一种动态标定的车辆碰撞风险实时预测模型构建方法、平台、介质及终端

本发明涉及交通安全，尤其涉及一种动态标定的车辆碰撞风险实时预测模型构建方法、平台、介质及终端。

背景技术：

1、随着交通流量日益增长，车辆碰撞频率持续上升，道路系统存在严重的交通安全问题。其中道路安全管控路段或节点作为道路主要事故黑点，其安全问题也备受关注。由于空间有限和车道配置复杂使得驾驶员需要做出许多快速决策，这可能导致驾驶员快速进行车辆的速度变化和突然的变道操作，大大增加道路安全管控路段或节点的碰撞风险。

2、现有技术对道路安全管控路段或节点的碰撞风险进行预测主要基于大样本高频离线数据，该类方法基于大量连续性数据，使用离线静态模型进行预测，以获得高精度的预测结果。即一定时空内的所有视频信息并进行离线数据提取与分析。采用该方法获取的数据量大，可达亚秒级(即未达到秒的速度)，近似于连续型数据。当数据为大样本连续数据时，采用离线静态模型估计，预测的精度无疑较高。然而，该类方法应用于安全管理实践中存在明显的局限性：首先，估计出的高精度模型只适用于与之相对应的大样本量数据，当样本数据改变时，模型的可移植性并不一定满足要求，很可能导致估计的模型对新样本的数据预测性能较差，无法使用。其次，离线静态估计的方法也无法为道路安全管控路段或节点的实时风险预测及安全管控提供帮助。车辆实际运行状态下，视频图像识别、数据获取、数据清洗、数据分析、模型估计这一整套流程无法在亚秒级完成，无法通过实时获取大量连续数据来估计车辆冲突并对模型进行静态估计。最后，以历史数据估计车辆事故风险无法适应交通环境以及交通流快速变化的情况，特别是对于处于运营模式更迭阶段的收费站，实现事故风险预测模型随着数据标定的修正有助于捕捉车辆安全的动态变化，并且准确有效地完成每一发展阶段的安全监测任务。

3、由此，亟需一种能够反映交通状况的时空变化特性，并且模型能够随数据标定实时自适应修正的道路安全管控路段或节点的车辆碰撞风险实时预测的构建方法。

技术实现思路

1、针对现有技术的不足，本发明提供了一种动态标定的车辆碰撞风险实时预测模型构建方法、平台、介质及终端，所述方法解决了以历史数据估计车辆事故风险无法适应交通环境以及交通流快速变化以及模型无法随数据标定实时自适应修正的问题。

2、第一方面，本发明提供了一种道路安全管控路段或节点的车辆碰撞风险实时预测模型构建方法，包括：

3、s1：通过感知设备获取安全管控路段或节点的车辆轨迹数据，并提取车辆特征参数和交通流特征参数；

4、s2：基于车辆特征参数和交通流特征参数，计算每一时刻每辆车与最近前车的拓展距离碰撞时间，判别每辆车与最近前车的碰撞风险并提取碰撞风险影响因素；

5、s3：对所有车辆轨迹数据中得到的车辆特征参数、交通流特征参数及碰撞风险进行多种不同方式的区间采样，得到对应的多个离散数据集；

6、s4：将离散数据集中的碰撞风险影响因素作为输入，每辆车与最近前车的碰撞风险作为输出，基于步骤s3获得的多个离散数据集分别构建车辆碰撞风险预测模型，并对各模型参数进行动态标定，得到多个车辆碰撞风险实时预测模型；

7、s5：采用roc曲线面积对各车辆碰撞风险实时预测模型的预测效果进行评价，得到适用于安全管控路段或节点安全预测的最优采样方式及学习率，确定最终的车辆碰撞风险实时预测模型。

8、进一步地，s1的具体过程为：

9、s11：通过设置在道路安全管控路段或节点的感知设备，收集安全管控路段或节点的车辆轨迹样本数据，并提取取车辆完整运动轨迹，对其进行数据预处理；

10、s12：提取数据预处理后每辆车的车辆轨迹数据，包括车辆在每一时刻的位置坐标o、车辆id、时间序列标识；

11、s13：基于s12的车辆轨迹数据，进一步处理获得所有车辆的车辆特征参数和交通流特征参数；其中车辆特征参数包括但不限于车辆长度li、车辆宽度wi、车辆行驶速度v、车辆速度方向vi、车辆速度变化率va、车辆行驶距离d、车辆间距离dij、车辆类型vtype；交通流特征参数包括但不限于平均交通流量f、平均交通密度k、车头时距h。

12、进一步地，碰撞风险影响因素包括但不限于：车辆长度li、车辆宽度wi、前车车速lv、后车速度fv、车辆行驶距离d、车辆间距离dij、车辆类型vtype、平均交通密度k。

13、进一步地，s2的具体过程为：

14、s21：基于车辆轨迹数据建立坐标轴，将t时刻每一辆车与其距离最近的前车进行匹配，计算匹配车辆之间的瞬时交通冲突ettc，即拓展距离碰撞时间；ettc的计算公式如下：

