CN116246468B - 基于多元时空数据的分心驾驶风险路段识别与管控方法 - Google Patents

基于多元时空数据的分心驾驶风险路段识别与管控方法 Download PDF

Info

Publication number
CN116246468B
CN116246468B CN202310244470.1A CN202310244470A CN116246468B CN 116246468 B CN116246468 B CN 116246468B CN 202310244470 A CN202310244470 A CN 202310244470A CN 116246468 B CN116246468 B CN 116246468B
Authority
CN
China
Prior art keywords
track
road section
index
branch road
end collision
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.)
Active
Application number
CN202310244470.1A
Other languages
English (en)
Other versions
CN116246468A (zh
Inventor
党晓旭
吴洲豪
吕益刚
贺鹏举
汪泽
尉泽辉
冯套柱
李玲
金书鑫
李聪
滕王滕菲
马科杨
马博
杨柳
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.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
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 Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202310244470.1A priority Critical patent/CN116246468B/zh
Publication of CN116246468A publication Critical patent/CN116246468A/zh
Application granted granted Critical
Publication of CN116246468B publication Critical patent/CN116246468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多元时空数据的分心驾驶风险路段识别与管控方法，实现了基于车辆历史轨迹、道路几何线型特征等多元时空数据分析的分心驾驶风险路段识别管控，包括基于道路结构特征的分心驾驶分析路段语义分割、基于历史轨迹及道路几何特征分析的加权分心驾驶指数统计(分心驾驶行为频率指数＝追尾指数+轨迹线型突变指数)、分心驾驶风险路段分类识别，风险路段分类管控，该方法突破了传统管控方法仅着眼于车辆本身分心驾驶行为导致管控效率低、车辆传感设备依赖性高的局限，可显著提高道路网络整体分心驾驶风险路段识别管控水平，降低相关事故风险。

