一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质技术方案

本发明专利技术公开了一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质，该方法包括：采集交叉口路段车辆的行驶视频数据及交通流特征值；从车辆的行驶视频数据中获取车辆的车辆轨迹数据；基于车辆轨迹数据确定冲突并将危险冲突所占总冲突数量的比例以及冲突发生的位置作为交叉口风险冲突水平；利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集；基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型；利用所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对交叉口处未来短期的风险冲突进行预测。综上，本发明专利技术提供了一种有效的手段来预警交叉口风险冲突。手段来预警交叉口风险冲突。手段来预警交叉口风险冲突。

【技术实现步骤摘要】
一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质


[0001]本专利技术属于交通安全
，具体涉及一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质。

技术介绍

[0002]我国机动车保有量约以每年5％的速度增长，截止至2017年末，我国机动车保有量约3.10亿辆，其中，汽车占比约70.17％，2017年我国发生的涉及人员伤亡的道路交通事故共计203049起，导致经济损失12.1亿元，约造成6.3万人死亡。交叉口是道路使用者改变行驶路线的重要节点，是交通冲突的密集区，更是交通事故高发的区域。据相关统计结果显示，美国城市交通事故中55％发生在交叉口；法国大约有24％的交通事故发生在交叉口；英国大约有33％的交通事故发生在交叉口；中国城市的交通事故大约有30％发生在交叉口，而导致死亡的交通事故，约有50％发生在交叉口。由此可见，交叉口的交通事故多发，造成人身伤亡或财产损失的可能性较大，交通安全风险较高。为了有效的预防并减少交叉口交通事故的发生，将“事后改善”转变为“事前预防”，提高交叉口安全管理水平，有必要开展交叉口交通安全风险评估的研究，探讨交叉口交通安全风险控制的策略与方法。
[0003]而如何实现快速、准确、实时地对交叉口的安全水平进行短时预测，提高“事前预防”的能力，是本专利技术关注的重点。

