CN110610611B - 面向混行交通流中智能网联车辆的行车安全性评价方法 - Google Patents

Abstract

本发明公开了面向混行交通流中智能网联车辆的行车安全性评价方法，涉及城市交通路网通行服务领域。所述评价方法包括：1)利用速度时间序列VS，构建基于ARMA模型与广义RBF神经网络的联合预测模型，预测下一时段智能网联车辆的行车速度V_t+1；2)定义并计算行车安全性评价指标；3)确定评价指标对应的等级数值，构造行车安全性评价模型，进行行车安全性评价。本发明充分利用智能网联车辆所处的环境下其信息传递的快速性与准确性，提高了智能网联车辆使用的智能性与安全性，并且对常规车辆的信息传递时效性也起到了促进作用。

Description

面向混行交通流中智能网联车辆的行车安全性评价方法

技术领域

本发明涉及城市交通路网通行服务领域，尤其涉及一种面向混行交通流中智能网联车辆的行车安全性评价方法。

背景技术

混行交通流是未来3～5年后的交通流常态。所谓混行就是路段上行驶的车辆不仅是常规车辆，还包括智能网联车辆。当前智能网联车关键技术不断得到突破，如何确保在混行条件下智能网联车辆的安全运行越来越受到研究者们的重视。因此，对混行交通流环境下智能网联车辆的行车安全性进行评价成为极具研究价值的课题。

近年来，不安全驾驶行为造成的交通事故一直居高不下，行车安全问题愈发突出。其中，车辆追尾碰撞是一类常见的交通事故也是影响行车安全性的重要原因，约占事故总数的25％～40％，驾驶员的反应能力的局限性是造成车辆追尾碰撞发生的主要原因之一；智能网联车辆能够通过车联网更快捕捉交通实时信息传达给驾驶员，从而在一定程度上降低因信息迟滞而导致的追尾碰撞事故发生概率。然而随着近年来智能网联车辆的增加，国内却没有面向混行交通流中智能网联车辆的行车安全性评价方法。比如，在智能网联车辆根据云端数据成编队行驶时，编队中某一辆车突然变道会影响车辆编队的行驶，极易诱发交通事故，从而影响其他车辆的行车安全性。可见，由此带来的出行效率和驾驶员对智能交通***的信任程度降低，制约着智能交通***的发展。目前只有两种针对常规车辆的行车安全性评价方法。一种是基于交通事故的行车安全性评价方法，该方法能够给出公路路段的总体安全水平，同时又利于找出对行车安全性影响大的路段。另外一种是基于道路交通设施的行车安全性评价方法，该方法依据工程经验，判断不同道路交通流的安全性，确定其权重，给出评分等级，最后进行加权综合，得出整个道路上行车安全水平。这两种方法具有针对性强、简单易行的优点。但这两种方法预测行车速度准确性低，无法获得智能网联车的行车安全性，且没有考虑到预测速度、设计车速和变道智能网联车辆的侧向加速度等因素，不能够体现智能网联车辆在运动过程中的实际运动状态与预测运动状态。因此，这两种方法不适用于智能网联车辆的行车安全性评价。

因此，借助智能网联车的关键技术，评价混行交通流环境下智能网联车辆行车安全性，从而使智能网联车辆成编队行驶、常规车辆按规定行使，成为保证行车安全，加强智能交通***建设，提高出行效率，实现社会经济性的重要途径。

发明内容

针对现有技术中存在不足，本发明提供了面向混行交通流中智能网联车辆的行车安全性评价方法，克服了预测行车速度信息准确性低，无法获得精确的行车安全性信息等问题，提高了行车安全性。

本发明是通过以下技术方案实现上述技术目的的。

面向混行交通流中智能网联车辆的行车安全性评价方法，构建基于ARMA模型与广义RBF神经网络的联合预测模型，预测下一时段智能网联车辆的行车速度V_t+1，定义并计算行车安全性评价指标，由评价指标对应的等级数值构造行车安全性评价模型，进行行车安全性评价。

进一步，所述联合预测模型为：

其中，e_i为ARMA模型或广义RBF神经网络在联合预测模型中的权重，C_it为广义RBF神经网络或ARMA模型对V_t+1在目标时刻t的预测结果，f_t为随机噪声，且f_t∈[0,1]。

进一步，所述行车安全性评价指标包括：下一时段预测智能网联车辆速度与设计速度相似性指标S₁、相邻路段上车速变化趋势的协调性指标S₂、变道智能网联车辆侧向加速度指标S₃、交通事故发生率指标S₄和追尾碰撞指标S₅。

