CN116844340B - 基于人工智能的道路交通风险预测方法 - Google Patents
基于人工智能的道路交通风险预测方法 Download PDFInfo
- Publication number
- CN116844340B CN116844340B CN202311090628.0A CN202311090628A CN116844340B CN 116844340 B CN116844340 B CN 116844340B CN 202311090628 A CN202311090628 A CN 202311090628A CN 116844340 B CN116844340 B CN 116844340B
- Authority
- CN
- China
- Prior art keywords
- time period
- risk
- historical time
- risk index
- road
- 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 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000001788 irregular Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 description 31
- 230000015654 memory Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 208000027744 congestion Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,提供了一种基于人工智能的道路交通风险预测方法,包括:采用图像采集设备获取任一路段在不同历史时间段内不同时刻的道路交通状况历史数据,并对获取的道路交通状况历史数据进行预处理,基于路段的车流量、时间段平均车速以及该道路上驾驶员的不规范驾驶行为数据计算主客观风险指数,并基于主客观风险指数构建基于时间序列的道路交通风险指数作为ARIMA模型的输入,用于后续的道路交通风险预测。这样,能够对下一时间段的道路交通风险指数进行精准预测,实现了基于人工智能的道路交通风险预测,极大的提高了预测的准确性和效率。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种基于人工智能的道路交通风险预测方法。
背景技术
随着社会的发展进步,交通问题逐渐成为城市问题中的重中之重,交通安全、交通规划以及交通拥堵都已经成为人们必须面对和处理的尖锐问题。在现代社会中,车流量与日俱增,不规范的行车驾驶习惯层出不穷,加塞、超速、闯红灯以及压线,这些违法驾驶行为都会导致道路交通的风险性上升,严重威胁到驾驶员的人身安全和造成道路交通的堵塞,影响道路交通系统的正常运行。
由于驾驶员的不规范驾驶行为会对道路交通的运行带来风险,因此基于驾驶员的不规范行为对道路交通风险进行预测会更加精准。ARIMA算法考虑了时间序列数据的移动平均性质以及自相关性,能够较好的捕捉车流量、道路风险数据变化的趋势以及周期性,但是ARIMA模型无法直接对道路交通风险进行预测。
发明内容
鉴于上述问题,本申请提供了一种基于人工智能的道路交通风险预测方法,针对某路段的车流量、平均车速以及驾驶员的不规范驾驶行为进一步分析各数据序列之间的关系,构建主客观风险指数作为ARIMA模型的输入,对道路交通风险能够进行较为准确的预测,实现了基于人工智能的道路交通风险预测,极大的提高了预测的准确性和效率。
第一方面,本申请实施例提供了一种基于人工智能的道路交通风险预测方法,包括:
获取任一路段在不同历史时间段内不同时刻的道路交通状况历史数据,其中道路交通状况历史数据包括路段在不同时间段内不同时刻的车流量数据序列、平均车速数据序列以及驾驶员不规范驾驶行为数据序列;
对获取的道路交通状况历史数据进行预处理;
基于路段在每个历史时间段的预处理后的车流量数据序列和平均车速数据序列,计算每个历史时间段对应的客观风险指数;
基于路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的主观风险指数;
根据每个历史时间段对应的客观风险指数和主观风险指数,确定每个历史时间段对应的道路交通风险指数;
将每个历史时间段对应的道路交通风险指数组成的时间数据序列输入时间序列预测模型,得到路段在下一时间段的道路交通风险指数,用以预测所述下一时间段的道路交通风险。
在一种可能的实现方式中,对获取的道路交通状况历史数据进行预处理,包括:
对路段在不同时间段内不同时刻的车流量数据序列、平均车速数据序列以及驾驶员不规范驾驶行为数据序列通过线性插值填充法对缺失的数据进行填补,其中驾驶员不规范驾驶行为数据序列包括加塞次数数据序列和压线次数数据序列。
在一种可能的实现方式中,基于路段在每个历史时间段的预处理后的车流量数据序列和平均车速数据序列,计算每个历史时间段对应的客观风险指数,包括:
基于路段在每个历史时间段的预处理后的车流量数据序列,确定每个历史时间段对应的道路平均承载因子;
根据每个历史时间段对应的道路平均承载因子,确定每个历史时间段对应的风险阈值;
根据每个历史时间段对应的风险阈值对对应的历史时间段的预处理后的车流量数据序列进行聚类处理,得到每个历史时间段对应的车流量风险簇;
