CN116246492B - 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 - Google Patents

Abstract

本发明涉及一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，通过ALPR设备采集原始的车辆轨迹数据并重构不完整轨迹，使用基于时空注意力机制的LSTM算法来预测未来的车辆轨迹，提取车辆换道的间隙时间数据作为车辆冲突的度量，基于广义帕累托分布建立车辆碰撞‑冲突的超阈值模型，使用平均剩余寿命图等方法确定阈值范围，添加驾驶行为作为协变量，从而预测车辆发生碰撞的风险。本发明采用基于时空注意力LSTM预测车辆轨迹，并对预测结果使用基于广义帕累托分布的超阈值模型预测车辆碰撞风险，实现对未来交通流中车辆碰撞风险的预测，从而为道路车辆行驶安全提供可靠的预警信息，提升公路交通安全水平。

Description

一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险 预测方法

技术领域

本发明涉及交通安全分析技术领域，尤其涉及一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法。

背景技术

随着交通运输业的发展，城市交通的运营压力不断增加，交通安全也面临着越来越严峻的挑战。在换道过程中，驾驶员需要使自己的速度与附近车辆相匹配，在相邻车道中识别合适的间隙，与当前车道中的领先车辆保持安全距离，确保周围交通识别驾驶员自己的移动，以及监测加速车道中的剩余距离，由于驾驶员同时需要考虑所有这些因素才能成功变道，这增加了驾驶员的不确定性、工作量和压力，从而使换道决策过程变得危险且容易发生碰撞，因此对城市交通车辆在换道过程中的车辆碰撞风险进行准确的预测有着重要的现实意义。

对于车辆轨迹数据的预测，传统的方法如概率统计模型等等，并不能考虑到相邻车辆对目标车辆的影响、历史序列对未来数据的影响等，预测精度较低，鲁棒性较差。目前碰撞风险分析通常使用交管部门提供的碰撞数据进行，这类数据的质量较差并且会遗漏部分碰撞记录，因此使用此类数据开发的安全模型通常无法准确表示微观驾驶行为和车辆碰撞机制。

发明内容

技术问题：本发明的目的在于提供一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，通过ALPR设备采集原始的车辆轨迹数据，使用基于时空注意力机制的LSTM算法来预测未来的车辆轨迹，提取车辆换道的间隙时间数据作为车辆冲突的度量，基于广义帕累托分布建立车辆碰撞-冲突的超阈值模型，使用阈值稳定性图确定阈值范围，添加驾驶行为作为协变量，从而预测车辆发生碰撞的风险，实现对未来交通流中车辆碰撞风险的预测，从而为道路车辆行驶安全提供可靠的预警信息，提升公路交通安全水平。

技术方案：为了解决上述技术问题，本发明提出一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，该方法包括以下步骤：

S1，车辆轨迹数据采集，在所需采集车辆轨迹数据的城市交通区域范围内的固定路口节点安装ALPR设备，采集原始的车辆轨迹数据，并对轨迹数据中的不完整轨迹进行重构，得到完整的车辆轨迹数据；

S2，车辆轨迹数据预测，将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，并选取车辆T步的轨迹数据作为模型输入；将T步轨迹数据经过LSTM单元生成隐藏状态计算时间注意力权重，并将时间注意力权重与/>结合得到与车辆v相关的张量单元值/>根据t时刻网格单元n有无车辆生成张量单元值/>计算空间注意力权重，并将空间注意力权重与/>结合得到t时刻目标车辆的位置信息V_t，将V_t输入LSTM的前馈层以预测目标车辆未来的轨迹；

S3，车辆轨迹相关数据提取，提取车辆换道的间隙时间的负值作为车辆冲突数据GT，根据预测的车辆轨迹数据中车辆位置信息随时间的变化，对换道车辆的轨迹数据进行分析处理以提取车辆驾驶行为数据；

