CN115588310A - 一种基于轨迹数据的车辆碰撞风险预测方法 - Google Patents
一种基于轨迹数据的车辆碰撞风险预测方法 Download PDFInfo
- Publication number
- CN115588310A CN115588310A CN202210737306.XA CN202210737306A CN115588310A CN 115588310 A CN115588310 A CN 115588310A CN 202210737306 A CN202210737306 A CN 202210737306A CN 115588310 A CN115588310 A CN 115588310A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- collision
- risk
- time
- speed
- 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
Links
Images
Abstract
一种基于轨迹数据的车辆碰撞风险预测方法属于交通安全评价领域。车联网和机器学习技术的快速发展,交通建设越来越向着智能化发展,车辆提前预测风险并主动干预成为了可能,实时根据车辆运行过程中的状态预测即将发生的风险并进行主动的车辆安全预警,对于保障驾驶员生命财产安全至关重要。传统的车辆碰撞预警的方法时效性差、数据质量和数据量较少、易受记载人主观因素的影响。本发明利用轨迹数据提前预测车辆在运行过程中由于跟驰行为可能发生的安全风险,本发明对于应用于车辆网技术背景下的车辆单车级预警具有理论支撑的作用。
Description
技术领域
本发明属于交通安全评价领域,提出一种基于轨迹数据的车辆碰撞风险预测的新方法
背景技术
车联网和机器学习技术的快速发展,交通建设越来越向着智能化发展,车辆提前预测风险并主动干预成为了可能,实时根据车辆运行过程中的状态预测即将发生的风险并进行主动的车辆安全预警,对于保障驾驶员生命财产安全至关重要。传统的车辆碰撞预警的方法主要有两种,一种是根据当前车辆与前车的距离和速度来定义当前状态的风险并进行预警,但驾驶员对危险的感知有一个反应时间,往往定义的危险状态被触发,驾驶员来不及反应,反而会由于紧张导致操作失误引发安全事故。另一种是建立碰撞事故发生时的交通、环境、驾驶员的状态与事故严重程度的关系模型来实时估计当前车辆风险,然而,事故数据属于事故后管理人员记录的数据,时效性差、数据质量和数据量较少、易受记载人主观因素的影响,因此基于事故数据建立风险的实时估计模型难以保证风险预警的准确性和实时性。
因此,如何准确的根据车辆当前运动状态预估车辆未来一段时间的风险,并给予驾驶员主动的安全预警信息,预留给驾驶人员充足的反应时间,对保障交通安全有重要意义。
发明内容
为解决上述问题,本发明的目的是提出一种基于轨迹数据的车辆碰撞风险预测方法,利用轨迹数据提前预测车辆在运行过程中由于跟驰行为可能发生的安全风险,发明方法对于应用于车辆网技术背景下的车辆单车级预警具有理论支撑的作用。
为实现上述目的,本发明采用以下技术方案:
步骤一、基于轨迹数据的风险特征提取
1、轨迹数据样例展示
车辆网环境下车辆实时的轨迹数据将被采集到,本文用视频提取的轨迹来进行碰撞风险预测的研究方法展示(本研究以NGSIM团队提取的车辆轨迹数据为例进行数据特征提取和风险标签计算,更多数据详细信息请参考https://data.transportation.gov/Automobiles/Next-Generation-Simulation-NGSIM-Vehicle-Trajector/8ect-6jqj),视频提取的轨迹字段如下:
表1视频提取轨迹数据字段示例
字段名称 | 含义 |
Frame_ID | 数据所处的时间帧,每秒30帧 |
Vehicle_ID | 对于车辆的编号 |
Total_Frames | 车辆在路段行驶总帧数 |
Global_Time | 全局时间 |
Local_X | 车辆的x坐标(高速坐标系) |
Local_Y | 车辆的y坐标(高速坐标系) |
Global_X | 车辆的x坐标(世界坐标系) |
Global_Y | 车辆的y坐标(世界坐标系) |