根据每个历史时间段对应的车流量风险簇,得到每个历史时间段对应的车流量风险指数和平均车速风险指数;
根据每个历史时间段对应的车流量风险指数以及平均车速风险指数,得到每个历史时间段对应的客观风险指数。
在一种可能的实现方式中,根据每个历史时间段对应的道路平均承载因子,确定每个历史时间段对应的风险阈值,包括:每个历史时间段对应的风险阈值的计算公式为:
;
其中,β为安全系数,表示道路平均承载因子为历史时间段中第i个时间段中
所有时刻的车流量均值。
在一种可能的实现方式中,每个历史时间段对应的客观风险指数的计算公式为:
;
其中,SC为车速变化指数,表示对应历史时间段内j时刻车速变化指数,,为对应历史时间段内车速变化指数SC大于1的总次数,
为对应历史时间段的平均车速风险指数,和分别表示车流量风险簇中j时刻和j-1时
刻对应的平均车速,QN为车流量风险簇对应的时刻数,m为车流量风险簇中时刻的总个数,表示对应的历史时间段中的平均车速对车流量的关联度,TRI为对应的历史时间段的车
流量风险指数,,Q表示对应时间段中车流量风险簇的数量,表
示对应时间段中当前车流量风险簇与相邻车流量风险簇之间的数据个数的均值,为对
应车流量风险簇的承载差异度,,表示道路平均承载因子,为历史时间段中
第i个时间段中所有时刻的车流量均值,表示对应车流量风险簇中的最大车流量数据。
在一种可能的实现方式中,基于路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的主观风险指数,包括:
基于路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的加塞风险指数和压线风险指数;
根据每个历史时间段对应的加塞风险指数和压线风险指数,计算每个历史时间段对应的主观风险指数。
在一种可能的实现方式中,基于路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的加塞风险指数和压线风险指数,其中加塞风险指数的计算公式为:
;
其中,为对应历史时间段的加塞风险指数;为对应历史时间段内的加塞风险
时刻总数;E为对应历史时间段内的加塞风险时刻数;为历史时间段内第i个时间段的
加塞增长系数;和分别表示历史时间段内第i个时间段和第个时间段加塞次
数数据序列的指数;
压线风险指数的计算公式为:
;
其中,为对应历史时间段的压线风险指数;为对应历史时间段内的压线风险
时刻总数;T为对应历史时间段内的压线风险时刻数;为历史时间段内第i个时间段的
压线增长系数;和分别表示历史时间段内第i个时间段和第个时间段压线次
数数据序列的指数。
在一种可能的实现方式中,每个历史时间段对应的主观风险指数的计算公式为:
;
其中,SRI为主观风险指数,分别表示加塞与压线对道路交通风险影响程
度的权重因子,GRI为加塞风险指数;PRI为压线风险指数。
在一种可能的实现方式中,根据每个历史时间段对应的客观风险指数和主观风险指数,确定每个历史时间段对应的道路交通风险指数,包括:每个历史时间段对应的道路交通风险指数的计算公式为:
;
其中,RI为对应历史时间段的道路交通风险指数;ORI、SRI分别为对应历史时间段
的客观风险指数与主观风险指数,为归一化操作。
在一种可能的实现方式中,时间序列预测模型为ARIMA模型。
第二方面,本申请实施例提供了一种电子设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现如第一方面各个可能实现的实施例。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行如第一方面各个可能实现的实施例。
本申请的有益效果在于:单独的车流量、平均车速以及不规范驾驶行为无法准确的对道路交通风险进行预测,本申请旨在分析各个数据序列对道路交通风险的影响程度,从客观与主观两个方面对道路交通风险指数进行计算,最终得到基于时间段的综合道路交通风险指数时间序列,并以此时间序列作为ARIMA模型的输入,对下一时间段的道路交通风险指数进行精准预测,实现了基于人工智能的道路交通风险预测,极大的提高了预测的准确性和效率。
附图说明
图1是本申请实施例提供的一种基于人工智能的道路交通风险预测方法的步骤流程图;
图2是本申请实施例提供的一种电子设备的结构示意图;
图3是本申请实施例提供的一种计算机可读存储介质的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其它实施例,都属于本申请保护的范围。
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
参见图1所示,本申请实施例公开了一种基于人工智能的道路交通风险预测方法,包括:
步骤S11,获取任一路段在不同历史时间段内不同时刻的道路交通状况历史数据,其中道路交通状况历史数据包括路段在不同时间段内不同时刻的车流量数据序列、平均车速数据序列以及驾驶员不规范驾驶行为数据序列;
步骤S12,对获取的道路交通状况历史数据进行预处理;
步骤S13,基于路段在每个历史时间段的预处理后的车流量数据序列和平均车速数据序列,计算每个历史时间段对应的客观风险指数;
步骤S14,基于路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的主观风险指数;