S4，车辆碰撞风险预测，根据车辆冲突数据GT建立基于广义帕累托分布的车辆碰撞-冲突的超阈值模型，通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET；将驾驶行为数据作为协变量包含在比例参数中，根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计；根据拟合的超阈值模型预测车辆未来发生碰撞的风险。

进一步的，步骤S1中的具体方法如下：

首先进行中断点识别，将不连续的路径链信息提取，通过k则最短路算法搜索断点间可能的轨迹，并将其作为候选轨迹，通过粒子滤波模型将候选轨迹进行校正，在经过一定次数的重采样过程后，将粒子聚集数最多的轨迹数据作为最优重构轨迹数据。

进一步的，步骤S2中的具体方法如下：

将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，将位于网格内的目标车辆以外的车辆定义为相邻车辆，在时间t将车辆v的T步历史轨迹作为LSTM模型的输入，生成LSTM模型的隐藏状态/> 表示车辆v在j时刻的隐藏状态，d表示隐藏状态的长度，计算与车辆v对应的时间注意力权重/> 表示车辆v在j时刻的时间注意力权重，计算公式如下：/>其中，W_α表示学习权重，结合隐藏状态/>和时间注意力权重/>以得到与v相关的张量单元值/> 根据t时刻网格单元n有无车辆生成张量单元值G_t：/>其中，N是所有张量单元的总体数量，/>的计算公式如下：

计算与t时刻所有车辆对应的空间注意力权重 表示在t时刻第n个张量单元的空间注意力权重，计算公式如下：/>其中，W_β表示学习权重，将目标车辆和相邻车辆的空间注意力权重与/>结合得到t时刻目标车辆的位置信息V_t，计算公式如下：/>将V_t输入至LSTM的前馈网络层中以预测目标车辆未来的轨迹。

进一步的，步骤S3中的车辆轨迹相关数据提取方法如下：

提取在行驶过程中车道序号发生改变的车辆轨迹数据得到换道车辆的轨迹数据，将换道车辆车道横向偏移曲线上的最低点作为车辆换道的开始，并通过计算目标车辆换道的完成时间t1与后续车辆到达换道点的时间t2之间的经过时间得到换道间隙时间，将车辆换道间隙时间的负值作为车辆冲突数据；计算换道车辆在换道5s间隔内沿车道方向的单位时间位移得到换道瞬时速度，提取目标车辆前后车辆的位置信息并得到与前后车辆的距离，将换道事件期间换道车辆的瞬时速度、当前车道上换道车辆与前方车辆之间的距离、换道车辆与当前车道上终点之间的距离、目标车道上换道车辆与后方车辆之间的距离作为车辆驾驶行为数据。

进一步的，步骤S4中构建了基于广义帕累托分布的超阈值模型，设{X₁,X₂,…,X_n}是一组车辆冲突数据GT的观测值，阈值为u，阈值超出量y＝X-u，当X＞u时模型如下：

其中，H(·)表示广义帕累托分布，σ表示比例参数，ξ表示形状参数。

进一步的，步骤S4中，首先通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET，具体步骤如下：

对于一组车辆冲突数据GT＝{X₁,X₂,…,X_n}，设定阈值为u₀，则对于大于u₀的阈值u，平均超阈值E(X-u|X＞u₀)通过以下公式计算：

其中，σ_u表示与阈值u对应的比例参数，σ_u0表示与阈值u₀对应的比例参数，通过平均超阈值E(X-u|X＞u₀)与阈值u的比例关系，根据点集 生成平均剩余寿命图，其中,X₁，…，/>表示n_u个超过阈值u的观测值，X_max表示X_i的最大值；通过调整阈值u的大小，选择使得平均剩余寿命图近似线性的阈值u，并将车辆冲突数据GT中大于阈值u的提取为极值ET。

进一步的，步骤S4中，将驾驶行为数据作为协变量包含在比例参数中，具体的协变量模型公式如下：

ln(σ)＝σ₀+βγ

其中，σ₀表示截距项，β和γ分别表示驾驶行为因素的估计参数和协变量的向量，根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计，具体步骤如下：

