CN115394121A - 一种公路运行风险研判方法 - Google Patents

一种公路运行风险研判方法 Download PDF

Info

Publication number
CN115394121A
CN115394121A CN202211015226.XA CN202211015226A CN115394121A CN 115394121 A CN115394121 A CN 115394121A CN 202211015226 A CN202211015226 A CN 202211015226A CN 115394121 A CN115394121 A CN 115394121A
Authority
CN
China
Prior art keywords
vehicle
risk
road
information
road section
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.)
Pending
Application number
CN202211015226.XA
Other languages
English (en)
Inventor
吕能超
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.)
Wuhan Tu'an Transportation Technology Co ltd
Original Assignee
Wuhan Tu'an Transportation Technology 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 Wuhan Tu'an Transportation Technology Co ltd filed Critical Wuhan Tu'an Transportation Technology Co ltd
Priority to CN202211015226.XA priority Critical patent/CN115394121A/zh
Publication of CN115394121A publication Critical patent/CN115394121A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Abstract

本发明属于交通安全技术领域，其目的在于提供一种公路运行风险研判方法。本发明实现过程简单，同时通用性强，具备较强的可靠性。本发明在实施过程中，通过获取公路基本信息并对其进行路段划分与编号后，对从具有联网辅助驾驶功能的车辆获取车辆采集信息添加路段标签，以便确认车辆采集信息所在路段，随后，根据车辆采集信息获取当前车辆的追尾冲突风险等级、侧向冲突风险等级和单车风险等级，最后根据各风险等级的风险值得到得到各路段的累计风险评分，并得到当前车辆在各路段的风险等级。