步骤S15,根据每个历史时间段对应的客观风险指数和主观风险指数,确定每个历史时间段对应的道路交通风险指数;
步骤S16,将每个历史时间段对应的道路交通风险指数组成的时间数据序列输入时间序列预测模型,得到路段在下一时间段的道路交通风险指数,用以预测所述下一时间段的道路交通风险。
需要说明的是,道路交通状况历史数据是由图像采集设备采集得到的。例如,上述图像采集设备可以高清摄像机、高清相机等,在此不对其进行具体限定。具体的,通过高清摄像机等图像采集设备,对某一路段的车流量、时间段平均车速、驾驶员不规范驾驶行为数据进行统计获取,具体为根据目标跟踪算法获取路段中的实时的车辆数量、位置信息及各个车辆的行驶速度,结合卷积神经网络技术,训练模型来识别和分类不规范驾驶行为并统计次数(本发明中的不规范驾驶行为为加塞、压线)。利用计算机视觉技术获取图像交通中的信息为成熟的公开技术,在此不再赘述其原理和细节。采集时间设置为一周之内的工作日的交通区间,采集间隔设置为5min,对每1h的各数据序列通过聚类划分为一个时间段计算其风险指数,本申请实施例中交通区间设定为早上6点到晚上6点,如此可总共获得基于时刻的60个时间段数据序列。
在上述实施例步骤中,采用图像采集设备获取任一路段在不同历史时间段内不同时刻的道路交通状况历史数据,并对获取的道路交通状况历史数据进行预处理,基于路段的车流量、时间段平均车速以及该道路上驾驶员的不规范驾驶行为数据计算主客观风险指数,并基于主客观风险指数构建基于时间序列的道路交通风险指数作为ARIMA模型的输入,用于后续的道路交通风险预测。本申请通过从客观与主观两个方面对道路交通风险指数进行计算,最终得到基于时间段的综合道路交通风险指数时间序列,并以此时间序列作为ARIMA模型的输入,对下一时间段的道路交通风险指数进行精准预测,实现了基于人工智能的道路交通风险预测,极大的提高了预测的准确性和效率。
在本申请一个可选的实施例中,对获取的道路交通状况历史数据进行预处理,包括:
对路段在不同时间段内不同时刻的车流量数据序列、平均车速数据序列以及驾驶员不规范驾驶行为数据序列通过线性插值填充法对缺失的数据进行填补,其中驾驶员不规范驾驶行为数据序列包括加塞次数数据序列和压线次数数据序列。
需要说明的是,通过图像采集设备采集得到的某一路段基于时刻的车流量数据序
列、时间段平均车速序列、加塞次数序列、压线次
数序列,为数据序列中数据采集个数。由于在数据采集和传输的过程中
会出现部分数据丢失或缺损的情况,通过数据填充法对缺失的数据进行填补,记录填补后
的新数据序列为、、、。本申请实施例中使用
的数据填充法为线性插值填充法,原因在于线性插值填充法能够根据已有数据的趋势进行
缺失值的填充,能够较好的适用于时间序列,其中线性插值填充法为公知技术,实施者也可
根据数据特征选择其他数据预处理方法对采集的数据序列进行预处理,在此不再赘述。
在本申请一个可选的实施例中,基于路段在每个历史时间段的预处理后的车流量数据序列和平均车速数据序列,计算每个历史时间段对应的客观风险指数,包括:
基于路段在每个历史时间段的预处理后的车流量数据序列,确定每个历史时间段对应的道路平均承载因子;
根据每个历史时间段对应的道路平均承载因子,确定每个历史时间段对应的风险阈值;
根据每个历史时间段对应的风险阈值对对应的历史时间段的预处理后的车流量数据序列进行聚类处理,得到每个历史时间段对应的车流量风险簇;
根据每个历史时间段对应的车流量风险簇,得到每个历史时间段对应的车流量风险指数和平均车速风险指数;
根据每个历史时间段对应的车流量风险指数以及平均车速风险指数,得到每个历史时间段对应的客观风险指数。
进一步的,每个历史时间段对应的风险阈值的计算公式为:
;
其中,β为安全系数,表示道路平均承载因子为历史时间段中第i个时间段中
所有时刻的车流量均值,本申请实施例中安全系数经验值设置为1.2。
需要说明的是,通过基于车流量序列计算其所属时间段中所有时刻的车流量均值为道路平均承载因子,记为RBF(为避免计算道路平均承载因子出现小数时,进行四舍五入操作),由于车流量幅度与道路平均承载因子变化不大时,对道路交通风险的影响也不会很大,而与道路平均承载因子之间差异较大时,对应的车流量数据为道路交通高风险数据;对于与道路平均承载因子差异不大的车流量对道路交通风险的影响不予考虑。为了更准确的实现车流量数据的聚类,设置安全系数β,并根据道路平均承载因子和安全系数计算风险阈值,根据风险阈值RT对车流量数据序列进行聚类,大于阈值RT且时刻相邻的车流量数据归为一簇,小于等于阈值RT的车流量数据确定为安全车流量不予考虑,为方便后续描述,将大于阈值RT且时刻相邻的车流量数据称为车流量风险簇。
进一步需要说明的是,统计时间段中车流量风险簇的数量记为Q,计算当前车流量
风险簇与相邻车流量风险簇之间的数据个数记为风险簇间距离,求均值获得簇间距离均值(此处为避免出现小数进行四舍五入操作),统计车流量风险簇中的最大车流量记为最大
承载因子记为。计算车流量风险簇的最大承载因子与道路平均承载因子之比记为对应车
流量风险簇的承载差异度记为。道路交通风险越大时,车流量风险簇间距离越小,高风
险时间段的数量越多,承载差异度越大;反之,道路交通风险越小时,车流量风险簇间距离
越大,高风险时间段的数量越少,承载差异度越小。