对于极值ET数据ET＝{X₁,X₂,…,X_m}得到对数似然函数为：

其中，X_i满足定义域的限制：

X_i∈D(σ,ξ)

基于σ的协变量模型，将对数似然函数进行求解得到σ和ξ的估计值，m为极值ET的个数。

进一步的，步骤S4中，根据选择的参数值对广义帕累托分布进行拟合，并通过广义帕累托分布的尾部得到车辆未来的换道碰撞风险R，具体公式如下：

其中，当车辆冲突数据GT大于等于0时，车辆换道间隙时间为负，换道车辆的轨迹将与目标车道中后续车辆的轨迹发生重叠，即发生碰撞。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

1)在车辆轨迹数据采集中，通过在固定路口节点安装ALPR设备，采集原始的车辆轨迹数据，并通过改进的粒子滤波模型对原始数据中不完整轨迹进行重构，得到完整的车辆轨迹数据，能够准确地捕捉车辆的完整行驶轨迹数据，具有高精度、鲁棒性强的优点。

2)在车辆轨迹数据预测中，使用基于时空注意力机制的LSTM算法来进行预测，使用时间注意力机制来识别重要的历史轨迹以确定目标车辆的未来行为，使用空间注意力机制来根据相邻车辆对目标车辆的影响对其进行排序，对交通场景中学习到的注意力权重进行分析，通过学习的注意力权重分析目标车辆的特定驾驶行为，不仅可以实现高精度的轨迹预测，还能够考虑到历史轨迹和相邻车辆对目标车辆的影响。

3)在车辆碰撞风险预测中，基于广义帕累托分布来建立车辆碰撞-冲突的超阈值模型，从而对车辆碰撞风险进行预测。通过平均剩余寿命图等方法，获得超阈值模型的阈值范围，对超阈值模型的形状参数和比例参数进行估计，基于驾驶行为因素建立协变量模型，并在比例参数中包含协变量模型，根据选择的参数值对广义帕累托分布进行拟合，并通过分布的尾部得到车辆换道的碰撞风险，可以有效处理现实交通冲突的非平稳性，使得预测的结果具有更好的准确性和真实性。

附图说明

图1为实施例中基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法的流程图；

图2为实施例中基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法的LSTM算法结构示意图。

具体实施方式

下面的具体实施例将对本发明进行详细的描述，但不以任何方式限制本发明。

在换道过程中，驾驶员需要使自己的速度与附近车辆相匹配，在相邻车道中识别合适的间隙，与当前车道中的领先车辆保持安全距离，确保周围交通识别驾驶员自己的移动，以及监测加速车道中的剩余距离，由于驾驶员同时需要考虑所有这些因素才能成功变道，这增加了驾驶员的不确定性、工作量和压力，从而使换道决策过程变得危险且容易发生碰撞，因此对城市交通车辆在换道过程中的车辆碰撞风险进行准确的预测有着重要的现实意义。

对于车辆轨迹数据的预测，传统的方法如概率统计模型等等，并不能考虑到相邻车辆对目标车辆的影响、历史序列对未来数据的影响等，预测精度较低，鲁棒性较差。目前碰撞风险分析通常使用交管部门提供的碰撞数据进行，这类数据的质量较差并且会遗漏部分碰撞记录，因此使用此类数据开发的安全模型通常无法准确表示微观驾驶行为和车辆碰撞机制。

为了解决上述问题，本发明提供一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，方法的流程图如图1所示，首先通过ALPR设备采集原始的车辆轨迹数据并重构不完整轨迹，随后使用基于时空注意力机制的LSTM算法来预测未来的车辆轨迹，提取车辆换道的间隙时间数据作为车辆冲突的度量，最后基于广义帕累托分布建立车辆碰撞-冲突的超阈值模型，使用阈值稳定性图确定阈值范围，添加驾驶行为作为协变量，从而预测车辆发生碰撞的风险。

