CN117746632B - 一种基于智能网联的公交车驾驶风险评估预警系统及方法 - Google Patents
一种基于智能网联的公交车驾驶风险评估预警系统及方法 Download PDFInfo
- Publication number
- CN117746632B CN117746632B CN202311761574.6A CN202311761574A CN117746632B CN 117746632 B CN117746632 B CN 117746632B CN 202311761574 A CN202311761574 A CN 202311761574A CN 117746632 B CN117746632 B CN 117746632B
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- intersection
- road side
- traffic participants
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 230000006855 networking Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004393 prognosis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 10
- 206010039203 Road traffic accident Diseases 0.000 abstract description 6
- 230000009133 cooperative interaction Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002071 nanotube Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能网联的公交车驾驶风险评估预警系统及方法，包括车载端、路侧端和公交车中心云平台，车载端包括设于车内OBU设备，路侧端包括智能路侧设备模块、路侧边缘计算模块和RSU设备模块；公交车中心云平台响应当前风险值以及风险因素，根据风险预设阈值的范围判断后生成相应的是否让行的状况，并下发至OBU设备以提醒公交车驾驶员，本发明利用人车路的协同交互系统构建，可对复杂路口的弱势交通参与者进行全方位高精度检测和识别的功能，可提前做出决策进行风险评估预警优化，此外针对性地对弱势交通参与者的特征类别进行数据优化，进一步地提高了识别的准确性，减少交通事故发生的概率。
Description
技术领域
本发明涉及智慧交通技术领域，特别是一种基于智能网联的公交车驾驶风险评估预警系统及方法。
背景技术
“弱势交通参与者”是指在交通出行领域中，具有较低交通安全保障的人员，包括行人、自行车等非机动车骑手、残疾人、儿童、老年人等群体。这些人员在交通事故中，特别是在通过复杂路口时更容易受到伤害，因此需要更多的保护措施。
现阶段的公交车虽然随着通信技术发展具有多种智能网联功能，但是传统的网联公交车在人车路的协同交互中还有所欠缺，体现在传统的公交车辆通过复杂路口时，往往采用的是公交车辆上的传感器或雷达进行信息的采集和处理，对复杂路口的交通参与者类型、状态距离、行为等信息没有分析，从而导致传统公交车在通过复杂路口时，难以面对突如其来的风险，即难以提前做出决策进行风险评估预警优化，为此我们提出一种基于智能网联的公交车驾驶风险评估预警系统及方法。
发明内容
鉴于上述现有的公交车在驾驶中存在的问题，提出了本发明。
因此，本发明其中的一个目的是提供一种基于智能网联的公交车驾驶风险评估预警系统及方法，其利用人车路的协同交互系统构建，可对复杂路口的弱势交通参与者进行全方位高精度检测和识别的功能，可提前做出决策进行风险评估预警优化，减少交通事故发生的概率，提高了智慧交通实施的安全性，并改善了路侧边缘AI计算，能够提高风险预测的准确性和智能化应用。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供一种基于智能网联的公交车驾驶风险评估预警系统，包括：
车载端，包括设于车内OBU设备，所述OBU设备用于生成交互状态信息；
路侧端，包括智能路侧设备模块、路侧边缘计算模块和RSU设备模块；