更进一步，所述下一时段预测智能网联车辆速度与设计速度相似性指标S₁为：

S₁＝|V_t+1-V_d|

其中，V_d为当前路段设计速度。

更进一步，所述相邻路段上车速变化趋势的协调性指标S₂为：

其中：V_t-1为上一时段行车速度。

更进一步，所述变道智能网联车辆侧向加速度指标S₃为：

其中，临界加速度

G_s为车辆簧载质量，G_u为非簧载质量，B为等效轮距，h_s为簧载质量重心离地高度，R为车轮半径，V_t为实时车速，R₀为瞬时转弯半径。

更进一步，所述交通事故发生率指标S₄为：

其中，β₁为该路段受交通事故影响不能够按正常通行能力服务的时间，β₂为从路段开通以来服务总时间。

更进一步，所述追尾碰撞指标S₅为：

其中，S₅₁为TTC碰撞时间指标，

且S₅₁所占比重

h为车头间距，V'_t为前车车速，L为车身长度，σ为调整参数；S₅₂为车头间距指标，S₅₂＝|h-h'|，h'为平衡态车头间距，

h₀为最小停车间距，v₀为自由流速度，α为敏感系数，且S₅₂所占比重

S₅₃为车头时距指标，

h_tmin为最小车头时距，且S₅₃所占比重

更进一步，所述行车安全性评价模型为：

其中，τ为智能网联车的比例，f为出行车安全性评价值，S_i'为评价指标对应的等级数值。

更进一步，所述行车安全性评价指标对应的等级为优、良、差。

本发明采用上述技术方案后的有益效果为：本发明能够有效地利用的历史行车速度数据，并结合基于自回归滑动平均模型(Auto-Regressive Moving Average Model，ARMA)与广义径向基函数(Radial Basis Function，RBF)神经网络的联合预测模型，精准预测下一时段智能网联车辆行车速度V_t+1，并且确定两种预测模型在联合预测模型中的权重。然后将预测得到的行车速度V_t+1用于计算下一时段预测智能网联车辆速度与设计速度相似性指标S₁，相邻路段上车速变化趋势的协调性指标S₂。结合云端数据库中的车辆数据信息与车辆传感器收集的信息计算变道智能网联车辆侧向加速度指标S₃、路段交通事故发生率指标S₄、追尾碰撞指标S₅。其中，指标S₅由TTC(time to collision)碰撞时间指标S₅₁、车头间距指标S₅₂、车头时距指标S₅₃经加权平均算法计算得来。最后构建综合行车安全性评价模型，将各指标代入行车安全性评价公式来评价行车安全性。本发明利用基于ARMA与RBF神经网络的联合预测模型精准的预测下一时段智能网联车辆行车速度数据，通过联合预测模型计算车速；与单种预测模型相比提高了预测车速的精确性并且确定单种预测模型的权重，进一步加强了预测的准确性。本发明计算下一时段预测智能网联车辆速度与设计速度相似性指标S₁和相邻路段车速协调性指标S₂，这两种指标充分反映了行车速度与行车安全性息息相关，通过这两个指标能够提供更为准确的行车安全性信息。本发明对侧向加速度指标S₃、路段交通事故发生率指标S₄和追尾碰撞指标S₅进行评价，可以更进一步确保行车安全性信息的准确性。

附图说明

图1为本发明面向混行交通流中智能网联车辆的行车安全性评价方法逻辑框图。

图2为混行交通流示意图。

图3为智能网联车辆变道示意图。

图4为ARMA模型预测曲线图。

图5为RBF神经网络预测曲线图。

图6为联合模型预测曲线图。

具体实施方式

以下结合附图和具体实施方式对本发明作详细描述。

如图1所示，面向混行交通流中智能网联车辆的行车安全性评价方法，该方法包括如下步骤：

步骤1，智能网联车辆安装的车载传感器收集实时车速V_t、前一时段车速V_t-1、前车车速V_t'、瞬时转弯半径R₀和实时车头间距h。智能网联车辆通过车联网从云端数据库获取智能网联车辆历史车速数据、车辆簧载质量G_s、非簧载质量G_u、等效轮距B、簧载质量重心离地高度h_s、车轮半径R、当前路段设计速度V_d、车身长度L、该路段受交通事故影响不能够按正常通行能力服务的时间β₁和从路段开通以来服务总时间β₂；智能网联车辆历史车速数据形成速度时间序列VS。