Description

一种公路运行风险研判方法
技术领域
本发明属于交通安全技术领域，具体涉及一种公路运行风险研判方法。
背景技术
我国公路系统在近年来得到飞速发展，其机动灵活的运输方式使其在运输市场占据主导地位，但是随着路网密度的不断增加，所伴随的交通拥堵、交通事故等问题也逐渐增多。尽管我国在公路安全评价等方面逐步得到完善，但是我国交通安全水平较发达国家仍有很大差距。
目前，对公路运行风险研判的方法主要集中为以下两类：一类是预测运行速度，通过对比运行速度与设计速度以及运行速度的速度梯度大小来判断路段的运行风险；另一类是通过路段所发生历史事故数来判断路段的运行风险。
但是，在使用现有技术过程中，发明人发现现有技术中至少存在如下问题：
上述现有技术中，前者依赖于对运行速度预测的准确性，后者需要使用公路完整的交通事故台账，因此可靠性较低。
此外，发明人发现，车辆在公路的实际驾驶风险能够很好的反映路段的运行风险，随着各车企对联网辅助驾驶系统的研发投入不断增加，搭配联网辅助驾驶系统车辆的市场占有率快速增长，其所产生的大量的驾驶数据对公路运行风险的研判具有很好的参考价值，且可靠性较高。因而，有必要研究一种可靠性高的基于车联网联网辅助驾驶数据的公路运行风险研判方法。
发明内容
本发明旨在至少在一定程度上解决上述技术问题，本发明提供了一种公路运行风险研判方法。
为了实现上述目的，本发明采用以下技术方案：
第一方面，提供了一种公路运行风险研判方法，包括：
获取公路基本信息，并对所述公路基本信息进行路段划分，得到多个路段，再对每个路段进行编号，得到多个编号后路段信息；
从具有联网辅助驾驶功能的车辆获取车辆采集信息，并根据所述多个编号后路段信息，对所述车辆采集信息添加路段标签；
从所述车辆采集信息提取车辆跟驰片段，并根据所述车辆跟驰片段得到当前车辆的追尾冲突风险等级，再根据所述车辆采集信息得到当前车辆的侧向冲突风险等级；
计算当前车辆在所述公路基本信息中各路段的平均运行速度，并根据各路段的平均运行速度得到当前车辆的单车风险等级；
分别获取追尾冲突风险等级、侧向冲突风险等级和单车风险等级的风险值，并根据各风险值得到得到各路段的累计风险评分，再根据预设的公路运行风险等级阈值，得到当前车辆在各路段的风险等级。
本发明实现过程简单，同时通用性强，具备较强的可靠性。具体地，本发明在实施过程中，通过获取公路基本信息并对其进行路段划分与编号后，对从具有联网辅助驾驶功能的车辆获取车辆采集信息添加路段标签，以便确认车辆采集信息所在路段，随后，根据车辆采集信息获取当前车辆的追尾冲突风险等级、侧向冲突风险等级和单车风险等级，最后根据各风险等级的风险值得到得到各路段的累计风险评分，并得到当前车辆在各路段的风险等级。在此过程中，本发明通过利用车辆基于车联网传输采集的联网辅助驾驶数据，能够准确判断车辆在公路的各路段的风险状态，能够给公路安全性评价或者交通安全相关研究提供重要依据，同时在云平台植入相关算法后，只需要接受具有联网辅助驾驶功能的车辆上传的数据就能完成公路运行风险的判断，实现过程简单，同时本发明可以适用于各种公路的风险研判，通用性强。
在一个可能的设计中，从具有联网辅助驾驶功能的车辆获取车辆采集信息，并根据所述多个编号后路段信息，对所述车辆采集信息添加路段标签，包括：
从具有联网辅助驾驶功能的车辆获取车辆采集信息，所述车辆采集信息包括本车车辆信息及周围车辆信息，所述周围车辆信息包括前车车辆信息；所述本车车辆信息包括本车ID、本车经纬度信息、本车车速和本车车道，所述前车车辆信息包括前车ID、前车相对横向距离、前车相对纵向距离、前车纵向相对速度、前车车道、前车车身长度、前车车身宽度；
按照指定频率抽取车辆采集信息，并将所述本车经纬度信息与所述多个编号后路段信息进行空间匹配，得到与本车经纬度信息对应的匹配路段；
根据匹配路段，对所述车辆采集信息添加路段标签。
在一个可能的设计中，从所述车辆采集信息提取车辆跟驰片段，包括：
根据所述车辆采集信息，判断当前车辆的本车车道内是否有车辆，如是，则从所述车辆采集信息提取车辆跟驰片段，然后进入下一步；
从所述车辆采集信息中删除前车车辆相对于本车的横向距离小于最小横向距离、相对于本车的横向距离大于最大横向距离以及跟驰时间不大于指定时长的车辆跟驰片段，得到剔除后跟驰片段，以便根据所述剔除后车辆跟驰片段得到当前车辆的追尾冲突风险等级和侧向冲突风险等级。
在一个可能的设计中，根据所述车辆跟驰片段得到追尾冲突风险等级，包括：
将Gipps模型设置为跟驰模型，并根据所述车辆跟驰片段，对所述跟驰模型中的驾驶员反应时间τ、本车最大舒适减速度bn、前车最大舒适减速度bn-1和前后车车间隙Sn-1进行参数标定，得到标定后跟驰模型；
计算所述车辆跟驰片段中，前车车辆紧急制动时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v1；
计算所述车辆跟驰片段中，前车车辆匀速行驶时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v2；
根据当前车辆在t+τ时的实际车速vt+τ的所处区间，得到追尾冲突风险等级。
在一个可能的设计中，前车车辆紧急制动时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v1为：
Figure BDA0003812268270000031