所述智能路侧设备模块用于路侧端路口信息的采集，包括安装于交通杆上的信号机、摄像头和激光雷达；
所述路侧边缘计算模块用于智能路侧设备模块的接入、路口信息数据处理以及AI计算，且路侧边缘计算模块包括用于获取所述路口信息的获取单元、用于所述路口信息处理的数据处理单元、模型构建单元和风险分析单元；所述路口信息包括信号机信息、摄像头图像信息和激光雷达数据信息；
所述模型构建单元用于对复杂路口进行弱势交通参与者的识别以及对应的运动状态预测，并响应交互状态信息生成交互状态后，构建分布式路口风险评估模型；
所述风险分析单元用于接收并响应所述分布式路口风险评估混合模型的预测数据，计算当前风险值且确定风险因素，采用迭代决策树模型划分弱势交通参与者从无风险到高度危险的人群；
公交车中心云平台，用于接收所述车载端和路侧端的上传的数据，并响应当前所述风险值以及风险因素，根据风险预设阈值的范围判断后生成相应的是否让行的状况，并下发至所述OBU设备以提醒公交车驾驶员。
作为本发明的一种优选方案，其中：所述模型构建单元对复杂路口进行弱势交通参与者的识别具体地，将摄像头采集的图像信息传输至路侧边缘计算模块，所述路侧边缘计算模块通过YOLOv3模型对复杂路口范围内存在的人员和交通车辆，进行弱势交通参与者的识别，形成弱势交通参与者的类别型特征信息；
所述运动状态预测具体地，将激光雷达采集的弱势交通参与者数据信息传输至路侧边缘计算模块，所述路侧边缘计算模块通过建立弱势交通参与者的LSTM模型，并对LSTM模型进行训练后，形成弱势交通参与者的运动状态信息；
所述响应交互状态信息生成交互状态具体地，将OBU设备采集的公交车车辆信息传输至路侧边缘计算模块，所述路侧边缘计算模块对所述交互状态信息进行路口避让距离的计算，形成弱势交通参与者的交互状态信息；
同时将当前生成的弱势交通参与者的类别型特征信息、运动状态信息以及交互状态信息上传至公交车中心云平台中进行缓存。
作为本发明的一种优选方案，其中：所述模型构建单元构建分布式路口风险评估模型具体基于模糊贝叶斯网络进行分布式路口风险评估；
根据所述路口信息和交互状态信息形成的历史数据后，构建分布式路口风险评估的贝叶斯网络的网络结构，所述贝叶斯网络的网络结构包括路口监测信息根节点、中间风险节点以及路口风险叶节点；
确定分布式路口风险评估的贝叶斯网络的网络结构后，计算每个节点的概率分布，具体地对确定的网络结构计算每个节点的概率分布，包括对路口监测信息根节点的先验概率分布和中间风险节点的条件概率分布；
其中，对路口监测信息根节点的先验概率分布通过下式计算，如下：
其中，P表示先验概率值，xi表示第i个样本，μq(xi)表示第i个样本对应于第q种状态的隶属度，n为第i个样本的项数，λ表示一致性检验参数。
作为本发明的一种优选方案，其中：所述路侧边缘计算模块还包括用于优化弱势交通参与者的类别型特征的类别型特征优化单元；
所述类别型特征优化单元采用对分类变量进行无偏处理的提升树模型，在构建分布式路口风险评估模型前，采用GreedyTS策略对弱势交通参与者的类别型特征进行处理，即通过添加先验分布项做平滑处理，具体如下：
将特征集矩阵化为原始数据集；
对样本集X进行随机排序，序列表示为σ＝(σ1，σ2，...，σn)；
样本xi的第k个维度特征xik为类别特征，通过下式计算对样本第k个维度特征xik调整后的特征值，如下：
其中，表示为调整后的特征值，D＝{(xi,yi)}i＝1,...,n为训练样本集，Di表示为序列中位于样本xi之前的样本集，且Di＝{xj,σ(j)＜σ(i)}，当xjk＝xik时，Di为1，当xjk≠xik时，Di为0；yj为样本的真实标签，P为先验概率值，/>为先验概率值的权重系数。
作为本发明的一种优选方案，其中：所述弱势交通参与者的类别型特征信息为行人个体特征信息，其包括年龄、性别和运动姿态；
所述运动状态信息包括弱势交通参与者当前位置和速度；
所述的交互状态信息包括公交车辆当前位置、车速以及车型。
作为本发明的一种优选方案，其中：确定风险因素并计算当前风险值具体如下：
其中，w1，w2，w3分别为类别型特征信息、运动状态信息和交互状态信息的权重系数；w1.aw2.bw3.c分别为类别型特征预测风险值、运动状态预测风险值和交互状态预测风险值；Pm为当前风险值。
作为本发明的一种优选方案，其中：所述迭代决策树模型包括以下任一种：梯度提升决策树GBDT模型、adaboost决策树模型以及XGBoost决策树模型。
