CN111311093A - 基于驾驶员生理数据的道路交叉口风险评估与预警方法 - Google Patents
基于驾驶员生理数据的道路交叉口风险评估与预警方法 Download PDFInfo
- Publication number
- CN111311093A CN111311093A CN202010091611.7A CN202010091611A CN111311093A CN 111311093 A CN111311093 A CN 111311093A CN 202010091611 A CN202010091611 A CN 202010091611A CN 111311093 A CN111311093 A CN 111311093A
- Authority
- CN
- China
- Prior art keywords
- risk
- intersection
- vehicle
- substep
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012502 risk assessment Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 230000003068 static effect Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000003340 mental effect Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000012821 model calculation Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000001186 vagus nerve Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000003304 psychophysiological effect Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000002889 sympathetic effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001515 vagal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于驾驶员生理数据的城市道路交叉口风险评估与预警方法：首先建立城市交叉口车辆风险评估模型；然后标定车辆风险概率模型中的参数wj，确定当前实施交叉口对应的车辆风险概率模型；再构建车辆风险等级划分矩阵，计算目标车辆在当前实施交叉口的风险值；然后根据车辆风险等级划分矩阵，确定目标车辆风险等级，确定当前实施交叉口的风险等级；最后根据所述当前实施交叉口的风险等级，确定预警信息，并向进入当前实施交叉口的车辆进行预警。本发明提供的基于驾驶员心生理数据的城市道路交叉口风险评估与预警方法，数据易获取，模型计算较为方便，能够对城市交叉口的交通风险进行有效评估，并发布预警，具有较强的可操作性。
Description
技术领域
本发明涉及交通安全技术领域，具体涉及一种基于驾驶员生理数据的城市道路交叉口风险评估与预警方法。
背景技术
随着城市机动化水平迅速提升，道路运行条件越来越复杂多变。城市道路交叉口作为交通网络中的关键节点，具有交通构成复杂、交通行为多样、冲突率高等特点，是制约城市道路畅通、安全的重要因素。因此，对交叉口进行风险评估与预警方法研究具有重要意义。
目前，针对城市道路交叉口安全性研究的方法主要分为两类。一类是基于线形指标、设施条件、历史事故数据等，对影响交叉***通安全的主要因素进行定性、定量分析，并对运行风险进行综合评估。该方法简单易行，但评估结果是宏观、静态的，无法对交叉口进行实时风险管控。另一类是基于交通冲突技术，通过视频等提取车辆行驶轨迹，以碰撞时间(TTC,Time-to-Collision)等阈值为指标，评估交叉口实时运行风险。该方法已有较多理论研究，但由于冲突判别指标较为单一、视频识别准确度仍有不足等原因，尚未开展实际应用。
根据统计，交通事故中“人”为事故主要致因的约占90％，可见从驾驶员人因角度对交叉口风险进行评估具有重要意义。目前，针对城市道路交叉口风险评估，国内外一些学者也针对驾驶员人因指标监测方法与交通安全的相关性开展研究，但是，缺乏一种既能反映交通时变性特点，又能反映驾驶人因特性、交通环境相互作用和动态变化的方法。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种基于驾驶员心生理数据的城市道路交叉口风险评估与预警方法，既能反映交通时变性特点，又能反映驾驶人因特性、交通环境相互作用和动态变化，可实现城市道路交叉口风险动态识别、实时预警，大大提高交叉口的运行效率和安全性。
为了达到上述目的，本发明采用以下技术方案予以实现。
一种基于驾驶员心生理数据的城市道路交叉口风险评估与预警方法，包括以下步骤：
步骤1，建立城市交叉口车辆风险评估模型：