其中，τ代表驾驶员反应时间，bn代表本车车辆的最大舒适减速度，bn-1代表前车车辆的最大舒适减速度，Y′n为本车车辆和前车车辆之间的相对纵向距离，Sn-1为本车车辆和前车车辆之间的车间隙，vn(t)为本车车辆的行车速度，vn-1(t)为前车车辆的行车速度；
前车车辆匀速行驶时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v2为：
v2＝2vn(t)-vn-1(t)+2sn-1/t；
其中，sn-1为车头间距；
追尾冲突风险等级包括低风险、中风险和高风险；当前车辆在t+τ时的实际车速vt+τ与追尾冲突风险等级的关系为：
Figure BDA0003812268270000041
在一个可能的设计中，根据所述车辆采集信息得到当前车辆的侧向冲突风险等级，包括：
根据所述车辆采集信息，判断当前车辆在除本车车道外的其他车道的前方指定距离内是否有车辆，如有，则将该车辆设定为侧向车辆，然后进入下一步；具体地，本实施例中，指定距离设置为50米，即先根据所述车辆采集信息确定前车辆在除本车车道外的其他车道的前方的50米内是否有车辆；
计算当前车辆和侧向车辆之间的相对运行角度θ；
计算当前车辆和侧向车辆发生纵向交互的开始交互时间t1和结束交互时间t2；
根据侧向车辆在(t1，t2)的时间段内的横向相对速度vx，得到侧向冲突风险等级。
在一个可能的设计中，当前车辆和侧向车辆之间的相对运行角度θ为：
θ＝tan-1(X′n/Y′n)；
其中，X′n为侧向车辆相对当前车辆的横向距离，Yn为本车车辆和侧向车辆之间的相对纵向距离；
当前车辆和侧向车辆发生纵向交互的开始交互时间t1为：
t1＝vy/(Y′n-0.5Ln-0.5Ln-1/cosθ)；
当前车辆和侧向车辆发生纵向交互的结束交互时间t2为：
t2＝vy/(Y′n-0.5Ln+0.5Ln-1/cosθ)；
其中，vy为侧向车辆相对本车车辆的纵向相对速度，Ln为本车车辆的车身长度，Ln-1为侧向车辆的车身长度；
侧向冲突风险等级包括低风险、中风险和高风险；令
Figure BDA0003812268270000051
当X′n为正时，侧向车辆在(t1，t2)的时间段内的横向相对速度vx与侧向冲突风险等级的关系为：
Figure BDA0003812268270000052
当X′n为负时，侧向车辆在(t1，t2)的时间段内的横向相对速度vx与侧向冲突风险等级的关系为：
Figure BDA0003812268270000053
其中，Wn为本车车辆的车身宽度，Wn-1为侧向车辆的车身宽度。
在一个可能的设计中，单车风险等级包括Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ共五个风险等级；设当前车辆在所述公路基本信息中任一路段的平均运行速度为vi，该路段的设计速度为vdesign，则平均运行速度为vi、该路段的设计速度为vdesign与单车风险等级为：
Figure BDA0003812268270000054
Figure BDA0003812268270000061
在一个可能的设计中，第i路段的累计风险评分为：
Figure BDA0003812268270000062
其中，
Figure BDA0003812268270000063
为第i路段中当前车辆和前车车辆发生追尾冲突时风险等级的对应分值，
Figure BDA0003812268270000064
为第i路段中当前车辆和前车车辆发生侧向冲突时风险等级的对应分值，
Figure BDA0003812268270000065
为第i路段中当前车辆运行时单车风险等级的对应分值。
在一个可能的设计中，设定第i路段的风险等级阈值为S30和S10，其中，S30为公路基本信息中所有路段风险总分值的百分之三十分位值，S10为公路基本信息中所有路段风险总分值的百分之十分位值，则当前车辆在第i路段的累计风险评分与在第i路段的风险等级的关系为：
Figure BDA0003812268270000066
第二方面，提供了一种公路运行风险研判系统，用于实现如上述任一项所述的公路运行风险研判方法；所述公路运行风险研判系统包括：
公路基本信息处理模块，用于获取公路基本信息，并对所述公路基本信息进行路段划分，得到多个路段，再对每个路段进行编号，得到多个编号后路段信息；
车辆采集信息处理模块，与所述公路基本信息处理模块通信连接，用于从具有联网辅助驾驶功能的车辆获取车辆采集信息，并根据所述多个编号后路段信息，对所述车辆采集信息添加路段标签；
第一风险等级计算模块，与所述车辆采集信息处理模块通信连接，用于从所述车辆采集信息提取车辆跟驰片段，并根据所述车辆跟驰片段得到当前车辆的追尾冲突风险等级，再根据所述车辆采集信息得到当前车辆的侧向冲突风险等级；
第二风险等级计算模块，与所述车辆采集信息处理模块通信连接，用于计算当前车辆在所述公路基本信息中各路段的平均运行速度，并根据各路段的平均运行速度得到当前车辆的单车风险等级；
公路风险等级计算模块，分别与所述第一风险等级计算模块和所述第二风险等级计算模块通信连接，用于分别获取追尾冲突风险等级、侧向冲突风险等级和单车风险等级的风险值，并根据各风险值得到得到各路段的累计风险评分，再根据预设的公路运行风险等级阈值，得到当前车辆在各路段的风险等级。
第三方面，提供了一种电子设备，包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成如上述任一项所述的公路运行风险研判方法的操作。