Description

基于多元时空数据的分心驾驶风险路段识别与管控方法
技术领域
本发明属于道路驾驶安全监管技术领域，具体涉及一种基于多元时空数据的分心驾驶风险路段识别与管控方法。
背景技术
随着社会不断发展，汽车需求量和实用量逐渐增多，驾驶汽车时总会出现各种影响交通安全的行为，其中分心驾驶在驾驶行为中尤为常见，在驾驶汽车过程中一旦驾驶员分心就极易导致交通事故。
汽车产业的高速发展以智能网联技术的不断普及，智能辅助安全驾驶需求日益增加；而驾驶事故中，因为驾驶员注意力不集中分心而导致的交通事故比逐年增加，通过智能辅助安全驾驶对驾驶行为进行检测和提醒的需求也越来越高。
发明内容
针对现有技术中的上述不足，本发明提供的基于多元时空数据的分心驾驶风险路段识别与管控方法解决了传统管控方法仅着眼于车辆本身分心驾驶行为导致管控效率低、车辆传感设备依赖性高的局限的问题。
为了达到上述发明目的，本发明采用的技术方案为：基于多元时空数据的分心驾驶风险路段识别与管控方法，包括以下步骤：
S1、采集目标区域的路网数据，并进行分心驾驶风险路段语义划分；
S2、采集目标区域的动态/历史车辆轨迹数据，进而计算分心驾驶的分向路段的分心驾驶指数；
其中，分心驾驶指数包括追尾风险指数和轨迹线型突变指数；
S3、根据计算的加权分心驾驶指数，识别各分向路段的分心驾驶风险等级；
S4、根据各分向路段的分心驾驶风险等级，进行路段分类管控。
进一步地，所述步骤S1具体为：
S11、采集目标区域的路网数据，并修复异常路网数据，确定路网信息图；
S12、在路网信息图中，将100米以内的所有交汇口端点的形心识别为逻辑道路交叉口；
S13、对相邻两个逻辑道路交叉口之间的路段划分逻辑分向路段，实现分心驾驶风险管控路段的语义划分。
进一步地，所述步骤S13中划分逻辑分向路段的方法具体为：
S13-1、连接相邻两个逻辑道路交叉口，获得射线AB；
S13-2、根据射线AB的长度，划分逻辑分向路段，并进行路段编号；
当射线AB小于1公里时，将射线AB作为逻辑分向路段，并进行路段编号；
当射线AB大于1公里但小于2公里时，以射线AB中点进行切割划分，获得两段逻辑分向路段，并进行路段编号；
当射线AB大于2公里时，以逻辑道路交叉口A为起点，1公里为间隔对射线AB依次进行逻辑分向路段划分，直到最后一个划分点C至逻辑道路交叉口B的距离小于2公里时，以射线CB中点进行切割划分得到对应两段逻辑分向路段，对每个划分出的逻辑分向路段，依次进行路段编号；
其中，进行路段编号的方法为：
将逻辑道路交叉口A到B方向的逻辑分向路段依次编号为1,2,3,…,s，将逻辑道路交叉口B到A方向的逻辑分向路段依次编号为s+1,s+2,s+3,…,s+s；s为划分出的逻辑分向路段数量，s为正整数。
进一步地，所述步骤S2中，匹配分心驾驶的分向路段的方法具体为：
SA21、采集目标区域的动态/历史车辆轨迹数据，对其处理并分别构建各车辆的历史出行轨迹集合和动态出行轨迹集合；
SA22、遍历各车辆的历史/动态出行轨迹集合中的轨迹点数据；
SA23、对历史/动态出行轨迹集合中的轨迹点，获取其临近范围内的临近连接线集合；
SA24、对临近连接线集合不为空的轨迹点，遍历其对应的临近连接线集合，并确定该轨迹点的方位角射线与各临近连接线切线的夹角；
SA25、根据夹角大小，匹配分向路段：
当存在小于45度的夹角时，将最小夹角的临近连接线作为匹配连接线，其对应的虚拟分向路段作为匹配的分向路段；
当所有夹角均大于45度时，则若临近连接线最大夹角大于135度，则以该连接线对应分向路段的反向路段作为匹配的分向路段。
进一步地，所述步骤S2中，计算追尾风险指数的方法为：
A1、根据目标区域的路网数据，进行追尾驾驶路段语义划分；
A2、根据目标区域的动态/历史车辆轨迹数据，进行轨迹出行路径匹配，得到追尾风险分向路段；
A3、根据分心驾驶分的分向路段和追尾风险的分向路段的对应关系，对于每个分向驾驶的分向路段，在追尾风险的分向路段中划分与分心驾驶对应的路段；
A4、计算在追尾风险的分向路段中与分心驾驶对应的路段的追尾风险指数，作为该分心驾驶分向路段的追尾风险指数。
进一步地，所述步骤A4中，分心驾驶的分向路段j在时段t的追尾风险指数DistractRE(j,t)为：
DistracRE(j,t)＝∑i∈IREIndi(i,t)
式中，I为分心驾驶的分向路段j对应的追尾风险的分向路段集合，REIndi(i,t)为追尾风险的分向路段i在时段t对应追尾风险指数；
其中，追尾风险REIndi(i,t)为：
REIndi(i,t)＝w1*w2*w3*Dindi
式中，w1为追尾风险分向路段的相对疲劳指数对应的相对疲劳风险等级权重，w2为追尾风险分向路段的绝对疲劳指数对应的绝对疲劳风险等级权重，w3为追尾风险分向路段的流量指数权重，Dindi为追尾风险分向路段的急减速指数；