如图1所示，本发明提出一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，该方法包括以下步骤：

S1，车辆轨迹数据采集，在所需采集车辆轨迹数据的城市交通区域范围内的固定路口节点安装ALPR设备，采集原始的车辆轨迹数据，并对轨迹数据中的不完整轨迹进行重构，得到完整的车辆轨迹数据；

S2，车辆轨迹数据预测，将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，并选取车辆T步的轨迹数据作为模型输入；将T步轨迹数据经过LSTM单元生成隐藏状态计算时间注意力权重，并将时间注意力权重与/>结合得到与车辆v相关的张量单元值/>根据t时刻网格单元n有无车辆生成张量单元值/>计算空间注意力权重，并将空间注意力权重与/>结合得到t时刻目标车辆的位置信息V_t，将V_t输入LSTM的前馈层以预测目标车辆未来的轨迹；

S3，车辆轨迹相关数据提取，提取车辆换道的间隙时间的负值作为车辆冲突数据GT，根据预测的车辆轨迹数据中车辆位置信息随时间的变化，对换道车辆的轨迹数据进行分析处理以提取车辆驾驶行为数据；

S4，车辆碰撞风险预测，根据车辆冲突数据GT建立基于广义帕累托分布的车辆碰撞-冲突的超阈值模型，通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET；将驾驶行为数据作为协变量包含在比例参数中，根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计；根据拟合的超阈值模型预测车辆未来发生碰撞的风险。

步骤S1中的具体方法如下：

首先进行中断点识别，将不连续的路径链信息提取，通过k则最短路算法搜索断点间可能的轨迹，并将其作为候选轨迹，通过粒子滤波模型将候选轨迹进行校正，在经过一定次数的重采样过程后，将粒子聚集数最多的轨迹数据作为最优重构轨迹数据。

步骤S2中的具体方法如下：

将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，将位于网格内的目标车辆以外的车辆定义为相邻车辆，在时间t将车辆v的T步历史轨迹作为LSTM模型的输入，生成LSTM模型的隐藏状态/> 表示车辆v在j时刻的隐藏状态，d表示隐藏状态的长度，计算与车辆v对应的时间注意力权重/> 表示车辆v在j时刻的时间注意力权重，计算公式如下：/>其中，W_α表示学习权重，结合隐藏状态/>和时间注意力权重/>以得到与v相关的张量单元值/> 根据t时刻网格单元n有无车辆生成张量单元值G_t：/>其中，N是所有张量单元的总体数量，/>的计算公式如下：

计算与t时刻所有车辆对应的空间注意力权重 表示在t时刻第n个张量单元的空间注意力权重，计算公式如下：B_t＝softmax(tanh(W_βG_t))，其中，W_β表示学习权重，将目标车辆和相邻车辆的空间注意力权重与/>结合得到t时刻目标车辆的位置信息V_t，计算公式如下：/>将V_t输入至LSTM的前馈网络层中以预测目标车辆未来的轨迹。

步骤S3中的车辆轨迹相关数据提取方法如下：

提取在行驶过程中车道序号发生改变的车辆轨迹数据得到换道车辆的轨迹数据，将换道车辆车道横向偏移曲线上的最低点作为车辆换道的开始，并通过计算目标车辆换道的完成时间t1与后续车辆到达换道点的时间t2之间的经过时间得到换道间隙时间，将车辆换道间隙时间的负值作为车辆冲突数据；计算换道车辆在换道5s间隔内沿车道方向的单位时间位移得到换道瞬时速度，提取目标车辆前后车辆的位置信息并得到与前后车辆的距离，将换道事件期间换道车辆的瞬时速度、当前车道上换道车辆与前方车辆之间的距离、换道车辆与当前车道上终点之间的距离、目标车道上换道车辆与后方车辆之间的距离作为车辆驾驶行为数据。