步骤2，利用速度时间序列VS，构建基于ARMA模型与广义RBF神经网络的联合预测模型，预测下一时段智能网联车辆的行车速度V_t+1。

步骤2.1，将速度时间序列VS输入自回归滑动平均模型ARMA，预测智能网联车辆下一时段行车速度V_t+1，设计目标智能网联车辆下一时段的行车速度预测模型C₁。

设x_i-p为速度时间序列，μ_i、μ_j-p为当前和历史预测误差随项，是白噪声序列，Φ_i为自回归系数，θ_j为移动平均系数，Φ和θ是待估参数，则下一时段的行车速度预测模型C₁的表达为：

式中，p、q为正整数，且p≠q。

步骤2.2，将速度时间序列VS输入广义RBF神经网络，预测智能网联车辆下一时段行车速度V_t+1，设计目标智能网联车辆下一时段的行车速度预测模型C₂。

设计广义RBF神经网络，输入层包含M个输入节点，隐含层包含I个节点，输出层包含J个神经元，隐含层的第i个节点的基函数φ为高斯函数，X_i为基函数的中心，输出层中输出单元与基函数相连的权值为ω_ij，输出层中第o个输出单元与常数1相连的权值为ω_oj。设输出层的实际输出为Y_k＝[y_k1,y_k2,...,y_kj,...,y_kJ]，输入层输入训练样本X_k(即速度时间序列VS)，则输出第J个神经元(即下一时段行车速度V_t+1)得出的结果为：

步骤2.3，建立C₁、C₂联合的智能网联车辆速度预测模型。

对预测目标智能网联车辆行车速度采用两种预测模型C₁、C₂，设C_1t为ARMA联合预测模型对下一时段智能网联车辆行车速度的在目标时刻t的预测结果，C_2t为广义RBF神经网络对下一时段智能网联车辆行车速度在目标时刻t的预测结果，e₁为ARMA模型在联合预测模型中所占的权重，e₂为广义RBF神经网络在联合预测模型中所占的权重，f_t为随机噪声且f_t∈[0,1]，则联合预测模型如下所示：

设K为C₁、C₂两种预测模型之间的协方差矩阵，且单位矩阵R＝[1,1]，则权重e_i为：

步骤2.4，由上述步骤得出智能网联车辆在下一时段的预测速度V_t+1。

步骤3，定义并计算行车安全性评价指标，分别是下一时段预测智能网联车辆速度与设计速度相似性指标S₁、相邻路段上车速变化趋势的协调性指标S₂、变道智能网联车辆侧向加速度指标S₃、交通事故发生率指标S₄和追尾碰撞指标S₅。其中，指标S₅由TTC(time tocollision)碰撞时间指标S₅₁、车头间距指标S₅₂、车头时距指标S₅₃经追尾碰撞加权平均算法计算得来。将步骤2中得到V_t+1的代入安全性评价指标S₁、S₂的计算公式中，结合评价标准表得出评价结果。利用步骤1中车载传感器收集的信息和云端数据库中的车辆数据信息计算安全性评价指标S₃、S₄、S₅。

步骤3.1，设计速度相似性指标S₁。

使用下一时段预测智能网联车辆速度V_t+1与当前路段设计速度V_d差值的绝对值作为评价指标；差值的绝对值越小代表V_t+1与V_d越接近，其相似性指标越小；相对地，差值的绝对值越大代表V_t+1与V_d差距大，其相似性指标越大。则下一时段预测智能网联车辆速度与设计速度相似性指标S₁计算公式如下：

S₁＝|V_t+1-V_d|

相似性评价指标标准见表1。

表1相似性评价指标标准表

步骤3.2，设计相邻路段上车速变化趋势的协调性指标S₂。

智能网联行车安全性由行车过程中运行速度变化的协调性来表示，将协调性指标量化为相邻路段上车速变化趋势。若相邻路段上车速变化小，则说明突发事件少、常规车辆与智能网联车联运行正常，存在少量或者不存在突然变道、紧急制动、打破智能网联车辆编队行驶等影响行车安全性的行为。若相邻路段上车速变化大，则反之。设车辆的行驶速度不超过当前路段的最高限速，使用车载传感器测得上一时段行车速度V_t-1结合智能网联车辆下一时段的行车速度V_t+1，计算相邻路段车速协调性指标S₂，该指标的计算公式如下：