15、

16、其中，li和lj分别为车辆i和j的长度；dij是两辆车中心点之间的距离；dij是两辆车最近点之间的距离；o和v是车辆中心点的二维坐标和速度矢量；

17、s22：根据计算获取的瞬时交通冲突的判别条件，判别所有匹配车辆的碰撞风险；

18、其中，判别条件为：

19、当ettc小于或等于预设阈值ettc’，则匹配车辆的碰撞风险为存在碰撞风险；

20、当ettc大于预设阈值ettc’，匹配车辆的碰撞风险为则无碰撞风险。

21、进一步地，s3的具体过程为：

22、s31：设定n个不同采样时间间隔，并对连续数据进行等间隔划分；

23、s32：在等间隔划分数据基础上，对每间隔数据进行采样点的选择；

24、其中采样点选择包含2种，一是选择每个采样间隔内时间序列号为1的数据为采样数据；二是随机抽样选择每个采样间隔中任意时间序列号的数据为采样数据；

25、s33：基于n个不同采样时间间隔和2种采样点得到k种不同的采样方法，其中k＝a2n，对所有车辆轨迹数据样本中得到的车辆特征参数、交通流特征参数及碰撞风险的数据进行采样，得到k个离散数据集。

26、进一步地，s41：基于s3获得的各离散数据集，使用数据集中预设比例的数据定义逻辑回归模型，即构建车辆碰撞风险预测模型，预测在多种因素影响下的车辆碰撞概率；

27、s42：利用数据集中剩余数据依次输入车辆碰撞风险预测模型进行动态标定，得到多个车辆碰撞风险实时预测模型，其中，每一个离散数据集对应得到一个车辆碰撞风险实时预测模型；动态标定的具体过程为：

28、s421：将输入定义逻辑回归模型最后一个数据的时刻设为t-1时刻，并将此样本数据设为st-1，此时模型参数为基于当前模型参数t时刻的样本数据st、t时刻的车辆碰撞风险数据yt，计算样本损失函数值l(yt,p(yt))。然后，根据损失函数值l(yt,p(yt))计算样本st关于每个车辆碰撞风险预测模型参数的梯度值其中，损失函数为交叉熵损失，其公式为：

29、l(yt,p(yt))＝-ytlog(p(yt))-(1-yt)log(1-p(yt))

30、其中，p(yt)为st样本下碰撞发生的概率；

31、梯度值计算公式为：

32、

33、其中，为关于参数的梯度值，j＝1,2,…,n，n为自变量个数；

34、s422：基于梯度下降算法计算t时刻的模型参数即完成一次参数动态标定，计算公式为：

35、

36、其中，为t时刻的逻辑回归模型参数；α为学习率；

37、s423：判断数据集中剩余数据是否依次遍历输入：若是，则结束标定；若否，则t+1并返回s421。

38、更进一步地，s5的具体过程为：

39、s51：基于车辆碰撞风险实时预测模型预测结果与s2中计算得到的碰撞风险实际结果对比确定的真正例率和假正例率构建roc曲线；基于每一时刻动态标定的车辆碰撞风险实时预测模型，计算roc曲线下的面积，获取由多个离散数据集分别构建的各个车辆碰撞风险实时预测模型结果的一系列auc值；

40、s52：将各个车辆碰撞风险实时预测模型对应auc值数值大小及稳定性进行比较：

41、s521：判断auc值是否高于预设auc阈值：若是，则表明模型的预测性能良好；若否，则表明模型的预测性能较差；

42、s522：将连续多个样本数据输入车辆碰撞风险实时预测模型，判断auc值变化是否小于预设标准阈值：若是，则表明车辆碰撞风险实时预测模型稳定性良好；若否，则表明车辆碰撞风险实时预测模型稳定性较差；

43、选择预测性能和稳定性均良好的车辆碰撞风险实时预测模型对应的区间采样方式为最优区间采样方式；

44、s53：根据损失函数值和auc值，对在线梯度下降算法中的学习率进行敏感性分析，确定最优学习率；

45、s54：结合最优区间采样方式和最优学习率，得到适用于该道路安全管控路段或节点的车辆风险预测模型。

46、第二方面，本发明提供了一种道路风险监测与预警平台，其特征在于，所述平台部署了如上所述方法的步骤。

47、第三方面，本发明提供了一种电子终端，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以执行如上所述方法的步骤。

48、第四方面，本发明提供了一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用时以执行如上所述方法的步骤。

49、有益效果

50、本发明提出了一种动态标定的车辆碰撞风险实时预测模型构建方法、平台、介质及终端，所述方法基于在线梯度下降算法建立碰撞风险预测模型，实现参数随样本量增加进行动态标定，使其反映真实交通流的状态，提高预测准确率，突破了传统方法无法适应交通环境和交通流快速变化的局限性；所述方法无需大样本量数据，且能够实时处理连续数据流，提升预测效率，实现实时风险预测和安全管控，并减少安全监控系统的数据处理压力；所述方法能够实时标定模型参数，提高模型预测准确性，适用于实时预测场景。