其中，相对疲劳指数对应的风险等级根据分向路段的相对疲劳指数进行1～10级的风险等级划分，绝对疲劳风险等级根据分向路段的绝对疲劳风险指数，按自然间断法分10级进行间断排序得到，流量指数权重根据动态时段平均车道流量所属范围确定。
进一步地，所述步骤S2中，计算轨迹线型突变指数的方法为：
B1、获取历史轨迹出现集合中各轨迹点对应的匹配连接线集合；
B2、基于匹配连接线集合，遍历同一分向路段中各车辆的出行轨迹；
B3、对于出行轨迹中的各轨迹点，选取连续位于同一分向路段的轨迹点及其前后点；
B4、根据选取的轨迹点及其前后点，计算对应的线型突变指数TraceMutIndi；
式中，di和di+1分别为第i个轨迹点和第i+1个轨迹点至其邻近匹配连接线的垂直距离，hi为前后两个轨迹点之间的欧氏距离；
B5、将各分向路段中所有出行轨迹的线型突变指数平均值作为该分向路段的轨迹线型突变指数。
进一步地，所述步骤S3中，分心驾驶指数DistractRisk为：
DistractRisk＝w1*w2
式中，w1为追尾风险指数对应风险等级的权重，其中，追尾风险指数对应风险等级根据追尾指数按照自然间断法分为1～10级，w2为轨迹线型突变指数对应轨迹突变等级的权重，轨迹突变等级根据追尾风险指数按照自然间断法分为1～10级。
进一步地，所述步骤S3中，识别分心驾驶风险等级的方法为：
根据当前时刻，筛选上一时段车辆采样数大于50次的分向路段，根据其对应的加权分心驾驶指数，按自然间断法分10级进行间断排序，获得各分向路段的分心驾驶风险等级。
进一步地，所述步骤S4中，进行路段分类管控的方法为：
对分心驾驶风险等级小于4的分向路段，不进行管控；
对分心驾驶风险等级为5～7的分向路段，联动电子导航地图进行提醒；
对分心驾驶风险等级为8～10的分向路段，对分向路段间隔1公里设置提醒标识，同时联动电子导航地图进行提醒；
对加权分心驾驶风险指数为目标区域内前100的分向路段，对分向路段间隔1公里设置提醒标识、联动电子导航地图进行提醒并设置临时休息区。
本发明的有益效果为：
(1)本发明实现了基于车辆历史轨迹、道路几何线型特征等多元时空数据分析的分心驾驶风险路段识别管控，包括基于道路结构特征的分心驾驶分析路段语义分割、基于历史轨迹及道路几何特征分析的加权分心驾驶指数统计(分心驾驶行为频率指数＝追尾指数+轨迹线型突变指数)、分心驾驶风险路段分类识别，风险路段分类管控；
(2)本发明方法突破了传统管控方法仅着眼于车辆本身分心驾驶行为导致管控效率低、车辆传感设备依赖性高的局限；
(3)本发明方法可显著提高道路网络整体分心驾驶风险路段识别管控水平，降低相关事故风险。
附图说明
图1为本发明提供的基于多元时空数据的分心驾驶风险路段识别与管控方法流程图。
图2为本发明提供的路段语义划分前示意图。
图3为本发明提供的路段语义划分后示意图。
图4为本发明提供的异常轨迹点数据剔除示意图。
图5为本发明提供的轨迹点匹配临近连接线示意图。
图6为本发明提供的轨迹点减速速度估计示意图。
图7为本发明提供的轨迹线型突变指数测试示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明实施例提供了基于多元时空数据的分心驾驶风险路段识别与管控方法，如图1所示，包括以下步骤：
S1、采集目标区域的路网数据，并进行分心驾驶风险路段语义划分；
S2、采集目标区域的动态/历史车辆轨迹数据，进而计算分心驾驶的分向路段的分心驾驶指数；
其中，分心驾驶指数包括追尾风险指数和轨迹线型突变指数；
S3、根据计算的加权分心驾驶指数，识别各分向路段的分心驾驶风险等级；
S4、根据各分向路段的分心驾驶风险等级，进行路段分类管控。
在本发明实施例的步骤S1中，原始地理信息GIS路网数据由于具有不规则的底层数据结构，其中道路连接线数据无法直接作为研究统计分析对象，需首先根据连接线数据特征进行语义划分，划分后的分向路段逻辑单元作为研究统计对象单元。基于此，本发明实施例的步骤S1具体为：
S11、采集目标区域的路网数据，并修复异常路网数据，确定路网信息图；
S12、在路网信息图中，将100米以内的所有交汇口端点的形心识别为逻辑道路交叉口；
S13、对相邻两个逻辑道路交叉口之间的路段划分逻辑分向路段，实现分心驾驶风险管控路段的语义划分。
本实施例的步骤S11中，获取目标区域内的路网GIS底层数据，并人工修复异常数据，如悬挂线和数据逻辑错误的。
本实施例的步骤S12中，如图2所示，定义路网信息图中两条连接线断点距离小于1米为相交状态，对于三条连接线及以上具有相交状态的端点，识别为交汇点，即图2中的GIS连线端点a～h；对于100米以内的所有交汇口端点的形心，识别为逻辑道路交叉口，即图2中的虚拟点AB。
在本实施例的步骤S13中，以图2为例，对于识别出的临近两个逻辑道路交叉口A,B之间的连线进行语义路段划分，划分方法具体为：
