CN113436432A - 一种利用路侧观测数据进行路段短时交通风险预测的方法 - Google Patents
一种利用路侧观测数据进行路段短时交通风险预测的方法 Download PDFInfo
- Publication number
- CN113436432A CN113436432A CN202110562845.XA CN202110562845A CN113436432A CN 113436432 A CN113436432 A CN 113436432A CN 202110562845 A CN202110562845 A CN 202110562845A CN 113436432 A CN113436432 A CN 113436432A
- Authority
- CN
- China
- Prior art keywords
- indexes
- collision
- vehicle
- short
- time
- 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 52
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000013058 risk prediction model Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000007635 classification algorithm Methods 0.000 claims abstract description 6
- 230000002776 aggregation Effects 0.000 claims description 25
- 238000004220 aggregation Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用路侧观测数据进行路段短时交通风险预测的方法,包括以下步骤:1)利用路侧观测数据获取检测区域内行车轨迹数据;2)根据检测区域内连续的行车轨迹数据,统计交通流指标,获取车辆间的碰撞安全指标;3)选取碰撞时间和减速度作为识别指标,判别检测区域内具有碰撞风险的冲突事件;4)提取冲突事件发生前设定时间内的交通流指标和碰撞安全指标,利用分类算法对各类指标进行特征筛选;5)基于筛选的特征指标,选择重要性排序靠前的指标作为输入,构建短时交通风险预测模型,并利用训练数据完成模型训练和测试;6)基于构建的短时交通风险预测模型,进行短时交通风险预测。本发明方法能提高预测精准率。
Description
技术领域
本发明涉及智能交通技术,尤其涉及一种利用路侧观测数据进行路段短时交通风险预测的方法。
背景技术
随着我国道路交通建设的迅猛发展,我国汽车保有量也在持续增长。道路交通事故是造成我国人员伤亡的重要因素之一,道路交通安全形势依然严峻。如何降低道路交通风险,提升路段的行车安全水平是交通安全管理的重要研究内容。
在智能交通***(Intelligent Transportation System,ITS)和先进交通管理***(Advanced Transportation Management System,ATMS)的应用之下,利用路段的实时交通流信息来预测短时间窗内发生碰撞事故可能性成为一种新的思路。尤其是关于实时碰撞预测模型(Real-Time Crash Prediction Model,RTCPM)的研究,对于帮助交管部门及时识别路段交通状态从而采取措施降低事故风险具有积极辅助作用。
当前的实时碰撞预测模型研究,主要通过建立历史事故数据和交通流数据与碰撞风险的关系,从而实现某个路段短时交通风险的预测。然而,其使用的仅是常规的交通流参数,如流量、占有率和速度等,并没有考虑与碰撞密切相关的车辆个体的驾驶行为和车辆群体的交互行为,故而对于路段碰撞风险预测精度还存在不足。因此,基于路段宏观的交通流特性和微观的车辆驾驶行为,提出一种融合传统交通流参数和典型替代安全指标的路段短时交通风险预测方法对增强特殊路段交通管控和提升路段安全行车水平具有重要意义。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种利用路侧观测数据的短时交通风险预测方法。
本发明解决其技术问题所采用的技术方案是:一种利用路侧观测数据进行路段短时交通风险预测的方法,包括以下步骤:
1)利用路侧观测数据获取检测区域内行车轨迹数据;
采用路侧微波雷达(或其他检测设备)以固定频率采集检测区域内的车辆的基本信息;所述检测区域为微波雷达的纵向感知范围;所述基本信息包括时间戳、车辆ID、车辆位置和速度;
基于雷达记录存储的车辆基本信息,根据车辆ID逐帧提取出车辆的位置信息和速度信息,获得检测区域内各车辆的轨迹数据;
2)根据检测区域内连续的行车轨迹数据,统计交通流指标,获取车辆间的碰撞安全指标;所述碰撞安全指标包括:减速度、车头间距、车头时距、碰撞时间、修正碰撞时间以及停车间隔距离;
交通流指标包括:交通流量、占有率、车速,还包括拥堵指数和换道次数;
3)选取碰撞时间和减速度作为识别指标,判别检测区域内具有碰撞风险的冲突事件;
4)提取冲突事件发生前设定时间内的传统交通流指标和典型替代安全指标,利用分类算法对各类指标进行特征筛选;
5)基于筛选的特征指标,选择重要性排序靠前的指标作为输入,构建短时交通风险预测模型,并利用已有数据完成模型训练和测试;