S₂的值越小，表示即相邻路段上智能网联车车速变化趋势越连续，S₂的值越大，表示相邻路段上智能网联车车速变化趋势较剧烈；协调性评价指标标准见表2。

表2协调性评价指标标准表

步骤3.3，设计变道智能网联车辆侧向加速度指标S₃。

在混行交通流环境下，智能网联车辆成编队行驶，而常规车辆在智能网联车辆车队之间或另外一条车道上行驶，如附图3所示。此时影响智能网联车辆行车安全性的主要因素是编队中某辆智能网联车辆的驾驶员取消自动驾驶从而进行手动驾驶，驾驶员操纵车辆进行变道脱离智能网联车辆编队。但是在混行交通流中车辆行驶速度较快，智能网联车的驾驶员变道时可能未注意后方来车，极易引发撞车事故，影响其他智能网联车辆的行车安全性。针对上述变道行为，计算变道智能网联车辆侧向加速度指标S₃。首先，车载传感器采集实时车速V_t与瞬时转弯半径R₀，接着通过车联网技术从云端数据库获取车辆簧载质量G_s、非簧载质量G_u、等效轮距B、簧载质量重心离地高度h_s、车轮半径R，最后通过侧向加速度算法计算指标S₃。该指标的计算公式如下：

其中：S_F为临界加速度。

智能网联车辆的侧向加速度指标标准见表3。

表3变道智能网联车辆侧向加速度指标标准表

步骤3.4，设计交通事故率指标S₄。

S₄为该路段受交通事故影响不能够按正常通行能力服务的时间β₁和为从路段开通以来服务总时间β₂之比。智能网联车辆通过车联网从云端数据库中获取β₁、β₂，从而计算出S₄，该指标的计算公式如下：

交通事故率指标S₄标准见表4。

表4交通事故率指标标准表

步骤3.5，设计追尾碰撞指标S₅。

在智能网联车辆成编队行驶时，追尾碰撞是影响行车安全的重要因素。定义TTC评价指标为衡量车队中由车辆紧急制动时，该车后方车辆经车载信息处理中心的计算得出与前方车辆的预估碰撞时间。车载传感器测得的车头间距h、实时车速V_t、前车车速V_t'，从云端数据库获取车身长度L，则TTC碰撞时间指标公式如下：

由文献资料(秦严严，王昊.智能网联车辆交通流优化对交通安全的改善[J].中国公路学报，2018，31(4):202-210.)查得平衡态车头间距

再结合车载传感器测得的车头间距h，建立车头间距指标模型S₅₂，其中h₀为最小停车间距，v₀为自由流速度，α为敏感系数且α∈[0,1]，计算公式如下：

在混行交通流环境下，车头时距是评价行车安全性的重要指标。使用当前实际测得智能网联车辆车头间距h与车载传感器实际测得速度V_t计算当前车头时距h_t，将h_t与最小车头时距h_tmin(2秒)的差值计算车头时距指标S₅₃，计算公式如下：

将上述步骤得出的TTC(time to collision)碰撞时间指标S₅₁、车头间距指标S₅₂、车头时距指标S₅₃代入加权平均算法计算追尾碰撞指标S₅，计算公式如下：

利用综合追尾碰撞加权平均算法(设智能网联车测得实时车速V_t、前车速度V_t'、实时车头间距h和智能网联车车身长度L之间的比例关系

得到S₅₁所占比重

S₅₂所占比重

S₅₃所占比重

σ为调整参数，可通过支持向量机(Support Vector Machine，SVM)不断优化调整参数值，使得σ与V_t-V_t'趋于相近。

步骤4，确定评价指标对应的等级数值，构造行车安全性评价模型，进行行车安全性评价。

为了将评价指标量化以此来获得准确的行车安全性评价结果，因此构建智能网联车辆行车安全性评价模型，即：

由步骤3得出S_i(i＝1,2,3,4)的等级，根据指标标准表得出评价等级为优、良、差，设当评价等级为优时，等级数值S_i'为1；当评价等级为良时，S_i'为0；当评价等级为差时，S_i'为-1。τ为智能网联车的比例，在混行交通流下，τ∈[0.2,1)，智能网联车辆占比越大，智能网联车辆的行车安全性就越好。由上述行车安全性评价模型可以计算出行车安全性评价值f，具体面向混行交通流中智能网联车辆的行车安全性评价指标标准见表5。