式中，F表示车辆在交叉口的风险值，M表示风险矩阵，P表示车辆风险概率，E表示车辆风险损失，wj表示车辆风险概率模型中第j个指标的属性权重，xj表示车辆风险概率模型中第j个指标的值，m表示车辆车身的质量系数，v表示车辆驶入交叉口的实时速度；
其中，j＝1,2,...,J，表示有J项指标，分别为驾驶人心电数据、交通量和交叉口静态设施评分；
步骤2，标定车辆风险概率模型中的参数wj，确定当前实施交叉口对应的车辆风险概率模型；
步骤3，构建车辆风险等级划分矩阵；
步骤4，计算目标车辆在当前实施交叉口的风险值；
步骤5，根据车辆风险等级划分矩阵，确定目标车辆风险等级；
步骤6，根据目标车辆风险等级，确定当前实施交叉口的风险等级；
步骤7，根据所述当前实施交叉口的风险等级，确定预警信息，并向进入当前实施交叉口的车辆进行预警。
本发明技术方案的特点和进一步的改进在于：
(1)进一步的，所述驾驶人心电数据包括：心率变异的功率谱中低频区(LF)变化率、高频区(HF)变化率，逐次心跳间隔RR间期均值(MRR)和均方差(SDNN)。
(2)进一步的，所述驾驶人心电数据的获得具体为：从车辆进入当前实施交叉口前至少5分钟开始至车辆驶出当前实施交叉口结束，每滚动1秒记录一组心电数据，获得多组心电数据；并对所述多组心电数据进行分析，最终获得驾驶人心电数据。
(3)步骤2包括以下子步骤：
子步骤2.1，获取当前实施交叉口N辆车辆通过交叉口的历史数据集，并确定每条历史数据集中驾驶人心电数据、车辆驶入交叉口前K分钟的交通量数据、交叉口静态设施评分、车辆车身质量系数和车辆驶入交叉口的实时速度；其中，N和K为正整数；
子步骤2.2，将子步骤2.1中确定的每条历史数据集中的驾驶人心电数据、车辆驶入交叉口前K分钟的交通量数据、交叉口静态设施评分、车辆车身质量系数和车辆驶入交叉口的实时速度作为一组样本，共得到N组样本；
子步骤2.3，根据子步骤2.2得到的N组样本中的数据，标定车辆风险概率模型中的参数wj(j＝1,2,...,J)，得到当前实施交叉口对应的车辆风险概率模型。
(4)更进一步的，步骤3包括以下子步骤：
子步骤3.1，根据当前实施交叉口对应的车辆风险概率模型，计算历史样本中每一对应车辆的风险概率值，得到N个风险概率值；并将所述N个风险概率值划分为多个聚类类别，并根据所述聚类类别确定不同等级风险概率划分的阈值；
子步骤3.2，根据子步骤2.2得到的N组样本中的数据，计算历史样本中每一对应车辆的风险损失值，得到N个风险损失值；并将所述N个风险损失值划分为多个类别；
子步骤3.3，根据子步骤3.1确定的不同等级风险概率所划分的阈值以及子步骤3.2所划分的多个类别的风险损失值，构建车辆风险等级划分矩阵。
优选的，子步骤3.1中，所述根据所述聚类类别确定不同等级风险概率划分的阈值，具体为：采用K-means算法将N个风险概率值按照危险程度分为多个类别，并对N辆车辆的风险概率值进行聚类，得到各个类别的上下限值，即为不同等级风险概率划分的阈值。
(5)更进一步的，步骤4包括以下子步骤：
子步骤4.1，根据当前实施交叉口已经标定好参数wj的车辆风险概率模型，计算目标车辆在当前实施交叉口的风险概率值；
子步骤4.2，计算目标车辆在当前实施交叉口的风险损失值；
子步骤4.3，根据步骤1的交叉口车辆风险评估模型，计算目标车辆在当前实施交叉口的风险值。
(6)更进一步的，步骤5包括以下子步骤：
子步骤5.1，根据子步骤4.1计算的目标车辆在当前实施交叉口的风险概率值，对风险概率划分的阈值进行更新；
子步骤5.2，根据子步骤5.1更新的风险概率划分阈值，构建更新的车辆风险等级划分矩阵；
子步骤5.3，根据更新的车辆风险等级划分矩阵，确定目标车辆风险等级。
优选的，子步骤5.1中，所述对风险概率划分的阈值进行更新，具体为：计算目标车辆在当前实施交叉口的风险概率值，将计算得到的目标车辆的风险概率值补充到历史数据集中，利用K-means算法重新进行聚类，实现风险概率划分阈值的动态更新。
(7)进一步的，步骤6具体为：每间隔10秒回溯统计当前实施交叉口前一个信号周期时长内的各风险等级目标车辆的比例，根据各风险等级目标车辆的比例，确定当前实施交叉口的风险等级。
与现有技术相比，本发明的有益效果为：
本发明的基于驾驶员心生理数据的城市道路交叉口风险评估与预警方法通过建立适用于城市交叉口的风险评估模型，并根据当前实施交叉口的具体情况获取驾驶人心电数据、交通量和交叉口静态设施评分，进行参数标定，确定当前实施交叉口对应的风险概率模型，并利用车辆驶入交叉口时速度和车身质量系数来计算风险损失模型，最后基于风险矩阵模型确定当前目标车辆在实施交叉口的风险值，并进一步得到交叉口的风险等级。
本发明利用适用于城市交叉口的风险评估模型对城市交叉口风险进行有效评估及预警，既能反映交通时变性特点，又能反映驾驶人因特性、交通环境相互作用和动态变化，实现了城市道路交叉口风险动态识别、实时预警，大大提高了交叉口的运行效率和安全性。
本发明提供的基于驾驶员心生理数据的城市道路交叉口风险评估与预警方法，数据易获取，模型计算较为方便，能够对城市交叉口的交通风险进行有效评估，并发布预警，具有较强的可操作性。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明提供的基于驾驶员心生理数据的城市道路交叉口风险评估与预警方法的一种实施例的流程示意图；