根据特征指标筛选结果,选择重要性排序的前N个特征指标作为输入,构建基于支持向量机的短时交通风险预测模型。
6)基于构建的短时交通风险预测模型,以特征指标筛选结果作为输入,进行短时交通风险预测。
按上述方案,所述步骤1)中根据车辆ID逐帧提取出车辆的位置信息和速度信息,获得检测区域内各车辆的轨迹数据,具体如下:
基于车辆基本信息,根据车辆ID逐帧提取出车辆的位置信息和速度信息,获得检测区域内各车辆的轨迹数据;表示如下:
Trajectoryit={xi,yi,vi,t,ID}
其中:
Trajectoryit表示车辆i在t时刻的轨迹数据;
xi,yi表示车辆i的位置信息;
vi表示车辆i的速度信息;
ID表示车辆i的标识码信息;
采取最邻近算法的轨迹关联处理缺失或中断的轨迹数据;对缺失的轨迹数据进行补充;
使用移动均值滤波方法获得平滑的车辆轨迹。
按上述方案,所述步骤1)中采取最邻近算法的轨迹关联处理缺失或中断的轨迹数据;对缺失的轨迹数据进行补充,公式如下:
使用移动均值滤波方法获得平滑的车辆轨迹;
对轨迹数据进行均值滤波,公式如下:
其中:
Δt表示记录轨迹数据的时间间隔,
按上述方案,所述步骤3)中判别检测区域内具有碰撞风险的冲突事件,具体如下:
碰撞时间和减速度两个指标均满足阈值要求时,将事件认定为冲突事件;
其中,Event取1表示事件为冲突事件,Event取0表示事件为非冲突事件;
TTC表示碰撞时间,Decel表示减速度值;
ttc为碰撞时间的临界阈值,a1%为统计的减速度1%分位值。
按上述方案,所述步骤4)中提取冲突事件发生前设定时间内的交通流指标和碰撞安全指标,利用分类算法对各类指标进行特征筛选,具体如下:
针对已被判别冲突事件,以时间戳为依据,提取每个冲突事件发生前设定时间内的交通流指标和碰撞安全指标,将提取的各类指标通过数据聚合进行碰撞风险预测建模;具体如下:
提取每个冲突事件发生前设定时间内的交通流指标和碰撞安全指标,采用数据聚合方法得到各指标的聚合值;
数据聚合方法是指计算1秒中检测区域内所有目标的某一指标的平均值,再将该平均值在设定的时间片段长度上聚合;
根据得到的各类交通流指标和替代安全指标的聚合值,按照各类指标对碰撞风险预测的贡献程度,利用随机森林分类算法对各类指标进行特征重要度排序,完成特征指标筛选。
按上述方案,所述步骤4)中数据聚合公式如下:
其中,Indicator表示聚合的指标类型,
T表示聚合设定的时间片段长度;
t表示数据聚合的起始时刻点;
N表示某类指标聚合的总数量;
pt,n表示某类指标的第n个值。
本发明产生的有益效果是:本发明在建立路段交通风险预测模型时,同时考虑车辆个体的驾驶行为和车辆群体的交互行为,使得模型精准率更高。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的数据聚合时刻点示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种利用路侧观测数据进行路段短时交通风险预测的方法,包括以下步骤:
1)利用路侧观测数据获取检测区域内行车轨迹数据;
采用路侧微波雷达或其他检测设备以固定频率采集检测区域内的车辆的基本信息;所述检测区域为微波雷达的纵向感知范围;所述基本信息包括时间戳、车辆ID、车辆位置和速度;
固定采集频率一般设置为1秒/帧,可以按照需求更改;检测区域为微波雷达的纵向感知范围,一般为150m~200m;
基于雷达记录存储的车辆基本信息,根据车辆ID逐帧提取出车辆的位置信息和速度信息,获得检测区域内各车辆的轨迹数据;
Trajectoryit={xi,yi,vi,t,ID}
其中:
Trajectoryit表示车辆i在t时刻的轨迹数据;
xi,yi表示车辆i的位置信息;
vi表示车辆i的速度信息;
ID表示车辆i的标识码信息;
采取最邻近算法思想的轨迹关联处理缺失或中断的轨迹数据;使用移动均值滤波方法获得平滑的车辆轨迹;
对缺失的轨迹数据进行补充,公式如下:
对轨迹数据进行均值滤波,公式如下:
其中:
Δt表示记录轨迹数据的时间间隔,
2)根据检测区域内连续的行车轨迹数据,统计交通流指标,获取车辆间的碰撞安全指标;所述碰撞安全指标包括:减速度、车头间距、车头时距、碰撞时间、修正碰撞时间以及停车间隔距离;
交通流指标包括:交通流量、占有率、车速,还包括拥堵指数和换道次数;
3)选取碰撞时间和减速度作为识别指标,判别检测区域内具有碰撞风险的冲突事件;
根据计算的多种替代安全指标,选取碰撞时间和减速度作为判别指标,结合逻辑与准则,判别检测区域内具有碰撞风险的冲突事件。碰撞时间和减速度为用于标定接近碰撞事件(Near-Crash Events)的指标,逻辑与准则为碰撞时间和减速度两个指标都满足阈值要求时,事件才会被认定为冲突事件;
其中,Event取1表示事件为冲突事件,Event取0表示事件为非冲突事件;
TTC和Decel分别表示碰撞时间和减速度值,
ttc表示碰撞时间的临界阈值,a1%表示统计的减速度1%分位值;
4)提取冲突事件发生前设定时间内的传统交通流指标和典型替代安全指标,利用分类算法对各类指标进行特征筛选;
针对已被判别冲突事件,以时间戳为依据,提取每个冲突事件发生前1至2分钟内的传统交通流指标和典型替代安全指标,冲突事件发生前1至2分钟内的各类指标通过数据聚合用于碰撞风险预测建模,冲突事件发生前0至1分钟时间段为碰撞风险预测后的安全措施响应阶段。