S13-1、连接相邻两个逻辑道路交叉口，获得射线AB；
S13-2、根据射线AB的长度，划分逻辑分向路段，并进行路段编号；
当射线AB小于1公里时，将射线AB作为逻辑分向路段，并进行路段编号；
当射线AB大于1公里但小于2公里时，以射线AB中点进行切割划分，获得两段逻辑分向路段，并进行路段编号；
当射线AB大于2公里时，以逻辑道路交叉口A为起点，1公里为间隔对射线AB依次进行逻辑分向路段划分，直到最后一个划分点C至逻辑道路交叉口B的距离小于2公里时，以射线CB中点进行切割划分得到对应两段逻辑分向路段，对每个划分出的逻辑分向路段，依次进行路段编号；
其中，进行路段编号的方法为：
将逻辑道路交叉口A到B方向的逻辑分向路段依次编号为1,2,3,…,s，将逻辑道路交叉口B到A方向的逻辑分向路段依次编号为s+1,s+2,s+3,…,s+s；s为划分出的逻辑分向路段数量，s为正整数。
划分出的逻辑分向路段如图3所示，具体地：
(1)当射线AB小于1公里时，则对应与AB同向的连接线如cd、dg、gh，赋同一分向路段编号s，与AB反向的连接线如fe、eb、ba，赋另一分向路段编号s+1；
(2)当射线AB大于1公里但小于2公里时，以AB中点C对AB做垂线，相交对应连接线dg、eb交点作为切割点划分逻辑分路段并编号；
(3)当射线AB大于2公里时，从A出发，按1公里为单位打断AB，直至剩余段落距离不足2公里，在中点打断，如图3所示，划分对应逻辑分向路段并编号。
本发明实施例的步骤S2中，匹配分心驾驶的分向路段的方法具体为：
SA21、采集目标区域的动态/历史车辆轨迹数据，对其处理并分别构建各车辆的历史出行轨迹集合和动态出行轨迹集合；
SA22、遍历各车辆的历史/动态出行轨迹集合中的轨迹点数据；
SA23、对历史/动态出行轨迹集合中的轨迹点，获取其临近范围内的临近连接线集合；
SA24、对临近连接线集合不为空的轨迹点，遍历其对应的临近连接线集合，并确定该轨迹点的方位角射线与各临近连接线切线的夹角；
SA25、根据夹角大小，匹配分向路段：
当存在小于45度的夹角时，将最小夹角的临近连接线作为匹配连接线，其对应的虚拟分向路段作为匹配的分向路段；
当所有夹角均大于45度时，则若临近连接线最大夹角大于135度，则以该连接线对应分向路段的反向路段作为匹配的分向路段。
本实施例的步骤SA21中，构建历史出行轨迹集合的方法为：
SA21-A1、采集目标区域的历史车辆轨迹数据，并按车辆对轨迹点数据分组；
SA21-A2、对各车辆轨迹点数据按采样时间顺序排列，并剔除异常轨迹点数据，获得轨迹序列；
SA21-A3、识别轨迹序列中的出行中断点，并构建中断点集合P；
SA21-A4、根据构建的中断点集合P，识别车辆出行段落，进而获得各车辆的出行轨迹集合；
在步骤SA21-A1中，通过采样车辆卫星定位、国际货运监管平台、网络货运平台等数据源获取货车轨迹数据，其中获取的轨迹点数据格式如表1所示；
表1轨迹点字段属性
在步骤SA21-A2中，剔除异常轨迹点数据的方法为：
如图4所示，按轨迹点数据的时间顺序遍历起始轨迹点到到达轨迹点之间的所有轨迹点P(i)，若P(i)到P(i-1)与P(i+1)距离均超过阈值1公里，同时P(i-1)到P(i+1)距离D(i-1,i+1)小于1公里，则将P(i)视为离群的异常轨迹点数据并剔除。
在步骤SA21-A3中，将对前向车速为0的轨迹点，若累积停止时间超过30分钟的轨迹点识别为出行中断点，进而获得中断点集合。
在步骤SA21-A4中，将每个出行中断点后第一个速度不为0的轨迹点视为起点，到下一个出行中断点间连续过个轨迹点，识别为一个出行段落，进而获得各车辆的出行轨迹集合。
本实施例的步骤SA21中，构建动态出行轨迹集合的方法为：
SA21-B1、设置时段间隔，按当前时刻汇总上一时段间隔内的轨迹点数据；
SA21-B2、按车辆对汇总时段的轨迹点数据分组；
SA21-B3、对各车辆的轨迹点数据集合进行遍历，并剔除异常轨迹点数据，构建出动态出行轨迹集合。
在步骤SA21-B1中，通过采样车辆卫星定位、国际货运监管平台、网络货运平台等数据源获取车辆实时轨迹数据，其中获取的轨迹点数据格式同表1所示；以10分钟时段间隔，按当前时刻上一时段汇总上传轨迹点，如当前时刻为早8点11分，则所处时段为早8点10分-8点20分时段，上一时段即为早8点-8点10分时段。
在步骤SA21-B3中，剔除异常轨迹点数据的方法同步骤SA21-A2。
在步骤SA23中，临近连接线是指地图GIS数据中的最底层连接线单元，每个连接线由一系列道路节点连接组成，有对应道路属性、等级、反向(单向或双向)、起点编号、终点编号以及前面确定的分向路段编号；对于每一个轨迹点，获取临近范围内临近连接线集合，首选搜索30米范围内临近连接线集合，若为空集则进一步扩大搜索范围为40米，依次类推，直至60米，若60米内仍无临近连接线，则输出该记录并进行路网检查。
