和不同信息搜索频次下的分布情况来确认差异性。

本实施例提供的一种等待时间手机分心条件下行人过街风险评估方法，能够准确评估行人过街风险，特别是手机分心条件下的行人过街风险，能够为改善行人交通安全提供可靠数据参考。

并且，本方案对整体的过街阶段，对行人过街运动过程和行人等待过程进行融合分析，并在建立特征库按阶段区分了特征参数，这样设置，本方案既能够实现对整体过街过程的全面分析评估，保证后续的风险评估全面可靠；还便于后续细致地区分风险影响相关的特征参数。并且，本方案中，运用随机森林算法建立了基于随机森林算法的行人过街风险特征重要度分析模型，并利用CRITIC权重法建立了行人过街风险评估模型，风险评估基于和风险行为重要相关的特征参数进行，能够较为准确地确认行人的过街风险，进而得到准确度较高的过街风险评分。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.等待时间手机分心条件下行人过街风险评估方法，其特征在于，包括以下步骤：

步骤1：采集基础数据；选取等待时间内手机分心行人群体与正常过街行人群体作为采集对象，采集其过街阶段画面作为基础数据；

步骤2：对基础数据进行预处理；所述预处理包括筛除无效画面数据；

步骤3：自基础数据中提取得到特征参数；所述特征参数包括行人基本属性特征参数、行人行为特征参数和交通环境特征参数；

步骤4：将行人过街阶段划分为过街等待阶段和过街运动阶段，并按过街等待阶段和过街运动阶段划分特征参数，形成行人过街行为特征库；

步骤5：依据行人过街行为特征库建立基于随机森林算法的行人过街风险特征重要度分析模型，即重要度分析模型；由重要度分析模型输出得到各行为特征对违章情况的重要度及过街违章分类效果综合评估指标；

步骤6：依据行人过街行为特征库及步骤5中的重要度分析模型输出结果，利用CRITIC权重法建立行人过街风险评估模型；并对行人过街风险进行多参数融合评估并针对每个行人的过街风险进行打分，得到过街风险评分。

2.根据权利要求1所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，所述重要度分析模型评估的过街违章情况包括：过街时效、抢行过街和空间违章。

3.根据权利要求1所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，在步骤6中，建立行人过街风险评估模型时，选取重要度分析模型输出结果中，重要度排名前20％的行人行为特征以及表现行人过街违章情况的特征参数作为过街风险影响因素，并依据过街风险影响因素选取得到风险评估指标。

4.根据权利要求1所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，在步骤1中，采集基础数据时，数据采集地点包括有信号灯的人行横道、十字路口和丁字路口。

5.根据权利要求1所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，所述行人基本属性特征参数包括行人的性别、年龄、结伴过街人数和手持物类型；所述行人行为特征参数包括：手机分心类型、过街等待时刻、手机分心时刻、过街等待位置、过街等待人数、信息搜索频次、过街时刻、到达各边界线的时刻和行人违章情况；所述交通环境特征参数包括人行横道线形长度、信号灯类型、信号灯周期、绿灯开始时刻和红灯开始时刻。

6.根据权利要求5所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，所述手机分心类型包括视觉分心和听觉分心。

7.根据权利要求1所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，在步骤2中，所述预处理还包括筛除信号灯周期中绿灯为16秒、红灯为99秒的周期数据。

8.根据权利要求1所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，所述行人过街风险评估模型在处理数据时，对表现行人过街违章程度的特征参数进行无量纲化处理。

9.根据权利要求1所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，还包括步骤7：对过街风险评分与手机分心行人的行为特征进行相关性检验；并挑选得到与过街风险评分相关的手机分心行为特征；分析手机分心行为特征在不同过街风险影响因素下的差异性，进而得到影响手机分心行人过街风险的因素。

10.根据权利要求9所述的等待时间手机分心条件下行人过街风险评估方法，其特征在于，在步骤7中，进行相关性检验时，采用Kendall检验和Spearman检验相关性检验方法。