一种基于准车辆轨迹的快速路实时事故风险预测方法
技术领域
本发明涉及快速路交通安全预测技术领域，尤其是涉及一种基于准车辆轨迹的快速路实时事故风险预测方法。
本发明基于上海市扬帆计划：基于实时风险预测的高速公路作业区协同主动优化方法研究(kz0160020190748)的研究成果形成。
背景技术
交通事故已是世界性的严重社会问题。惨重的交通事故后果使人们不得不对交通安全状况予以高度重视，并将不断进步的科学技术应用于交通安全研究工作中，使汽车更好地造福于人类，各国正在不同程度地从道路和交通工程上采取对策。碰撞的发生受路段条件的影响，这也是以往实时安全防护的基本思路。如专利CN105513425B公开一种车辆碰撞风险算法及事故预警方法，包括以下步骤：车载单元OBU通过读取安装在变速器输出轴上的速度传感器信息获取自车的速度，通过调用车身稳定系统ESP的加速度信息获取自车的加速度，通过读取安装在方向盘下方转向管柱内的转角传感器信息获取车辆当前的转角，通过与道路地图匹配获取车辆的实时航向角，通过GPS/北斗导航实时测算两车间的距离；路侧单元RSU设有各自的所辖区域，通过道路及其所辖区域的车辆通信获取所属区域范围内的车载单元OBU发送的参数，将上述参数传输给交通信息中心TIC；交通信息中心TIC通过与路侧单元RSU通信获取路侧单元RSU所辖区域车辆的参数后，计算整条路网的车辆碰撞风险，进行信息发布，推送给路侧单元RSU所辖车辆事故预警信息，车载单元OBU并对来自路侧单元RSU的预警信息进行自车预警，使其减速、换道、等待或者更换路径。
然而，车辆的运动是连续的，从上游到下游。在行驶过程中，该车辆附近的其他车辆可能会不断地对其产生影响，最终导致车辆发生碰撞。目前的碰撞预测方法还不足以准确地对变化的车辆状态进行实时事故风险预测。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种动态性佳、有效提高安全性的基于准车辆轨迹的快速路实时事故风险预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于准车辆轨迹的快速路实时事故风险预测方法，该方法包括以下步骤：
基于历史事故数据提取准车辆轨迹；
基于所述准车辆轨迹建立车群事故风险预测模型；
实时获取待预测路段的速度数据和流量数据，并基于所述车群事故风险预测模型获得事故风险预测结果；
基于所述事故风险预测结果对车辆速度进行协调控制。
进一步地，所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据。
进一步地，所述准车辆轨迹通过以下步骤提取：
基于所述速度数据绘制速度曲线，以速度急剧下降的时刻作为事故准确发生时间，生成准车辆轨迹，所述速度曲线包括事故发生上游每条车道的速度曲线，其时间范围为所述事故发生时间的前后30min。
进一步地，所述车群事故风险预测模型为基于条件Logistic回归的预测模型。
进一步地，所述车群事故风险预测模型表示为：
Logit(pij)＝-5.177+0.292Speeddif,1min+0.125Speeddif,2min
+0.191Speeddif,3min+0.107Speeddif,4min+0.105Volumedif,1min
+0.054Volumedif,2min+0.055Volumedif,3min+0.037Volumedif,4min
+0.209Volumetruck1,dif,1min+0.063Speedavg,1min
其中，Speeddiff，1min为车群0-1min前的速度差，Speeddiff，2min为车群1-2min前的速度差，Speeddiff，3min为车群2-3min前的速度差，Speeddiff，4min为车群3-4min前的速度差，Voldiff，1min为车群0-1min前的流量差，Voldiff，2min为车群1-2min为前的流量差，Voldiff，3min为车群2-3min前的流量差，Voldiff，4min为车群3-4min前的流量差，Voltruck,diff,1min为车群0-1min前的卡车流量差，Speedaver,1min为车群0-1min前的平均速度。
