车载短距离通信网的车辆交通事故预测方法技术

本发明专利技术提供一种车载短距离通信网的车辆交通事故预测方法，结合造成车辆发生交通事故的各种因素，构建贝叶斯网络，利用路段于一定时期内发生车辆交通事故的历史数据对贝叶斯网络进行训练、调整，确定贝叶斯网络模型，并向路段范围内的路侧节点发布贝叶斯网络模型，当车辆进入该路段范围后，即可利用该贝叶斯网络，利用车载短距离网络的路侧节点实时采集的各项评价参数数据，预测发生交通事故的概率。本发明专利技术能够有效提高交通事故预警能力，降低车辆发生交通事故的概率。

【技术实现步骤摘要】
车载短距离通信网的车辆交通事故预测方法
本专利技术涉及一种车载短距离通信网的车辆交通事故预测方法，属于车载通信网

技术介绍
车载短距离通信(VehicletoX：V2X)网络是通过无线通信、GPS/GIS、传感等短距离通信技术实现的车内(CAN-ControllerAreaNetwork)、车路(Vehicle-2-RSU)、车间(Vehicle-2-Vehicle)、车外(vehicle-2-Infrastructure)、人车(Vehicle-2-Person)之间的通信。V2X中的车载节点配备有GPS或者北斗等定位装置，车载节点按照设定的时间间隔定期向周围节点广播本节点的地理位置等信息(称为心跳信息)，同时也接收周围节点发送的心跳信息，以此获得周围节点同本车的距离、进一步计算得到两车相对速度、行驶方向等信息。车辆发生交通事故的原因复杂多样，如实际路况，车流量、驾驶习惯、行人密度等交通状况，如果能够利用V2X网络的特性，综合各种造成交通事故的因素，预测车辆发生交通事故的可能性，将有效提高道路交通的安全性。
技术实现思路
鉴于上述原因，本专利技术的目的在于提供一种车载短距离通信网的车辆交通事故预测方法，以贝叶斯网络模型为基础，能够结合车辆、道路状况、交通信号灯等多维信息进行实时、综合的车辆交通事故预测。为实现上述目的，本专利技术采用以下技术方案：一种车载短距离通信网的车辆交通事故预测方法，包括步骤：S1：构建包括影响车辆交通安全的参数的贝叶斯网络；S2：根据路段内一定时期内车辆发生交通事故的历史数据，及贝叶斯网络中节点之间的条件概率，由路侧节点利用本地存储或者通过网络获取的历史数据对该贝叶斯网络进行训练，确定贝叶斯网络模型；S3：车载节点通过接收覆盖范围内车载节点定期广播的包含车辆位置的心跳信息实时采集各项评价参数数据，利用该贝叶斯模型，进行交通事故预测。优选的，所述步骤S1中，所述影响车辆交通安全的参数包括：行驶状态、两车距离、车辆加速、车辆状况、道路状况、相对位置，行驶状态分为直行状态、改变行车线路状态、拐弯状态。优选的，所述步骤S3中，所述各项评价参数数据包括：根据车载节点发送的心跳信息，获取车载节点的地理位置信息，计算得到车速度数据、车加速度数据、两车距离数据、车辆状况数据，根据路侧节点发送的信息获取信号灯状态数据、道路状况数据，根据车载系统采集的数据，获取本车的行驶状态数据。优选的，构建车辆直行状态下预测交通事故的贝叶斯网络：直行事故概率以前车情况、后车情况为参数进行预测，前车情况以相对位置、道路状况、车辆状况为参数进行预测，相对位置以两车距离、车辆加速为参数进行预测；后车情况以相对位置、道路状况、车辆状况为参数进行预测，相对位置以两车距离、车辆加速为参数进行预测。优选的，构建车辆改变行车线路状态下预测交通事故的贝叶斯网络：改变行车线路事故概率以本车道、侧车道为参数进行预测，本车道以前车情况、后车情况为参数进行预测，前车情况以相对位置、车辆状况、道路状况为参数进行预测，相对位置以两车距离、车辆加速为参数进行预测，后车情况以相对位置、车辆状况、道路状况为参数进行预测，相对位置以两车距离、车辆加速为参数进行预测；侧车道以前车情况、后车情况为参数进行预测，前车情况以相对位置、车辆状况、道路状况为参数进行预测，相对位置以两车距离、车辆加速为参数进行预测，后车情况以相对位置、车辆状况、道路状况为参数进行预测，相对位置以两车距离、车辆加速为参数进行预测。优选的，构建车辆拐弯状态下预测交通事故的贝叶斯网络。优选的，根据实时采集的行驶状态数据，确定相应的贝叶斯网络进行交通事故预测。优选的，还包括：设定一警示阈值，当预测的车辆事故概率值大于该警示阈值时，进行告警提示。本专利技术的优点是：本专利技术是利用车载短距离通信网中，车载节点定期发送的心跳信息，路侧节点接收及处理信息的能力，从车辆、道路状况、交通信号灯等多个维度，基于贝叶斯网络模型，综合预测车辆发生交通事故的概率，在此基础上，能够及时提供事故预警，有效提高道路交通的安全性。附图说明图1是本专利技术的方法流程图。图2是本专利技术构建的贝叶斯网络模型示意图之一，示出预测直行状态的交通事故概率。图3是本专利技术构建的贝叶斯网络模型示意图之二，示出预测改变行车线路状态的交通事故概率。图4是本专利技术构建的贝叶斯网络模型示意图之三，示出预测拐弯状态的交通事故概率。图5是贝叶斯网络的部分节点示意图。具体实施方式以下结合附图和实施例对本专利技术作进一步详细的描述。图1是本专利技术的方法流程图，如图所示，本专利技术公开的车载短距离通信网的车辆交通事故预测方法，包括以下步骤：S1：根据影响交通事故的各项因素，构建贝叶斯网络；结合车辆易发生交通事故的情况，将车辆的行驶状态分为三类：第一类是直行状态，包括正常行驶、刹车制动、加速直行；第二类是改变行车线路状态，包括左右并线、加速超车；第三类是拐弯状态，包括左、右拐弯。由于三种行驶状态两两具有互斥性，因此针对三种行驶状态分别进行独立的交通事故预测。如图2所示，用于预测直行状态下发生交通事故的概率的贝叶斯网络为：直行事故概率(节点R1)以前车情况(节点A)、后车情况(节点B)为参数进行预测，前车情况以相对位置(节点A1)、道路状况(节点A2)、车辆状况(节点A3)为参数进行预测，相对位置(节点A1)以两车距离(节点A11)、车辆加速(节点A12)为参数进行预测；后车情况以相对位置(节点B1)、道路状况(节点B2)、车辆状况(节点B3)为参数进行预测，相对位置(节点B1)以两车距离(节点B11)、车辆加速(节点B12)为参数进行预测。如图3所示，用于预测改变行车线路状态下发生交通事故的概率的贝叶斯网络为：改变行车线路事故概率(节点R2)以本车道(节点A)、侧车道(节点B)为参数进行预测，本车道以前车情况(节点A1)、后车情况(节点A2)为参数进行预测，前车情况(节点A1)以相对位置(节点A11)、车辆状况(节点A12)、道路状况(节点A13)为参数进行预测，相对位置(节点A11)以两车距离(节点A111)、车辆加速(节点A112)为参数进行预测，后车情况(节点A2)以相对位置(节点A21)、车辆状况(节点A22)、道路状况(节点A23)为参数进行预测，相对位置(节点A21)以两车距离(节点A211)、车辆加速(节点A212)为参数进行预测；侧车道以前车情况(节点B1)、后车情况(节点B2)为参数进行预测，前车情况(节点B1)以相对位置(节点B11)、车辆状况(节点B12)、道路状况(节点B13)为参数进行预测，相对位置(节点B11)以两车距离(节点B111)、车辆加速(节点B112)为参数进行预测，后车情况(节点B2)以相对位置(节点B21)、车辆状况(节点B22)、道路状况(B23)为参数进行预测，相对位置(节点B21)以两车距离(节点B211)、车辆加速(节点B212)为参数进行预测。如图4所示，用于预测拐弯状态下发生交通事故的概率的贝叶斯网络为：S2：利用历史数据和贝叶斯网络中各节点之间的条件概率，对贝叶斯网络进行训练，确定贝叶斯网络模型；S21：通过专家经验和历史数据获得贝叶斯网络中各节点与其父节点之间的条件概率。专家经验是贝叶斯网络确定参数的常用方本文档来自技高网...