在步骤SA25中，虚拟分向路段是指通过逻辑道路交叉口A指向B的射线划分的逻辑路段；在匹配分向路段的过程中，当所有角均大于45度但小于135度时，表示连接线匹配失败，即不认为轨迹点从该连接线经过。
在步骤SA25中，对轨迹点匹配连接线如图5所示，其中β1和β2为均为45度以下的夹角。
在本发明实施例的步骤S2中，计算追尾风险指数的方法为：
A1、根据目标区域的路网数据，进行追尾驾驶路段语义划分；
A2、根据目标区域的动态/历史车辆轨迹数据，进行轨迹出行路径匹配，得到追尾风险分向路段；
A3、根据分心驾驶分的分向路段和追尾风险的分向路段的对应关系，对于每个分向驾驶的分向路段，在追尾风险的分向路段中划分与分心驾驶对应的路段；
A4、计算在追尾风险的分向路段中与分心驾驶对应的路段的追尾风险指数，作为该分心驾驶分向路段的追尾风险指数。
在上述步骤A1中，进行追尾风险路段的语义划分方法与进行分心驾驶路段语义划分的方法类似，在具体划分逻辑分向路段时，以图2为例，具体划分方法为：
连接相邻两个逻辑道路交叉口，获得射线AB；
根据射线AB的长度，划分逻辑分向路段，并进行路段编号；
当射线AB小于400米时，将射线AB作为逻辑分向路段，并进行路段编号；
当射线AB大于400米时，以逻辑道路交叉口A为起点，200米为间隔对射线AB依次进行逻辑分向路段划分，直到最后一个划分点C至逻辑道路交叉口B的距离小于400米时，以射线CB中点进行切割划分得到对应两段逻辑分向路段，对每个划分出的逻辑分向路段，依次进行路段编号；路段编号方式与上述划分分心驾驶路段时的编号方法相同，在此不再赘述。
在上述步骤A2中，进行轨迹出行路径匹配得到追尾风险对应分向路段的方法相同，在此不再赘述。
在上述步骤A3中，对各分心驾驶分向路段所属连接线，分析其在追尾风险分向路段中的对应划分情况，若全部划分至同一分向路段，则该分向路段为对应的路段，若划分至多于1个分心驾驶的分向路段，则选择划分长度比例最大的分心驾驶分向路段作为对应的路段。
在上述步骤A4中，计算追尾风险指数的方法为：
按照与分心驾驶路段语义划分与出行路径轨迹匹配相同的方法，划分并匹配疲劳驾驶风险路段的分向路段，对于匹配的分向路段，分别计算疲劳指数、流量指数以及急减速指数，进而得到追尾风险指数。
具体地，对于疲劳指数，按照与分心驾驶路段语义划分与出行路径轨迹匹配相同的方法，匹配疲劳驾驶的分向路段，对应匹配的分向路段，分别计算相对疲劳指数和绝对疲劳指数；
对于任一时段内，任一路段连续驾驶t小时的相对疲劳指数RIt为：
式中，λ为预设的时段权重，n为连续驾驶时间大于t小时的出行次数，N为出行总次数；
对于任一时段内，任一路段连续驾驶t小时的绝对疲劳指数AIt为：
AIt＝λ∑icnti×wi
式中，cnti为连续驾驶时段i的出行采样次数，wi为cnti对应的权重。
具体地，对于每一分向路段，按20分钟时间间隔统计该间隔内的出行次数，若同一出行轨迹在同一路段上有连续多个轨迹点，则以最后轨迹点对应驾驶时间为准，不重复统计；并统计预设时段内，每一时间间隔下的平均连续驾驶时长，统计结果如表2所示；
表2连续驾驶时间统计
在计算相对疲劳指数时，时段1权重为0.5，时段2权重为1.5，时段3权重为1.0，时段4权重为3.0。
在计算绝对疲劳指数时，wi设置如表3所示；
表3连续驾驶时间权重
连续驾驶时段 权重
2小时20分 1
2小时40分 1.2
3小时 1.4
... ...
9小时40分 5.4
10小时 5.6
大于10小时 10
对于流量指数，对于匹配的追尾风险的分向路段，获取历史轨迹出行集合中各轨迹点对应的匹配连接线集合；依次确定各轨迹点处的车速，对于车速大于0的轨迹点，参考其匹配连接线，统计对应分向路段各时段各车道流量；将分向路段内动态时段的平均车道流量作为该分向路段的流量指数；具体地，对于同一车辆同一追尾风险分向路段仅统计一次，不重复统计。
对于急减速指数，其计算方法为：
(1)对于匹配的追尾风险方向路段，遍历各车辆的历史轨迹点出行集合中的轨迹点；
(2)根据前向连续三个轨迹点之间的速度关系，识别减速事件；
(3)计算减速事件中中间轨迹点的减速速度；
(4)将各分向路段中所属连接线中轨迹点减速速度大于预设值的次数与减速事件总次数的比值，作为该分向路段的急减速指数。
在上述步骤(2)中，当轨迹点pi+1的速度vi+1＝0，且0<vi<vi-1时，识别为出现减速事件；其中，下标i为轨迹点序号；
在上述步骤(3)中，如图6所示，中间轨迹点pi的减速速度Di计算公式为：
式中，difv为轨迹点pi和pi-1的速度差，refdist1为第一参考距离，refdist2为第二参考距离；
其中，refdist1＝vi-1*diftime，diftime为轨迹点pi和pi-1间的时间间隔，difdist为轨迹点pi和pi-1的欧氏距离，diffh为(refdist1-refdist)>1米时，轨迹点pi-1和pi的高差。