作为本发明的一种优选方案，其中：所述划分弱势交通参与者从无风险到高度危险的人群具体地，基于风险因素并根据风险值设置阈值划分弱势交通参与者的人群，设定相应阈值划分人群为无风险、低风险、中风险、高风险弱势交通参与者；并根据监测时间变化，绘制风险值变化曲线以了解后续风险，针对不同风险的弱势交通参与者通过绘制风险值变化曲线，作为不同风险人群的预后风险信息。
一方面，本发明提供一种基于智能网联的公交车驾驶风险评估预警方法，包括：
路侧边缘计算模块通过获取单元获取OBU设备的交互状态信息和智能路侧设备模块的路口信息监测数据的历史数据和待评估数据；
路侧边缘计算模块对复杂路口进行弱势交通参与者的识别以及对应的运动状态预测，并响应交互状态信息生成交互状态后，通过模型构建单元确定类别型特征、运动状态和交互状态的特征数据，构建贝叶斯网络网络结构，计算每个节点的概率分布以及待评估数据中各特征数据指标在监测数据的状态隶属度；
通过风险分析单元接收并响应所述分布式路口风险评估混合模型的预测数据，计算当前风险值且确定风险因素，采用迭代决策树模型划分弱势交通参与者从无风险到高度危险的人群；
公交车中心云平台响应当前所述风险值以及风险因素，根据风险预设阈值的范围判断后生成相应的是否让行的状况，并下发至所述OBU设备以提醒公交车驾驶员。
还包括：通过路侧边缘计算模块的类别型特征优化单元在构建分布式路口风险评估模型前，采用对分类变量进行无偏处理的提升树模型，采用Greedy TS策略对弱势交通参与者的类别型特征进行处理，即通过添加先验分布项做平滑处理，消除低频率类别型数据以及噪声数据对于数据集分布的影响。
本发明的有益效果：本发明利用人车路的协同交互系统构建，可对复杂路口的弱势交通参与者进行全方位高精度检测和识别的功能，可提前做出决策进行风险评估预警优化，此外针对性地对弱势交通参与者的特征类别进行数据优化，进一步地提高了识别的准确性，减少交通事故发生的概率，提高了智慧交通实施的安全性，并改善了路侧边缘AI计算，能够提高风险预测的准确性和智能化应用，同时基于端边、边边及云边协同，实现车联网业务的各级联动，满足不同业务场景多元化需求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明实施例1中系统的模块化结构示意图；
图2为本发明实施例1中系统的实际部署应用示意图；
图3为本发明实施例1中路侧边缘计算模块的模块化结构示意图；
图4为本发明实施例1中路侧边缘计算模块构建分布式路口风险评估模型的示意图；
图5为本发明实施例2中公交车驾驶风险评估预警方法的流程图；
图6为本发明实施例2中公交车的避让判断流程图；
图中标号：1、车载端；11、OBU设备；2、路侧端；3、公交车中心云平台；21、智能路侧设备模块；22、路侧边缘计算模块；23、RSU设备模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参照图1、图2、图3和图4，为本发明的一个实施例，该实施例提供了一种基于智能网联的公交车驾驶风险评估预警系统，包括车载端1、路侧端2和公交车中心云平台3；其中，车载端1包括设于车内OBU设备11，OBU设备11用于生成交互状态信息；路侧端2包括智能路侧设备模块21、路侧边缘计算模块22和RSU设备模块23；公交车中心云平台3用于接收车载端1和路侧端2的上传的数据，并响应当前风险值以及风险因素，根据风险预设阈值的范围判断后生成相应的是否让行的状况，并下发至OBU设备11以提醒公交车驾驶员。
其中，智能路侧设备模块21用于路侧端路口信息的采集，包括安装于交通杆上的信号机、摄像头和激光雷达，可获取复杂路口的不同人员在交通路口的相关信息。
如图3所示，本实施例的路侧边缘计算模块22用于智能路侧设备模块的接入、路口信息数据处理以及AI计算，且路侧边缘计算模块22包括用于获取路口信息的获取单元、用于路口信息处理的数据处理单元、模型构建单元和风险分析单元；路口信息包括信号机信息、摄像头图像信息和激光雷达数据信息；
本实施例具体说明的，对弱势交通参与者的类别型特征信息、运动状态信息和交互状态信息的数据处理，进一步说明地是该模型构建单元对复杂路口进行弱势交通参与者的识别具体地，将摄像头采集的图像信息传输至路侧边缘计算模块22，路侧边缘计算模块22通过YOLOv3模型对复杂路口范围内存在的人员和交通车辆，进行弱势交通参与者的识别，形成弱势交通参与者的类别型特征信息；
