CN117809458A - 一种交通事故风险实时评估方法及系统 - Google Patents
一种交通事故风险实时评估方法及系统 Download PDFInfo
- Publication number
- CN117809458A CN117809458A CN202410231340.9A CN202410231340A CN117809458A CN 117809458 A CN117809458 A CN 117809458A CN 202410231340 A CN202410231340 A CN 202410231340A CN 117809458 A CN117809458 A CN 117809458A
- Authority
- CN
- China
- Prior art keywords
- traffic
- risk
- conflict
- collision
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 238000012502 risk assessment Methods 0.000 claims abstract description 31
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000003657 Likelihood-ratio test Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通事故风险实时评估方法及系统,涉及交通冲突技术领域。该方法包括步骤:获取待评估路段的车辆数据和道路数据,根据车辆数据和道路数据分析交通流特性;根据待评估路段交通冲突情况确定路段交通安全状态;根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集;利用评价指标集和路段交通安全状态构建交通风险评估模型;利用交通风险评估模型对待评估路段的实时数据进行处理,得到风险评估结果。本发明实现了交通事故风险概率实时且准确的评估。
Description
技术领域
本发明涉及交通冲突技术领域,尤其涉及一种交通事故风险实时评估方法及系统。
背景技术
车辆在城市道路上发生事故后,事故车辆周围不同车道不同行驶状态的车辆之间相互干扰严重,使其路况相比道路其他区域更为复杂,极易出现连环碰撞现象,并进一步加剧事故形态,造成更大的伤亡和损失,最终对整个城市路网的通行效率与运营安全产生影响。目前关于碰撞风险的研究主要集中于单车碰撞风险,忽略了碰撞车辆之间的相互影响以及路段层面上的风险评估。此外,事故数据相对难以获取,并且样本量小、实时性差,在建模的过程中容易出现数据不平衡的现象,因此导致现有技术对交通事故风险的评估缺乏实时性和准确性。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种交通事故风险实时评估方法及系统,基于交通冲突技术,选取冲突数量、冲突严重性以及冲突涉及车辆数目三个指标衡量路段风险,并从速度、流量、换道三方面计算选取指标构建风险评价指标集,基于二元logit模型构建路段风险识别模型,实现了路段交通事故风险概率实时且准确的评估。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种交通事故风险实时评估方法,包括以下步骤:
获取待评估路段的车辆数据和道路数据,根据车辆数据和道路数据分析交通流特性;
根据待评估路段交通冲突情况确定路段交通安全状态;
根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集;
利用评价指标集和路段交通安全状态构建交通风险评估模型;
利用交通风险评估模型对待评估路段的实时数据进行处理,得到风险评估结果。
进一步的,考虑车辆行驶特征和换道行为并结合交通流量进行交通流特性分析。
进一步的,根据待评估路段交通冲突情况确定路段交通安全状态的具体步骤为:
根据拓展的测距碰撞算法计算冲突现象安全值;
根据冲突现象阈值计算交通冲突严重性;
根据选定时间窗口内发生交通冲突的车辆数目计算交通冲突集聚性;
利用聚类算法结合交通冲突严重性和交通冲突集聚性确定路段交通安全状态。
更进一步的,根据拓展的测距碰撞算法计算冲突现象安全值的具体步骤为:
根据冲突现象影响因素确定冲突指标;
根据冲突指标构建交织区车辆冲突指标碰撞时间推导模型;
利用交织区车辆冲突指标碰撞时间推导模型计算冲突现象安全值。
更进一步的,交通冲突严重性包括严重冲突、一般冲突和轻微冲突。