具体的,例如部分车流量数据序列为100、200、300、400、200、260、310、180、300、240、220、160,计算该部分车流量数据序列的道路平均承载因子为239,根据上述公式可得风险阈值为287,进一步可根据风险阈值将车流量高风险数据进行聚类,该车流量数据序列聚类成为100、200、(300、400)、200、260、(310)、180、(300)、240、220、160,()中代表一簇,310所属簇的簇间距离均值为1.5,最大承载差异因子(因基于10min为时刻的车流量不会出现极大幅度的变化,为保证计算精度,最大承载差异因子对小数点后两位进行四舍五入操作)为1.3。
在本申请一个可选的实施例中,每个历史时间段对应的客观风险指数的计算公式为:
;
其中,SC表示车速变化指数,表示对应历史时间段内j时刻车速变化指数,,为对应历史时间段内车速变化指数SC大于1的总次数,
为对应历史时间段的平均车速风险指数,和分别表示车流量风险簇中j时刻和j-1时
刻对应的平均车速,QN为车流量风险簇对应的时刻数,m为车流量风险簇中时刻的总个数,表示对应的历史时间段中的平均车速对车流量的关联度,TRI为对应的历史时间段的车
流量风险指数,,Q表示对应时间段中车流量风险簇的数量,表
示对应时间段中当前车流量风险簇与相邻车流量风险簇之间的数据个数的均值,为对
应车流量风险簇的承载差异度,,表示道路平均承载因子,为历史时间段中
第i个时间段中所有时刻的车流量均值,表示对应车流量风险簇中的最大车流量数据。
需要说明的是,如前实施例记载,采用数据采集设备进行数据采集方式为1h一个
时间段,5min采集一次即1h共采集12个数据,为所有时间段设置一个判断阈值Z,本申请实
施例中阈值Z为6,当大于1时,进行计数,当一个时间段内SC大于1的次数大于等于6时,
即时,采用上述ORI第一个计算公式,当小于1时,进行计数,若一个时间段内SC小
于1的次数小于6时,即时,采用上述ORI的第二个计算公式。
进一步的,在上述实施例中,为对应车流量风险簇的承载差异度,越大
时,表示该车流量风险簇中的最大承载因子与对应时间段的道路平均承载因子差异越大,
对应的车流量数据风险越高,道路交通风险越高;反之,对应的道路交通风险越小。
进一步需要说明的是,TRI为对应时间段的车流量风险指数;该时间段中的车流量风险簇数量越多,风险簇间距离之和越小,风险簇的承载差异度越大,道路交通风险越高;反之该时间段中的车流量风险簇数量越少,风险簇间距离之和越大,风险簇的承载差异度越小,道路交通风险越低。
进一步的,基于车流量对平均车速的影响构建客观风险指数,寻找上述实施例步骤中车流量风险簇所对应时刻,基于该时刻对平均车速序列进行分析。车流量风险簇对应的时刻中道路的车流量增长幅度较大,增长区间紧密,道路交通风险较大,当同一时刻下的平均车速与上一时刻的平均车速越小时,表示该时刻的平均车速呈下降趋势,平均车速越低,相应的道路交通风险越低,反之表示该时刻的平均车速呈上升趋势,平均车速越高,相应的道路交通风险越高。
具体的,本申请实施例中以一个时间段的平均车速序列进行客观风险指数计算。
统计车流量风险簇对应的时刻数记为QN,记对应车流量风险簇中的第一个高风险数据所在
时刻为j,获取j时刻的平均车速记为与j-1时刻的平均速度记为之比记为车速变化指
数记为,当大于1时,表示当前时刻的平均车速高于上一时刻的平均车速,此时在车流
量风险较高的基础上,平均车速增长越大,道路交通风险越高;反之当小于1时,表示当
前时刻的平均车速小于上一时刻的平均车速,此时在车流量风险较高的基础上,平均车速
减少越低,道路交通风险越低。从本申请实施例计算公式可知,可根据车速变化指数获得基
于时间段的平均车速风险指数(VRI),可根据对应时间段车流量风险指数以及平均车速风
险指数获得对应时间段的客观风险指数(ORI)。
需要说明的是,在客观风险指数计算公式中,为对应历史时间段内车速变化指
数SC大于1的总次数,当大于等于6时,道路交通风险变高;反之当小于6时,道路交
通风险变低;VRI为对应时间段的平均车速风险指数,j时刻的平均车速记与j-1时刻的平
均速度之差的绝对值越大,表示平均车速的变化越大,道路交通风险的变化越大;ORI为
对应时间段的客观风险指数即道路风险指数时刻的数据值;TRI为车流量风险指数;为对
应时间段中平均车速对车流量的关联度;风险簇对应时刻的平均车速变化值之和越大,道
路交通风险变化越大。当SCH大于等于6时,结合关联度以及平均车速变化值之和,增大道路
交通风险的计算,即增大客观风险指数;反之,当SCH小于6时,减小道路交通风险的计算,即
减小客观风险指数。
在本申请一个可选的实施例中,基于路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的主观风险指数,包括:
基于路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的加塞风险指数和压线风险指数;
根据每个历史时间段对应的加塞风险指数和压线风险指数,计算每个历史时间段对应的主观风险指数。
进一步的,基于路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的加塞风险指数和压线风险指数,其中加塞风险指数的计算公式为:
;
其中,为对应历史时间段的加塞风险指数;为对应历史时间段内的加塞风险
时刻总数;E为对应历史时间段内的加塞风险时刻数;为历史时间段内第i个时间段的