表5面向混行交通流中智能网联车辆的行车安全性评价指标标准表

由上述步骤，得出混行交通流中智能网联车辆的行车安全性评价结果。

选取如图2所示的场景(智能网联车成编队行驶，常规车辆按规定行使)进行仿真实验。首先利用ARMA进行预测，并将预测值与实际值进行比较，平稳性检验、白噪声检验良好，预测曲线如附图4所示。然后利用RBF神经网络模型进行预测，预测曲线如附图5所示。利用联合预测模型进行预测，得出第V_t+1为60km/h，联合预测模型预测曲线如附图6所示。由图6可知联合模型预测效果优胜于单一模型，说明联合模型能综合单一模型优点，弱化模型不足之处，因而预测精度更高，稳定性更强。

车载传感器收集实时车速V_t为63km/h、前一时段车速V_t-1为60km/h、前车车速V'为62km/h、瞬时转弯半径R₀为0m和实时车头间距h为5.2m。从云端数据库获取当前路段设计速度V_d为70km/h、车身长度L为4.933m、该路段受交通事故影响不能够按正常通行能力服务的时间β₁为142h和从路段开通以来服务总时间β₂为2003h。经仿真实验，得出S₁指标为优，S₂指标为优，S₃指标为优，S₄指标为优，S₅指标值为0.822。最后代入安全性评价模型输出f值为5.332。经多次仿真实验，且与实际结果对比安全性评价准确率达到93.72％。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (6)

1.面向混行交通流中智能网联车辆的行车安全性评价方法，其特征在于：构建基于ARMA模型与广义RBF神经网络的联合预测模型，预测下一时段智能网联车辆的行车速度V_t+1，定义并计算行车安全性评价指标，由行车安全性评价指标对应的等级数值构造行车安全性评价模型，进行行车安全性评价；

所述联合预测模型为：

其中，e_i为ARMA模型或广义RBF神经网络在联合预测模型中的权重，C_it为广义RBF神经网络或ARMA模型对V_t+1在目标时刻t的预测结果，f_t为随机噪声，且f_t∈[0,1]；

所述行车安全性评价指标包括：下一时段预测智能网联车辆速度与设计速度相似性指标S₁、相邻路段上车速变化趋势的协调性指标S₂、变道智能网联车辆侧向加速度指标S₃、交通事故发生率指标S₄和追尾碰撞指标S₅；

所述行车安全性评价模型为：

其中，τ为智能网联车的比例，f为出行车安全性评价值；S'_i为行车安全性评价指标对应的等级数值，所述行车安全性评价指标对应的等级为优、良、差，当评价等级为优时，等级数值S'_i为1；当评价等级为良时，S'_i为0；当评价等级为差时，S'_i为-1；S₅为追尾碰撞指标。

2.根据权利要求1所述的面向混行交通流中智能网联车辆的行车安全性评价方法，其特征在于：所述下一时段预测智能网联车辆速度与设计速度相似性指标S₁为：

S₁＝|V_t+1-V_d|

其中，V_d为当前路段设计速度。

3.根据权利要求1所述的面向混行交通流中智能网联车辆的行车安全性评价方法，其特征在于：所述相邻路段上车速变化趋势的协调性指标S₂为：

其中：V_t-1为上一时段行车速度。

4.根据权利要求1所述的面向混行交通流中智能网联车辆的行车安全性评价方法，其特征在于：所述变道智能网联车辆侧向加速度指标S₃为：

其中，临界加速度

G_s为车辆簧载质量，G_u为非簧载质量，B为等效轮距，h_s为簧载质量重心离地高度，R为车轮半径，V_t为实时车速，R₀为瞬时转弯半径，g为重力加速度。

5.根据权利要求1所述的面向混行交通流中智能网联车辆的行车安全性评价方法，其特征在于：所述交通事故发生率指标S₄为：

其中，β₁为该路段受交通事故影响不能够按正常通行能力服务的时间，β₂为从路段开通以来服务总时间。

6.根据权利要求4所述的面向混行交通流中智能网联车辆的行车安全性评价方法，其特征在于：所述追尾碰撞指标S₅为：

其中，S₅₁为TTC碰撞时间指标，

且S₅₁所占比重

h为车头间距，V_t'为前车车速，L为车身长度，σ为调整参数；S₅₂为车头间距指标，S₅₂＝|h-h'|，h'为平衡态车头间距，

h₀为最小停车间距，v₀为自由流速度，α为敏感系数，且S₅₂所占比重

S₅₃为车头时距指标，

h_tmin为最小车头时距，且S₅₃所占比重

Images