图2为本发明提供的一种实施例中驾驶人心电信号的功率谱图；
图3为本发明提供的一种实施例的车辆风险等级划分矩阵图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
参考图1，本发明实施例提供一种基于驾驶员心生理数据的城市道路交叉口风险评估与预警方法，包括以下步骤：
步骤1，建立城市交叉口车辆风险评估模型：
式中，F表示车辆在交叉口的风险值，M表示风险矩阵，P表示车辆风险概率，E表示车辆风险损失，wj表示车辆风险概率模型中第j个指标的属性权重，xj表示车辆风险概率模型中第j个指标的值，m表示车辆车身质量系数，v表示车辆驶入交叉口的实时速度；
其中，j＝1,2,...,J，表示有J项指标，分别为驾驶人心电数据、交通量和交叉口静态设施评分。
心率变异(heart rate variability，HRV)通常是指逐次心跳间隔RR间期的微小涨落变化，反映了心脏交感神经和迷走神经活动的紧张性和均衡性，最常用的分析方法是时域分析法和频域分析法。时域分析法是用于定量描述RR间期变化特征最简单的方法，最常用的指标是RR间期均值(MRR)和均方差(SDNN)。MRR能够反应心脏单位时间内的搏动，MRR越小，驾驶人心跳更加急促，行车更紧张。SDNN表征RR间期的波动情况，SDNN越大，RR间期越离散，驾驶人心跳波动越大。频域分析方法是将一段比较平稳的RR间期或瞬时心率变异信号进行快速傅立叶变换(FFT)运算后，得到以频率(Hz)为横坐标，功率谱密度(PSD)为纵坐标的功率谱图进行分析。心率变异的功率谱中可以分离出高频和低频等主要成分，低频区(LF)反映交感和迷走神经的双重调节，高频区(HF)通常反映迷走神经的活性，当迷走神经兴奋时，可起到保护机体、休整恢复和蓄积能量等功能。
因此，本实施例中，驾驶人心电数据选择心率变异的功率谱中低频区(LF)变化率、高频区(HF)变化率，逐次心跳间隔RR间期均值(MRR)和均方差(SDNN)这4个指标。
因此，本实施例中，车辆风险概率模型有6个指标，即J为6，j＝1,2,...,6。
对于上述车辆风险概率模型中6个指标的获取，具体如下：
其中，驾驶人心电数据的获取，本实施例提供两大类获取设备：一类设备可以直接输出驾驶人心电RR间期，如可检测心率的手环等；另一类设备输出的为驾驶人心电信号数据，如BIOPAC生理仪等。
交通量数据的获取设备可以为地磁线圈或路侧雷达等设备。
交叉口静态设施评分通过专家打分法获取。
需要说明的是，驾驶人心电数据的获取具体为：从车辆进入当前实施交叉口前至少5分钟开始至车辆驶出当前实施交叉口结束，每滚动1秒记录一组心电数据，获得多组心电数据，并分别计算每增加1秒各个指标的变化。通过快速傅里叶变换(DFT)将驾驶人心电信号由时域转化为频域，从而得到城市交叉口处驾驶人的心电时频域指标。
处理驾驶人心电LF变化率、HF变化率、MRR和SDNN指标的具体步骤如下：
(1)对于手环这类设备输出的心电RR间期数据{x1,x2,...,xT}，T为采集的心电RR间期样本数，可直接对其进行下一步骤计算。
对于BIOPAC生理仪这类设备输出的心电信号的处理为，R波提取，检测心电信号的波峰，计算RR间期时间序列。删除异常的R-R间期数据，然后进行线性内插，补全整体数据，得到最终R-R间期时间序列。以4Hz的频率对R-R间期时间序列进行重新采样，得到等距的时间序列{x1,x2,...,xT}，T为采集的心电RR间期样本数。
(2)利用公式：
计算新的RR间期的算术平均值得MRR。利用公式：
计算新的RR间期的均方差得SDNN。
(3)通过快速傅里叶变换(FFT)将驾驶人心电信号由时域转化为频域，得到以频率(Hz)为横坐标，功率谱密度(PSD)为纵坐标的功率谱，如图2。如下表1频谱分析频段划分表所示，从功率谱中分离出低频段功率(LF)，利用预设公式:
计算得低频段功率(LF)变化率。从上述功率谱中分离出高频段功率(HF)，利用预设公式：
计算得高频段功率(HF)变化率。
表1频谱分析频段划分表
此外，还需要说明的是，交叉口静态设施评分通过专家打分法得到。交叉口静态设施评价的方面包括：交叉口冲突点数、交叉口的几何特征和交通安全设施。交叉口的几何特征，包括交叉口类型、交叉角度、视距、车道设置、物理渠化(车道划线、绿化带、交通岛等)、施工区影响等因素；交通安全设施包含标志、标线、路面、照明等设施的可视性及完整性。将各评分项的分值累计相加即得到交叉口静态设施评分。
具体打分指标体系如下表2：
表2交叉口静态设施评分的打分指标体系
对于上述车辆风险损失模型，车辆车辆驶入交叉口的实时速度可通过车载OBD或GPS等设备获取。车辆车身质量系数为已知常量，其仅与车型有关，通过对照标准即可获取，根据交通运输部发布的《关于调整公路交通情况调查车型分类及折算系数的通知》，车辆车身质量系数的获取标准参见下表3。
表3车辆车身质量系数的对照标准表
步骤2，标定车辆风险概率模型中的参数wj，确定当前实施交叉口对应的车辆风险概率模型。
包括以下子步骤：
子步骤2.1，获取当前实施交叉口N辆车辆通过交叉口的历史数据集，并确定每条历史数据集中驾驶人心电数据、车辆驶入交叉口前K分钟的交通量数据、交叉口静态设施评分、车辆车身质量系数和车辆驶入交叉口的实时速度；其中，N和K为正整数；