加塞增长系数;和分别表示历史时间段内第i个时间段和第个时间段加塞次
数数据序列的指数;
需要说明的是,加塞风险时刻数越大时,表示该时间段内的加塞数高于平均水平的次数越多,道路交通风险越大;后一时间段的Hurst指数与前一时间段Hurst指数比值越大时,表示该数据序列下一个周期比上一个周期数值增强趋势越大,加塞数据序列渐增程度越大,道路交通风险越高;时间段内的加塞增长系数越大,表示加塞数据渐增的程度越大,加塞次数变大的程度越大,道路交通风险越高。
进一步的,压线风险指数的计算公式为:
;
其中,为对应历史时间段的压线风险指数;为对应历史时间段内的压线风险
时刻总数;T为对应历史时间段内的压线风险时刻数;为历史时间段内第i个时间段的
压线增长系数;和分别表示历史时间段内第i个时间段和第个时间段压线次
数数据序列的指数。
需要说明的是,压线风险时刻数越大时,表示该时间段内的压线数高于平均水平的次数越多,道路交通风险越大;后一时间段的Hurst指数与前一时间段Hurst指数比值越大时,表示该数据序列下一个周期比上一个周期数值增强趋势越大,压线数据序列渐增程度越大,道路交通风险越高;对应时间段内的压线增长系数越大,表示压线数据渐增的程度越大,压线次数变大的程度越大,道路交通风险越高。
进一步需要说明的是,由于加塞与压线都属于驾驶员不规范驾驶行为,且单位均
为次数,本申请实施例对两者的数据序列采取同一种处理方式进行风险指数的计算。在一
个时间段内,计算基于时间段的加塞次数均值记为道路加塞平均因子记为,将每一时刻
的加塞次数与道路加塞平均因子进行比较,若该时刻的加塞次数小于道路加塞平均因子
时,表示该时刻发生的驾驶员不规范驾驶行为次数低于平均水平,对此情况不予考虑;反之
若该时刻的加塞次数大于道路加塞平均因子时,表示该时刻发生的驾驶员不规范驾驶行为
次数高于平均水平,二者之间的差异越大,对应的道路交通风险越大。同时基于时间段统计
当前时刻加塞次数大于道路平均加塞因子的时刻数记为加塞风险时刻数,计算当前时刻
的加塞次数与道路平均加塞因子差值记为加塞增长系数记为。
在上述步骤实施例中,Hurst指数作为一种用于衡量时间序列的长期记忆性质的
统计量,可以判断时间序列的相关性。的取值范围在[0,1]之间,当值小于0.5时,
表示时间序列具有反持续性,即序列中的高值更有可能跟随低值,当值大于0.5时,表
示时间序列具有持续性,即序列中的高值更有可能跟随高值,低值更有可能跟随低值,可根
据需要计算各个时间段数据序列的Hurst指数。
在本申请一个可选的实施例中,每个历史时间段对应的主观风险指数的计算公式为:
;
其中,SRI为主观风险指数,分别表示加塞与压线对道路交通风险影响程
度的权重因子,GRI为加塞风险指数;PRI为压线风险指数。
需要说明的是,加塞驾驶行为一定会影响后方车辆的正常驾驶,而压线驾驶行为
不一定会影响后方车辆的正常驾驶,因此对于两种不规范驾驶行为对道路交通风险的影响
程度应该设置不同的权重因子。记加塞与压线对道路交通风险影响程度的权重因子记为,本申请中的、经验值分别为0.7,0.3。由上述主观风险指数计算公式可知,
GRI与PRI越大时,表示该时间段内的加塞、压线风险时刻数越多,加塞、压线次数渐增程度
越大,增强趋势越大,对应时间段的道路交通风险越大;反之对应时间段的道路交通风险越
小。
在本申请一个可选的实施例中,根据每个历史时间段对应的客观风险指数和主观风险指数,确定每个历史时间段对应的道路交通风险指数,包括:每个历史时间段对应的道路交通风险指数的计算公式为:
;
其中,RI为对应历史时间段的道路交通风险指数;ORI、SRI分别为对应历史时间段
的客观风险指数与主观风险指数,为归一化操作。
需要说明的是,为归一化处理,使的道路交通风险指数RI的值域处于[0,1]的
范围内,其中归一化处理可以为最大最小归一化等,在此不做具体限定。越接近1时,道路
交通风险越大;反之道路交通风险越小。
进一步需要说明的是,主客观风险指数越高,道路交通风险指数越高;道路交通风险指数越高,表示对应时间段内的车流量风险簇数量越多,风险簇间距离之和越小,风险簇的承载差异度越大;平均车速的变化越大;不规范驾驶行为风险时刻数越多,不规范驾驶行为次数渐增程度越大,增强趋势越大。
在本申请一个可选的实施例中,时间序列预测模型为ARIMA模型。
需要说明的是,获得的道路交通风险指数的时间序列作为ARIMA模型的输入,对下
一时间段的道路交通风险指数进行预测,其中所述ARIMA模型具体为:;
其中,为道路交通风险指数的时间序列数据;到为AR模型的参数,用来描
述当前值与过去h个时间点值之间的关系;到是MA模型的参数,用来描述当前值与过
去j个时间点的误差之间的关系;是在t时间点的误差项;c为一个常数项。由于ARIMA模型
为公知技术,在此不再过多赘述。
参见图2所示,本申请实施例公开了一种电子设备20,包括处理器21和存储器22;其中,存储器22,用于保存计算机程序;处理器21,用于通过执行计算机程序来实现前述方法实施例提供的基于人工智能的道路交通风险预测方法。
关于上述基于人工智能的道路交通风险预测方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
并且,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,存储方式可以是短暂存储或者永久存储。