在上述步骤(4)中，减速速度预设值为3.0m/s2。
基于上述追尾风险指数的确定方法，得到本实施例中，分心驾驶的分向路段j在时段t的追尾风险指数DistractRE(j,t)为：
DistracRE(j,t)＝∑i∈IREIndi(i,t)
式中，I为分心驾驶的分向路段j对应的追尾风险的分向路段集合，REIndi(i,t)为追尾风险的分向路段i在时段t对应追尾风险指数；
其中，追尾风险REIndi(i,t)为：
REIndi(i,t)＝w1*w2*w3*Dindi
式中，w1为追尾风险分向路段的相对疲劳指数对应的相对疲劳风险等级权重，w2为追尾风险分向路段的绝对疲劳指数对应的绝对疲劳风险等级权重，w3为追尾风险分向路段的流量指数权重，Dindi为追尾风险分向路段的急减速指数；
其中，相对疲劳指数对应的风险等级根据分向路段的相对疲劳指数进行1～10级的风险等级划分，绝对疲劳风险等级根据分向路段的绝对疲劳风险指数，按自然间断法分10级进行间断排序得到，流量指数权重根据动态时段平均车道流量所属范围确定。
在本发明实施例的步骤S2中，由于轨迹线型不变或变化较大时，说明驾驶员未分心，而轨迹连续线型有轻微变化时，说明驾驶员有可能分心，因此实施例基于历史轨迹数据进行轨迹线型突变指数计算，作为分心驾驶风险权重之一。
基于图7所示内容，计算轨迹线型突变指数的方法为：
B1、获取历史轨迹出现集合中各轨迹点对应的匹配连接线集合；
B2、基于匹配连接线集合，遍历同一分向路段中各车辆的出行轨迹；
B3、对于出行轨迹中的各轨迹点，选取连续位于同一分向路段的轨迹点及其前后点；
B4、根据选取的轨迹点及其前后点，计算对应的线型突变指数TraceMutIndi；
式中，di和di+1分别为第i个轨迹点和第i+1个轨迹点至其邻近匹配连接线的垂直距离，hi为前后两个轨迹点之间的欧氏距离；
B5、将各分向路段中所有出行轨迹的线型突变指数平均值作为该分向路段的轨迹线型突变指数。
在本发明实施例中，步骤S3中，分心驾驶指数DistractRisk为：
DistractRisk＝w1*w2
式中，w1为追尾风险指数对应风险等级的权重，其中，追尾风险指数对应风险等级根据追尾指数按照自然间断法分为1～10级，w2为轨迹线型突变指数对应轨迹突变等级的权重，轨迹突变等级根据追尾风险指数按照自然间断法分为1～10级。
在本发明实施例的步骤S3中，识别分心驾驶风险等级的方法为：
根据当前时刻，筛选上一时段车辆采样数大于50次的分向路段，根据其对应的加权分心驾驶指数，按自然间断法分10级进行间断排序，获得各分向路段的分心驾驶风险等级。
在本发明实施例的步骤S4中，进行路段分类管控的方法为：
对分心驾驶风险等级小于4的分向路段，不进行管控；
对分心驾驶风险等级为5～7的分向路段，联动电子导航地图进行提醒；
对分心驾驶风险等级为8～10的分向路段，对分向路段间隔1公里设置提醒标识，同时联动电子导航地图进行提醒；
对加权分心驾驶风险指数为目标区域内前100的分向路段，对分向路段间隔1公里设置提醒标识、联动电子导航地图进行提醒并设置临时休息区。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.基于多元时空数据的分心驾驶风险路段识别与管控方法，其特征在于，包括以下步骤：
S1、采集目标区域的路网数据，并进行分心驾驶风险路段语义划分；
S2、采集目标区域的动态/历史车辆轨迹数据，进而计算分心驾驶的分向路段的分心驾驶指数；
其中，分心驾驶指数包括追尾风险指数和轨迹线型突变指数；
S3、根据计算的加权分心驾驶指数，识别各分向路段的分心驾驶风险等级；
S4、根据各分向路段的分心驾驶风险等级，进行路段分类管控；
所述步骤S1具体为：
S11、采集目标区域的路网数据，并修复异常路网数据，确定路网信息图；
S12、在路网信息图中，将100米以内的所有交汇口端点的形心识别为逻辑道路交叉口；
S13、对相邻两个逻辑道路交叉口之间的路段划分逻辑分向路段，实现分心驾驶风险管控路段的语义划分；
所述步骤S13中划分逻辑分向路段的方法具体为：
S13-1、连接相邻两个逻辑道路交叉口，获得射线AB；
S13-2、根据射线AB的长度，划分逻辑分向路段，并进行路段编号；
当射线AB小于1公里时，将射线AB作为逻辑分向路段，并进行路段编号；
当射线AB大于1公里但小于2公里时，以射线AB中点进行切割划分，获得两段逻辑分向路段，并进行路段编号；
当射线AB大于2公里时，以逻辑道路交叉口A为起点，1公里为间隔对射线AB依次进行逻辑分向路段划分，直到最后一个划分点C至逻辑道路交叉口B的距离小于2公里时，以射线CB中点进行切割划分得到对应两段逻辑分向路段，对每个划分出的逻辑分向路段，依次进行路段编号；