子步骤2.2，将子步骤2.1中确定的每条历史数据集中的驾驶人心电数据、车辆驶入交叉口前K分钟的交通量数据、交叉口静态设施评分、车辆车身质量系数和车辆驶入交叉口的实时速度作为一组样本，共得到N组样本；
子步骤2.3，根据子步骤2.2得到的N组样本中的数据，标定车辆风险概率模型中的参数wj(j＝1,2,...,J)，得到当前实施交叉口对应的车辆风险概率模型。
具体的，
(1)由前述步骤可得6个指标：车辆驶入交叉口前5min交通量、交叉口静态设施打分、LF变化率、HF变化率、MRR和SDNN，用公式(1)对这6个指标做标准化处理。对于有N个样本，6个风险概率识别指标，形成原始指标数据矩阵
(2)对原始数据进行非负化处理及数据平移，获得数据矩阵Xij，为了避免求熵值时对数的无意义，需要按照公式(2)和公式(3)进行数据平移。
对于数值越大风险越大的指标：
其中，i＝1,2,...,N，j＝1,2,...,6；
对于数值越小风险越大的指标：
其中，i＝1,2,...,N，j＝1,2,...,6。
(3)利用熵信息的概念确定权重，将数值做归一化处理，多属性决策矩阵如下：
用公式(4)表示第j个指标下第i个样本Ai的贡献度Gij
其中，i＝1,2,...,N，j＝1,2,...,6。
(4)用Ej(公式5)来表示所有样本对指标Xj的贡献总量，获得各样本对指标的贡献度。
其中，i＝1,2,...,N，j＝1,2,...,6；K＝1/ln(m)，这样，就保证0≤Ej≤1，即Ej最大为1。
当某个指标下各样本的贡献度趋于一致时，Ej趋于1；特别是当全相等时；也就可以不考虑该指标的属性在决策中的作用，也即此刻指标的权重为零。
(5)对于第j项指标，指标值Xij的差异越大，对风险概率识别的作用越大，熵值就越小。利用第(4)步求得的Ej及公式6，可以得到各指标差异系数Dj。
Dj＝1-Ej (6)
各指标属性权重wj通过公式(7)求得，
至此，车辆风险概率模型参数wj标定完毕，即可得到当前实施交叉口对应的车辆风险概率模型。
步骤3，构建车辆风险等级划分矩阵。
包括以下子步骤：
子步骤3.1，根据当前实施交叉口对应的车辆风险概率模型，计算历史样本中每一对应车辆的风险概率值，得到N个风险概率值；并将所述N个风险概率值划分为多个聚类类别，并根据所述聚类类别确定不同等级风险概率划分的阈值。
具体的，采用K-means算法将N个风险概率值按照非常安全、比较安全、危险、比较危险及比较风险划分为5个聚类类别，得到各个类别的上下限值，即为不同等级风险概率划分的阈值。
子步骤3.2，根据子步骤2.2得到的N组样本中的数据，计算历史样本中每一对应车辆的风险损失值，得到N个风险损失值；并将所述N个风险损失值划分为多个类别。
《城市道路工程技术规范(GB51286-2018)》中规定城市道路中主干道的设计行车速度为40～60km/h；次干路的设计行车速度为30～50km/h；支路的设计行车速度为20～40km/h。本实施例结合城市道路设计行车速度以及我国交通部门制定的事故后果的严重性质将城市平面交叉口风险损失划分为四类，风险损失等级及对应的速度值划分见下表4所列。
表4风险损失分级标准
子步骤3.3，根据子步骤3.1确定的不同等级风险概率所划分的阈值以及子步骤3.2所划分的多个类别的风险损失值，构建车辆风险等级划分矩阵。
城市交叉口车辆风险概率被划分为5个等级，车辆风险损失被划分为4个等级，得城市交叉口车辆风险等级划分矩阵(5×4)，根据专家经验法，将风险矩阵划分为四个等级，见附图3。
步骤4，计算目标车辆在当前实施交叉口的风险值。
携带驾驶人心电检测设备的目标车辆装有电子标签(RFID)。当目标车辆进入交叉口时可被路侧设备识别到。当路侧设备识别到目标车辆驶入交叉口时，驾驶人心电LF变化率、HF变化率、MRR和SDNN指标、车辆驶入交叉口前5min交通量数据、车身质量系数、车辆驶入交叉口时速度和交叉口静态设施评分数据将开始被统计计算。
具体包括以下子步骤：
子步骤4.1，根据当前实施交叉口已经标定好参数wj的车辆风险概率模型，计算目标车辆在当前实施交叉口的风险概率值。
具体的，将驾驶人心电LF变化率、HF变化率、MRR和SDNN指标以及车辆驶入交叉口前5min交通量和交叉口静态设施评分输入已经完成参数标定的风险概率模型中，利用公式(8)计算该目标车辆在该交叉口的风险概率值P。
子步骤4.2，计算目标车辆在当前实施交叉口的风险损失值。
具体的，将车身质量系数和车辆驶入交叉口时速度输入风险损失模型，利用公式(9)计算得到该目标车辆在该交叉口的风险损失值E。
子步骤4.3，根据步骤1的交叉口车辆风险评估模型，计算目标车辆在当前实施交叉口的风险值。
将该目标车辆在该交叉口的风险概率值P和风险损失值E输入风险矩阵模型得车辆风险值F。
F＝M(P,E)
步骤5，根据车辆风险等级划分矩阵，确定目标车辆风险等级。
包括以下子步骤：
子步骤5.1，根据子步骤4.1计算的目标车辆在当前实施交叉口的风险概率值，对风险概率划分的阈值进行更新；
具体的，计算目标车辆在当前实施交叉口的风险概率值，将计算得到的目标车辆的风险概率值补充到历史数据集中，利用K-means算法重新进行聚类，实现风险概率划分阈值的动态更新。
子步骤5.2，根据子步骤5.1更新的风险概率划分阈值，构建更新的车辆风险等级划分矩阵；