更进一步的,交通安全状态包括有风险和无风险。
进一步的,根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集的具体步骤为:
根据交通流特性分析结果确定交通冲突风险评价指标,并提取交通冲突风险评价指标的相关交通参数;
根据交通参数确定相关系数,并进行交通冲突风险评价指标的相关性计算;
利用递归特征消元算法对交通冲突风险评价指标的重要度进行排序,得到评价指标集。
进一步的,利用Logit模型建立交通风险评估模型,并采用最大似然法对交通风险评估模型进行参数估计。
进一步的,利用似然比对交通风险评估模型进行效果检验。
本发明第二方面提供了一种交通事故风险实时评估系统,包括:
数据获取模块,被配置为获取待评估路段的车辆数据和道路数据,根据车辆数据和道路数据分析交通流特性;
风险判别模块,被配置为根据待评估路段交通冲突情况确定路段交通安全状态;
指标筛选模块,被配置为根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集;
模型构建模块,被配置为利用评价指标集和路段交通安全状态构建交通风险评估模型;
风险评估模块,被配置为利用交通风险评估模型对待评估路段的实时数据进行处理,得到风险评估结果。
以上一个或多个技术方案存在以下有益效果:
本发明公开了一种交通事故风险实时评估方法及系统,基于高精度车辆轨迹数据,选用拓展的测距碰撞算法(extend time to collision,ETTC)计算路段交通冲突情况,基于路段单位时间内的交通冲突数量、交通冲突严重程度以及冲突车辆数目对路段进行风险标定;考虑到路段交通流运行状态,从速度特性、换道行为以及交通流量三个方面选取指标构建交织区风险评价指标集,最后建立基于二元logit模型的路段风险识别模型,利用最大似然法完成模型参数估计,实现了路段交通事故风险概率实时且准确的评估。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一中交通事故风险实时评估方法流程图;
图2为本发明实施例一中交织区车辆冲突指标碰撞时间推导模型示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本发明实施例一提供了一种交通事故风险实时评估方法,如图1所示,包括以下步骤:
S1:获取待评估路段的车辆数据和道路数据,根据车辆数据和道路数据分析交通流特性。
S2:根据待评估路段交通冲突情况确定路段交通安全状态。
S3:根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集。
S4:利用评价指标集和路段交通安全状态构建交通风险评估模型。
S5:利用交通风险评估模型对待评估路段的实时数据进行处理,得到风险评估结果。
S1中,考虑车辆行驶特征和换道行为并结合交通流量进行交通流特性分析。
本实施例中,车辆行驶特征表现为车辆的行驶速度。
换道行为的判断过程为:首先对车道线进行标定,然后根据车辆的中心点位置实时判断车辆属于哪个车道,是否发生换道行为,本实施例中的换道行为可以通过编码实现实时监控。
S2中,根据待评估路段交通冲突情况确定路段交通安全状态的具体步骤为:
S2.1:根据拓展的测距碰撞算法计算冲突现象安全值。
考虑到车辆行驶特征以及复杂的换道行为,本实施例选用拓展TTC(ExtendedTTC,ETTC)来描述车辆在路段上发生的交通冲突现象,相比于TTC而言,ETTC更能适用于普遍的二维车辆运动,即能够用来描述不受约束的交通冲突。具体步骤如下:
S2.1.1:根据冲突现象影响因素确定冲突指标ETTC。具体的,根据交通流特性分析结果,得到影响冲突现象的因素包括车辆位置因素、速度因素和车辆自身长度因素。
S2.1.2:根据冲突指标构建交织区车辆冲突指标碰撞时间推导模型。
在一种具体的实施方式中,如图2所示,假设研究区域车辆在XY二维平面坐标系下运动,XY二维平面坐标系中,X轴表示横向位移,Y轴表示纵向位移,单位均为m。车辆q与车辆h在任意时刻的速度、位置、方向任意,那么两车之间可以发生任意角度的冲突,此时车辆的位置、速度坐标均应以矢量的形式表示。
假设在某一时刻t,后车车辆h与其前车车辆q之间的位置速度关系如图2所示,那么两车之间的ETTC可由下式计算得出。
(1)。
式中,为t时刻下的ETTC值,/>,/>分别为t时刻车辆q和h的形心位置坐标矢量,/>,/>分别为t时刻车辆q和h的速度矢量,/>,/>为前车q与后车h的车辆长度。
S2.1.3:利用交织区车辆冲突指标碰撞时间推导模型计算冲突现象安全值,即值。
