CN116246491B - 基于轨迹特征挖掘的追尾风险路段动态识别与管控方法 - Google Patents
基于轨迹特征挖掘的追尾风险路段动态识别与管控方法 Download PDFInfo
- Publication number
- CN116246491B CN116246491B CN202310241338.5A CN202310241338A CN116246491B CN 116246491 B CN116246491 B CN 116246491B CN 202310241338 A CN202310241338 A CN 202310241338A CN 116246491 B CN116246491 B CN 116246491B
- Authority
- CN
- China
- Prior art keywords
- end collision
- track
- road section
- collision risk
- index
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005065 mining Methods 0.000 title claims abstract description 8
- 206010016256 fatigue Diseases 0.000 claims description 82
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001154 acute effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于轨迹特征挖掘的追尾风险路段动态识别与管控方法,实现了基于车辆实时轨迹数据分析的追尾风险路段动态识别管控,包括基于道路结构特征的车辆追尾风险分析路段语义分割、基于实时轨迹特征分析的加权追尾风险指数统计(疲劳指数+流量指数+急减速指数)、追尾风险路段分类动态识别,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追尾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追尾风险路段动态识别管控水平,降低相关事故风险。
Description
技术领域
本发明属于道路驾驶安全监管技术领域,具体涉及一种基于轨迹特征挖掘的追尾风险路段动态识别与管控方法。
背景技术
根据美国公路交通安全局(NHTSA)公布的数据显示,高速公路上车辆之间产生的碰撞事故中,追尾事故占比达到42.61%,且死亡率高达42.83%。事故中,车辆在静止停放时如果被追尾,造成人员伤亡的后果更为严重。
现有技术应对车辆追尾风险主要以加固车身(如采用防撞车身)、车载雷达主动预警等思路展开,缺少全局视野,导致头痛医头脚痛医脚,存在盲目性及时空局限性。本方案从全局视野出发,借助轨迹大数据研判追尾风险行为及特征路段,为追尾风险防范提供了新的管控方法和技术框架。
发明内容
针对现有技术中的上述不足,本发明提供的基于轨迹特征挖掘的追尾风险路段动态识别与管控方法解决了传统管控方法仅着眼于车辆本身追尾行为导致管控效率低、车辆传感设备依赖性高的问题。
为了达到上述发明目的,本发明采用的技术方案为:基于轨迹特征挖掘的追尾风险路段动态识别与管控方法,包括以下步骤:
S1、采集目标区域的路网数据,并进行追尾风险路段语义划分;
S2、采集目标区域的动态/历史车辆轨迹数据,进行轨迹出行路径匹配,得到追尾风险对应的分向路段;
S3、根据目标区域的动态/历史车辆轨迹数据,分别计算匹配分向路段的疲劳指数、流量指数以及急减速指数;
S4、根据计算的疲劳指数、流量指数以及急减速指数,计算追尾风险路段的加权追尾风险指数;
S5、根据加权追尾风险指数,分级动态识别追尾风险路段的追尾风险等级,并根据风险等级进行分类管控。
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,实现追尾风险路段的语义划分。
进一步地,所述步骤S2具体为:
S21、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;
S22、遍历各车辆的历史/动态出行轨迹集合中的轨迹点数据;
S23、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;
S24、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;
S25、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S3中,计算疲劳指数的方法具体为:
SA3-1、根据目标区域的路网数据,进行疲劳驾驶路段语义划分;
SA3-2、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,得到疲劳驾驶对应的分向路段;
SA3-3、根据疲劳驾驶的分向路段和追尾风险的分向路段的对应关系,对于每个追尾风险的分向路段,在疲劳驾驶的分向路段中划分与追尾风险对应的路段;
SA3-4、计算在疲劳驾驶的分向路段中与追尾风险对应的路段的疲劳驾驶指数,作为该追尾风险分向路段的疲劳指数;其中,疲劳指数包括相对疲劳指数和绝对疲劳指数。
进一步地,所述步骤S3中,计算流量指数的方法具体为:
SB3-1、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;
SB3-2、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;
SB3-3、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。
进一步地,所述步骤S3中,计算急减速指数的方法为:
SC3-1、遍历各车辆的历史轨迹点出行集合中的轨迹点;
SC3-2、根据前向连续三个轨迹点之间的速度关系,识别减速事件;
SC3-3、计算减速事件中中间轨迹点的减速速度;
SC3-4、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。
进一步地,所述步骤SC3-2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;
所述步骤SC3-3中,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。
进一步地,所述步骤S4中,追尾风险路段的加权追尾风险指数REIndi的计算公式为:
REIndi=w1*w2*w3*Dindi
式中,w1为相对疲劳指数对应的相对疲劳风险等级权重,w2为绝对疲劳指数对应的绝对疲劳风险等级权重,w3为流量指数权重,Dindi为急减速指数;
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S5中,动态识别追尾风险等级方法为:
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,根据其对应的加权追尾风险指数,按自然间断法分10级进行间断排序,获得各分向路段的追尾风险等级。
进一步地,所述步骤S5中,进行分类管控的方法为:
对追尾风险等级小于4的分向路段,不进行管控;
对追尾风险等级为5~7的分向路段,联动电子导航地图进行提醒;
对追尾风险等级为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;