子步骤5.3，根据更新的车辆风险等级划分矩阵，确定目标车辆风险等级。
具体的，将计算得到的风险值与子步骤5.2构建的车辆风险等级划分矩阵中的值进行比对，得到当前目标车辆的风险等级。
步骤6，根据目标车辆风险等级，确定当前实施交叉口的风险等级。
具体的，计算一个信号周期时长内进入当前实施交叉口的各个目标车辆的风险等级，统计该信号周期时长内当前实施交叉口各风险等级目标车辆的比例，根据各风险等级目标车辆的比例，确定该信号周期时长内当前实施交叉口的风险等级。
其中，每间隔10s回溯前一个信号周期内的车辆统计数据，并根据该统计数据进行下个步骤的预警。
步骤7，根据所述当前实施交叉口的风险等级，确定预警信息，并向进入当前实施交叉口的车辆进行预警。
具体的，本实施例的预警方式有两种，分别为路侧电子显示屏和车载预警设备。其中，路侧电子显示屏以文字的形式发布预警信息，车载预警设备以语音提示的方式发布预警信息。
示例性的，
以国内某城市交叉口为例，该交叉口为十字交叉口，双向四车道，交叉口静态设施数据从数据库调用。
第一步，获取并处理历史数据集中驾驶员心电数据、车辆型号以及交通量，用上述的方法对数据进行处理，得到六项指标，包括：LF变化率、HF变化率、MRR、SDNN、交通量、静态设施打分。下表5为部分数据样本统计结果。
表5部分数据样本统计结果表
该交叉口某一历史时期静态设施日间打分为7分，夜间打分为9分，具体如下表6所示：
表6实施交叉口静态设施打分表
第二步，参数标定：
构建多属性决策矩阵：
对上面的多属性决策矩阵进行归一化，得：
使用熵值法对决策矩阵进行计算，得到各个指标的权重参数值。该实施交叉口风险概率模型的各权重参数标定结果如表7：
表7该实施交叉口风险概率模型参数标定结果表
第三步，确定车辆风险概率值阈值：
利用上述步骤所确定的车辆风险概率模型中各参数权重值，以历史车辆各指标归一化后的数据，按照公式
分别计算各历史车辆的风险概率值。
利用K-means聚类算法，按照非常安全、比较安全、危险、比较危险及严重危险5个类别对所有车辆的风险概率值进行聚类，得出各个类别的上下限值，如表8所示。
表8城市交叉口风险概率值划分阈值
第四步，计算目标车辆风险等级：
以其中某一辆车A的计算为例。辆车A为小型客车，其车型系数为1。其被检测到进入交叉口的时间为13：14，则其对应的交叉口静态设施评分为日间评分7分。
计算风险概率值:
首先将检测到的车辆A数据代入历史数据库进行归一化，表9是车辆A原始指标，表10是车辆A数据标准化后的指标。
表9车辆A原始指标
表10车辆A原始指标
然后，将车辆A指标代入风险概率模型，得到该车辆在该交叉口的风险概率。
计算该车辆A风险损失值：
将上述风险概率P和风险损失值E代入风险矩阵模型：
F＝M(P,E)＝(0.420647，452)
对照附图3所示的风险等级矩阵，经查表确定该车辆所属风险等级为Ⅲ级风险。
与上述步骤一致，计算确定一个信号周期时间内其他车辆的风险等级。并将计算得到车辆风险概率值加入历史车辆风险概率值得到一新的车辆风险概率值集合，按照第三步的方法，利用K-means算法对该新车辆风险概率值集合进行聚类，更新风险概率划分阈值。
第五步，计算实施交叉口风险等级：
统计得到一个信号周期时间内当前实施交叉口有20％的车辆属于Ⅲ级风险，64％的车辆属于Ⅱ级风险，16％的车辆属于Ⅰ级风险。按照如表11所示的标准，确定该信号周期内当前实施交叉口属于B级风险。
每10s更新一次统计信息，并通过下个步骤进行预警。
表11交叉口风险等级划分标准表
第六步，发布预警信息：
通过路侧电子显示板和车载设备发布预警信息。
虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，包括以下步骤：
步骤1，建立城市交叉口车辆风险评估模型，
式中，F表示车辆在交叉口的风险值，M表示风险矩阵，P表示车辆风险概率，E表示车辆风险损失，wj表示车辆风险概率模型中第j个指标的属性权重，xj表示车辆风险概率模型中第j个指标的值，m表示车辆车身的质量系数，v表示车辆驶入交叉口的实时速度；
其中，j＝1,2,...,J，表示有J项指标，分别为驾驶人心电数据、交通量和交叉口静态设施评分；
步骤2，标定车辆风险概率模型中的参数wj，确定当前实施交叉口对应的车辆风险概率模型；
步骤3，构建车辆风险等级划分矩阵；
步骤4，计算目标车辆在当前实施交叉口的风险值；
步骤5，根据车辆风险等级划分矩阵，确定目标车辆风险等级；
步骤6，根据目标车辆风险等级，确定当前实施交叉口的风险等级；
步骤7，根据所述当前实施交叉口的风险等级，确定预警信息，并向进入当前实施交叉口的车辆进行预警。
2.根据权利要求1所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，所述驾驶人心电数据包括：心率变异的功率谱中低频区(LF)变化率、高频区(HF)变化率，逐次心跳间隔RR间期均值(MRR)和均方差(SDNN)。
3.根据权利要求1所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，所述驾驶人心电数据的获得具体为：从车辆进入当前实施交叉口前至少5分钟开始至车辆驶出当前实施交叉口结束，每滚动1秒记录一组心电数据，获得多组心电数据；并对所述多组心电数据进行分析，最终获得驾驶人心电数据。