以往研究通常使用固定的阈值来判断车辆是否发生交通冲突,当TTC的值小于阈值时,车辆无法在相应的时间内做出避险决策进而避免交通冲突,此时车辆处于危险状态,反之则为安全状态。由于ETTC与TTC的定义基本相同,因此可以使用同样的阈值理论对车辆安全状态进行判断,TTC的阈值通常为2至4秒,根据交通环境、驾驶员、车辆等因素的影响,此阈值会发生变化。本实施例选取4秒为安全阈值,并规定计算ETTC的时间步长为1秒。
S2.2:根据冲突现象阈值计算交通冲突严重性。交通冲突严重性包括严重冲突、一般冲突和轻微冲突。具体的,用选定时间窗口内发生交通冲突数量以及ETTC数值的平均值来衡量交通冲突严重性。
在一种具体的实施方式中,由于驾驶员驾驶习惯以及周围道路条件的影响,在道路发生交通冲突时,冲突存在严重性的差别,一般可以分为严重冲突、一般冲突和轻微冲突。早期学者研究发现冲突的严重程度与事故发生的可能性之间存在关联,交通冲突程度越严重越有可能发生交通事故,因此有必要对本研究采集的冲突样本进行冲突严重性分析。85%位累积频率曲线分析法常被用于交通冲突严重性分析,是现在较为广泛使用的分析方法。本实施例以5s为时间间隔,提取统计道路交通冲突样本,并取累积频率15%、50%以及85%位值作为严重冲突、一般冲突和轻微冲突的判别阈值。
S2.3:根据选定时间窗口内发生交通冲突的车辆数目计算交通冲突集聚性。
及时准确的判别路段交通安全状态可为即将进入该路段的驾驶员提供有效的驾驶指导信息,从而做出正确的驾驶决策,避免进一步加重道路交通冲突程度以及影响交织区交通流运行秩序。以往研究多以交通冲突数目对道路整体安全状态进行评价研究,却忽略了冲突严重程度以及集聚性所带来的影响。观察交通冲突视频片段发现,多车引起的交通冲突对交织区整体安全造成的影响远远大于两车冲突,其波及范围更广,所造成的交通事故更为恶劣。
因此,本实施例以选定时间窗口内发生交通冲突的车辆数目来表征研究区域的交通冲突集聚性。
S2.4:利用聚类算法结合交通冲突严重性和交通冲突集聚性确定路段交通安全状态。
在一种具体的实施方式中,常用的判别方法有灰色聚类、K-means和基于密度的聚类方法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)等,其中K-means算法收敛速度快,模型可解释性强,并且可直接定义聚类的类数,适用于已知类别数的聚类分析。本实施例最终选用K-means算法进行道路安全样本标定,以冲突数目、冲突严重程度以及冲突车辆数目作为K-means算法的输入,将K设置为2,即路段交通安全状态分为两类:无风险和有风险。
S3中,根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集的具体步骤为:
S3.1:根据交通流特性分析结果确定交通冲突风险评价指标,并提取交通冲突风险评价指标的相关交通参数。
具体而言,根据交通流特性分析结果确定单位时间窗口的交通量、换道车辆数目、车辆进入路段开始时的速度、车辆平均速度、车辆速度极差等指标,并提取相关交通参数,同时考虑到拥堵情况对路段风险的影响,还进一步提取了单位时间窗口的拥堵指数进行路段拥堵状态的量化。
S3.2:根据交通参数确定相关系数,并进行交通冲突风险评价指标的相关性、重要性进行计算。
在一种具体的实施方式中,由于本实施例选取的指标大多与速度、流量有关,这可能在一定程度上会导致变量之间存在相关性,进而对建立的模型预测效果产生影响。并且,选取过多的变量指标也会对模型的训练速度有一定影响。因此,为精简指标变量体系,本实施例采用皮尔逊(Pearson)相关系数进行分析,检验选取变量之间是否存在多重共线性。Pearson相关系数也称为积差相关(或积矩相关),假设有、/>两个变量,其计算方法为两变量间的协方差和标准差的商。
当用于样本(Sample)时样本相关系数(Sample correlation coefficient)记作,计算公式见式(2)。
(2)。
式中,为样本相关系数,/>是样本数量;/>,/>是/>变量对应/>点的观测值;是/>样本的平均值;/>是/>样本的平均值。
其中,r的取值在-1与1之间。r的正负代表两个变量间存在正相关以或负相关,r的绝对值代表两个变量间的相关强度,其值越靠近1或-1,相关程度越强,反之,越靠近0,相关程度越弱。当r取值为0时,表示两个随机变量之间线性无关。
S3.3:利用递归特征消元算法对交通冲突风险评价指标的重要度进行排序,得到评价指标集。