另外,电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26;其中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
进一步的,本申请实施例还公开了一种计算机可读存储介质,如图3所示,用于保存计算机程序31,其中,计算机程序被处理器执行时实现前述方法实施例提供的基于人工智能的道路交通风险预测方法。
关于上述基于人工智能的道路交通风险预测方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种基于人工智能的道路交通风险预测方法、设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (4)
1.一种基于人工智能的道路交通风险预测方法,其特征在于,包括:
获取任一路段在不同历史时间段内不同时刻的道路交通状况历史数据,其中所述道路交通状况历史数据包括所述路段在不同时间段内不同时刻的车流量数据序列、平均车速数据序列以及驾驶员不规范驾驶行为数据序列;
对获取的所述道路交通状况历史数据进行预处理;
基于所述路段在每个历史时间段的预处理后的车流量数据序列和平均车速数据序列,计算每个历史时间段对应的客观风险指数;
基于所述路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的主观风险指数;
根据所述每个历史时间段对应的客观风险指数和主观风险指数,确定每个历史时间段对应的道路交通风险指数;
将所述每个历史时间段对应的道路交通风险指数组成的时间数据序列输入时间序列预测模型,得到所述路段在下一时间段的道路交通风险指数,用以预测所述下一时间段的道路交通风险;
基于所述路段在每个历史时间段的预处理后的车流量数据序列和平均车速数据序列,计算每个历史时间段对应的客观风险指数,包括:
基于所述路段在每个历史时间段的预处理后的车流量数据序列,确定每个历史时间段对应的道路平均承载因子;
根据每个历史时间段对应的所述道路平均承载因子,确定每个历史时间段对应的风险阈值;
根据每个历史时间段对应的所述风险阈值对对应的历史时间段的预处理后的车流量数据序列进行聚类处理,得到每个历史时间段对应的车流量风险簇;
根据每个历史时间段对应的车流量风险簇,得到每个历史时间段对应的车流量风险指数和平均车速风险指数;
根据每个历史时间段对应的所述车流量风险指数以及所述平均车速风险指数,得到每个历史时间段对应的客观风险指数;
根据每个历史时间段对应的所述道路平均承载因子,确定每个历史时间段对应的风险阈值,包括:每个历史时间段对应的所述风险阈值的计算公式为:
;
其中,β为安全系数,表示道路平均承载因子为历史时间段中第i个时间段中所有时刻的车流量均值;
每个历史时间段对应的所述客观风险指数的计算公式为:
;
其中,表示对应历史时间段内j时刻车速变化指数,/>,/>为对应历史时间段内车速变化指数SC大于1的总次数,/>为对应历史时间段的平均车速风险指数,/>和/>分别表示车流量风险簇中j时刻和j-1时刻对应的平均车速,QN为车流量风险簇对应的时刻数,m为车流量风险簇中时刻的总个数,/>表示对应的历史时间段中的平均车速对车流量的关联度,TRI为对应的历史时间段的车流量风险指数,,Q表示对应时间段中车流量风险簇的数量,/>表示对应时间段中当前车流量风险簇与相邻车流量风险簇之间的数据个数的均值,/>为对应车流量风险簇的承载差异度,/>,/>表示对应车流量风险簇中的最大车流量数据;
基于所述路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的主观风险指数,包括:
基于所述路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的加塞风险指数和压线风险指数;
根据每个历史时间段对应的所述加塞风险指数和所述压线风险指数,计算每个历史时间段对应的主观风险指数;
基于所述路段在每个历史时间段的预处理后的驾驶员不规范驾驶行为数据序列,计算每个历史时间段对应的加塞风险指数和压线风险指数,其中所述加塞风险指数的计算公式为:
;
其中,为对应历史时间段的加塞风险指数;/>为对应历史时间段内的加塞风险时刻总数;E为对应历史时间段内的加塞风险时刻数;/>为历史时间段内第i个时间段的加塞增长系数;/>和/>分别表示历史时间段内第i个时间段和第/>个时间段加塞次数数据序列的/>指数;
所述压线风险指数的计算公式为:
;
其中,为对应历史时间段的压线风险指数;/>为对应历史时间段内的压线风险时刻总数;T为对应历史时间段内的压线风险时刻数;/>为历史时间段内第z个时间段的压线增长系数;/>和/>分别表示历史时间段内第z个时间段和第/>个时间段压线次数数据序列的/>指数;
每个历史时间段对应的主观风险指数的计算公式为:
;
其中,SRI为主观风险指数,分别表示加塞与压线对道路交通风险影响程度的权重因子,GRI为加塞风险指数;PRI为压线风险指数。
2.根据权利要求1所述的基于人工智能的道路交通风险预测方法,其特征在于,对获取的所述道路交通状况历史数据进行预处理,包括:
对所述路段在不同时间段内不同时刻的车流量数据序列、平均车速数据序列以及驾驶员不规范驾驶行为数据序列通过线性插值填充法对缺失的数据进行填补,其中所述驾驶员不规范驾驶行为数据序列包括加塞次数数据序列和压线次数数据序列。