第四方面，提供了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如上述任一项所述的公路运行风险研判方法的操作。
附图说明
图1是实施例中一种公路运行风险研判方法的流程图；
图2是实施例中对公路基本信息进行路段划分的示意图；
图3是实施例中进行侧向冲突判别的示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
实施例1：
本实施例第一方面提供了一种公路运行风险研判方法，可以但不限于由具有一定计算资源的计算机设备或虚拟机执行，例如由个人计算机、智能手机、个人数字助理或可穿戴设备等电子设备执行，或者由虚拟机执行。
如图1所示，一种公路运行风险研判方法，可以但不限于包括有如下步骤：
S1.获取公路基本信息，公路基本信息如为平曲线半径、纵坡坡度等，并对所述公路基本信息进行路段划分，得到多个路段，再对每个路段进行编号，得到多个编号后路段信息；如图2所示，为对公路基本信息进行路段划分的示意图；本实施例中，采用500m等距原则对公路划分路段，并按照前后顺序依次编号为R1、R2等。
S2.从具有联网辅助驾驶功能的车辆获取车辆采集信息，并根据所述多个编号后路段信息，对所述车辆采集信息添加路段标签；本实施例中，路段标签即为路段信息对应的编号。
将所示车辆采集信息与编号后路段信息进行空间匹配，以对所述车辆采集信息添加路段标签
本实施例中，从具有联网辅助驾驶功能的车辆获取车辆采集信息，并根据所述多个编号后路段信息，对所述车辆采集信息添加路段标签，包括：
S201.从具有联网辅助驾驶功能的车辆获取车辆采集信息，所述车辆采集信息包括本车车辆信息及周围车辆信息，所述周围车辆信息包括前车车辆信息；所述本车车辆信息包括本车ID、本车经纬度信息、本车车速和本车车道，所述前车车辆信息包括前车ID、前车相对横向距离、前车相对纵向距离、前车纵向相对速度、前车车道、前车车身长度、前车车身宽度；
S202.按照指定频率抽取车辆采集信息，并将所述本车经纬度信息与所述多个编号后路段信息进行空间匹配，得到与本车经纬度信息对应的匹配路段；
S203.根据匹配路段，对所述车辆采集信息添加路段标签。需要说明的是，不同车辆的联网辅助驾驶所采集的数据类型及频率不同，本实施例中，根据需要按照一定频率抽取车辆采集信息，如缺少相关信息，如车身长度及车身宽度等信息，则将其采用默认值替代，然后根据本车经纬度信息与路段进行匹配，并添加相应的路段标签。具体地，本实施例中，指定频率采用10hz。
S3.从所述车辆采集信息提取车辆跟驰片段，并根据所述车辆跟驰片段得到当前车辆的追尾冲突风险等级，再根据所述车辆采集信息得到当前车辆的侧向冲突风险等级；
本实施例中，从所述车辆采集信息提取车辆跟驰片段，包括：
S301.根据所述车辆采集信息，判断当前车辆的本车车道内是否有车辆，如是，则从所述车辆采集信息提取车辆跟驰片段，然后进入下一步；需要说明的是，车辆跟驰片段如为包括前车的图像或视频数据、前车车距、与前车的相对车速等。
S302.从所述车辆采集信息中删除前车车辆相对于本车的横向距离小于最小横向距离、相对于本车的横向距离大于最大横向距离以及跟驰时间不大于指定时长的车辆跟驰片段，得到剔除后跟驰片段，以便根据所述剔除后车辆跟驰片段得到当前车辆的追尾冲突风险等级和侧向冲突风险等级。需要说明的是，前车车辆相对于本车的横向距离小于最小横向距离的跟驰片段为拥挤的交通场景，前车车辆相对于本车的横向距离大于最大横向距离的跟驰片段为自由流的交通场景，跟驰时间不大于指定时长的车辆跟驰片段为不稳定跟驰状态，本实施例中，将最小横向距离设置为7米，将最大横向距离设置为150米，将指定时长设置为15秒。
需要说明的是，横向距离和纵向距离是根据本车安装的前向摄像头(也可以是微波或者激光雷达等装置，采用前向摄像头的成本更低)获取的，目前具有联网辅助驾驶功能的车辆中自带的ADAS(Advanced Driving Assistance System，高级驾驶辅助系统)可以直接提取这类信息。
根据所述车辆跟驰片段得到追尾冲突风险等级，包括：
S303.将Gipps模型设置为跟驰模型，并根据所述车辆跟驰片段，对所述跟驰模型中的驾驶员反应时间τ、本车最大舒适减速度bn、前车最大舒适减速度bn-1和前后车车间隙Sn-1进行参数标定，得到标定后跟驰模型；
S304.计算所述车辆跟驰片段中，前车车辆紧急制动时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v1；
具体地，前车车辆紧急制动时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v1为：
Figure BDA0003812268270000101
其中，τ代表驾驶员反应时间，即为驾驶员的应激反应时间，其是一个常量，可以将τ取为0.5s这一固定值，bn代表本车车辆的最大舒适减速度，bn-1代表前车车辆的最大舒适减速度，Y′n为本车车辆和前车车辆之间的相对纵向距离，Sn-1为本车车辆和前车车辆之间的车间隙，vn(t)为本车车辆的行车速度，vn-1(t)为前车车辆的行车速度；
S305.计算所述车辆跟驰片段中，前车车辆匀速行驶时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v2；
具体地，前车车辆匀速行驶时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v2为：