【技术保护点】
1.车载短距离通信网的车辆交通事故预测方法，其特征在于，包括步骤：S1：构建包括影响车辆交通安全的参数的贝叶斯网络；S2：根据路段内一定时期内车辆发生交通事故的历史数据，及贝叶斯网络中节点之间的条件概率，由路侧节点利用本地存储或者通过网络获取的历史数据对该贝叶斯网络进行训练，确定贝叶斯网络模型；S3：车载节点通过接收覆盖范围内车载节点定期广播的包含车辆位置的心跳信息实时采集各项评价参数数据，利用该贝叶斯模型，进行交通事故预测。

【技术特征摘要】
1.车载短距离通信网的车辆交通事故预测方法，其特征在于，包括步骤：S1：构建包括影响车辆交通安全的参数的贝叶斯网络；S2：根据路段内一定时期内车辆发生交通事故的历史数据，及贝叶斯网络中节点之间的条件概率，由路侧节点利用本地存储或者通过网络获取的历史数据对该贝叶斯网络进行训练，确定贝叶斯网络模型；S3：车载节点通过接收覆盖范围内车载节点定期广播的包含车辆位置的心跳信息实时采集各项评价参数数据，利用该贝叶斯模型，进行交通事故预测。2.根据权利要求1所述的车载短距离通信网的车辆交通事故预测方法，其特征在于，所述步骤S1中，所述影响车辆交通安全的参数包括：行驶状态、两车距离、车辆加速、车辆状况、道路状况、相对位置，行驶状态分为直行状态、改变行车线路状态、拐弯状态。3.根据权利要求2所述的车载短距离通信网的车辆交通事故预测方法，其特征在于，所述步骤S3中，所述各项评价参数数据包括：根据车载节点发送的心跳信息，获取车载节点的地理位置信息，计算得到车速度数据、车加速度数据、两车距离数据、车辆状况数据，根据路侧节点发送的信息获取信号灯状态数据、道路状况数据，根据车载系统采集的数据，获取本车的行驶状态数据。4.根据权利要求3所述的车载短距离通信网的车辆交通事故预测方法，其特征在于，构建车辆直行状态下预测交通事故的贝叶斯网络：直行事故概率以前车情况、后车情况为参数进行预测，前车情况以相对位置、道路状况、车辆状况为参数进行...

【专利技术属性】
技术研发人员：付景林，赵德胜，孟汉峰，王芊，丁明峰，
申请(专利权)人：大唐高鸿信息通信研究院义乌有限公司，
类型：发明
国别省市：浙江,33