运动状态预测具体地，将激光雷达采集的弱势交通参与者数据信息传输至路侧边缘计算模块22，路侧边缘计算模块22通过建立弱势交通参与者的LSTM模型，并对LSTM模型进行训练后，形成弱势交通参与者的运动状态信息；
响应交互状态信息生成交互状态具体地，将OBU设备11采集的公交车车辆信息传输至路侧边缘计算模块22，路侧边缘计算模块22对交互状态信息进行路口避让距离的计算，形成弱势交通参与者的交互状态信息；
同时将当前生成的弱势交通参与者的类别型特征信息、运动状态信息以及交互状态信息上传至公交车中心云平台3中进行缓存。
如图4所示，本实施例需要强调地，模型构建单元用于对复杂路口进行弱势交通参与者的识别以及对应的运动状态预测，并响应交互状态信息生成交互状态后，构建分布式路口风险评估模型；
该模型构建单元构建分布式路口风险评估模型具体基于模糊贝叶斯网络进行分布式路口风险评估；根据路口信息和交互状态信息形成的历史数据后，构建分布式路口风险评估的贝叶斯网络的网络结构，贝叶斯网络的网络结构包括路口监测信息根节点、中间风险节点以及路口风险叶节点；确定分布式路口风险评估的贝叶斯网络的网络结构后，计算每个节点的概率分布，具体地对确定的网络结构计算每个节点的概率分布，包括对路口监测信息根节点的先验概率分布和中间风险节点的条件概率分布；
其中，对路口监测信息根节点的先验概率分布通过下式计算，如下：
其中，P表示先验概率值，xi表示第i个样本，μq(xi)表示第i个样本对应于第q种状态的隶属度，n为第i个样本的项数，λ表示一致性检验参数。
此外本实施例为了消除分布式路口风险评估模型所获取数据中低频率类别型数据以及噪声数据对于数据集分布的影响，本实施例的路侧边缘计算模块22还包括用于优化弱势交通参与者的类别型特征的类别型特征优化单元；
类别型特征优化单元采用对分类变量进行无偏处理的提升树模型，在构建分布式路口风险评估模型前，采用GreedyTS策略对弱势交通参与者的类别型特征进行处理，即通过添加先验分布项做平滑处理，具体如下：
将特征集矩阵化为原始数据集；
对样本集X进行随机排序，序列表示为σ＝(σ1，σ2，...，σn)；
样本xi的第k个维度特征xik为类别特征，通过下式计算对样本第k个维度特征xik调整后的特征值，如下：
其中，表示为调整后的特征值，D＝{(xi,yi)}i＝1,...,n为训练样本集，Di表示为序列中位于样本xi之前的样本集，且Di＝{xj,σ(j)＜σ(i)}，当xjk＝xik时，Di为1，当xjk≠xik时，Di为0；yj为样本的真实标签，P为先验概率值，/>为先验概率值的权重系数。本实施例针对性地对弱势交通参与者的特征类别进行数据优化，进一步地提高了识别的准确性。
具体地，弱势交通参与者的类别型特征信息为行人个体特征信息，其包括年龄、性别和运动姿态；运动状态信息包括弱势交通参与者当前位置和速度；交互状态信息包括公交车辆当前位置、车速以及车型。
本实施例的风险分析单元用于接收并响应分布式路口风险评估混合模型的预测数据，计算当前风险值且确定风险因素，采用迭代决策树模型划分弱势交通参与者从无风险到高度危险的人群；确定风险因素并计算当前风险值具体如下：
其中，w1，w2，w3分别为类别型特征信息、运动状态信息和交互状态信息的权重系数；w1.aw2.bw3.c分别为类别型特征预测风险值、运动状态预测风险值和交互状态预测风险值；Pm为当前风险值。
本实施例的迭代决策树模型包括采用梯度提升决策树GBDT模型来划分弱势交通参与者从无风险到高度危险的人群，基于风险因素并根据风险值设置阈值划分弱势交通参与者的人群，设定相应阈值划分人群为无风险、低风险、中风险、高风险弱势交通参与者；并根据监测时间变化，绘制风险值变化曲线以了解后续风险，针对不同风险的弱势交通参与者通过绘制风险值变化曲线，作为不同风险人群的预后风险信息。
基于上述可知，通过本系统的架构以及各个模块之间构成可知，可实现在公交车辆通过复杂路口时，路侧设备可以通过摄像头，雷达等传感器，采集路口交通信息，同时通过车载OBU设备获取车辆当前交互状态信息，同步生成路口交通态势的相关数据，再通过路侧的MEC设备进行边缘计算，对弱势交通参与者的类别型特征信息、运动状态信息和交互状态信息的数据处理后，