对于冲突事件发生前1-2分钟内的传统交通流指标和典型替代安全指标,采用数据聚合方法得到各指标的聚合值;
数据聚合方法是指计算1秒中检测区域内所有目标的某一指标的平均值,再将该平均值在1分钟的时间片段长度上聚合。数据聚合公式如下:
其中,Indicator表示聚合的指标类型,
T表示聚合的时间长度,取1分钟,
t表示数据聚合的起始时刻点,即冲突事件发生的前2分钟,
N表示某类指标聚合的总数量,
pt,n表示某类指标的第n个值;
根据得到的各类交通流指标和替代安全指标的聚合值,按照各类指标对碰撞风险预测的贡献程度,利用随机森林分类算法对各类指标进行特征重要度排序,完成特征指标筛选。
本实施例中可以选择重要度和超过90%的排序靠前的指标;
5)基于筛选的特征指标,选择重要性排序靠前的指标作为输入,构建短时交通风险预测模型,并利用已经判别的冲突事件作为训练数据完成模型训练和测试;
根据特征指标筛选结果,选择重要性排序的前N个特征指标作为输入,构建基于支持向量机的短时交通风险预测模型。
随机将已经判别的冲突事件按照一定比例划分为训练集和测试集,利用训练集对构建的短时交通风险预测模型进行训练,并利用测试集来验证短时交通风险预测模型的预测效果。
6)基于构建的短时交通风险预测模型,以特征指标筛选结果作为输入,进行短时交通风险预测。
本发明提供了一种利用路侧感知数据提取替代安全指标的路段短时交通风险预测方法,能够准确预测路段的短时交通风险,为道路交通安全管控提供信息基础。
实施例
本实施例采用真实微波雷达感知数据进行说明。在中国武汉市的一条双向6车道的城市主干道上安装了微波雷达车辆检测器来采集交通数据。
①选择单方向3车道内的目标车辆信息,其有效采集范围为200米,数据采集时间为96小时。原始数据集包含时间戳、车辆ID、Y轴和X轴方向上的位置、Y轴和X轴方向上的速度。
②基于检测区域内的车辆轨迹数据,统计交通流量、占有率、车速、拥堵指数和换道次数等交通流指标,并计算减速度、车头间距、车头时距、碰撞时间、修正碰撞时间以及停车间隔距离等替代安全指标。
③选定3秒的碰撞时间阈值和1%分位值的1.5米每二次方秒减速度阈值进行冲突事件判别,提取出126个冲突事件。其中,按照7:3的比例,随机选择88个冲突事件作为样本训练集,38个冲突事件作为样本测试集。
④如图2所示,截取冲突事件发生时刻点前1-2分钟内的各类指标,利用数据聚合方法将1秒内区域内所有目标的某类指标的平均值在1分钟的时间片段上聚合,并利用随机森林算法实现特征指标筛选。
⑤利用筛选的特征指标作为输入,构建基于支持向量机的短时交通风险预测模型。分别代入训练集和测试集对模型进行训练和测试,评价模型的短时交通预测效果,得到如下表的精度指标。
表1模型预测结果精度
综上所述,本发明通过路侧微波雷达提取交通流指标和替代安全指标,利用特征筛选方法选择与冲突事件具有密切相关的特征指标,以其作为输入建立基于机器学习的路段短时交通风险模型。对比其他方法,本发明的计算量更小,能够更加准确地预测路段短时间内的交通风险,为路段交通安全管控提供技术支持。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种利用路侧观测数据进行路段短时交通风险预测的方法,其特征在于,包括以下步骤:
1)利用路侧观测数据获取检测区域内行车轨迹数据;
采用路侧检测设备采集预设检测区域内的车辆的基本信息;所述基本信息包括时间戳、车辆ID、车辆位置和速度;
基于雷达记录存储的车辆基本信息,根据车辆ID逐帧提取出车辆的位置信息和速度信息,获得检测区域内各车辆的轨迹数据;
2)根据检测区域内连续的行车轨迹数据,统计交通流指标,获取车辆间的碰撞安全指标;所述碰撞安全指标包括:减速度、车头间距、车头时距、碰撞时间、修正碰撞时间以及停车间隔距离;
交通流指标包括:交通流量、占有率、车速,还包括拥堵指数和换道次数;
3)选取碰撞时间和减速度作为识别指标,判别检测区域内具有碰撞风险的冲突事件;
4)提取冲突事件发生前设定时间内的交通流指标和碰撞安全指标,利用分类算法对各类指标进行特征筛选;
5)基于筛选的特征指标,选择重要性排序靠前的指标作为输入,构建短时交通风险预测模型,并利用训练数据完成模型训练和测试;
6)基于构建的短时交通风险预测模型,以筛选的特征指标作为输入,进行短时交通风险预测。
2.根据权利要求1所述的一种利用路侧观测数据进行路段短时交通风险预测的方法,其特征在于,所述步骤1)中检测区域根据路侧检测设备的纵向感知范围设定。
3.根据权利要求1所述的一种利用路侧观测数据进行路段短时交通风险预测的方法,其特征在于,所述步骤1)中根据车辆ID逐帧提取出车辆的位置信息和速度信息,获得检测区域内各车辆的轨迹数据,具体如下:
基于车辆基本信息,根据车辆ID逐帧提取出车辆的位置信息和速度信息,获得检测区域内各车辆的轨迹数据;表示如下:
Trajectoryit={xi,yi,vi,t,ID}
其中:
Trajectoryit表示车辆i在t时刻的轨迹数据;
xi,yi表示车辆i的位置信息;
vi表示车辆i的速度信息;
ID表示车辆i的标识码信息;
采取最邻近算法的轨迹关联处理缺失或中断的轨迹数据;对缺失的轨迹数据进行补充;
使用移动均值滤波方法获得平滑的车辆轨迹。
6.根据权利要求1所述的一种利用路侧观测数据进行路段短时交通风险预测的方法,其特征在于,所述步骤4)中提取冲突事件发生前设定时间内的交通流指标和碰撞安全指标,利用分类算法对各类指标进行特征筛选,具体如下:
针对已被判别冲突事件,以时间戳为依据,提取每个冲突事件发生前设定时间内的交通流指标和碰撞安全指标,将提取的各类指标通过数据聚合进行碰撞风险预测建模;具体如下:
提取每个冲突事件发生前设定时间内的交通流指标和碰撞安全指标,采用数据聚合方法得到各指标的聚合值;
数据聚合方法是指计算1秒中检测区域内所有目标的某一指标的平均值,再将该平均值在设定的时间片段长度上聚合;
根据得到的各类交通流指标和替代安全指标的聚合值,按照各类指标对碰撞风险预测的贡献程度,利用随机森林分类算法对各类指标进行特征重要度排序,完成特征指标筛选。
8.根据权利要求6所述的一种利用路侧观测数据进行路段短时交通风险预测的方法,其特征在于,所述步骤4)中提取每个冲突事件发生前设定时间内的交通流指标和碰撞安全指标,设定时间为冲突事件发生前60至120秒。
9.根据权利要求1所述的一种利用路侧观测数据进行路段短时交通风险预测的方法,其特征在于,所述步骤5)中构建短时交通风险预测模型为根据特征指标筛选结果,选择重要性排序的前N个特征指标作为输入,构建基于支持向量机的短时交通风险预测模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562845.XA CN113436432A (zh) | 2021-05-24 | 2021-05-24 | 一种利用路侧观测数据进行路段短时交通风险预测的方法 |
US17/471,212 US20220383738A1 (en) | 2021-05-24 | 2021-09-10 | Method for short-term traffic risk prediction of road sections using roadside observation data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562845.XA CN113436432A (zh) | 2021-05-24 | 2021-05-24 | 一种利用路侧观测数据进行路段短时交通风险预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113436432A true CN113436432A (zh) | 2021-09-24 |
Family
ID=77802735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110562845.XA Pending CN113436432A (zh) | 2021-05-24 | 2021-05-24 | 一种利用路侧观测数据进行路段短时交通风险预测的方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220383738A1 (zh) |
CN (1) | CN113436432A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114613127A (zh) * | 2022-02-10 | 2022-06-10 | 江苏大学 | 一种基于多层面多维度指标体系的行车风险预测方法 |
CN117994987A (zh) * | 2024-04-07 | 2024-05-07 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229765B (zh) * | 2023-05-06 | 2023-07-21 | 贵州鹰驾交通科技有限公司 | 一种基于数字数据处理的车路协同方法 |
CN116580561B (zh) * | 2023-05-24 | 2024-02-06 | 交通运输部规划研究院 | 一种基于加速度模型和短期轨迹数据的交叉口流量释放预测方法 |
CN117852191B (zh) * | 2024-01-15 | 2024-06-18 | 青岛海特新材料船艇有限公司 | 一种基于动车控制台的三维模型设计方法及*** |
CN117809458A (zh) * | 2024-03-01 | 2024-04-02 | 山东大学 | 一种交通事故风险实时评估方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN107888877A (zh) * | 2017-11-13 | 2018-04-06 | 毛国强 | 车辆追踪及道路交通信息采集的方法及其*** |
CN112215487A (zh) * | 2020-10-10 | 2021-01-12 | 吉林大学 | 一种基于神经网络模型的车辆行驶风险预测方法 |
CN112634607A (zh) * | 2019-09-24 | 2021-04-09 | 福特全球技术公司 | 基于车辆对外界(v2x)的实时车辆事故风险预测 |
-
2021
- 2021-05-24 CN CN202110562845.XA patent/CN113436432A/zh active Pending
