发明内容
鉴于上述原因,本发明的目的在于提供一种车载短距离通信网的车辆交通事故预测方法,以贝叶斯网络模型为基础,能够结合车辆、道路状况、交通信号灯等多维信息进行实时、综合的车辆交通事故预测。
为实现上述目的,本发明采用以下技术方案:一种车载短距离通信网的车辆交通事故预测方法,包括步骤:
S1:构建包括影响车辆交通安全的参数的贝叶斯网络;
S2:根据路段内一定时期内车辆发生交通事故的历史数据,及贝叶斯网络中节点之间的条件概率,由路侧节点利用本地存储或者通过网络获取的历史数据对该贝叶斯网络进行训练,确定贝叶斯网络模型;
S3:车载节点通过接收覆盖范围内车载节点定期广播的包含车辆位置的心跳信息实时采集各项评价参数数据,利用该贝叶斯模型,进行交通事故预测。
优选的,所述步骤S1中,所述影响车辆交通安全的参数包括:行驶状态、两车距离、车辆加速、车辆状况、道路状况、相对位置,行驶状态分为直行状态、改变行车线路状态、拐弯状态。
优选的,所述步骤S3中,所述各项评价参数数据包括:根据车载节点发送的心跳信息,获取车载节点的地理位置信息,计算得到车速度数据、车加速度数据、两车距离数据、车辆状况数据,根据路侧节点发送的信息获取信号灯状态数据、道路状况数据,根据车载***采集的数据,获取本车的行驶状态数据。
优选的,构建车辆直行状态下预测交通事故的贝叶斯网络:直行事故概率以前车情况、后车情况为参数进行预测,前车情况以相对位置、道路状况、车辆状况为参数进行预测,相对位置以两车距离、车辆加速为参数进行预测;后车情况以相对位置、道路状况、车辆状况为参数进行预测,相对位置以两车距离、车辆加速为参数进行预测。
优选的,构建车辆改变行车线路状态下预测交通事故的贝叶斯网络:改变行车线路事故概率以本车道、侧车道为参数进行预测,本车道以前车情况、后车情况为参数进行预测,前车情况以相对位置、车辆状况、道路状况为参数进行预测,相对位置以两车距离、车辆加速为参数进行预测,后车情况以相对位置、车辆状况、道路状况为参数进行预测,相对位置以两车距离、车辆加速为参数进行预测;侧车道以前车情况、后车情况为参数进行预测,前车情况以相对位置、车辆状况、道路状况为参数进行预测,相对位置以两车距离、车辆加速为参数进行预测,后车情况以相对位置、车辆状况、道路状况为参数进行预测,相对位置以两车距离、车辆加速为参数进行预测。
优选的,构建车辆拐弯状态下预测交通事故的贝叶斯网络。
优选的,根据实时采集的行驶状态数据,确定相应的贝叶斯网络进行交通事故预测。
优选的,还包括:设定一警示阈值,当预测的车辆事故概率值大于该警示阈值时,进行告警提示。
本发明的优点是:
本发明是利用车载短距离通信网中,车载节点定期发送的心跳信息,路侧节点接收及处理信息的能力,从车辆、道路状况、交通信号灯等多个维度,基于贝叶斯网络模型,综合预测车辆发生交通事故的概率,在此基础上,能够及时提供事故预警,有效提高道路交通的安全性。
具体实施方式
以下结合附图和实施例对本发明作进一步详细的描述。
图1是本发明的方法流程图,如图所示,本发明公开的车载短距离通信网的车辆交通事故预测方法,包括以下步骤:
S1:根据影响交通事故的各项因素,构建贝叶斯网络;
结合车辆易发生交通事故的情况,将车辆的行驶状态分为三类:第一类是直行状态,包括正常行驶、刹车制动、加速直行;第二类是改变行车线路状态,包括左右并线、加速超车;第三类是拐弯状态,包括左、右拐弯。由于三种行驶状态两两具有互斥性,因此针对三种行驶状态分别进行独立的交通事故预测。
如图2所示,用于预测直行状态下发生交通事故的概率的贝叶斯网络为:直行事故概率(节点R1)以前车情况(节点A)、后车情况(节点B)为参数进行预测,前车情况以相对位置(节点A1)、道路状况(节点A2)、车辆状况(节点A3)为参数进行预测,相对位置(节点A1)以两车距离(节点A11)、车辆加速(节点A12)为参数进行预测;后车情况以相对位置(节点B1)、道路状况(节点B2)、车辆状况(节点B3)为参数进行预测,相对位置(节点B1)以两车距离(节点B11)、车辆加速(节点B12)为参数进行预测。