步骤S4中构建了基于广义帕累托分布的超阈值模型，设{X₁,X₂,…,X_n}是一组车辆冲突数据GT的观测值，阈值为u，阈值超出量y＝X-u，当X＞u时模型如下：

其中，H(·)表示广义帕累托分布，σ表示比例参数，ξ表示形状参数。

步骤S4中，首先通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET，具体步骤如下：

对于一组车辆冲突数据GT＝{X₁,X₂,…,X_n}，设定阈值为u₀，则对于大于u₀的阈值u，平均超阈值E(X-u|X＞u₀)通过以下公式计算：

其中，σ_u表示与阈值u对应的比例参数，σ_u0表示与阈值u₀对应的比例参数，通过平均超阈值E(X-u|X＞u₀)与阈值u的比例关系，根据点集 生成平均剩余寿命图，其中,X₁，…，/>表示n_u个超过阈值u的观测值，X_max表示X_i的最大值；通过调整阈值u的大小，选择使得平均剩余寿命图近似线性的阈值u，并将车辆冲突数据GT中大于阈值u的提取为极值ET。

步骤S4中，将驾驶行为数据作为协变量包含在比例参数中，具体的协变量模型公式如下：

ln(σ)＝σ₀+βγ

其中，σ₀表示截距项，β和γ分别表示驾驶行为因素的估计参数和协变量的向量，根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计，具体步骤如下：

对于极值ET数据ET＝{X₁,X₂,…,X_m}得到对数似然函数为：

其中，X_i满足定义域的限制：

X_i∈D(σ,ξ)

基于σ的协变量模型，将对数似然函数进行求解得到σ和ξ的估计值，m为极值ET的个数。

步骤S4中，根据选择的参数值对广义帕累托分布进行拟合，并通过广义帕累托分布的尾部得到车辆未来的换道碰撞风险R，具体公式如下：

其中，当车辆冲突数据GT大于等于0时，车辆换道间隙时间为负，换道车辆的轨迹将与目标车道中后续车辆的轨迹发生重叠，即发生碰撞。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (2)

1.一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，其特征在于，该方法包括以下步骤：

S1，车辆轨迹数据采集，在所需采集车辆轨迹数据的城市交通区域范围内的固定路口节点安装ALPR设备，采集原始的车辆轨迹数据，并对轨迹数据中的不完整轨迹进行重构，得到完整的车辆轨迹数据；

S2，车辆轨迹数据预测，将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，并选取车辆T步的轨迹数据作为模型输入；将T步轨迹数据经过LSTM单元生成隐藏状态计算时间注意力权重，并将时间注意力权重与/>结合得到与车辆v相关的张量单元值/>根据t时刻网格单元n有无车辆生成张量单元值/>计算空间注意力权重，并将空间注意力权重与/>结合得到t时刻目标车辆的位置信息V_t，将V_t输入LSTM的前馈层以预测目标车辆未来的轨迹；

S3，车辆轨迹相关数据提取，提取车辆换道的间隙时间的负值作为车辆冲突数据GT，根据预测的车辆轨迹数据中车辆位置信息随时间的变化，对换道车辆的轨迹数据进行分析处理以提取车辆驾驶行为数据；

S4，车辆碰撞风险预测，根据车辆冲突数据GT建立基于广义帕累托分布的车辆碰撞-冲突的超阈值模型，通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET；将驾驶行为数据作为协变量包含在比例参数中，根据获得的极值ET通过最大似然估计方法对模型的形状参数和比例参数进行估计；根据拟合的超阈值模型预测车辆未来发生碰撞的风险；

步骤S2中的具体方法如下：

将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，将位于网格内的目标车辆以外的车辆定义为相邻车辆，在时间t将车辆v的T步历史轨迹作为LSTM模型的输入，生成LSTM模型的隐藏状态/> 表示车辆v在j时刻的隐藏状态，d表示隐藏状态的长度，计算与车辆v对应的时间注意力权重/>表示车辆v在j时刻的时间注意力权重，计算公式如下：/>其中，W_α表示学习权重，结合隐藏状态/>和时间注意力权重/>以得到与v相关的张量单元值/> 根据t时刻网格单元n有无车辆生成张量单元值G_t：/>其中，N是所有张量单元的总体数量，/>的计算公式如下：