技术实现思路

[0004]本专利技术的目的是针对交叉口的交通安全问题提供一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质，所述预测方法以交叉路口的交通流特征作为关键特征，构建其与交叉口风险冲突的关联，得到短期内交叉口风险冲突水平的预测模型，用于预测交叉口的风险冲突。
[0005]一方面，本专利技术提供的一种基于交通流特征的交叉口安全水平短时预测方法，包括如下步骤：
[0006]步骤1：采集交叉口路段车辆的行驶视频数据及交叉口路段的交通流特征值；
[0007]步骤2：从步骤1中所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据；
[0008]步骤3：基于步骤2中车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；
[0009]其中，将危险冲突发生的位置区域及所述位置区域上危险冲突所占总冲突数量的比例表示所述位置的风险冲突水平，统计交叉口区域内各个位置区域的风险冲突水平表示所述交叉口的风险冲突水平；
[0010]步骤4：利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集，其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时间的交叉口风
险冲突水平作为一个样本；
[0011]步骤5：基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型，如下：
[0012][0013]其中，F为预测得到交叉口风险冲突水平，X为交叉口路段的交通流特征值的矩阵，为模型参数组合为i的随机森林预测算法；
[0014]步骤6：利用步骤5中的所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对同一类型交叉口处未来短期的风险冲突进行预测。
[0015]可选地，参与所述交叉口风险冲突短时预测模型训练的交通流特征值的特征变量按照如下方式确定：应用随机参数回归模型选择交通流特征值的类别，剔除包含异质性的特征变量，具体如下：
[0016]首先，选择用于表示交通流特征值的特征变量；
[0017]其次，构建随机参数回归模型，其中，将交叉口的风险冲突水平中危险冲突所占总冲突数量的比例作为因变量，所选择的特征变量作为自变量，依次将所选择的特征变量设定为随机参数模型中的随机参数，其他特征变量不设定为随机参数，再进行随机参数回归模型的拟合计算；
[0018]其中，若所述随机参数回归模型的结果中随机参数的系数满足显著性，所述随机参数对应的特征变量产生了含有随机参数的系数，包含异质性，对应剔除所述特征变量；否则，保留所述特征变量。
[0019]可选地，所述随机参数回归模型表示如下：
[0020]Y＝(β+ω)X+β
′
X
′
+ε
[0021]其中，X
′
表示不含有异质性的交通流特征向量输入值，X表示交通流特征含有异质性的向量输入值，Y表示交叉口冲突水平向量输入值，β
′
表示不含有异质性的交通流特征值在随机参数回归模型中的系数向量，β表示含有异质性的交通流特征值在随机参数回归模型中的系数向量，ε表示模型的误差项，ω表示正态分布的均值为零的随机分布项，借此可以用来刻画个体异质性。即，将随机参数视为X，其他非随机参数视为X
′
，利用模型结果β+ω是否满足显著性来鉴别特征变量是否包含异质性。
[0022]可选地，所述选择用于表示交通流特征值的特征变量时，所述交通流特征值表示如下：
[0023]X＝{x1，x2，x3，x4}
[0024]其中，X为交通流特征值，x1表示行车车道断面流量，x2和x3分别表示行车车道n1分钟内车辆行驶速度均值、标准差，x4表示行车车道n2分钟内车辆类型比例。
[0025]第二方面，本专利技术提供的一种基于所述交叉口安全水平短时预测方法的系统，包括：
[0026]数据采集模块：用于采集车辆的行驶视频数据；
[0027]数据处理模块：用于从所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据以及交叉口路段的交通流特征值；
[0028]危险冲突鉴定模块：用于基于车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；
[0029]其中，将危险冲突发生的位置区域及所述位置区域上危险冲突所占总冲突数量的比例表示所述位置的风险冲突水平，统计交叉口区域内各个位置区域的风险冲突水平表示所述交叉口的风险冲突水平；
[0030]训练样本集构建模块：用于利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集；
[0031]其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时间的交叉口风险冲突水平作为一个样本；
[0032]交叉口风险冲突短时预测模型构建模块，用于基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型；
[0033]预测模块，用于利用所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对同一类型交叉口处未来短期的风险冲突进行预测。
[0034]第三方面，本专利技术提供一种终端设备，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用计算机程序以执行：一种基于交通流特征的交叉口安全水平短时预测方法的步骤。
[0035]可选地，该终端设备还包括与处理器连接的输入设备，所述输入设备用于获取车辆的行驶视频数据。
[0036]第四方面，本专利技术提供一种可读存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交通流特征的交叉口安全水平短时预测方法，其特征在于：包括如下步骤：步骤1：采集交叉口路段车辆的行驶视频数据及交叉口路段的交通流特征值；步骤2：从步骤1中所述车辆的行驶视频数据中获取交叉口路段内车辆的车辆轨迹数据；步骤3：基于步骤2中车辆的车辆轨迹数据计算交叉口处车辆之间的冲突程度，所述冲突程度小于预设安全阈值，对应冲突程度视为危险冲突；其中，将危险冲突发生的位置区域及所述位置区域上危险冲突所占总冲突数量的比例表示所述位置的风险冲突水平，统计交叉口区域内各个位置区域的风险冲突水平表示所述交叉口的风险冲突水平；步骤4：利用交叉口路段的交通流特征值以及交叉口风险冲突水平构建训练样本集，其中，将每个时刻交叉口路段的交通流特征值以及所述时刻之后预设时长的交叉口风险冲突水平作为一个样本；步骤5：基于所述训练样本集应用随机森林算法搭建预测模型并进行训练得到交叉口风险冲突短时预测模型，如下：其中，F为预测得到交叉口风险冲突水平，X为交叉口路段的交通流特征值的矩阵，为模型参数组合为i的随机森林预测算法步骤6：利用步骤5中的所述交叉口风险冲突短时预测模型以及交叉口路段的交通流特征值对同一类型交叉口处未来短期的风险冲突水平进行预测。2.根据权利要求1所述的方法，其特征在于：参与所述交叉口风险冲突短时预测模型训练的交通流特征值的特征变量按照如下方式确定：应用随机参数回归模型选择交通流特征值的类别，剔除包含异质性的特征变量，具体如下：首先，选择用于表示交通流特征值的特征变量；其次，构建随机参数回归模型，其中，将交叉口的风险冲突水平中危险冲突所占总冲突数量的比例作为因变量，所选择的特征变量作为自变量，依次将所选择的特征变量设定为随机参数模型中的随机参数，其他特征变量不设定为随机参数，再进行随机参数回归模型的拟合计算；其中，若所述随机参数回归模型的结果中随机参数的系数满足显著性，所述随机参数对应的特征变量产生了含有随机参数的系数，包含异质性，对应剔除所述特征变量；否则，保留所述特征变量。3.根据权利要求2所述的方法，其特征在于：所述随机参数回归模型表示如下：Y＝(β+ω)X+β
′
X
′
+ε其中，X
′
表示不含有异质性的交通流特征向量输入值，X表示交通流特征含有异质性的向量输入值，Y表示交叉口冲突水平向量输入值，β
′

【专利技术属性】
技术研发人员：李烨，谷瑞丰，史云涛，
申请(专利权)人：中南大学，
类型：发明
国别省市：