如图3所示,用于预测改变行车线路状态下发生交通事故的概率的贝叶斯网络为:改变行车线路事故概率(节点R2)以本车道(节点A)、侧车道(节点B)为参数进行预测,本车道以前车情况(节点A1)、后车情况(节点A2)为参数进行预测,前车情况(节点A1)以相对位置(节点A11)、车辆状况(节点A12)、道路状况(节点A13)为参数进行预测,相对位置(节点A11)以两车距离(节点A111)、车辆加速(节点A112)为参数进行预测,后车情况(节点A2)以相对位置(节点A21)、车辆状况(节点A22)、道路状况(节点A23)为参数进行预测,相对位置(节点A21)以两车距离(节点A211)、车辆加速(节点A212)为参数进行预测;侧车道以前车情况(节点B1)、后车情况(节点B2)为参数进行预测,前车情况(节点B1)以相对位置(节点B11)、车辆状况(节点B12)、道路状况(节点B13)为参数进行预测,相对位置(节点B11)以两车距离(节点B111)、车辆加速(节点B112)为参数进行预测,后车情况(节点B2)以相对位置(节点B21)、车辆状况(节点B22)、道路状况(B23)为参数进行预测,相对位置(节点B21)以两车距离(节点B211)、车辆加速(节点B212)为参数进行预测。
如图4所示,用于预测拐弯状态下发生交通事故的概率的贝叶斯网络为:
S2:利用历史数据和贝叶斯网络中各节点之间的条件概率,对贝叶斯网络进行训练,确定贝叶斯网络模型;
S21:通过专家经验和历史数据获得贝叶斯网络中各节点与其父节点之间的条件概率。
专家经验是贝叶斯网络确定参数的常用方法,在没有历史数据的情况下,根据有经验的专家的预测来设置网络参数,例如在一定的两车距离、车辆加速情况下,估算车辆发生事故的概率,后续获得历史数据后根据历史数据对专家经验数据进行修正和调整。
历史数据是指特定路段于一定时期内获得的车辆交通事故数据,即车辆发生交通事故时的车速、车加速度、车行驶方向、两车距离、车辆状况、道路状况等;在该历史数据基础上统计出该路段车辆发生交通事故的条件概率,包括在一定两车距离、车辆加速条件下车辆直行发生交通事故的概率,在一定两车距离、车辆加速条件下车辆拐弯发生交通事故的概率,在一定两车距离、车辆加速条件下车辆改变行车线路发生交通事故的概率等。
贝叶斯网络中各个节点的取值通过专家经验设定,并利用所处路段、实际路况及交通状况(行驶状态、车流量、车速、车加速度、两车距离、信号灯状态等)的实际数据、历史数据进行校验调整,不同的路段、路况、交通状况对应的贝叶斯网络参数取值不同。
于一具体实施例中,如表1所示,贝叶斯网络结构中的各个参数的取值为:
参数/取值 |
1 |
0 |
两车距离 |
近 |
远 |
车辆加速 |
是 |
否 |
相对位置 |
有危险 |
无危险 |
车辆情况 |
载重 |
非载重 |
道路状况 |
雨雪 |
正常 |
前车情况 |
有危险 |
无危险 |
后车情况 |
有危险 |
无危险 |
对面车情况 |
有危险 |
无危险 |
信号灯状态 |
黄灯状态 |
红绿灯状态 |
表1
1)两车距离(两车的距离s除以相对速度v(s/v))={远,近},根据到本车的时间和预设的阈值,取值为0表示远,取值为1表示近;
2)车辆加速={是、否},根据车辆是否处于加速状态,取值为1表示是,取值为0表示否;
3)相对位置={有危险、无危险},取值为1表示有危险,取值为0表示无危险;
4)车辆情况={载重,非载重},取值为1表示载重,取值为0表示非载重;
5)道路状况={雨雪、正常},取值为1表示雨雪,取值为0表示正常;
6)前车情况,后车情况,对面车情况={有危险、无危险},取值为1表示有危险,取值为0表示无危险;
7)信号灯状态={黄灯状态、红绿灯状态},取值为1表示黄灯状态,取值为0表示红绿灯状态。
针对贝叶斯网络的各个节点,通过专家经验和历史数据获得各个节点与其父节点之间的条件概率。如表2所示,以通用节点A及其父节点A1、A2为例,
表2
其中,{A1-1,A1-2,……,A1-m}表示父节点A1的m个事件,{A2-1,A2-2,……,A2-n}表示父节点A2的n个事件,{A1,A2}表示两个节点的m×n个不同的事件组合,{s-1,s-2,……,s-k}表示节点A的k个事件,Pi-j表示在事件{A1,A2}的条件下节点A发生(s-j)事件的概率,有
利用该方法依次获得贝叶斯网络中各节点与其父节点的条件概率。如图2、表3所示,
表3
以预测直行状态下发生交通事故的概率的贝叶斯网络中,相对位置节点A1为例,其父节点为两车距离A11、车辆加速A12,
1)在事件{A11,A12}={1,1}的条件下,发生{A1=1}的概率为90%,发生{A1=0}的概率为10%;即两车距离近(A11)且车辆处于加速状态(A12)的情况下,车辆有危险的概率为90%。