v2＝2vn(t)-vn-1(t)+2sn-1/t；
其中，sn-1为车头间距；
S306.根据当前车辆在t+τ时的实际车速vt+τ的所处区间，得到追尾冲突风险等级。
本实施例中，追尾冲突风险等级包括低风险、中风险和高风险；当前车辆在t+τ时的实际车速vt+τ与追尾冲突风险等级的关系为：
Figure BDA0003812268270000102
本实施例中，根据所述车辆采集信息得到当前车辆的侧向冲突风险等级，包括：
S307.根据所述车辆采集信息，判断当前车辆在除本车车道外的其他车道的前方指定距离内是否有车辆，如有，则将该车辆设定为侧向车辆，然后进入下一步；具体地，本实施例中，指定距离设置为50米，即先根据所述车辆采集信息确定前车辆在除本车车道外的其他车道的前方的50米内是否有车辆；
S308.计算当前车辆和侧向车辆之间的相对运行角度θ；
如图3所示，当前车辆和侧向车辆之间的相对运行角度θ为：
θ＝tan-1(X′n/Y′n)；
其中，X′n为侧向车辆相对当前车辆的横向距离，Y′n为本车车辆和侧向车辆之间的相对纵向距离；
S309.计算当前车辆和侧向车辆发生纵向交互的开始交互时间t1和结束交互时间t2；
具体地，当前车辆和侧向车辆发生纵向交互的开始交互时间t1为：
t1＝vy/(Y′n-0.5Ln-0.5Ln-1/cosθ)；
当前车辆和侧向车辆发生纵向交互的结束交互时间t2为：
t2＝vy/(Y′n-0.5Ln+0.5Ln-1/cosθ)；
其中，vy为侧向车辆相对本车车辆的纵向相对速度，Ln为本车车辆的车身长度，Ln-1为侧向车辆的车身长度；
S310.根据侧向车辆在(t1，t2)的时间段内的横向相对速度vx，得到侧向冲突风险等级。
本实施例中，侧向冲突风险等级包括低风险、中风险和高风险；令
Figure BDA0003812268270000111
Figure BDA0003812268270000112
需要说明的是，α和β均为自定义的距离度量参数，单位为m；当X′n为正时，侧向车辆在(t1，t2)的时间段内的横向相对速度vx与侧向冲突风险等级的关系为：
Figure BDA0003812268270000113
当X′n为负时，侧向车辆在(t1，t2)的时间段内的横向相对速度vx与侧向冲突风险等级的关系为：
Figure BDA0003812268270000114
其中，Wn为本车车辆的车身宽度，Wn-1为侧向车辆的车身宽度。
S4.计算当前车辆在所述公路基本信息中各路段的平均运行速度，并根据各路段的平均运行速度得到当前车辆的单车风险等级；
具体地，单车风险等级包括Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ共五个风险等级；设当前车辆在所述公路基本信息中任一路段的平均运行速度为vi，此为具有联网辅助驾驶功能的车辆中自带的ADAS直接采集得到，该路段的设计速度为vdesign，则平均运行速度为vi、该路段的设计速度为vdesign与单车风险等级为：
Figure BDA0003812268270000121
S5.分别获取追尾冲突风险等级、侧向冲突风险等级和单车风险等级的风险值，并根据各风险值得到得到各路段的累计风险评分，再根据预设的公路运行风险等级阈值，得到当前车辆在各路段的风险等级。
本实施例中，第i路段的累计风险评分为：
Figure BDA0003812268270000122
其中，
Figure BDA0003812268270000123
为第i路段中当前车辆和前车车辆发生追尾冲突时风险等级的对应分值，
Figure BDA0003812268270000124
为第i路段中当前车辆和前车车辆发生侧向冲突时风险等级的对应分值，
Figure BDA0003812268270000125
为第i路段中当前车辆运行时单车风险等级的对应分值。具体地，本实施例中，当前车辆和前车车辆发生追尾冲突时风险等级以及当前车辆和前车车辆发生侧向冲突时风险等级中，低风险、中风险和高风险等级的对应分值分别为0、1和2，单车风险等级中的Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ共五个风险等级的对应分值分别为0、1、2、3和4。
具体地，设定第i路段的风险等级阈值为S30和S10，其中，S30为公路基本信息中所有路段风险总分值的百分之三十分位值，S10为公路基本信息中所有路段风险总分值的百分之十分位值，则当前车辆在第i路段的累计风险评分与在第i路段的风险等级的关系为：
Figure BDA0003812268270000131
本实施例中，先分别计算所有路段每小时、每天、每月的累计风险值，然后将各路段的风险总分值的百分之十分位值和百分之三十分位值划分风险等级阈值，以便分别根据小时、天、月份路段累计风险分值统计每小时、每天、每月路段运行风险等级，从而确定各路段在不同季节不同时段的风险状况。
本实施例实现过程简单，同时通用性强，具备较强的可靠性。具体地，本实施例在实施过程中，通过获取公路基本信息并对其进行路段划分与编号后，对从具有联网辅助驾驶功能的车辆获取车辆采集信息添加路段标签，以便确认车辆采集信息所在路段，随后，根据车辆采集信息获取当前车辆的追尾冲突风险等级、侧向冲突风险等级和单车风险等级，最后根据各风险等级的风险值得到得到各路段的累计风险评分，并得到当前车辆在各路段的风险等级。在此过程中，本实施例通过利用车辆基于车联网传输采集的联网辅助驾驶数据，能够准确判断车辆在公路的各路段的风险状态，能够给公路安全性评价或者交通安全相关研究提供重要依据，同时在云平台植入相关算法后，只需要接受具有联网辅助驾驶功能的车辆上传的数据就能完成公路运行风险的判断，实现过程简单，同时本实施例可以适用于各种公路的风险研判，通用性强。