进一步地，所述基于条件Logistic回归的预测模型中的自变量通过相关性分析与随机森林算法筛选获得。
进一步地，以1分钟为时间粒度，实时获取待预测路段当前时刻前四分钟的速度数据和流量数据。
进一步地，以1分钟为间隔实时更新所述事故风险预测结果。
进一步地，所述协调控制包括交通量差协调控制和速度协调控制。
进一步地，在发生事故时，对所述车群事故风险预测模型进行更新。
与现有技术相比，本发明具有如下有益效果：
1、本发明将车群交通流特征的实时变化与事故可能性联系起来，充分考虑了碰撞车辆的轨迹问题，应用了详细的交通信息，汇聚了多种交通资源，结合基于速度和基于流量的交通数据来获取车辆的时空信息，提高网联自动驾驶汽车的安全性。
2、本发明的路段速度数据和流量数据每隔1分钟更新一次，有较好的实时性，从而更好地实现事故风险动态更新。
3、本发明考虑车群的整体特征，包括流量变化和速度变化，能对事故风险进行更加准确可靠的预测。
4、本发明通过预测来实现更好的安全效果，可以满足和吸引更多的用户，且可以提高系统服务质量。
附图说明
图1为本发明的流程示意图；
图2为本发明的碰撞时间提取图；
图3为本发明的事故风险计算示例图；
图4为本发明优势对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
交通事故的发生是由车辆运行轨迹周围的交通流连续撞击该车辆造成的。更具体地说，事故的发生可能是由于上游交通状况造成的，即车辆从何处出发以及何时出发的影响至关重要。在此基础上，本发明进行了基于准车辆轨迹的实时事故风险预测方法。
如图1所示，本实施例提供一种基于准车辆轨迹的快速路实时事故风险预测方法，该方法包括以下步骤：
步骤S1，基于历史事故数据提取准车辆轨迹。所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据等。
准车辆轨迹通过以下步骤提取：基于所述速度数据绘制速度曲线，以速度急剧下降的时刻作为事故准确发生时间，生成准车辆轨迹。
在存在检测器的情况下，对于每个记录的事故，在事故的最近的上游探测器的每个车道的速度被收集，每一条车道都绘制其速度曲线，速度曲线的时间范围是事故记录发生时间前后30min，调整后的事故发生时间为速度发生急剧下降的时刻。调整后的事故时间被设置为第一分钟，其中有一个显著的速度下降，该时刻被认为是事故发生的时刻，如图2所示，其中(2a)和(2b)分别表示历史事故中第368起事故和第370起事故各车道的速度曲线及调整后事故时间。
对每一起事故均进行速度曲线的绘制，仅选择出现速度明显下降的事故样本作为下一阶段研究的数据输入。速度无明显下降的事故样本其事故发生的准确时间无所勘正，因此不纳入下一阶段的研究中去。
步骤S2，基于所述准车辆轨迹建立车群事故风险预测模型，具体包括：
步骤S21：按照案例组：对照组＝1：5的比例进行对提取的准车辆轨迹进行数据抽取，在抽取对照组数据时，无须控制对照组的样本采样空间，采用随机抽样的方法进行；
该步骤对于有显著速度下降的案例，以事故发生时刻为起点，从多个检测器收集流量数据和速度数据，并处理为在一分钟级别的多个变量，例如，碰撞发生前0到1分钟的平均路段流量和平均路段速度。
步骤S22：进行数据清洗，完成无效样本剔除、缺失值检测与填补、异常值监测与修补。
步骤S23：通过相关性分析与随机森林算法对多源数据进行筛选。
步骤S24：利用筛选的结果建立基于条件Logistic回归的事故风险预测模型。
步骤S23中，通过相关性分析，分析自变量之间的相关性、自变量与因变量(基于准车辆轨迹确定)之间的相关性，选取与因变量显著相关的自变量，并为避免后续模型建立出现多重共线性的问题，剔除部分互为强相关自变量；同时由于实际工程的需要，通过随机森林方法得出对因变量来说各个自变量的重要度。本实施例中，筛选并保留10个自变量，并采用数据拟合方法，建立如下的基于条件Logistic车群事故风险预测模型：