2)在事件{A11,A12}={1,0}的条件下,发生{A1=1}的概率为30%,发生{A1=0}的概率为70%;即两车距离近(A11)但车辆未加速(A12)的情况下,车辆有危险的概率为30%。
3)在事件{A11,A12}={0,1}的条件下,发生{A1=1}的概率为40%,发生{A1=0}的概率为60%;即两车距离远(A11)但车辆处于加速状态(A12)的情况下,车辆有危险的概率为40%。
4)在事件{A11,A12}={0,0}的条件下,发生{A1=1}的概率为5%,发生{A1=0}的概率为95%;即两车距离远(A11)且车辆未加速(A12)的情况下,车辆有危险的概率仅为5%。
S22:以历史数据、节点与其父节点的条件概率为基础,对贝叶斯网络进行训练;
在贝叶斯网络中,已知父节点的概率、节点与其父节点之间的条件概率,即可以获得最终的条件概率,为所有条件概率分布的乘积,即联合概率分布,
其中,Parent(xi)表示节点xi的父节点。
如公式(1)所示,将历史数据作为先验概率,结合节点与其父节点之间的条件概率,获得贝叶斯网络中各个节点的联合概率,对贝叶斯网络进行训练,根据同历史数据的相符程度,调整相应的条件概率,使得贝叶斯网络更加有效。
S23:确定贝叶斯网络模型;
对贝叶斯网络进行训练、调整后,确定各节点的取值,得到最终的贝叶斯网络模型。
S24:发布贝叶斯网络模型。
将确定的贝叶斯网络模型向本路段的路侧节点发布,当车载节点驶入本路段时,路侧节点将贝叶斯网络模型发送给车载节点,车载节点利用接收的心跳信息、路侧节点发送的信息等,基于贝叶斯网络模型,预测本车发生交通事故的概率。
S3:车载节点实时获取各项评价参数数据;
各项评价参数包括:
根据周围车载节点广播的心跳信息,获取车载节点的地理位置信息,进而计算处理得到车速度数据、车加速度数据、行驶方向数据、两车距离数据(远或近)、车辆状况数据(是否载重)等,
根据路侧节点广播的信息获取信号灯状态数据、道路状况数据(雨雪或非雨雪)等,
根据本车的车载***(如汽车总线(CAN)或者汽车诊断***(OBD:On-BoardDiagnostic)接口),获得车辆的行驶状态,包括直行、刹车、加速、左右拐弯(通过左右转向灯获取)等。
S4:基于贝叶斯网络模型,利用实时获取的各项评价参数数据,对车辆发生交通事故的概率进行预测。
根据获取的行驶状态,选择相应的贝叶斯网络进行预测,并将实时采集的各项评价参数转换为相应的节点参数取值。
结合公式(1),以图5所示三个节点为例,已知父节点A1、A2的概率,以及节点A与其两个父节点A1、A2的条件概率,计算P1=P(AA1A2)=P(A1)P(A2)P(A|A1A2),P2=P(A1A1A2)=P (A1)P(A2)P(A|A1A2),P3=P(AA1A2)=P(A1)P(A2)P(A|A1A2),P4=P(AA1A2)=P(A1)P(A2)P(A| A1A2),得到
基于上述方法原理,即可根据采集的各项评价参数数据,及节点与其父节点的条件概率,从贝叶斯网络的最顶端逐级计算,得到最终的交通事故概率。
S5:设定发生交通事故的警示阈值,当预测的交通事故概率大于该警示阈值时,通过声光告警提示驾驶员注意交通安全,同时提示具有安全性威胁的因素。
本发明的车载短距离通信网的车辆交通事故预测方法,结合造成车辆发生交通事故的各种因素,如行驶状态、车速、车加速度、两车距离、道路状况、信号灯状态等,构建贝叶斯网络,利用路段于一定时期内发生车辆交通事故的历史数据对贝叶斯网络进行训练、调整,确定贝叶斯网络模型,并向路段范围内的路侧节点发布贝叶斯网络模型,当车辆进入该路段范围后,即可利用该贝叶斯网络,根据实时采集的各项评价参数数据,预测发生交通事故的概率。本发明是利用车载短距离通信网中,车载节点定期发送心跳信息,路侧节点接收、管理、发布本路段信息的特性,从车辆、道路状况、信号灯等多个维度,基于贝叶斯网络模型,综合预测车辆发生交通事故的概率,能够有效提高交通事故预警能力,降低车辆发生交通事故的概率。
以上所述是本发明的较佳实施例及其所运用的技术原理,对于本领域的技术人员来说,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变,均属于本发明保护范围之内。