在一种具体的实施方式中,为确保后续建模的精度,应去除存在多重共线问题的特征变量。一般直接的方法是删去存在较强相关性的特征变量,但这样可能会删除对道路风险状态具有重要影响的变量。因此,本实施例采用递归特征消元算法对特征变量进行重要性排序,去除两两相关变量中重要性较低的变量。递归特征消元算法(RecursiveFeature Elimination,RFE)是一种性能良好的后向搜索特征筛选方法,属于包装法特征选择算法的其中一种。其核心思想是通过反复构建模型(如支持向量机或回归模型)选出最好的(或最差的)的特征,将选出来的特征选择出来,并在剩余的特征上继续重复这个过程,直至所有特征都遍历一遍。该算法可以在对特征进行筛选的同时选取对因变量(道路交通运行风险状态)贡献最大的变量。
S4中,利用Logit模型建立交通风险评估模型,并采用最大似然法对交通风险评估模型进行参数估计。
在一种具体的实施方式中,Logit模型是一种离散选择模型,因为其概率表达式的显性特点,模型的求解速度快,应用方便,目前被广泛应用到交通事故分析中。本实施例在进行道路风险识别预测时,将因变量定义为二分类变量,即路段有无风险发生(无风险为0,有风险为1),因此选择二元logit模型进行建模。二元logit回归将分类因变量的0、1值转换为取其值的概率,将二分类模型转换为线性函数模型,转换后模型可表示为下列公式。
(3),
(4)。
式中,为概率,/>为第/>个时间窗口路段发生风险的概率,/>为截距项;为回归系数变量;/>为第/>个时间窗口的解释变量,/>为代入二元logit模型中的实际数值。
常用最大似然估计法对logit模型进行参数估计,其核心为对于给定的观测样本,从所有的参数/>中找出能最大概率生成观测数据的参数/>作为估计结果。在应用极大似然估计法之前,需要建立以路段风险发生的概率表述为未知模型参数的似然函数,具体推导如下:
假设第个时间窗口路段发生风险的概率为/>,则相同条件下路段无风险发生的概率为/>。由此可得/>个时间窗口路段发生风险的概率为公式(5)。
(5)。
式中,为/>个时间窗口路段发生风险的概率。
由于各个时间窗口的样本间相互独立,因此个时间窗口的似然函数为公式(6)。
(6)。
其中,为似然函数。
对式(5)和(4)两边进行自然对数变化,求其对数似然值,最终得到公式7。
(7)。
最后分别对对数似然函数的截距项和解释变量的回归系数求偏导,且令其等于0,通过迭代计算最终可求得能使最大的总体参数。
之后,利用似然比对交通风险评估模型进行效果检验。
在一种具体的实施方式中,引入似然比检验评估所建立的交通风险评估模型。似然比检验的原理是通过拟合模型对应似然函数的极大似然值之间的比较,来评价不同模型之间的拟合质量。似然比检验又分为向前似然检验与向后似然检验,向前似然检验的原理是首先是对每一个变量进行检验,得出Wald值和检验概率Sig。然后根据检验概率从低到高逐个代入回归方程进行迭代运算。向后似然检验的原理是首先将所有自变量纳入模型,然后基于在最大偏似然估计基础上的似然比统计的概率结果对自变量进行逐个剔除,得到效果最优的预测模型。
实施例二:
本发明实施例二提供了一种交通事故风险实时评估系统,包括:
数据获取模块,被配置为获取待评估路段的车辆数据和道路数据,根据车辆数据和道路数据分析交通流特性;
风险判别模块,被配置为根据待评估路段交通冲突情况确定路段交通安全状态;
指标筛选模块,被配置为根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集;
模型构建模块,被配置为利用评价指标集和路段交通安全状态构建交通风险评估模型;
风险评估模块,被配置为利用交通风险评估模型对待评估路段的实时数据进行处理,得到风险评估结果。
以上实施例二中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种交通事故风险实时评估方法,其特征在于,包括以下步骤:
获取待评估路段的车辆数据和道路数据,根据车辆数据和道路数据分析交通流特性;
根据待评估路段交通冲突情况确定路段交通安全状态;
根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集;
利用评价指标集和路段交通安全状态构建交通风险评估模型;
利用交通风险评估模型对待评估路段的实时数据进行处理,得到风险评估结果。
2.如权利要求1所述的交通事故风险实时评估方法,其特征在于,考虑车辆行驶特征和换道行为并结合交通流量进行交通流特性分析。
3.如权利要求1所述的交通事故风险实时评估方法,其特征在于,根据待评估路段交通冲突情况确定路段交通安全状态的具体步骤为:
根据拓展的测距碰撞算法计算冲突现象安全值;
根据冲突现象阈值计算交通冲突严重性;
根据选定时间窗口内发生交通冲突的车辆数目计算交通冲突集聚性;