对加权追尾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实时轨迹数据分析的追尾风险路段动态识别管控,包括基于道路结构特征的车辆追尾风险分析路段语义分割、基于实时轨迹特征分析的加权追尾风险指数统计(疲劳指数+流量指数+急减速指数)、追尾风险路段分类动态识别,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追尾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追尾风险路段动态识别管控水平,降低相关事故风险。
附图说明
图1为本发明提供的追尾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。
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一种基于轨迹特征挖掘的追尾风险路段动态识别与管控方法,如图1所示,包括以下步骤:
S1、采集目标区域的路网数据,并进行追尾风险路段语义划分;
S2、采集目标区域的动态/历史车辆轨迹数据,进行轨迹出行路径匹配,得到追尾风险对应的分向路段;
S3、根据目标区域的动态/历史车辆轨迹数据,分别计算匹配分向路段的疲劳指数、流量指数以及急减速指数;
S4、根据计算的疲劳指数、流量指数以及急减速指数,计算追尾风险路段的加权追尾风险指数;
S5、根据加权追尾风险指数,分级动态识别追尾风险路段的追尾风险等级,并根据风险等级进行分类管控。
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,实现追尾风险路段的语义划分。
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;
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400米时,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400米时,从A出发,按1公里为单位打断AB,直至剩余段落距离不足400米时,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具体为:
S21、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;
S22、遍历各车辆的历史/动态出行轨迹集合中的轨迹点数据;
S23、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;
S24、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;
S25、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S21中,构建历史出行轨迹集合的方法为:
S21-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;
S21-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;
S21-A3、识别轨迹序列中的出行中断点,并构建中断点集合P;
S21-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S21-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S21-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S21-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S21-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S21中,构建动态出行轨迹集合的方法为:
S21-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;
S21-B2、按车辆对汇总时段的轨迹点数据分组;
S21-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S21-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S21-B3中,剔除异常轨迹点数据的方法同步骤S21-A2。
在步骤S23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S25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S25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S3中,计算疲劳指数的方法具体为:
SA3-1、根据目标区域的路网数据,进行疲劳驾驶路段语义划分;
SA3-2、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,得到疲劳驾驶对应的分向路段;
SA3-3、根据疲劳驾驶的分向路段和追尾风险的分向路段的对应关系,对于每个追尾风险的分向路段,在疲劳驾驶的分向路段中划分与追尾风险对应的路段;
SA3-4、计算在疲劳驾驶的分向路段中与追尾风险对应的路段的疲劳驾驶指数,作为该追尾风险分向路段的疲劳指数;其中,疲劳指数包括相对疲劳指数和绝对疲劳指数。
在上述步骤SA3-1中,进行疲劳路段的语义划分方法与进行追尾风险路段语义划分的方法类似,在具体划分逻辑道分向路段时,以图2为例,其划分方法为:
对于相邻两个逻辑道路交叉口确定的射线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,路段编号方式与上述划分追尾风险路段时的编号方法相同,在此不再赘述。
在上述步骤SA3-2中,进行轨迹出行路径匹配得到疲劳驾驶对应分向路段的方法相同,在此不再赘述。
在上述步骤SA3-3中,对各追尾风险分向路段所属连接线,分析其在疲劳驾驶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个疲劳驾驶分向路段,则选择划分长度比例最大的疲劳驾驶分向路段作为对应的路段。
在上述步骤SA3-4中,计算疲劳指数的方法为:
SA3-41、对于确定的对应路段,在设定时段内,统计设定时间间隔内的出行次数,以及平均连续驾驶时长;
其中,在统计出行次数时,属于同一辆车的一个或多个轨迹点在该时段内匹配连接线对应分向路段出行次数+1;所有车辆轨迹遍历后,即可统计出个分向路段对应各时段经过车辆数及平均连续驾驶时长;
SA3-42、根据统计的出行次数及平均连续驾驶时长,计算各分向路段的疲劳指数;
其中,疲劳指数包括相对疲劳指数和绝对疲劳指数;
其中,对于任一时段内,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,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 |
在本发明实施例的步骤S3中,计算流量指数的方法具体为:
SB3-1、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;
SB3-2、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;
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;