Logit(pij)＝-5.177+0.292Speeddif,1min+0.125Speeddif,2min
+0.191Speeddif,3min+0.107Speeddif,4min+0.105Volumedif,1min
+0.054Volumedif,2min+0.055Volumedif,3min+0.037Volumedif,4min
+0.209Volumetruck1,dif,1min+0.063Speedavg,1min
其各变量的意义如表1所示。
表1车辆碰撞风险预测模型各变量的意义
上述自变量中考虑有对模型精度有显著影响的车群0-1min前的卡车流量差，有效提高模型预测精度。
步骤S3，实时获取待预测路段的速度数据和流量数据，并基于所述车群事故风险预测模型获得事故风险预测结果。
该步骤中，以1分钟为时间粒度，实时获取待预测路段当前时刻前四分钟的速度数据和流量数据。速度数据和流量数据可通过感应线圈及网联车数据获取。
以1分钟为间隔实时更新所述事故风险预测结果，通过识别不同车道的速度差确定风险。
步骤S4，基于所述事故风险预测结果对车辆速度判断是否需要进行协调控制，若是，进行协调控制，实现动态调节，若否，返回步骤S3，继续更新。
通过设置风险阈值来确定是否进行协调控制，不同场景可设置不同的风险阈值。本实施例中，风险阈值设置为0.8。
所述协调控制包括交通量差协调控制和速度协调控制。具体地，如果有路边交通检测器，CAV(智能网联车辆)可以从检测器中采集交通信息，对数据进行处理，得到路段速度差、路段流量差等信息，然后实时计算出碰撞风险。当危险情况发生时，可以通过调整交通事故的影响因素，如采用匝道控制减小路段交通量差、采用可变限速控制减小路段交通量差等，利用智能交通系统降低交通事故风险。在没有路边交通检测器的情况下，CAV可以连续采集道路交通信息，并对道路交通信息进行处理，得到实时交通事故预测模型中的变量，进而得到实时交通事故风险。当碰撞风险较高时，可以采取速度协调控制等调整措施来降低碰撞风险。
如果在上述预测下仍然有发生事故，则基于新的历史数据对所述车群事故风险预测模型进行更新。
本发明是对快速路实时安全分析的扩展。所得结论可用于智能网联车辆CAV的安全性改进。
对于一个车群从西向东行驶，当前时刻为8:05(8点05分)位于里程标志为8.2-8.8的路段，此路段车群即将进入8.8-9.2路段。获取8:04-8:05这一分钟经过的检测器的速度、流量数据等。由各个路段长度和8:04-8:05时的路段空间平均速度，追溯车群在这一分钟通过了哪些检测器，获取通过的检测器8:04-8:05这一分钟的速度、流量等数据。获取8:03-8:04这一分钟经过的检测器的速度、流量等数据。其中需要注意的是，8:04-8:05一分钟内车群在里程标志7.6-8.0路段行驶了6s。8:03-8:04时车群也在里程标志7.6-8.0路段内，所以计算车群8:03-8:04这一分钟在里程标志7.6-8.0路段的时间应该由该路段长度减去8:04-8:05时车群通过该路段的距离，再除以8:03-8:04时该路段的空间平均速度，得到车群8:03-8:04这一分钟在7.6-8.0路段的时间。以此类推，向上游追溯，得到8:02-8:03，8:01-8:02经过的检测器数据。如图3所示。
之后，计算流量差，速度差和速度等变量，进而计算事故风险指标，实时更新车辆的碰撞风险，根据碰撞风险预测结果是否需要车速协调，若是，进行汽车协调，实现动态调节，若否，继续更新。
本发明的事故风险预测是针对车群而言，其中“车群”是指一个车辆群体，车群是以路段为起点，向上游追溯一分钟，车群内部的车辆特征虽有变化，但本发明考虑车群的整体特征，假设网联车均匀分布在车群内，流量变化和速度变化作为车群特征信息。相较其他现有方法，本方法将车群交通流特征的实时变化与事故可能性联系起来，充分考虑了碰撞车辆的轨迹问题，应用了详细的交通信息，汇聚了多种交通资源，结合基于速度和基于流量的交通数据来获取车辆的时空信息，提高网联自动驾驶汽车的安全性。如图4所示。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