4.根据权利要求1所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，步骤2包括以下子步骤：
子步骤2.1，获取当前实施交叉口N辆车辆通过交叉口的历史数据集，并确定每条历史数据集中驾驶人心电数据、车辆驶入交叉口前K分钟的交通量数据、交叉口静态设施评分、车辆车身质量系数和车辆驶入交叉口的实时速度；其中，N和K为正整数；
子步骤2.2，将子步骤2.1中确定的每条历史数据集中的驾驶人心电数据、车辆驶入交叉口前K分钟的交通量数据、交叉口静态设施评分、车辆车身质量系数和车辆驶入交叉口的实时速度作为一组样本，共得到N组样本；
子步骤2.3，根据子步骤2.2得到的N组样本中的数据，标定车辆风险概率模型中的参数wj(j＝1,2,...,J)，得到当前实施交叉口对应的车辆风险概率模型。
5.根据权利要求4所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，子步骤2.3中，所述标定车辆风险概率模型中的参数wj(j＝1,2,...,J)，具体为：
利用N组样本中的驾驶人心电数据、车辆驶入交叉口前K分钟的交通量数据、交叉口静态设施评分，构建属性决策矩阵，利用熵值法标定车辆风险概率模型中的参数wj(j＝1,2,...,J)。
6.根据权利要求4所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，步骤3包括以下子步骤：
子步骤3.1，根据当前实施交叉口对应的车辆风险概率模型，计算历史样本中每一对应车辆的风险概率值，得到N个风险概率值；并将所述N个风险概率值划分为多个聚类类别，并根据所述聚类类别确定不同等级风险概率划分的阈值；
子步骤3.2，根据子步骤2.2得到的N组样本中的数据，计算历史样本中每一对应车辆的风险损失值，得到N个风险损失值；并将所述N个风险损失值划分为多个类别；
子步骤3.3，根据子步骤3.1确定的不同等级风险概率所划分的阈值以及子步骤3.2所划分的多个类别的风险损失值，构建车辆风险等级划分矩阵。
7.根据权利要求6所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，步骤4包括以下子步骤：
子步骤4.1，根据当前实施交叉口已经标定好参数wj的车辆风险概率模型，计算目标车辆在当前实施交叉口的风险概率值；
子步骤4.2，计算目标车辆在当前实施交叉口的风险损失值；
子步骤4.3，根据步骤1的交叉口车辆风险评估模型，计算目标车辆在当前实施交叉口的风险值。
8.根据权利要求7所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，步骤5包括以下子步骤：
子步骤5.1，根据子步骤4.1计算的目标车辆在当前实施交叉口的风险概率值，对风险概率划分的阈值进行更新；
子步骤5.2，根据子步骤5.1更新的风险概率划分阈值，构建更新的车辆风险等级划分矩阵；
子步骤5.3，根据更新的车辆风险等级划分矩阵，确定目标车辆风险等级。
9.根据权利要求1所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，步骤6具体为：统计当前实施交叉口一个信号周期时长内的各风险等级目标车辆的比例，根据各风险等级目标车辆的比例，确定当前实施交叉口的风险等级。
10.根据权利要求9所述的基于驾驶员生理数据的道路交叉口风险评估与预警方法，其特征在于，每间隔10s回溯前一个信号周期时长内的统计数据，并根据该统计数据分析结果发布预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010091611.7A CN111311093B (zh) | 2020-02-13 | 2020-02-13 | 基于驾驶员生理数据的道路交叉口风险评估与预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010091611.7A CN111311093B (zh) | 2020-02-13 | 2020-02-13 | 基于驾驶员生理数据的道路交叉口风险评估与预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111311093A true CN111311093A (zh) | 2020-06-19 |
| CN111311093B CN111311093B (zh) | 2023-09-05 |
Family
ID=71160051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010091611.7A Active CN111311093B (zh) | 2020-02-13 | 2020-02-13 | 基于驾驶员生理数据的道路交叉口风险评估与预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311093B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112530164A (zh) * | 2020-11-30 | 2021-03-19 | 长安大学 | 一种高海拔地区道路主动驾驶安全预警方法及*** |