SB3-3、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。
在本发明实施例中步骤S3中,计算急减速指数的方法为:
SC3-1、遍历各车辆的历史轨迹点出行集合中的轨迹点;
SC3-2、根据前向连续三个轨迹点之间的速度关系,识别减速事件;
SC3-3、计算减速事件中中间轨迹点的减速速度;
SC3-4、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SC3-2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SC3-3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SC3-4中,减速速度预设值为3.0m/s2。
在本发明实施例的步骤S4中,追尾风险路段的加权追尾风险指数REIndi的计算公式为:
REIndi=w1*w2*w3*Dindi
式中,w1为相对疲劳指数对应的相对疲劳风险等级权重,w2为绝对疲劳指数对应的绝对疲劳风险等级权重,w3为流量指数权重,Dindi为急减速指数;
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。
具体地,疲劳风险等级权重参考如表4所示;
表4疲劳风险等级权重参考
相对疲劳风险等级 | w1 | 绝对疲劳风险等级 | w2 |
0级 | 0.5 | 0级 | 0.5 |
1级 | 0.6 | 1级 | 0.7 |
2级 | 0.7 | 2级 | 0.9 |
3级 | 0.8 | 3级 | 1.1 |
4级 | 0.9 | 4级 | 1.3 |
5级 | 1 | 5级 | 1.5 |
6级 | 1.1 | 6级 | 1.7 |
7级 | 1.2 | 7级 | 1.9 |
8级 | 1.3 | 8级 | 2.1 |
9级 | 1.4 | 9级 | 2.3 |
10级 | 1.5 | 10级 | 2.5 |
流量指数权重参考如表5所示;
表5动态流量权重参考
动态时段平均车道流量 | w3 |
<100 | 0.1 |
100-150 | 0.5 |
150-200 | 1 |
200-250 | 1.5 |
>=250 | 3 |
在本发明实施例的步骤S5中,动态识别追尾风险等级方法为:
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,根据其对应的加权追尾风险指数,按自然间断法分10级进行间断排序,获得各分向路段的追尾风险等级。
基于上述追尾风险等级的划分方式,对各分向路段进行分类管控的方法为:
对追尾风险等级小于4的分向路段,不进行管控;
对追尾风险等级为5~7的分向路段,联动电子导航地图进行提醒;
对追尾风险等级为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;
对加权追尾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.基于轨迹特征挖掘的追尾风险路段动态识别与管控方法,其特征在于,包括以下步骤:
S1、采集目标区域的路网数据,并进行追尾风险路段语义划分;
S2、采集目标区域的动态/历史车辆轨迹数据,进行轨迹出行路径匹配,得到追尾风险对应的分向路段;
S3、根据目标区域的动态/历史车辆轨迹数据,分别计算匹配分向路段的疲劳指数、流量指数以及急减速指数;
S4、根据计算的疲劳指数、流量指数以及急减速指数,计算追尾风险路段的加权追尾风险指数;
S5、根据加权追尾风险指数,分级动态识别追尾风险路段的追尾风险等级,并根据风险等级进行分类管控;
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,实现追尾风险路段的语义划分;
所述步骤S2具体为:
S21、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;
S22、遍历各车辆的历史/动态出行轨迹集合中的轨迹点数据;
S23、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;
S24、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;
S25、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S3中,计算疲劳指数的方法具体为:
SA3-1、根据目标区域的路网数据,进行疲劳驾驶路段语义划分;
SA3-2、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,得到疲劳驾驶对应的分向路段;
SA3-3、根据疲劳驾驶的分向路段和追尾风险的分向路段的对应关系,对于每个追尾风险的分向路段,在疲劳驾驶的分向路段中划分与追尾风险对应的路段;
SA3-4、计算在疲劳驾驶的分向路段中与追尾风险对应的路段的疲劳驾驶指数,作为该追尾风险分向路段的疲劳指数;其中,疲劳指数包括相对疲劳指数和绝对疲劳指数;
所述步骤S3中,计算流量指数的方法具体为:
SB3-1、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;
SB3-2、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;
SB3-3、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;
所述步骤S3中,计算急减速指数的方法为:
SC3-1、遍历各车辆的历史轨迹点出行集合中的轨迹点;
SC3-2、根据前向连续三个轨迹点之间的速度关系,识别减速事件;
SC3-3、计算减速事件中中间轨迹点的减速速度;
SC3-4、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;
所述步骤SC3-2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;
所述步骤SC3-3中,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-difdist)>1米时,轨迹点pi-1和pi的高差;
所述步骤S4中,追尾风险路段的加权追尾风险指数REIndi的计算公式为:
REIndi=w1*w2*w3*Dindi
式中,w1为相对疲劳指数对应的相对疲劳风险等级权重,w2为绝对疲劳指数对应的绝对疲劳风险等级权重,w3为流量指数权重,Dindi为急减速指数;
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S5中,动态识别追尾风险等级方法为:
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,根据其对应的加权追尾风险指数,按自然间断法分10级进行间断排序,获得各分向路段的追尾风险等级;
所述步骤S5中,进行分类管控的方法为:
对追尾风险等级小于4的分向路段,不进行管控;
对追尾风险等级为5~7的分向路段,联动电子导航地图进行提醒;
对追尾风险等级为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;