实施例2：
本实施例提供一种公路运行风险研判系统，用于实现实施例1中公路运行风险研判方法；所述公路运行风险研判系统包括：
公路基本信息处理模块，用于获取公路基本信息，并对所述公路基本信息进行路段划分，得到多个路段，再对每个路段进行编号，得到多个编号后路段信息；
车辆采集信息处理模块，与所述公路基本信息处理模块通信连接，用于从具有联网辅助驾驶功能的车辆获取车辆采集信息，并根据所述多个编号后路段信息，对所述车辆采集信息添加路段标签；
第一风险等级计算模块，与所述车辆采集信息处理模块通信连接，用于从所述车辆采集信息提取车辆跟驰片段，并根据所述车辆跟驰片段得到当前车辆的追尾冲突风险等级，再根据所述车辆采集信息得到当前车辆的侧向冲突风险等级；
第二风险等级计算模块，与所述车辆采集信息处理模块通信连接，用于计算当前车辆在所述公路基本信息中各路段的平均运行速度，并根据各路段的平均运行速度得到当前车辆的单车风险等级；
公路风险等级计算模块，分别与所述第一风险等级计算模块和所述第二风险等级计算模块通信连接，用于分别获取追尾冲突风险等级、侧向冲突风险等级和单车风险等级的风险值，并根据各风险值得到得到各路段的累计风险评分，再根据预设的公路运行风险等级阈值，得到当前车辆在各路段的风险等级。
实施例3：
在实施例1或2的基础上，本实施例公开了一种电子设备，该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等，电子设备包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成如实施例1中任一所述的公路运行风险研判方法的操作。
实施例4：
在实施例1至3任一项实施例的基础上，本实施例公开了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如实施例1所述的公路运行风险研判方法的操作。
需要说明的是，所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然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。而这些修改或者替换，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。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种公路运行风险研判方法，其特征在于：包括：
获取公路基本信息，并对所述公路基本信息进行路段划分，得到多个路段，再对每个路段进行编号，得到多个编号后路段信息；
从具有联网辅助驾驶功能的车辆获取车辆采集信息，并根据所述多个编号后路段信息，对所述车辆采集信息添加路段标签；
从所述车辆采集信息提取车辆跟驰片段，并根据所述车辆跟驰片段得到当前车辆的追尾冲突风险等级，再根据所述车辆采集信息得到当前车辆的侧向冲突风险等级；
计算当前车辆在所述公路基本信息中各路段的平均运行速度，并根据各路段的平均运行速度得到当前车辆的单车风险等级；
分别获取追尾冲突风险等级、侧向冲突风险等级和单车风险等级的风险值，并根据各风险值得到得到各路段的累计风险评分，再根据预设的公路运行风险等级阈值，得到当前车辆在各路段的风险等级。
2.根据权利要求1所述的一种公路运行风险研判方法，其特征在于：从具有联网辅助驾驶功能的车辆获取车辆采集信息，并根据所述多个编号后路段信息，对所述车辆采集信息添加路段标签，包括：
从具有联网辅助驾驶功能的车辆获取车辆采集信息，所述车辆采集信息包括本车车辆信息及周围车辆信息，所述周围车辆信息包括前车车辆信息；所述本车车辆信息包括本车ID、本车经纬度信息、本车车速和本车车道，所述前车车辆信息包括前车ID、前车相对横向距离、前车相对纵向距离、前车纵向相对速度、前车车道、前车车身长度、前车车身宽度；
按照指定频率抽取车辆采集信息，并将所述本车经纬度信息与所述多个编号后路段信息进行空间匹配，得到与本车经纬度信息对应的匹配路段；
根据匹配路段，对所述车辆采集信息添加路段标签。
3.根据权利要求1所述的一种公路运行风险研判方法，其特征在于：从所述车辆采集信息提取车辆跟驰片段，包括：
根据所述车辆采集信息，判断当前车辆的本车车道内是否有车辆，如是，则从所述车辆采集信息提取车辆跟驰片段，然后进入下一步；
从所述车辆采集信息中删除前车车辆相对于本车的横向距离小于最小横向距离、相对于本车的横向距离大于最大横向距离以及跟驰时间不大于指定时长的车辆跟驰片段，得到剔除后跟驰片段，以便根据所述剔除后车辆跟驰片段得到当前车辆的追尾冲突风险等级和侧向冲突风险等级。
4.根据权利要求1所述的一种公路运行风险研判方法，其特征在于：根据所述车辆跟驰片段得到追尾冲突风险等级，包括：
将Gipps模型设置为跟驰模型，并根据所述车辆跟驰片段，对所述跟驰模型中的驾驶员反应时间τ、本车最大舒适减速度bn、前车最大舒适减速度bn-1和前后车车间隙Sn-1进行参数标定，得到标定后跟驰模型；