| CN112862276A (zh) * | 2021-01-26 | 2021-05-28 | 电子科技大学 | 一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台及方法 |
| CN113468698A (zh) * | 2021-06-30 | 2021-10-01 | 上海理工大学 | 一种面向交叉口通行轨迹离散性的交通流模型参数标定方法 |
| CN114781791A (zh) * | 2022-03-11 | 2022-07-22 | 山东高速建设管理集团有限公司 | 一种基于全息感知数据的高速服务区风险识别方法 |
| CN115063766A (zh) * | 2022-06-17 | 2022-09-16 | 公安部交通管理科学研究所 | 一种自动驾驶汽车运行安全评估及预警方法 |
| WO2024139285A1 (zh) * | 2022-12-28 | 2024-07-04 | 深圳云天励飞技术股份有限公司 | 交通路口管理方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104354698A (zh) * | 2014-12-12 | 2015-02-18 | 山东交通学院 | 基于心电信号及地理信息的驾驶员应激判别***和方法 |
| WO2016028228A1 (en) * | 2014-08-21 | 2016-02-25 | Avennetz Technologies Pte Ltd | System, method and apparatus for determining driving risk |
| AU2015271971A1 (en) * | 2015-02-01 | 2016-08-18 | Fisher, Phyllis MS | A vehicle driver monitoring method, arrangement, system, software and application |
| CN107909854A (zh) * | 2017-12-13 | 2018-04-13 | 北京交通大学 | 一种基于脑电波的制动预警方法及*** |
| CN108230676A (zh) * | 2018-01-23 | 2018-06-29 | 同济大学 | 一种基于轨迹数据的交叉口行人过街风险评估方法 |
| CN108615110A (zh) * | 2018-04-23 | 2018-10-02 | 吉林大学 | 基于视觉特性的驾驶风险评估*** |
| CN109389824A (zh) * | 2017-08-04 | 2019-02-26 | 华为技术有限公司 | 一种驾驶风险的评估方法及装置 |
-
2020
- 2020-02-13 CN CN202010091611.7A patent/CN111311093B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016028228A1 (en) * | 2014-08-21 | 2016-02-25 | Avennetz Technologies Pte Ltd | System, method and apparatus for determining driving risk |
| CN104354698A (zh) * | 2014-12-12 | 2015-02-18 | 山东交通学院 | 基于心电信号及地理信息的驾驶员应激判别***和方法 |
| AU2015271971A1 (en) * | 2015-02-01 | 2016-08-18 | Fisher, Phyllis MS | A vehicle driver monitoring method, arrangement, system, software and application |
| CN109389824A (zh) * | 2017-08-04 | 2019-02-26 | 华为技术有限公司 | 一种驾驶风险的评估方法及装置 |
| CN107909854A (zh) * | 2017-12-13 | 2018-04-13 | 北京交通大学 | 一种基于脑电波的制动预警方法及*** |
| CN108230676A (zh) * | 2018-01-23 | 2018-06-29 | 同济大学 | 一种基于轨迹数据的交叉口行人过街风险评估方法 |
| CN108615110A (zh) * | 2018-04-23 | 2018-10-02 | 吉林大学 | 基于视觉特性的驾驶风险评估*** |
Non-Patent Citations (1)
| Title |
|---|
| 朱彤;杨晓光;白玉;许建;马国胜: "道路交叉口车辆碰撞动态风险估计方法", vol. 023, no. 004 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112530164A (zh) * | 2020-11-30 | 2021-03-19 | 长安大学 | 一种高海拔地区道路主动驾驶安全预警方法及*** |