其中，进行路段编号的方法为：
将逻辑道路交叉口A到B方向的逻辑分向路段依次编号为1,2,3,…,s，将逻辑道路交叉口B到A方向的逻辑分向路段依次编号为s+1,s+2,s+3,…,s+s；s为划分出的逻辑分向路段数量，s为正整数；
所述步骤S2中，匹配分心驾驶的分向路段的方法具体为：
SA21、采集目标区域的动态/历史车辆轨迹数据，对其处理并分别构建各车辆的历史出行轨迹集合和动态出行轨迹集合；
SA22、遍历各车辆的历史/动态出行轨迹集合中的轨迹点数据；
SA23、对历史/动态出行轨迹集合中的轨迹点，获取其临近范围内的临近连接线集合；
SA24、对临近连接线集合不为空的轨迹点，遍历其对应的临近连接线集合，并确定该轨迹点的方位角射线与各临近连接线切线的夹角；
SA25、根据夹角大小，匹配分向路段：
当存在小于45度的夹角时，将最小夹角的临近连接线作为匹配连接线，其对应的虚拟分向路段作为匹配的分向路段；
当所有夹角均大于45度时，则若临近连接线最大夹角大于135度，则以该连接线对应分向路段的反向路段作为匹配的分向路段；
所述步骤S2中，计算追尾风险指数的方法为：
A1、根据目标区域的路网数据，进行追尾驾驶路段语义划分；
A2、根据目标区域的动态/历史车辆轨迹数据，进行轨迹出行路径匹配，得到追尾风险分向路段；
A3、根据分心驾驶分的分向路段和追尾风险的分向路段的对应关系，对于每个分向驾驶的分向路段，在追尾风险的分向路段中划分与分心驾驶对应的路段；
A4、计算在追尾风险的分向路段中与分心驾驶对应的路段的追尾风险指数，作为该分心驾驶分向路段的追尾风险指数；
所述步骤A4中，分心驾驶的分向路段j在时段t的追尾风险指数为：
式中，I为分心驾驶的分向路段j对应的追尾风险的分向路段集合，为追尾风险的分向路段i在时段t对应追尾风险指数；
其中，追尾风险为：
式中，为追尾风险分向路段的相对疲劳指数对应的相对疲劳风险等级权重，/>为追尾风险分向路段的绝对疲劳指数对应的绝对疲劳风险等级权重，/>为追尾风险分向路段的流量指数权重，/>为追尾风险分向路段的急减速指数；
其中，相对疲劳指数对应的风险等级根据分向路段的相对疲劳指数进行1~10级的风险等级划分，绝对疲劳风险等级根据分向路段的绝对疲劳风险指数，按自然间断法分10级进行间断排序得到，流量指数权重根据动态时段平均车道流量所属范围确定；
所述步骤S2中，计算轨迹线型突变指数的方法为：
B1、获取历史轨迹出现集合中各轨迹点对应的匹配连接线集合；
B2、基于匹配连接线集合，遍历同一分向路段中各车辆的出行轨迹；
B3、对于出行轨迹中的各轨迹点，选取连续位于同一分向路段的轨迹点及其前后点；
B4、根据选取的轨迹点及其前后点，计算对应的线型突变指数；
式中，和/>分别为第i个轨迹点和第i+1个轨迹点至其邻近匹配连接线的垂直距离，/>为前后两个轨迹点之间的欧氏距离；
B5、将各分向路段中所有出行轨迹的线型突变指数平均值作为该分向路段的轨迹线型突变指数；
所述步骤S3中，分心驾驶指数DistractRisk为：
DistractRisk=w1*w2
式中，w1为追尾风险指数对应风险等级的权重，其中，追尾风险指数对应风险等级根据追尾指数按照自然间断法分为1~10级，w2为轨迹线型突变指数对应轨迹突变等级的权重，轨迹突变等级根据追尾风险指数按照自然间断法分为1~10级；
所述步骤S3中，识别分心驾驶风险等级的方法为：
根据当前时刻，筛选上一时段车辆采样数大于50次的分向路段，根据其对应的加权分心驾驶指数，按自然间断法分10级进行间断排序，获得各分向路段的分心驾驶风险等级；
所述步骤S4中，进行路段分类管控的方法为：
对分心驾驶风险等级小于4的分向路段，不进行管控；
对分心驾驶风险等级为5~7的分向路段，联动电子导航地图进行提醒；
对分心驾驶风险等级为8~10的分向路段，对分向路段间隔1公里设置提醒标识，同时联动电子导航地图进行提醒；
对加权分心驾驶风险指数为目标区域内前100的分向路段，对分向路段间隔1公里设置提醒标识、联动电子导航地图进行提醒并设置临时休息区。
CN202310244470.1A 2023-03-14 2023-03-14 基于多元时空数据的分心驾驶风险路段识别与管控方法 Active CN116246468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310244470.1A CN116246468B (zh) 2023-03-14 2023-03-14 基于多元时空数据的分心驾驶风险路段识别与管控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310244470.1A CN116246468B (zh) 2023-03-14 2023-03-14 基于多元时空数据的分心驾驶风险路段识别与管控方法