生成相应的弱势交通参与者的类别型特征信息、运动状态信息和交互状态信息，模型构建单元基于模糊贝叶斯网络进行分布式路口风险评估，此外针对性地对弱势交通参与者的特征类别进行数据优化，进一步地提高了识别的准确性，可根据历史监测数据判断出对应路口当前的风险值，并确定风险因素后进行相应的公交车状态结果推荐，即通过路侧的协同决策及时告知车辆的行驶建议，广播给公交车，帮助车辆理解路口交通状况，提前做出行驶决策，特别地保障了弱势交通的者的交通安全，减少交通事故发生的概率。
实施例2
参照图5和图6，本实施例提供一种基于智能网联的公交车驾驶风险评估预警方法，包括：
步骤S101，输入样本特征信息，路侧边缘计算模块22通过获取单元获取OBU设备11的交互状态信息和智能路侧设备模块21的路口信息监测数据的历史数据。
步骤S102，复杂交通路口信息风险状态评估，路侧边缘计算模块22对复杂路口进行弱势交通参与者的识别以及对应的运动状态预测，并响应交互状态信息生成交互状态后，通过模型构建单元确定类别型特征、运动状态和交互状态的特征数据，构建贝叶斯网络网络结构，计算每个节点的概率分布以及待评估数据中各特征数据指标在监测数据的状态隶属度。
步骤S103，当前风险值预测，基于当前采集路口交通信息以及车辆当前交互状态信息，通过对应的路侧的MEC设备进行边缘计算，基于模糊贝叶斯网络进行分布式路口风险评估生成各项的风险值，最后通过风险分析单元计算当前风险值，完成当前风险值预测；
步骤S104，路口风险源分析，对弱势交通者的进行风险源分析，通过风险分析单元接收并响应分布式路口风险评估混合模型的预测数据，确定弱势交通者的风险因素，并采用迭代决策树模型划分弱势交通参与者从无风险到高度危险的人群；
步骤S105，结合风险源给出结果状态，公交车中心云平台3响应当前风险值以及风险因素，根据风险预设阈值的范围判断后生成相应的是否让行的状况，并下发至OBU设备11以提醒公交车驾驶员。如图6所示，公交车到达路口范围，接收风险预测结果数据后，响应风险预测结果数据后生成相应的状况，判断有无超过风险阈值，若超过即进行判断有风险后立即让行，让行结束后继续观察交通状况并接收风险预测结果数据，无风险，正常通行，判断是否需要等待红灯进行相应的等待红灯判断通行处理；还可根据低风险值进行公车相应的减速正常运行处理，在保障弱势交通者运行的过程中，保障公车的正常运行。
此外在本实施例进一步地，通过路侧边缘计算模块22的类别型特征优化单元在构建分布式路口风险评估模型前，采用对分类变量进行无偏处理的提升树模型，采用GreedyTS策略对弱势交通参与者的类别型特征进行处理，即通过添加先验分布项做平滑处理，消除低频率类别型数据以及噪声数据对于数据集分布的影响。
综上所述，本发明的公交车辆通过复杂路口时，车联网技术可以通过部署在路侧和车端的各种传感器设备，对弱势交通参与者进行全方位检测和识别，可以实现人车路的协同交互，从而营造出对弱势交通参与者更加安全的交通环境，通过路侧的协同决策及时告知车辆的行驶建议，广播给公交车，帮助车辆理解路口交通状况，提前做出行驶决策，减少交通事故发生的概率。
综上所述，本发明的系统在规划区域内实现统一纳管，以及管理、网络、应用的全方位协同。通过RSU设备模块、车内OBU设备和路口交通设施以及路侧的MEC设备，组成5G车联网端边云分布式协同架构，基于端边、边边及云边协同，实现车联网业务的各级联动，满足不同业务场景多元化需求；此外本发明系统中的路侧MEC设备的能力进一步加强和场景化的下沉，具有对复杂路口的弱势交通参与者进行全方位高精度检测和识别的功能，将继续以5G网络为基础，以智慧交通的研发应用为契机，在公共交通中打造“聪明的车、智慧的路、灵活的网、强大的云”，有利于智慧交通的应用快速落地发展。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于智能网联的公交车驾驶风险评估预警系统，其特征在于，包括：
车载端(1)，包括设于车内OBU设备(11)，所述OBU设备(11)用于生成交互状态信息；
路侧端(2)，包括智能路侧设备模块(21)、路侧边缘计算模块(22)和RSU设备模块(23)；
所述智能路侧设备模块(21)用于路侧端路口信息的采集，包括安装于交通杆上的信号机、摄像头和激光雷达；
所述路侧边缘计算模块(22)用于智能路侧设备模块的接入、路口信息数据处理以及AI计算，且路侧边缘计算模块(22)包括用于获取所述路口信息的获取单元、用于所述路口信息处理的数据处理单元、模型构建单元和风险分析单元；所述路口信息包括信号机信息、摄像头图像信息和激光雷达数据信息；