v_Length | 车辆长度 |
v_Width | 车辆宽度 |
v_Class | 车辆类型 |
v_Vel | 车辆速度 |
v_Acc | 车辆加速度 |
Lane_ID | 车道ID |
Preceeding | 前车ID |
Following | 后车ID |
2、跟驰碰撞风险特征计算
本发明旨在根据当前车辆和前车的实时轨迹数据来预测未来一段时间内可能发生的碰撞风险水平。车辆跟驰状态下,驾驶员行驶状态不仅受个体驾驶行为的影响,同时还受到与前车交互行为的制约,因此在预测碰撞风险的过程中选取个体驾驶行为和交互行为两类特征作为风险预测的输入,个体驾驶行为特征有时间特征、编号特征、坐标特征、速度特征、加速度特征,交互行为特征有与前车距离差、与前车速度差,提取的用来预测风险的特征如表2所示:
表2模型需求数据字段
字段名称 | 特征类型 | 含义 |
Frame_ID | 个体特征 | 数据所处的时间帧,每秒30帧 |
Vehicle_ID | 个体特征 | 对于车辆的编号 |
Local_X | 个体特征 | 车辆的x坐标(高速坐标系) |
Local_Y | 个体特征 | 车辆的y坐标(高速坐标系) |
X_v | 个体特征 | 车辆在x方向上速度 |
Y_v | 个体特征 | 车辆在y方向上速度 |
X_a | 个体特征 | 车辆在x方向上加速度 |
Y_a | 个体特征 | 车辆在y方向上加速度 |
前车速度差_x | 交互特征 | 与前车在x方向上速度差 |
前车速度差_y | 交互特征 | 与前车在y方向上速度差 |
前车距离差_x | 交互特征 | 与前车在x方向上距离差 |
前车距离差_y | 交互特征 | 与前车在y方向上距离差 |
进行风险预测的个体数据特征如:时间特征、编号特征、坐标特征可以直接在轨迹数据中得到,而其余个体特征与交互特征则需要进一步进行数据处理和提取:
1)计算车辆ti时刻车辆分方向上的速度
Vxti=(Xti+1-Xti)/(ti+1-ti)
VYti=(Yti+1-Yti)/(ti+1-ti)
其中,ti+1为跟驰数据中可查询到的ti时刻后目标车辆第一次出现时的时刻,采用两时刻间的对应方向上距离与时间进行计算,X为坐标系中x方向上的分量,Y为坐标系中y方向上的分量。
2)计算车辆ti时刻车辆分方向上的加速度
axti=(Vti+1-Vti)/(ti+1-ti)
aYti=(Vti+1-Vti)/(ti+1-ti)
其中,ti+1为跟驰数据中可查询到的ti时刻后目标车辆第一次出现时的时刻,采用两时刻间的对应方向上距离与时间进行计算,X为坐标系中x方向上的分量,Y为坐标系中y方向上的分量。
3)计算目标车辆时刻与前车的速度差
ΔVX=VX-VfX
ΔVY=VY-VfY
其中,X为坐标系中x方向上的分量,Y为坐标系中y方向上的分量,Vf为车辆该时刻相同车道上前一车辆在当前时刻的速度,因为车辆随时可能进行换道操作,因此需要实时处理。
4)计算目标车辆时刻与前车的距离差
ΔX=Xf-X
ΔY=Yf-Y
其中,X为坐标系中x方向上的分量,Y为坐标系中y方向上的分量,Xf为车辆该时刻相同车道上前一车辆在当前时刻X方向上的位置,Yf为车辆该时刻相同车道上前一车辆在当前时刻Y方向上的位置,因为车辆随时可能进行换道操作,因此需要实时处理。
通过以上公式遍历计算道路上每一帧预测跟驰风险所需要的特征数据。
步骤二、基于交通冲突理论的单车跟驰风险指标计算
为了提供跟驰碰撞风险的预测标签,本发明利用交通冲突理论,提出碰撞可能性和碰撞严重程度指标来量化风险状态,并利用事故树将碰撞可能性和碰撞严重程度组合一起作为实时综合碰撞指标来量化风险。
实时综合碰撞风险由以下步骤计算得到:
1、计算碰撞可能性
车辆在跟驰过程中最易发生的事故类型是碰撞,以碰撞时间(TimetoCollision)来表达ti时刻前后两车的碰撞的可能性,TTC越小表示碰撞越接近发生,当TTC低于一定值时,需要对驾驶员进行预警,一般来说,当ttc<3s时车辆间最终相距位置较危险,TTC最小阈值取3s。其中,由于跟驰车辆主要可能发生X方向上的碰撞,因此计算碰撞可能性时,主要计算X方向上的TTC,对应TTCx计算方法如下所示。
TTCX=ΔX/ΔVX
2、碰撞严重程度计算