计算所述车辆跟驰片段中，前车车辆紧急制动时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v1；
计算所述车辆跟驰片段中，前车车辆匀速行驶时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v2；
根据当前车辆在t+τ时的实际车速vt+τ的所处区间，得到追尾冲突风险等级。
5.根据权利要求4所述的一种公路运行风险研判方法，其特征在于：前车车辆紧急制动时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v1为：
Figure FDA0003812268260000021
其中，τ代表驾驶员反应时间，bn代表本车车辆的最大舒适减速度，bn-1代表前车车辆的最大舒适减速度，Y′n为本车车辆和前车车辆之间的相对纵向距离，Sn-1为本车车辆和前车车辆之间的车间隙，vn(t)为本车车辆的行车速度，vn-1(t)为前车车辆的行车速度；
前车车辆匀速行驶时，当前车辆在t+τ时避免碰撞所能行驶的最大速度v2为：
v2＝2vn(t)-vn-1(t)+2sn-1/t；
其中，sn-1为车头间距；
追尾冲突风险等级包括低风险、中风险和高风险；当前车辆在t+τ时的实际车速vt+τ与追尾冲突风险等级的关系为：
Figure FDA0003812268260000031
6.根据权利要求1所述的一种公路运行风险研判方法，其特征在于：根据所述车辆采集信息得到当前车辆的侧向冲突风险等级，包括：
根据所述车辆采集信息，判断当前车辆在除本车车道外的其他车道的前方指定距离内是否有车辆，如有，则将该车辆设定为侧向车辆，然后进入下一步；具体地，本实施例中，指定距离设置为50米，即先根据所述车辆采集信息确定前车辆在除本车车道外的其他车道的前方的50米内是否有车辆；
计算当前车辆和侧向车辆之间的相对运行角度θ；
计算当前车辆和侧向车辆发生纵向交互的开始交互时间t1和结束交互时间t2；
根据侧向车辆在(t1，t2)的时间段内的横向相对速度vx，得到侧向冲突风险等级。
7.根据权利要求6所述的一种公路运行风险研判方法，其特征在于：当前车辆和侧向车辆之间的相对运行角度θ为：
θ＝tan-1(X′n/Y′n)；
其中，X′n为侧向车辆相对当前车辆的横向距离，Y′n为本车车辆和侧向车辆之间的相对纵向距离；
当前车辆和侧向车辆发生纵向交互的开始交互时间t1为：
t1＝vy/(Y′n-0.5Ln-0.5Ln-1/cosθ)；
当前车辆和侧向车辆发生纵向交互的结束交互时间t2为：
t2＝vy/(Y′n-0.5Ln+0.5Ln-1/cosθ)；
其中，vy为侧向车辆相对本车车辆的纵向相对速度，Ln为本车车辆的车身长度，Ln-1为侧向车辆的车身长度；
侧向冲突风险等级包括低风险、中风险和高风险；令
Figure FDA0003812268260000041
当X′n为正时，侧向车辆在(t1，t2)的时间段内的横向相对速度vx与侧向冲突风险等级的关系为：
Figure FDA0003812268260000042
当X′n为负时，侧向车辆在(t1，t2)的时间段内的横向相对速度vx与侧向冲突风险等级的关系为：
Figure FDA0003812268260000043
其中，Wn为本车车辆的车身宽度，Wn-1为侧向车辆的车身宽度。
8.根据权利要求1所述的一种公路运行风险研判方法，其特征在于：单车风险等级包括I、II、III、IV和V共五个风险等级；设当前车辆在所述公路基本信息中任一路段的平均运行速度为vi，该路段的设计速度为vdesign，则平均运行速度为vi、该路段的设计速度为vdesign与单车风险等级为：
Figure FDA0003812268260000044
9.根据权利要求1所述的一种公路运行风险研判方法，其特征在于：第i路段的累计风险评分为：
Figure FDA0003812268260000051
其中，
Figure FDA0003812268260000052
为第i路段中当前车辆和前车车辆发生追尾冲突时风险等级的对应分值，
Figure FDA0003812268260000053
为第i路段中当前车辆和前车车辆发生侧向冲突时风险等级的对应分值，
Figure FDA0003812268260000054
为第i路段中当前车辆运行时单车风险等级的对应分值。
10.根据权利要求1所述的一种公路运行风险研判方法，其特征在于：设定第i路段的风险等级阈值为S30和S10，其中，S30为公路基本信息中所有路段风险总分值的百分之三十分位值，S10为公路基本信息中所有路段风险总分值的百分之十分位值，则当前车辆在第i路段的累计风险评分与在第i路段的风险等级的关系为：
Figure FDA0003812268260000055
CN202211015226.XA 2022-08-23 2022-08-23 一种公路运行风险研判方法 Pending CN115394121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015226.XA CN115394121A (zh) 2022-08-23 2022-08-23 一种公路运行风险研判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015226.XA CN115394121A (zh) 2022-08-23 2022-08-23 一种公路运行风险研判方法