所述模型构建单元用于对复杂路口进行弱势交通参与者的识别以及对应的运动状态预测，并响应交互状态信息生成交互状态后，构建分布式路口风险评估模型；
所述模型构建单元对复杂路口进行弱势交通参与者的识别具体地，将摄像头采集的图像信息传输至路侧边缘计算模块(22)，所述路侧边缘计算模块(22)通过YOLOv3模型对复杂路口范围内存在的人员和交通车辆，进行弱势交通参与者的识别，形成弱势交通参与者的类别型特征信息；
所述运动状态预测具体地，将激光雷达采集的弱势交通参与者数据信息传输至路侧边缘计算模块(22)，所述路侧边缘计算模块(22)通过建立弱势交通参与者的LSTM模型，并对LSTM模型进行训练后，形成弱势交通参与者的运动状态信息；
所述响应交互状态信息生成交互状态具体地，将OBU设备(11)采集的公交车车辆信息传输至路侧边缘计算模块(22)，所述路侧边缘计算模块(22)对所述交互状态信息进行路口避让距离的计算，形成弱势交通参与者的交互状态信息；同时将当前生成的弱势交通参与者的类别型特征信息、运动状态信息以及交互状态信息上传至公交车中心云平台(3)中进行缓存；
所述模型构建单元构建分布式路口风险评估模型具体基于模糊贝叶斯网络进行分布式路口风险评估；
根据所述路口信息和交互状态信息形成的历史数据后，构建分布式路口风险评估的贝叶斯网络的网络结构，所述贝叶斯网络的网络结构包括路口监测信息根节点、中间风险节点以及路口风险叶节点；
确定分布式路口风险评估的贝叶斯网络的网络结构后，计算每个节点的概率分布，具体地对确定的网络结构计算每个节点的概率分布，包括对路口监测信息根节点的先验概率分布和中间风险节点的条件概率分布；
其中，对路口监测信息根节点的先验概率分布通过下式计算，如下：
其中，P表示先验概率值，xi表示第i个样本，μq(xi)表示第i个样本对应于第q种状态的隶属度，n为第i个样本的项数，λ表示一致性检验参数；
所述路侧边缘计算模块(22)还包括用于优化弱势交通参与者的类别型特征的类别型特征优化单元；
所述类别型特征优化单元采用对分类变量进行无偏处理的提升树模型，在构建分布式路口风险评估模型前，采用GreedyTS策略对弱势交通参与者的类别型特征进行处理，即通过添加先验分布项做平滑处理，具体如下：
将特征集矩阵化为原始数据集；
对样本集X进行随机排序，序列表示为σ＝(σ1，σ2，...，σn)；
样本xi的第k个维度特征xik为类别特征，通过下式计算对样本第k个维度特征xik调整后的特征值，如下：
其中，表示为调整后的特征值，D＝{(xi,yi)}i＝1,...,n为训练样本集，Di表示为序列中位于样本xi之前的样本集，且Di＝{xj,σ(j)＜σ(i)}，当xjk＝xik时，Di为1，当xjk≠xik时，Di为0；yj为样本的真实标签，P为先验概率值，/>为先验概率值的权重系数；
所述风险分析单元用于接收并响应所述分布式路口风险评估混合模型的预测数据，计算当前风险值且确定风险因素，采用迭代决策树模型划分弱势交通参与者从无风险到高度危险的人群；
公交车中心云平台(3)，用于接收所述车载端(1)和路侧端(2)的上传的数据，并响应当前所述风险值以及风险因素，根据风险预设阈值的范围判断后生成相应的是否让行的状况，并下发至所述OBU设备(11)以提醒公交车驾驶员。
2.如权利要求1所述的一种基于智能网联的公交车驾驶风险评估预警系统，其特征在于，所述弱势交通参与者的类别型特征信息为行人个体特征信息，其包括年龄、性别和运动姿态；
所述运动状态信息包括弱势交通参与者当前位置和速度；
所述的交互状态信息包括公交车辆当前位置、车速以及车型。
3.如权利要求1所述的一种基于智能网联的公交车驾驶风险评估预警系统，其特征在于，确定风险因素并计算当前风险值具体如下：
其中，w1，w2，w3分别为类别型特征信息、运动状态信息和交互状态信息的权重系数；w1.aw2.b w3.c分别为类别型特征预测风险值、运动状态预测风险值和交互状态预测风险值；Pm为当前风险值。
4.如权利要求1所述的一种基于智能网联的公交车驾驶风险评估预警系统，其特征在于，所述迭代决策树模型包括以下任一种：梯度提升决策树GBDT模型、adaboost决策树模型以及XGBoost决策树模型。
5.如权利要求1所述的一种基于智能网联的公交车驾驶风险评估预警系统，其特征在于，所述划分弱势交通参与者从无风险到高度危险的人群具体地，基于风险因素并根据风险值设置阈值划分弱势交通参与者的人群，设定相应阈值划分人群为无风险、低风险、中风险、高风险弱势交通参与者；并根据监测时间变化，绘制风险值变化曲线以了解后续风险，针对不同风险的弱势交通参与者通过绘制风险值变化曲线，作为不同风险人群的预后风险信息。