碰撞严重程度与前后两车发生碰撞时的速度差具有正相关性,碰撞时的速度差越大,则碰撞严重程度越大,以两车速度差在ti时刻的速度差表征碰撞严重程度,当Δv高于一定值需要对驾驶员进行预警,提醒其控制车速,一般来说,当Δv>10km/h时车辆间最终碰撞较严重,Δv最大预警的阈值取10km/h。其中,由于跟驰车辆主要发生X方向上的碰撞,因此考虑碰撞的严重程度时,采取速度位于x方向上的分量进行计算处理。
ΔVX=VX-VfX
3、跟驰风险概率计算
为统一量纲,将碰撞可能性与碰撞严重程度转换为概率。
碰撞可能性概率计算如下:
碰撞严重程度概率计算如下:
p1,p2分别为碰撞概率与碰撞严重程度的风险系数。
4、跟驰综合风险指标计算
综合考虑碰撞可能性和碰撞严重程度,平衡两个指标的权重,构建了新的跟驰综合风险指标Φ,通过数据集与碰撞可能性与碰撞严重程度进行计算判断,发现当Φ值大于13.5%时需要预警:
Φ=p1*p2
步骤三、根据风险指标进行风险聚类
本步骤通过k聚类对风险指标进行风险聚类完成风险指标的定量评价。采取多个k值的选取进行聚类计算,完成分类后,计算误方差和(SSE),以误方差和为终止判断属性,误方差和的值越小,代表聚类效果越好,通过多个分类测试,构建SSE-分类数图,可知SSE的值会逐渐趋向一个最小值,发现K=2是出现的转折率最大的点。本例中选取2为最终聚类数。
以2为分类数对风险进行聚类,为所有数据增加一个风险指标标签。
步骤四、建立风险预测模型
通过SPSS分析选择相关性分析,选取相关性系数r>0.3的几个字段为选择属性,最终选取为'Total_Frames','Local_X','Local_Y','v_Length','v_Width','v_Vel','v_Acc'字段,对应的属性含义为车辆与所在路段总帧数,车辆当前时刻x坐标,车辆当前时刻y坐标,车辆长度属性,车辆宽度属性,车辆速度属性以及车辆加速度属性。本文选取上述属性建立风险预测模型,通过相应字段对5分钟后的车辆风险情况进行预测。
相关性分析:相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。相关系数r的绝对值一般在0.8以上,认为X和Y有强的相关性。0.3到0.8之间,可以认为有弱的相关性。0.3以下,认为没有相关性。
相关性系数计算:
其中Xi为X属性第i个样本的值,X为X属性的平均值。Yi为Y属性第i个样本的值,Y为Y属性的平均值。
训练属性选取完毕后,划分训练集与测试集,之后选择分类器中的分类函数,以当前的训练误差为选取指标进行选取,选取训练误差最小的分类函数,并选择误差最小的模型函数使用。本文选取模型为支持向量回归,选取指标为预测误方差值最小。
步骤五、基于碰撞风险预测的多级预警策略
通过步骤四中的模型对目标车辆五分钟后状态进行预警,预测五分钟后的跟驰综合风险值,根据对应值进行预警。
跟驰综合风险指标预警:
综合考虑碰撞可能性和碰撞严重程度,平衡两个指标的权重,计算的跟驰综合风险指标Ф,当Ф高于阈值C需要对驾驶员进行预警。
本发明的方法充分利用了驾驶行为中驾驶行为的各项参数,从而得到了一种识别方式使用范围广,计算效率高的碰撞风险预测方法。实验数据证明,在1274组实验数据下,应用本方法能够正确预测事故发生的风险数据1215组,预测错误的数据59组,准确率达95.35%。因此,在大规模的数据应用背景下也具有较高的预测准确率。
附图说明
图1发明流程框图
图2跟驰示意图
图3聚类个数提取
图4详细聚类情况
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
本发明流程框图如图1所示,该方法主要分为1、基于轨迹数据的风险特征提取;2、基于交通冲突理论的单车跟驰风险指标计算;3、根据风险指标进行风险聚类;4、建立风险预测模型;5、基于碰撞风险预测的多级预警策略。5个步骤,其中1步骤是为了将轨迹数中用于计算风险指标的参数提取出来,2步骤基于可替代性安全指标计算单车在行驶过程中的跟驰风险,3步骤根据2步骤中计算得到的跟驰风险进行风险聚类,4步骤根据相关性结果选择对应属性,并基于2,3步骤中单车风险与聚类结果进行训练,生成少属性风险的判断模型,5步骤对车辆的风险进行预测评估,为车路协同环境下车辆动态风险实时预警提供理论依据。
下面描述本发明具体计算过程。
具体执行步骤如下:
步骤一、基于轨迹数据的风险特征提取:
1、轨迹数据样例展示
车辆网环境下车辆实时的轨迹数据将被采集到,本文用视频提取的轨迹来进行碰撞风险预测的研究方法展示(本研究以NGSIM团队提取的车辆轨迹数据为例进行数据特征提取和风险标签计算,更多数据详细信息请参考https://data.transportation.gov/Automobiles/Next-Generation-Simulation-NGSIM-Vehicle-Trajector/8ect-6jqj),视频提取的轨迹样例如下:
表3视频提取轨迹数据样例
2、跟驰碰撞风险特征计算
本发明旨在根据当前车辆和前车的实时轨迹数据来预测未来一段时间内可能发生的碰撞风险水平。车辆跟驰状态下,驾驶员行驶状态不仅受个体驾驶行为的影响,同时还受到与前车交互行为的制约,因此在预测碰撞风险的过程中选取个体驾驶行为和交互行为两类特征作为风险预测的输入,个体驾驶行为特征有时间特征、编号特征、坐标特征、速度特征、加速度特征,交互行为特征有与前车距离差、与前车速度差,提取的用来预测风险的特征如表4所示:
表4模型需求数据字段
字段名称 | 特征类型 | 含义 |
Frame_ID | 个体特征 | 数据所处的时间帧,每秒30帧 |
Vehicle_ID | 个体特征 | 对于车辆的编号 |
Local_X | 个体特征 | 车辆的x坐标(高速坐标系) |
Local_Y | 个体特征 | 车辆的y坐标(高速坐标系) |
X_v | 个体特征 | 车辆在x方向上速度 |
Y_v | 个体特征 | 车辆在y方向上速度 |
X_a | 个体特征 | 车辆在x方向上加速度 |
Y_a | 个体特征 | 车辆在y方向上加速度 |
前车速度差_x | 交互特征 | 与前车在x方向上速度差 |
前车速度差_y | 交互特征 | 与前车在y方向上速度差 |
前车距离差_x | 交互特征 | 与前车在x方向上距离差 |
前车距离差_y | 交互特征 | 与前车在y方向上距离差 |
进行风险预测的个体数据特征如:时间特征、编号特征、坐标特征可以直接在轨迹数据中得到,而其余个体特征与交互特征则需要进一步进行数据处理和提取:
1)计算车辆ti时刻车辆分方向上的速度
Vxti=(Xti+1-Xti)/(ti+1-ti)
VYti=(Yti+1-Yti)/(ti+1-ti)
式中:Vxti为ti时刻车辆与x方向上的分速度;
VYti为ti时刻车辆与x方向上的分速度;
Xti为ti时刻目标车辆x方向上的坐标值;
Yti为ti时刻目标车辆y方向上的坐标值;
ti为ti时刻对应帧数;
2)计算车辆ti时刻车辆分方向上的加速度
axti=(Vti+1-Vti)/(ti+1-ti)
aYti=(Vti+1-Vti)/(ti+1-ti)
式中:axti为ti时刻车辆与x方向上的分加速度;
aYti为ti时刻车辆与x方向上的分加速度;
Vti为ti时刻目标车辆x方向上的分速度;
Vti为ti时刻目标车辆y方向上的分速度;
ti为ti时刻对应帧数;
3)计算目标车辆时刻与前车的速度差
ΔVXti=VXti-VfXti
ΔVYti=VYti-VfYti
式中:ΔVXti为目标车辆x方向上的分速度与前车差值;
ΔVYti为目标车辆y方向上的分速度与前车差值;
VXti为ti时刻车辆x方向上的分速度;
VYti为ti时刻车辆x方向上的分速度;
VfXti为ti时刻车辆前车x方向上的分速度;
VfYti为ti时刻车辆前车x方向上的分速度;
4)计算目标车辆时刻与前车的距离差
ΔXti=Xfti-Xti
ΔYti=Yfti-Yti
式中:ΔXti为ti时刻车辆x方向上距离与前车距离;
ΔYti为ti时刻车辆y方向上距离与前车距离;
Xti为ti时刻目标车辆x方向上的坐标值;
Yti为ti时刻目标车辆y方向上的坐标值;
Xfti为ti时刻目标车辆前车x方向上的坐标值;
Yfti为ti时刻目标车辆前车y方向上的坐标值;
通过以上公式遍历计算道路上每一帧预测跟驰风险所需要的特征数据。
步骤二、基于交通冲突理论的单车跟驰风险指标计算:
为了提供跟驰碰撞风险的预测标签,本发明利用交通冲突理论,提出碰撞可能性和碰撞严重程度指标来量化风险状态,并利用事故树将碰撞可能性和碰撞严重程度组合一起作为实时综合碰撞指标来量化风险。
实时综合碰撞风险由以下步骤计算得到:
1、计算碰撞可能性
其中:TTC表示前后两车在时刻ti的碰撞时间,若其值为0则表示碰撞已经发生,TTC越小表示碰撞越接近发生,当TTC低于一定值时,需要对驾驶员进行预警,人的反应时间一般取1.5s,为了使驾驶员被预告风险后有足够的操作时间,当ttc<3s时车辆间最终相距位置较危险,TTC最小阈值取3s。其中,由于跟驰车辆主要可能发生X方向上的碰撞,因此计算碰撞可能性时,主要计算X方向上的TTC。
2、碰撞严重程度计算
其中,为前后两车在时刻ti时的速度差,其值越大,碰撞严重程度越高,当Δv高于一定值需要对驾驶员进行预警,提醒其控制车速,已有研究表明速度差大于10km/h前后两车碰撞严重程度升高,速度差大于20km/h,前后辆车碰撞风险及严重程度极具增加,为使车辆碰撞严重性在较合理的范围内,将Δv最大预警的阈值取10km/h。由于跟驰车辆主要发生X方向上的碰撞,因此考虑碰撞的严重程度时,采取速度位于x方向上的分量进行计算处理。
3、跟驰风险概率计算
为统一量纲,将碰撞可能性与碰撞严重程度转换为概率。
碰撞可能性概率计算如下:
碰撞严重程度概率计算如下:
p1,p2分别为碰撞概率与碰撞严重程度的风险系数。
4、跟驰综合风险指标计算
综合考虑碰撞可能性和碰撞严重程度,平衡两个指标的权重,构建了新的跟驰综合风险指标Φ:
Φ=p1*p2
其中,Φ为前后两车跟驰综合风险,其值越小,越接近碰撞,速度差越大,碰撞严重程度也越高,由于TTC最小阈值为3,Δv最大预警的阈值为10,代入计算,得到当Φ值大于13.5%时需要预警。
步骤三、根据风险指标进行风险聚类
本步骤通过k聚类对风险指标进行风险聚类完成风险指标的定量评价。本例中采取多个k值的选取进行聚类计算,完成分类后,计算误方差和(SSE),以误方差和为终止判断属性,误方差和的值越小,代表聚类效果越好,通过多个分类测试,构建SSE-分类数图,可知SSE的值会逐渐趋向一个最小值,发现K=2是出现的转折率最大的点。本例中选取2为最终聚类数。
以2为分类数对风险进行聚类,为所有数据增加一个风险指标标签。
步骤四、建立风险预测模型
通过SPSS分析选择相关性分析,选取相关性系数r>0.3的几个字段为选择属性,最终选取为’Total_Frames’,’Local_X’,’Local_Y’,’v_Length’,’v_Width’,’v_Vel’,’v_Acc’字段,对应的属性含义为车辆与所在路段总帧数,车辆当前时刻x坐标,车辆当前时刻y坐标,车辆长度属性,车辆宽度属性,车辆速度属性以及车辆加速度属性。本文选取上述属性建立风险预测模型,通过相应字段对5分钟后的车辆风险情况进行预测。
相关性分析:相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
相关性系数计算:
其中Xi为X属性第i个样本的值,X为X属性的平均值。Yi为Y属性第i个样本的值,Y为Y属性的平均值。
训练属性选取完毕后,划分训练集与测试集,之后选择分类器中的分类函数,以当前的训练误差为选取指标进行选取,选取训练误差最小的分类函数,并选择误差最小的模型函数使用。本文选取模型为支持向量回归,选取指标为预测误方差值最小。本例中最终选用函数为linear线性核函数,具体训练误差如下表。
表5各函数训练效果
故选取支持向量机模型并使用其中的linear函数。
步骤五、基于碰撞风险预测的多级预警策略
通过步骤四中的模型对目标车辆五分钟后状态进行预警,预测五分钟后的跟驰综合风险值,根据对应值进行预警。
跟驰综合风险指标预警:
综合考虑碰撞可能性和碰撞严重程度,平衡两个指标的权重,计算的跟驰综合风险指标Ф,当Ф高于阈值C需要对驾驶员进行预警,本例中,C取13.5%。
本发明的方法充分利用了驾驶行为中驾驶行为的各项参数,从而得到了一种识别方式使用范围广,计算效率高的碰撞风险预测方法。实验数据证明,在1274组实验数据下,应用本方法能够正确预测事故发生的风险数据1215组,预测错误的数据59组,准确率达95.35%。因此,在大规模的数据应用背景下也具有较高的预测准确率。
Claims (1)
1.一种基于轨迹数据的车辆碰撞风险预测方法,其特征在于包括以下流程:
步骤一、基于轨迹数据的风险特征提取:
1.1)、轨迹数据样例展示
车辆网环境下车辆实时的轨迹数据将被采集到,用视频提取的轨迹来进行碰撞风险预测的研究方法展示,视频提取的轨迹字段如下:
表1视频提取轨迹数据字段示例
1.2)、跟驰碰撞风险特征计算
车辆跟驰状态下,驾驶员行驶状态不仅受个体驾驶行为的影响,同时还受到与前车交互行为的制约,因此在预测碰撞风险的过程中选取个体驾驶行为和交互行为两类特征作为风险预测的输入,个体驾驶行为特征有时间特征、编号特征、坐标特征、速度特征、加速度特征,交互行为特征有与前车距离差、与前车速度差,提取的用来预测风险的特征如表2所示:
表2模型需求数据字段
进行风险预测的个体数据特征如:时间特征、编号特征、坐标特征可以直接在轨迹数据中得到,而其余个体特征与交互特征则需要进一步进行数据处理和提取:
1.2.1)计算车辆ti时刻车辆分方向上的速度
Vxti=(Xti+1-Xti)/(ti+1-ti)
VYti=(Yti+1-Yti)/(ti+1-ti)
其中,ti+1为跟驰数据中可查询到的ti时刻后目标车辆第一次出现时的时刻,采用两时刻间的对应方向上距离与时间进行计算,X为坐标系中x方向上的分量,Y为坐标系中y方向上的分量;
1.2.2)计算车辆ti时刻车辆分方向上的加速度
axti=(Vti+1-Vti)/(ti+1-ti)
aYti=(Vti+1-Vti)/(ti+1-ti)
其中,ti+1为跟驰数据中可查询到的ti时刻后目标车辆第一次出现时的时刻,采用两时刻间的对应方向上距离与时间进行计算,X为坐标系中x方向上的分量,Y为坐标系中y方向上的分量;
1)计算目标车辆时刻与前车的速度差
ΔVX=VX-VfX
ΔVY=VY-VfY
其中,X为坐标系中x方向上的分量,Y为坐标系中y方向上的分量,Vf为车辆该时刻相同车道上前一车辆在当前时刻的速度,因为车辆随时可能进行换道操作,因此需要实时处理;
2)计算目标车辆时刻与前车的距离差
ΔX=Xf-X
ΔY=Yf-Y
其中,X为坐标系中x方向上的分量,Y为坐标系中y方向上的分量,Xf为车辆该时刻相同车道上前一车辆在当前时刻X方向上的位置,Yf为车辆该时刻相同车道上前一车辆在当前时刻Y方向上的位置,因为车辆随时可能进行换道操作,因此需要实时处理;
通过以上公式遍历计算道路上每一帧预测跟驰风险所需要的特征数据;
步骤二、基于交通冲突理论的单车跟驰风险指标计算
为了提供跟驰碰撞风险的预测标签,利用交通冲突理论,提出碰撞可能性和碰撞严重程度指标来量化风险状态,并利用事故树将碰撞可能性和碰撞严重程度组合一起作为实时综合碰撞指标来量化风险;
实时综合碰撞风险由以下步骤计算得到:
2.1)、计算碰撞可能性
车辆在跟驰过程中最易发生的事故类型是碰撞,以碰撞时间来表达ti时刻前后两车的碰撞的可能性,TTC越小表示碰撞越接近发生,当TTC低于一定值时,需要对驾驶员进行预警,一般来说,当ttc<3s时车辆间最终相距位置较危险,TTC最小阈值取3s;其中,由于跟驰车辆主要可能发生X方向上的碰撞,因此计算碰撞可能性时,主要计算X方向上的TTC,对应TTCx计算方法如下所示;
TTCX=ΔX/ΔVX
2.2)、碰撞严重程度计算
碰撞严重程度与前后两车发生碰撞时的速度差具有正相关性,碰撞时的速度差越大,则碰撞严重程度越大,以两车速度差在ti时刻的速度差表征碰撞严重程度,当Δv高于一定值需要对驾驶员进行预警,提醒其控制车速,一般来说,当Δv>10km/h时车辆间最终碰撞较严重,Δv最大预警的阈值取10km/h;其中,由于跟驰车辆主要发生X方向上的碰撞,因此考虑碰撞的严重程度时,采取速度位于x方向上的分量进行计算处理;
ΔVX=VX-Vfx
2.3)、跟驰风险概率计算
为统一量纲,将碰撞可能性与碰撞严重程度转换为概率;
碰撞可能性概率计算如下:
碰撞严重程度概率计算如下:
p1,p2分别为碰撞概率与碰撞严重程度的风险系数;
2.4)、跟驰综合风险指标计算
综合考虑碰撞可能性和碰撞严重程度,平衡两个指标的权重,构建了新的跟驰综合风险指标Φ,通过数据集与碰撞可能性与碰撞严重程度进行计算判断,发现当Φ值大于13.5%时需要预警:
Φ=p1*p2
步骤三、根据风险指标进行风险聚类
本步骤通过k聚类对风险指标进行风险聚类完成风险指标的定量评价;选取2为最终聚类数;以2为分类数对风险进行聚类,为所有数据增加一个风险指标标签;
步骤四、建立风险预测模型