利用聚类算法结合交通冲突严重性和交通冲突集聚性确定路段交通安全状态。
4.如权利要求3所述的交通事故风险实时评估方法,其特征在于,根据拓展的测距碰撞算法计算冲突现象安全值的具体步骤为:
根据冲突现象影响因素确定冲突指标;
根据冲突指标构建交织区车辆冲突指标碰撞时间推导模型;
利用交织区车辆冲突指标碰撞时间推导模型计算冲突现象安全值。
5.如权利要求3所述的交通事故风险实时评估方法,其特征在于,交通冲突严重性包括严重冲突、一般冲突和轻微冲突。
6.如权利要求3所述的交通事故风险实时评估方法,其特征在于,交通安全状态包括有风险和无风险。
7.如权利要求1所述的交通事故风险实时评估方法,其特征在于,根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集的具体步骤为:
根据交通流特性分析结果确定交通冲突风险评价指标,并提取交通冲突风险评价指标的相关交通参数;
根据交通参数确定相关系数,并进行交通冲突风险评价指标的相关性计算;
利用递归特征消元算法对交通冲突风险评价指标的重要度进行排序,得到评价指标集。
8.如权利要求1所述的交通事故风险实时评估方法,其特征在于,利用Logit模型建立交通风险评估模型,并采用最大似然法对交通风险评估模型进行参数估计。
9.如权利要求1所述的交通事故风险实时评估方法,其特征在于,利用似然比对交通风险评估模型进行效果检验。
10.一种交通事故风险实时评估系统,其特征在于,包括:
数据获取模块,被配置为获取待评估路段的车辆数据和道路数据,根据车辆数据和道路数据分析交通流特性;
风险判别模块,被配置为根据待评估路段交通冲突情况确定路段交通安全状态;
指标筛选模块,被配置为根据交通流特性计算交通冲突风险评价指标,计算交通冲突风险评价指标的相关性并进一步计算指标重要性进行排序,根据排序结果得到评价指标集;
模型构建模块,被配置为利用评价指标集和路段交通安全状态构建交通风险评估模型;
风险评估模块,被配置为利用交通风险评估模型对待评估路段的实时数据进行处理,得到风险评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231340.9A CN117809458A (zh) | 2024-03-01 | 2024-03-01 | 一种交通事故风险实时评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231340.9A CN117809458A (zh) | 2024-03-01 | 2024-03-01 | 一种交通事故风险实时评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117809458A true CN117809458A (zh) | 2024-04-02 |
Family
ID=90422006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410231340.9A Pending CN117809458A (zh) | 2024-03-01 | 2024-03-01 | 一种交通事故风险实时评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809458A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298518A (zh) * | 2021-12-22 | 2022-04-08 | 北京工业大学 | 一种网联车辆环境下道路风险评价指标体系 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508392A (zh) * | 2020-12-02 | 2021-03-16 | 云南省交通规划设计研究院有限公司 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
US20220383738A1 (en) * | 2021-05-24 | 2022-12-01 | Wuhan University Of Technology | Method for short-term traffic risk prediction of road sections using roadside observation data |
-
2024