6.一种基于智能网联的公交车驾驶风险评估预警方法，应用如权利要求1所述的一种基于智能网联的公交车驾驶风险评估预警系统，其特征在于，包括：
路侧边缘计算模块(22)通过获取单元获取OBU设备(11)的交互状态信息和智能路侧设备模块(21)的路口信息监测数据的历史数据和待评估数据；
路侧边缘计算模块(22)对复杂路口进行弱势交通参与者的识别以及对应的运动状态预测，并响应交互状态信息生成交互状态后，通过模型构建单元确定类别型特征、运动状态和交互状态的特征数据，构建贝叶斯网络的网络结构，计算每个节点的概率分布以及待评估数据中各特征数据指标在监测数据的状态隶属度；
通过风险分析单元接收并响应所述分布式路口风险评估混合模型的预测数据，计算当前风险值且确定风险因素，采用迭代决策树模型划分弱势交通参与者从无风险到高度危险的人群；
公交车中心云平台(3)响应当前所述风险值以及风险因素，根据风险预设阈值的范围判断后生成相应的是否让行的状况，并下发至所述OBU设备(11)以提醒公交车驾驶员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311761574.6A CN117746632B (zh) | 2023-12-20 | 2023-12-20 | 一种基于智能网联的公交车驾驶风险评估预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311761574.6A CN117746632B (zh) | 2023-12-20 | 2023-12-20 | 一种基于智能网联的公交车驾驶风险评估预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117746632A CN117746632A (zh) | 2024-03-22 |
| CN117746632B true CN117746632B (zh) | 2024-06-07 |
Family
ID=90282726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311761574.6A Active CN117746632B (zh) | 2023-12-20 | 2023-12-20 | 一种基于智能网联的公交车驾驶风险评估预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117746632B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113470433A (zh) * | 2021-06-28 | 2021-10-01 | 重庆长安汽车股份有限公司 | 基于v2i的车辆内轮差区域危险预警方法、系统、车辆及路侧设备 |
| CN115691223A (zh) * | 2022-12-31 | 2023-02-03 | 浙江九州云信息科技有限公司 | 一种基于云边端协同的碰撞预警方法及系统 |
| CN115985089A (zh) * | 2022-12-01 | 2023-04-18 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于云端感知弱势交通参与者的方法及装置 |
-
2023
- 2023-12-20 CN CN202311761574.6A patent/CN117746632B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113470433A (zh) * | 2021-06-28 | 2021-10-01 | 重庆长安汽车股份有限公司 | 基于v2i的车辆内轮差区域危险预警方法、系统、车辆及路侧设备 |
| CN115985089A (zh) * | 2022-12-01 | 2023-04-18 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于云端感知弱势交通参与者的方法及装置 |