通过SPSS分析选择相关性分析,选取相关性系数r>0.3的几个字段为选择属性,最终选取为’Total_Frames’,’Local_X’,’Local_Y’,’v_Length’,’v_Width’,’v_Vel’,’v_Acc’字段,对应的属性含义为车辆与所在路段总帧数,车辆当前时刻x坐标,车辆当前时刻y坐标,车辆长度属性,车辆宽度属性,车辆速度属性以及车辆加速度属性;选取上述属性建立风险预测模型,通过相应字段对5分钟后的车辆风险情况进行预测;
相关性分析:相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度;
相关系数r的绝对值在0.8以上,认为X和Y有强的相关性;0.3到0.8之间,认为有弱的相关性;0.3以下,认为没有相关性;
相关性系数计算:
其中Xi为X属性第i个样本的值,X为X属性的平均值;Yi为Y属性第i个样本的值,Y为Y属性的平均值;
训练属性选取完毕后,划分训练集与测试集,之后选择分类器中的分类函数,以当前的训练误差为选取指标进行选取,选取训练误差最小的分类函数,并选择误差最小的模型函数使用;选取模型为支持向量回归,选取指标为预测误方差值最小;
步骤五、基于碰撞风险预测的多级预警策略
通过步骤四中的模型对目标车辆五分钟后状态进行预警,预测五分钟后的跟驰综合风险值,根据对应值进行预警;
跟驰综合风险指标预警:
综合考虑碰撞可能性和碰撞严重程度,平衡两个指标的权重,计算的跟驰综合风险指标Φ,当Φ高于阈值C需要对驾驶员进行预警,其中,C取13.5%;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210737306.XA CN115588310A (zh) | 2022-06-28 | 2022-06-28 | 一种基于轨迹数据的车辆碰撞风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210737306.XA CN115588310A (zh) | 2022-06-28 | 2022-06-28 | 一种基于轨迹数据的车辆碰撞风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115588310A true CN115588310A (zh) | 2023-01-10 |
Family
ID=84772345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210737306.XA Pending CN115588310A (zh) | 2022-06-28 | 2022-06-28 | 一种基于轨迹数据的车辆碰撞风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115588310A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983636A (zh) * | 2022-12-26 | 2023-04-18 | 深圳市中政汇智管理咨询有限公司 | 风险评估方法、装置、设备及存储介质 |
CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
CN116978257A (zh) * | 2023-08-11 | 2023-10-31 | 山东大学 | 基于轨迹预测的公路合流区冲突预警方法及系统 |
CN117077042A (zh) * | 2023-10-17 | 2023-11-17 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及系统 |
-
2022
- 2022-06-28 CN CN202210737306.XA patent/CN115588310A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983636A (zh) * | 2022-12-26 | 2023-04-18 | 深圳市中政汇智管理咨询有限公司 | 风险评估方法、装置、设备及存储介质 |
CN116226787A (zh) * | 2023-05-04 | 2023-06-06 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