Publications (2)

Publication Number Publication Date
CN116246468A CN116246468A (zh) 2023-06-09
CN116246468B true CN116246468B (zh) 2023-11-14

Family

ID=86634899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310244470.1A Active CN116246468B (zh) 2023-03-14 2023-03-14 基于多元时空数据的分心驾驶风险路段识别与管控方法

Country Status (1)

Country Link
CN (1) CN116246468B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011113722A1 (de) * 2011-09-17 2012-05-10 Daimler Ag Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
CN110727706A (zh) * 2019-09-02 2020-01-24 清华大学苏州汽车研究院（相城） 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
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
CN112559968A (zh) * 2020-12-09 2021-03-26 深圳大学 一种基于多情境数据的驾驶风格表征学习方法
CN114037015A (zh) * 2021-11-15 2022-02-11 重庆大学 基于驾驶模式原语的驾驶行为安全性分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10621670B2 (en) * 2014-08-15 2020-04-14 Scope Technologies Holdings Limited Determination and display of driving risk

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011113722A1 (de) * 2011-09-17 2012-05-10 Daimler Ag Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
CN110727706A (zh) * 2019-09-02 2020-01-24 清华大学苏州汽车研究院（相城） 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
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
CN112559968A (zh) * 2020-12-09 2021-03-26 深圳大学 一种基于多情境数据的驾驶风格表征学习方法
CN114037015A (zh) * 2021-11-15 2022-02-11 重庆大学 基于驾驶模式原语的驾驶行为安全性分析方法

Also Published As

Publication number Publication date
CN116246468A (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN111192455B (zh) 一种城市快速路交织区的交通流组织优化方法
CN114783183A (zh) 一种基于交通态势算法的监控方法与系统
CN104157156A (zh) 一种高速公路危险路段车速动态管理预警方法
CN109147319B (zh) 一种基于多交通数据指标的道路突发事件判别方法
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN105844915A (zh) 一种可变限速控制下交通流基本图的确定方法
CN110634299A (zh) 基于多源轨迹数据的城市交通状态精细划分与识别方法
CN113919731A (zh) 一种基于交通冲突的快速路交织区安全评价方法
CN105869398A (zh) 一种基于K-means聚类的道路交通畅通度判断方法
CN110766940A (zh) 道路信号交叉口运行状况评估方法
CN111127887B (zh) 一种基于实时交通状态驱动的信号控制优化系统及方法
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统
CN116246468B (zh) 基于多元时空数据的分心驾驶风险路段识别与管控方法
CN113095387B (zh) 基于联网车载adas的道路风险识别方法
CN111199645A (zh) 一种城市快速路交织区的交通流组织优化方法
CN116383678B (zh) 一种营运客车异常变速行为常发性路段识别方法
CN116246491B (zh) 基于轨迹特征挖掘的追尾风险路段动态识别与管控方法
CN116935643A (zh) 交通管理方法、装置、设备及存储介质
CN115953917B (zh) 基于实时轨迹特征分析的危险变道路段识别与管控方法
CN116307699A (zh) 基于多源数据的道路隐患点段分级方法、装置及存储介质
CN115497306A (zh) 一种基于gis数据的速度区间权重计算方法
CN116740920B (zh) 一种疲劳驾驶风险路段识别与管控方法
CN112036709B (zh) 基于随机森林的降雨天气高速公路二次事故致因分析方法

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