- 2024-03-01 CN CN202410231340.9A patent/CN117809458A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508392A (zh) * | 2020-12-02 | 2021-03-16 | 云南省交通规划设计研究院有限公司 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
US20220383738A1 (en) * | 2021-05-24 | 2022-12-01 | Wuhan University Of Technology | Method for short-term traffic risk prediction of road sections using roadside observation data |
Non-Patent Citations (1)
Title |
---|
马菲: "基于轨迹数据的快速路交织区交通风险评估", 中国优秀硕士学位论文全文数据库工程科技II辑, 31 January 2024 (2024-01-31), pages 2 - 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298518A (zh) * | 2021-12-22 | 2022-04-08 | 北京工业大学 | 一种网联车辆环境下道路风险评价指标体系 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
Li et al. | Traffic light recognition for complex scene with fusion detections | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
WO2023065395A1 (zh) | 作业车辆检测与跟踪方法和系统 | |
CN117809458A (zh) | 一种交通事故风险实时评估方法及系统 | |
CN112668172B (zh) | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 | |
CN111950488B (zh) | 一种改进的Faster-RCNN遥感图像目标检测方法 | |
CN114815605A (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
CN116028884A (zh) | 一种小样本下基于原型网络的车辆换道风险评估方法 | |
CN114879192A (zh) | 基于路侧毫米波雷达的决策树车型分类方法、电子设备 | |
CN113033899A (zh) | 无人驾驶邻近车辆轨迹预测方法 | |
CN113076922A (zh) | 一种物体检测方法及装置 | |
CN106056150A (zh) | 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法 | |
CN110532904B (zh) | 一种车辆识别方法 | |
CN109615007B (zh) | 基于粒子滤波的深度学习网络目标检测方法 | |
CN112163521A (zh) | 一种车辆行驶行为的识别方法、装置及设备 | |
CN115482662B (zh) | 一种危险工况下驾驶员避撞行为预测方法及系统 | |
CN116361175A (zh) | 一种自动驾驶车辆在不同安全域的测试场景创建方法 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
CN112433228B (zh) | 用于行人检测的多激光雷达决策级融合方法和装置 | |
Xie et al. | Deepcf: A deep feature learning-based car-following model using online ride-hailing trajectory data | |
CN113065428A (zh) | 基于特征选择的自动驾驶目标识别方法 | |
CN113313008A (zh) | 基于YOLOv3网络和均值漂移的目标与识别跟踪方法 | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model | |
CN116612642B (zh) | 一种车辆连续变道检测方法及电子设备 |
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 |