| CN112862276A (zh) * | 2021-01-26 | 2021-05-28 | 电子科技大学 | 一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台及方法 |
| CN112862276B (zh) * | 2021-01-26 | 2023-04-28 | 电子科技大学 | 一种纵向和横向相结合的驾驶员风险偏好界定的车联网装置及方法 |
| CN113468698A (zh) * | 2021-06-30 | 2021-10-01 | 上海理工大学 | 一种面向交叉口通行轨迹离散性的交通流模型参数标定方法 |
| CN114781791A (zh) * | 2022-03-11 | 2022-07-22 | 山东高速建设管理集团有限公司 | 一种基于全息感知数据的高速服务区风险识别方法 |
| CN114781791B (zh) * | 2022-03-11 | 2023-09-29 | 山东高速建设管理集团有限公司 | 一种基于全息感知数据的高速服务区风险识别方法 |
| CN115063766A (zh) * | 2022-06-17 | 2022-09-16 | 公安部交通管理科学研究所 | 一种自动驾驶汽车运行安全评估及预警方法 |
| CN115063766B (zh) * | 2022-06-17 | 2024-05-24 | 公安部交通管理科学研究所 | 一种自动驾驶汽车运行安全评估及预警方法 |
| WO2024139285A1 (zh) * | 2022-12-28 | 2024-07-04 | 深圳云天励飞技术股份有限公司 | 交通路口管理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111311093B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311093B (zh) | 基于驾驶员生理数据的道路交叉口风险评估与预警方法 | |
| CN113743471B (zh) | 一种驾驶评估方法及其*** | |
| CN109493566B (zh) | 一种基于gps数据的疲劳驾驶预测方法 | |
| CN103895649B (zh) | 一种驾驶员安全驾驶预警方法 | |
| CN103247091A (zh) | 一种驾驶评价***及方法 | |
| CN101491443A (zh) | 驾驶人疲劳与车辆行驶轨迹的关系模型 | |
| CN107095670A (zh) | 驾驶员反应时间预测方法 | |
| CN113112796B (zh) | 一种驾驶行为特征的构造方法、***和驾驶行为分析方法 | |
| CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
| CN107095671A (zh) | 驾驶疲劳识别方法及*** | |
| CN110781873A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别方法 | |
| CN106859674A (zh) | 一种高原公路驾驶员生心理负荷程度表征方法 | |
| CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
| CN113753059B (zh) | 一种自动驾驶***下的驾驶人接管能力预测方法 | |
| CN109664894A (zh) | 基于多源异构数据感知的疲劳驾驶安全预警*** | |
| CN113160564A (zh) | 一种交通安全预警分析方法、装置及计算机设备 | |
| CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
| CN111657923A (zh) | 一种测试驾驶员危险感知能力的方法及*** | |
| CN109598931A (zh) | 基于交通安全风险的群体划分与差异性分析方法及*** | |
| CN107150690B (zh) | 一种基于道路标线的驾驶疲劳预警方法 | |
| CN114140903A (zh) | 一种基于决策树生成规则的道路类型识别车载装置 | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN110867075A (zh) | 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法 | |
| Lv et al. | Compact vehicle driver fatigue recognition technology based on EEG signal | |
| CN112489428B (zh) | 一种基于驾驶行为的道路评价方法及*** |
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 |