- 2021-09-10 US US17/471,212 patent/US20220383738A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107888877A (zh) * | 2017-11-13 | 2018-04-06 | 毛国强 | 车辆追踪及道路交通信息采集的方法及其*** |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN112634607A (zh) * | 2019-09-24 | 2021-04-09 | 福特全球技术公司 | 基于车辆对外界(v2x)的实时车辆事故风险预测 |
CN112215487A (zh) * | 2020-10-10 | 2021-01-12 | 吉林大学 | 一种基于神经网络模型的车辆行驶风险预测方法 |
Non-Patent Citations (2)
Title |
---|
王雪松等: "基于自然驾驶数据的危险事件识别方法", 《同济大学学报(自然科学版)》 * |
薛清文等: "基于轨迹数据的危险驾驶行为识别方法", 《中国公路学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114613127A (zh) * | 2022-02-10 | 2022-06-10 | 江苏大学 | 一种基于多层面多维度指标体系的行车风险预测方法 |
CN117994987A (zh) * | 2024-04-07 | 2024-05-07 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
CN117994987B (zh) * | 2024-04-07 | 2024-06-11 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220383738A1 (en) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN103150930B (zh) | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理***及方法 | |
CN102360525B (zh) | 基于判别分析的快速道路实时交通事故风险预测方法 | |
CN114783183B (zh) | 一种基于交通态势算法的监控方法与*** | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN105225500A (zh) | 一种交通控制辅助决策方法及装置 | |
CN103839409A (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
CN111243338A (zh) | 基于车辆加速度的碰撞风险评价方法 | |
CN109448384B (zh) | 一种高速公路危险交通行为识别方法 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN107784832A (zh) | 一种用于识别交通道路中的事故黑点的方法与设备 | |
Wang et al. | Crash prediction for freeway work zones in real time: A comparison between Convolutional Neural Network and Binary Logistic Regression model | |
CN114999181A (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN101075377A (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
CN114627643B (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
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 | |
Peng et al. | A Road Traffic Crash Risk Assessment Method Using Vehicle Trajectory Data and Surrogate Safety Measures | |
CN117104255B (zh) | 一种智能驾驶车辆智能感知人车交互***及方法 | |
Moghaddam et al. | Crash severity modeling in urban highways using backward regression method | |
CN116246491B (zh) | 基于轨迹特征挖掘的追尾风险路段动态识别与管控方法 | |
Chen | Lane-Changing Risk Level Prediction Considering Dynamic Decision Process: A Deep Learning Method Based on Spatial-Temporal Series Characteristics | |
CN118097968A (zh) | 一种道路交通安全评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
RJ01 | Rejection of invention patent application after publication |