| CN115691223A (zh) * | 2022-12-31 | 2023-02-03 | 浙江九州云信息科技有限公司 | 一种基于云边端协同的碰撞预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117746632A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | Utilizing UAV video data for in-depth analysis of drivers’ crash risk at interchange merging areas | |
| US11074813B2 (en) | Driver behavior monitoring | |
| US20240290201A1 (en) | Driver behavior monitoring | |
| CN111402612A (zh) | 一种交通事件通知方法及装置 | |
| US11334797B2 (en) | System and method for predicting and interpreting driving behavior | |
| GB2573738A (en) | Driving monitoring | |
| CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
| CN111951548B (zh) | 一种车辆驾驶风险确定方法、装置、系统及介质 | |
| TWI774034B (zh) | 基於車聯網的行車示警方法、系統及設備 | |
| CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
| CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
| CN112132335A (zh) | 预测交通事故的方法、装置、设备以及存储介质 | |
| Kumar et al. | Moving Vehicles Detection and Tracking on Highways and Transportation System for Smart Cities | |
| Hawas et al. | Optimized multistage fuzzy-based model for incident detection and management on urban streets | |
| CN114299739A (zh) | 目标路段的通过方法、系统、存储介质及电子装置 | |
| CN117746632B (zh) | 一种基于智能网联的公交车驾驶风险评估预警系统及方法 | |
| Mohammad et al. | New Ontology structure for intelligent controlling of traffic signals | |
| CN113178081B (zh) | 一种车辆汇入预警方法、装置及电子设备 | |
| Srinivasan et al. | Advanced Driver Assistance System (ADAS) in Autonomous Vehicles: A Complete Analysis | |
| CN111985386B (zh) | 一种基于计划行为理论的行人违章穿行行为辨识方法 | |
| DE102022103059A1 (de) | Automatische annotation befahrbarer strassensegmente | |
| CN114282623A (zh) | 一种基于客运车辆违规上下客的分析方法 | |
| CN111680897A (zh) | 一种勤务管控方法、装置、系统及计算机可读存储介质 | |
| CN117612140B (zh) | 道路场景的识别方法、装置和存储介质及电子设备 | |
| Jain et al. | A computational model for driver risk evaluation and crash prediction using contextual data from on-board telematics |
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 |