CN116978257A (zh) * | 2023-08-11 | 2023-10-31 | 山东大学 | 基于轨迹预测的公路合流区冲突预警方法及系统 |
CN117077042A (zh) * | 2023-10-17 | 2023-11-17 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及系统 |
CN117077042B (zh) * | 2023-10-17 | 2024-01-09 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115588310A (zh) | 一种基于轨迹数据的车辆碰撞风险预测方法 | |
Xue et al. | Rapid driving style recognition in car-following using machine learning and vehicle trajectory data | |
Moujahid et al. | Machine learning techniques in ADAS: A review | |
CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
CN113744563B (zh) | 一种基于轨迹数据的路-车风险实时估计方法 | |
Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
JP6519434B2 (ja) | 運転支援装置 | |
CN110239559B (zh) | 基于新能源车数据的危险驾驶车辆检测方法及装置 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN105975757A (zh) | 一种基于车辆行驶数据的急减速行为识别方法 | |
CN110727706A (zh) | 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法 | |
WO2016107876A1 (en) | Vehicular motion monitoring method | |
CN112100857B (zh) | 一种分心驾驶行为的风险评估方法 | |
CN112749210A (zh) | 基于深度学习的车辆碰撞识别方法和系统 | |
Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
Oh et al. | In-depth understanding of lane changing interactions for in-vehicle driving assistance systems | |
CN114037015A (zh) | 基于驾驶模式原语的驾驶行为安全性分析方法 | |
Zardosht et al. | Identifying driver behavior in preturning maneuvers using in-vehicle CANbus signals | |
Yarlagadda et al. | Heterogeneity in the driver behavior: an exploratory study using real-time driving data | |
CN105869412A (zh) | 一种基于车辆行驶数据的急加速行为识别方法 | |
Liu et al. | Identification of driver distraction based on SHRP2 naturalistic driving study | |
CN115456036A (zh) | 基于北斗数据的营运车辆异常驾驶行为识别方法及系统 | |
CN113761715A (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model |
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 |