3.根据权利要求1所述的基于人工智能的道路交通风险预测方法,其特征在于,根据所述每个历史时间段对应的客观风险指数和主观风险指数,确定每个历史时间段对应的道路交通风险指数,包括:每个历史时间段对应的道路交通风险指数的计算公式为:
;
其中,RI为对应历史时间段的道路交通风险指数;ORI、SRI分别为对应历史时间段的客观风险指数与主观风险指数,为归一化操作。
4.根据权利要求1所述的基于人工智能的道路交通风险预测方法,其特征在于,所述时间序列预测模型为ARIMA模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090628.0A CN116844340B (zh) | 2023-08-29 | 2023-08-29 | 基于人工智能的道路交通风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090628.0A CN116844340B (zh) | 2023-08-29 | 2023-08-29 | 基于人工智能的道路交通风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116844340A CN116844340A (zh) | 2023-10-03 |
CN116844340B true CN116844340B (zh) | 2023-11-21 |
Family
ID=88163750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311090628.0A Active CN116844340B (zh) | 2023-08-29 | 2023-08-29 | 基于人工智能的道路交通风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116844340B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
JP2015222537A (ja) * | 2014-05-23 | 2015-12-10 | 日産自動車株式会社 | 道路交通需要予測装置及び道路交通需要予測方法 |
CN105930943A (zh) * | 2016-07-11 | 2016-09-07 | 上海安吉星信息服务有限公司 | 一种驾驶风险预测方法及装置 |
JP2021060676A (ja) * | 2019-10-03 | 2021-04-15 | 株式会社ユピテル | システムおよびプログラム等 |
CN112837535A (zh) * | 2021-03-22 | 2021-05-25 | 北京百度网讯科技有限公司 | 交通信息处理方法、装置、系统、设备及存储介质 |
JP2021099720A (ja) * | 2019-12-23 | 2021-07-01 | 株式会社Jvcケンウッド | 危険運転判定装置、危険運転判定方法、および危険運転判定プログラム |
CN113066287A (zh) * | 2021-03-24 | 2021-07-02 | 公安部交通管理科学研究所 | 一种高速公路交通事故现场风险主动防控方法及系统 |
CN113112796A (zh) * | 2021-04-07 | 2021-07-13 | 吉林大学 | 一种驾驶行为特征的构造方法、系统和驾驶行为分析方法 |
CN113781781A (zh) * | 2021-09-13 | 2021-12-10 | 北京文安智能技术股份有限公司 | 道路交通风险指数的计算方法和道路交通风险预警方法 |
CN115909749A (zh) * | 2023-01-09 | 2023-04-04 | 广州通达汽车电气股份有限公司 | 车辆运行道路风险预警方法、装置、设备及存储介质 |
CN116386316A (zh) * | 2022-12-08 | 2023-07-04 | 阿里云计算有限公司 | 交通风险的预测方法和装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9898759B2 (en) * | 2014-03-28 | 2018-02-20 | Joseph Khoury | Methods and systems for collecting driving information and classifying drivers and self-driving systems |
US11170649B2 (en) * | 2020-02-26 | 2021-11-09 | International Business Machines Corporation | Integrated collision avoidance and road safety management system |
-
2023
- 2023-08-29 CN CN202311090628.0A patent/CN116844340B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