计算与t时刻所有车辆对应的空间注意力权重 表示在t时刻第n个张量单元的空间注意力权重，计算公式如下：B_t＝softmax(tanh(W_βG_t))，/>其中，W_β表示学习权重，将目标车辆和相邻车辆的空间注意力权重与/>结合得到t时刻目标车辆的位置信息V_t，计算公式如下：/>将V_t输入至LSTM的前馈网络层中以预测目标车辆未来的轨迹；

步骤S3中的车辆轨迹相关数据提取方法如下：

提取在行驶过程中车道序号发生改变的车辆轨迹数据得到换道车辆的轨迹数据，将换道车辆车道横向偏移曲线上的最低点作为车辆换道的开始，并通过计算目标车辆换道的完成时间t1与后续车辆到达换道点的时间t2之间的经过时间得到换道间隙时间，将车辆换道间隙时间的负值作为车辆冲突数据；计算换道车辆在换道5s间隔内沿车道方向的单位时间位移得到换道瞬时速度，提取目标车辆前后车辆的位置信息并得到与前后车辆的距离，将换道事件期间换道车辆的瞬时速度、当前车道上换道车辆与前方车辆之间的距离、换道车辆与当前车道上终点之间的距离、目标车道上换道车辆与后方车辆之间的距离作为车辆驾驶行为数据；

步骤S4中，构建基于广义帕累托分布的超阈值模型，设{X₁,X₂,…,X_n}是一组车辆冲突数据GT的观测值，阈值为u，阈值超出量y＝X-u，当X>u时模型如下：

其中，H(·)表示广义帕累托分布，σ表示比例参数，ξ表示形状参数；

步骤S4中，首先通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET，具体步骤如下：

对于一组车辆冲突数据GT＝{X₁,X₂,…,X_n}，设定阈值为u₀，则对于大于u₀的阈值u，平均超阈值E(X-u|X>u₀)通过以下公式计算：

其中，σ_u表示与阈值u对应的比例参数，σ_u0表示与阈值u₀对应的比例参数，通过平均超阈值E(X-u|X＞u₀)与阈值u的比例关系，根据点集u＜X_max]生成平均剩余寿命图，其中，X₁，…，/>表示n_u个超过阈值u的观测值，X_max表示X_i的最大值；通过调整阈值u的大小，选择使得平均剩余寿命图近似线性的阈值u，并将车辆冲突数据GT中大于阈值u的提取为极值ET；

步骤S4中，将驾驶行为数据作为协变量包含在比例参数中，具体的协变量模型公式如下：

ln(σ)＝σ₀+βγ

其中，σ₀表示截距项，β和γ分别表示驾驶行为因素的估计参数和协变量的向量，根据获得的极值ET通过最大似然估计方法对模型的形状参数和比例参数进行估计，具体步骤如下：

对于极值ET数据ET＝{X₁，X₂，...，X_m}得到对数似然函数为：

其中，X_i满足定义域的限制：

X_i∈D(σ，ξ)

基于σ的协变量模型，将对数似然函数进行求解得到σ和ξ的估计值，m为极值ET的个数；

步骤S4中，根据选择的参数值对广义帕累托分布进行拟合，并通过广义帕累托分布的尾部得到车辆未来的换道碰撞风险R，具体公式如下：

其中，当车辆冲突数据GT大于等于0时，车辆换道间隙时间为负，换道车辆的轨迹将与目标车道中后续车辆的轨迹发生重叠，即发生碰撞。

2.根据权利要求1所述的一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，其特征在于，步骤S1中的具体方法如下：

首先进行中断点识别，将不连续的路径链信息提取，通过k则最短路算法搜索断点间可能的轨迹，并将其作为候选轨迹，通过粒子滤波模型将候选轨迹进行校正，在经过一定次数的重采样过程后，将粒子聚集数最多的轨迹数据作为最优重构轨迹数据。