对加权追尾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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241338.5A CN116246491B (zh) | 2023-03-14 | 2023-03-14 | 基于轨迹特征挖掘的追尾风险路段动态识别与管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241338.5A CN116246491B (zh) | 2023-03-14 | 2023-03-14 | 基于轨迹特征挖掘的追尾风险路段动态识别与管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246491A CN116246491A (zh) | 2023-06-09 |
CN116246491B true CN116246491B (zh) | 2024-01-09 |
Family
ID=86632995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310241338.5A Active CN116246491B (zh) | 2023-03-14 | 2023-03-14 | 基于轨迹特征挖掘的追尾风险路段动态识别与管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246491B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2881829A2 (de) * | 2013-12-05 | 2015-06-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zum automatischen Steuern eines Fahrzeugs, Vorrichtung zum Erzeugen von Steuersignalen für ein Fahrzeug und Fahrzeug |
WO2016150088A1 (zh) * | 2015-03-24 | 2016-09-29 | 重庆长安汽车股份有限公司 | 一种基于可见光通信的汽车追尾预警系统及方法 |
CN112435474A (zh) * | 2020-11-20 | 2021-03-02 | 吉林大学 | 面向追尾风险防控的高速公路可变限速控制系统及控制方法 |
CN113053108A (zh) * | 2020-12-23 | 2021-06-29 | 沈阳世纪高通科技有限公司 | 一种实时识别快速道路上拥堵队尾的方法 |
CN113744563A (zh) * | 2021-08-02 | 2021-12-03 | 北京工业大学 | 一种基于轨迹数据的路-车风险实时估计方法 |
-
2023
- 2023-03-14 CN CN202310241338.5A patent/CN116246491B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2881829A2 (de) * | 2013-12-05 | 2015-06-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zum automatischen Steuern eines Fahrzeugs, Vorrichtung zum Erzeugen von Steuersignalen für ein Fahrzeug und Fahrzeug |
WO2016150088A1 (zh) * | 2015-03-24 | 2016-09-29 | 重庆长安汽车股份有限公司 | 一种基于可见光通信的汽车追尾预警系统及方法 |
CN112435474A (zh) * | 2020-11-20 | 2021-03-02 | 吉林大学 | 面向追尾风险防控的高速公路可变限速控制系统及控制方法 |
CN113053108A (zh) * | 2020-12-23 | 2021-06-29 | 沈阳世纪高通科技有限公司 | 一种实时识别快速道路上拥堵队尾的方法 |
CN113744563A (zh) * | 2021-08-02 | 2021-12-03 | 北京工业大学 | 一种基于轨迹数据的路-车风险实时估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116246491A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113870570B (zh) | 一种基于etc的路网运行状态方法、系统和存储介质 | |
CN111192455B (zh) | 一种城市快速路交织区的交通流组织优化方法 | |
CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN110264724B (zh) | 一种交互式高速公路交通事故预测方法 | |
Loulizi et al. | Steady-state car-following time gaps: an empirical study using naturalistic driving data | |
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
CN105844915A (zh) | 一种可变限速控制下交通流基本图的确定方法 | |
CN105575120B (zh) | 面向道路实时速度计算的浮动车数据停车行为模式清洗方法 | |
CN101075377A (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
Ramiani et al. | Ranking and determining the factors affecting the road freight accidents model | |
CN111882858A (zh) | 一种基于多源数据的高速公路异常事件排队长度预测方法 | |
CN110738591A (zh) | 基于倾向值匹配的爬坡车道交通安全效益计算方法 | |
CN114550445A (zh) | 一种城市区域交通安全状态评估方法和装置 | |
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 | |
CN111009125B (zh) | 一种城市交叉路口人车碰撞概率计算方法 | |
CN111199645A (zh) | 一种城市快速路交织区的交通流组织优化方法 | |
Wang et al. | Multipattern road traffic crashes and injuries: a case study of Xi’an city | |
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 | |
CN107248282B (zh) | 获取道路运行状态等级的方法 | |
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 | |
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 | |
CN113611130B (zh) | 一种本地与过境货车车流量获取方法、系统及存储介质 | |
CN116740920B (zh) | 一种疲劳驾驶风险路段识别与管控方法 | |
CN112365716B (zh) | 一种基于gps数据的城市高架快速路动态安全性评价方法 |
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 |