JP2015222537A (ja) * | 2014-05-23 | 2015-12-10 | 日産自動車株式会社 | 道路交通需要予測装置及び道路交通需要予測方法 |
CN105930943A (zh) * | 2016-07-11 | 2016-09-07 | 上海安吉星信息服务有限公司 | 一种驾驶风险预测方法及装置 |
JP2021060676A (ja) * | 2019-10-03 | 2021-04-15 | 株式会社ユピテル | システムおよびプログラム等 |
JP2021099720A (ja) * | 2019-12-23 | 2021-07-01 | 株式会社Jvcケンウッド | 危険運転判定装置、危険運転判定方法、および危険運転判定プログラム |
CN112837535A (zh) * | 2021-03-22 | 2021-05-25 | 北京百度网讯科技有限公司 | 交通信息处理方法、装置、系统、设备及存储介质 |
CN113066287A (zh) * | 2021-03-24 | 2021-07-02 | 公安部交通管理科学研究所 | 一种高速公路交通事故现场风险主动防控方法及系统 |
CN113112796A (zh) * | 2021-04-07 | 2021-07-13 | 吉林大学 | 一种驾驶行为特征的构造方法、系统和驾驶行为分析方法 |
CN113781781A (zh) * | 2021-09-13 | 2021-12-10 | 北京文安智能技术股份有限公司 | 道路交通风险指数的计算方法和道路交通风险预警方法 |
CN116386316A (zh) * | 2022-12-08 | 2023-07-04 | 阿里云计算有限公司 | 交通风险的预测方法和装置、电子设备及存储介质 |
CN115909749A (zh) * | 2023-01-09 | 2023-04-04 | 广州通达汽车电气股份有限公司 | 车辆运行道路风险预警方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Automatic Recognition of Traffic Signs Based on Visual Inspection;Shouhui He et al.;IEEE Access;全文 * |
道路交通安全风险辨识与分析方法综述;寇敏等;交通信息与安全;第40卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116844340A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN111462485A (zh) | 一种基于机器学习的交通路口拥堵的预测方法 | |
CN113821875B (zh) | 一个基于端云协同的智能车辆故障实时预测方法及系统 | |
CN103346797A (zh) | 一种用于齿轮故障信号的实时压缩方法 | |
CN113379099A (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
CN110867077B (zh) | 一种基于交通视频结构化数据质量控制的道路优化方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN116844340B (zh) | 基于人工智能的道路交通风险预测方法 | |
CN117554846B (zh) | 计及约束条件的锂电池寿命预测方法及系统 | |
CN110060370B (zh) | 车辆急加速急减速次数等效统计方法 | |
CN116823298A (zh) | 一种挖掘机作业工况识别与计时方法 | |
CN117087495A (zh) | 一种基于电池老化水平的电动汽车的续驶里程估计方法 | |
Yao et al. | The smart black box: A value-driven automotive event data recorder | |
CN116743180A (zh) | 一种储能电源数据智能存储方法 | |
CN113809365B (zh) | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 | |
CN115409089A (zh) | 一种非侵入式负荷识别的自适应阈值事件检测方法 | |
CN116047223A (zh) | 一种基于实时用电信息及大数据分析的窃电判别方法 | |
CN115219913A (zh) | 一种基于容量增量法的动力电池全生命周期管理系统 | |
CN115437924A (zh) | 一种端到端自动驾驶决策算法的不确定性估计方法 | |
CN114266430A (zh) | 基于变分同化的架空输电线路风险评估方法及装置 | |
CN113989066A (zh) | 基于大数据的电堆能耗分析 | |
CN113077122A (zh) | 一种基于电动汽车的时空分布充电负荷评估方法 | |
CN117130882B (zh) | 基于时间序列干预分析模型的节点资源预测方法和系统 | |
CN113884927B (zh) | 一种基于云端大数据的电池寿命主动控制方法及系统 |
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 |