Publications (1)

Publication Number Publication Date
CN115394121A true CN115394121A (zh) 2022-11-25

Family

ID=84121459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015226.XA Pending CN115394121A (zh) 2022-08-23 2022-08-23 一种公路运行风险研判方法

Country Status (1)

Country Link
CN (1) CN115394121A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103680209A (zh) * 2013-12-21 2014-03-26 曹乃承 交通信息系统和路况采集发布、防追尾、事故判断方法
CN106379237A (zh) * 2016-09-30 2017-02-08 西南交通大学 基于增强现实的车辆换道全过程辅助驾驶系统
CN110020504A (zh) * 2019-04-23 2019-07-16 吉林大学 基于后侵入和碰撞时间的无人车行驶环境复杂度量化方法
CN112201038A (zh) * 2020-09-28 2021-01-08 同济大学 一种基于单车不良驾驶行为风险的路网风险评估方法
CN114611292A (zh) * 2022-03-12 2022-06-10 北京工业大学 一种基于元胞自动机的混入acc和cacc车辆的交通流特性仿真方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103680209A (zh) * 2013-12-21 2014-03-26 曹乃承 交通信息系统和路况采集发布、防追尾、事故判断方法
CN106379237A (zh) * 2016-09-30 2017-02-08 西南交通大学 基于增强现实的车辆换道全过程辅助驾驶系统
CN110020504A (zh) * 2019-04-23 2019-07-16 吉林大学 基于后侵入和碰撞时间的无人车行驶环境复杂度量化方法
CN112201038A (zh) * 2020-09-28 2021-01-08 同济大学 一种基于单车不良驾驶行为风险的路网风险评估方法
CN114611292A (zh) * 2022-03-12 2022-06-10 北京工业大学 一种基于元胞自动机的混入acc和cacc车辆的交通流特性仿真方法

Similar Documents

Publication Publication Date Title
CN110400478B (zh) 一种路况通知方法及装置
CN110843799B (zh) 驾驶行为处理方法、装置、设备和介质
CN106448218A (zh) 一种车辆事故提示方法及路边单元
CN110949381B (zh) 一种驾驶行为危险度的监测方法及装置
JP6660778B2 (ja) 迷惑運転検出装置及び迷惑運転検出方法
CN113516846B (zh) 车辆换道行为预测模型构建、预测预警方法及系统
WO2023274071A1 (zh) 驾驶行为监控方法、装置、电子设备及存储介质
CN112249009A (zh) 车速控制方法、装置、系统及电子设备
CN111739290A (zh) 车辆预警方法及装置
CN113246995A (zh) 系统、信息处理装置、以及信息处理方法
CN114926540A (zh) 一种车道线标定的方法、装置、终端设备及可读存储介质
CN111739291B (zh) 道路路况计算中的干扰识别方法及装置
CN115394121A (zh) 一种公路运行风险研判方法
CN111739343A (zh) 车辆事故风险的预警方法、装置、介质及电子设备
CN116386316A (zh) 交通风险的预测方法和装置、电子设备及存储介质
CN112948525B (zh) 智能网联汽车的高精度动态地图生成方法、设备及介质
CN115303070A (zh) 车速提醒方法、设备及计算机可读存储介质
CN113962107A (zh) 对行驶路段仿真的方法、装置、电子设备及存储介质
CN113799715A (zh) 车辆异常原因的确定方法、装置、通信设备及存储介质
CN110239533B (zh) 确定车辆的驾驶风险的方法、设备、装置和可读存储介质
CN112150668A (zh) 驾驶行为提醒方法及装置
CN114655203A (zh) 一种辅助驾驶方法、装置、设备及存储介质
US20220101443A1 (en) Accident index calculation apparatus, information providing apparatus, content selection apparatus, insurance premium setting apparatus, accident index calculation method, and program
CN112991749B (zh) 车辆违章识别方法与装置、介质及电子设备
CN111311916B (zh) 车道速度确定方法、装置

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