一种公路事故空间影响范围自适应在线预测方法技术

本发明专利技术公开了一种公路事故空间影响范围自适应在线预测方法，包括：step 1，建立事故空间影响范围预测模型(卡尔曼滤波模型)数据集；step 2，进行模型参数初始化；step3，判断t时刻是否有新事故发生，若有进行step 4，否则进行step7；step 4，获取t时刻的模型中的参数；step 5，预测t时刻的事故空间影响范围；Step 6：模型参数自适应更新；Step 7：令t＝t+1，转到Step 3。本发明专利技术通过获取的公路事故空间影响范围及影响因素，建立模型数据集，应用卡尔曼滤波框架，根据新事故数据自适应地调整公路事故空间影响范围因素的相关系数，并结合所获取的事故数据和新相关系数，实现公路事故空间影响范围的自适应在线高效预测。的自适应在线高效预测。的自适应在线高效预测。

【技术实现步骤摘要】
一种公路事故空间影响范围自适应在线预测方法


[0001]本专利技术属于交通事故影响范围预测领域，特别是一种公路事故空间影响范围自适应在线预测方法。

技术介绍

[0002]公路交通事故是造成路网运行效率降低的主要因素之一，严重威胁着人民群众的生命财产安全。预测事故的空间影响范围有助于公路管理部门及时分析事故影响程度，并合理的进行交通组织和管控，提升应急救援效率，从而避免交通事故造成的影响进一步恶化，减少交通事故带来的人员伤亡和财产损失，并能为公路系统的长期规划提供决策依据。因此，在线高效地预测交通事故空间影响范围具有重要意义，亟待提出预测公路交通事故影响范围的有效方法。
[0003]目前对于公路交通事故影响范围的预测方法存在以下不足：现有的公路事故空间影响范围预测研究方法中，涉及到影响因素的相关系数多为固定值，根据其得到的预测结果只符合初始数据集中公路事故空间影响范围，不能随着公路事故数据集的变化而自适应变化；此外，道路交通环境具有很强的复杂性，伴随时间的变化，公路网内交通的运行状态也在快速变化，各关联因素的影响程度也会产生较大的波动，一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种公路事故空间影响范围自适应在线预测方法，其特征在于，该方法通过构建事故空间影响范围预测模型对事故空间影响范围进行预测，其中事故空间影响范围预测模型采用卡尔曼滤波模型；所述预测方法包括以下步骤：步骤1、建立事故数据集，其中每一条事故数据均包括事故空间影响范围观测值、单向车道数、侵占车道数、事故车辆数、事故大车数、事故发生的时间和交通流量；步骤2、初始化卡尔曼滤波模型中的参数，所述参数包括相关系数、状态转移矩阵、观测矩阵、观测过程协方差矩阵和状态过程协方差矩阵；步骤3、判断t时刻是否有新事故发生，若有则获取新事故发生时的单向车道数、侵占车道数、事故车辆数、事故大车数、事故发生的时间和交通流量，进行步骤4，否则进行步骤7；步骤4、获取t时刻的卡尔曼滤波模型中的参数；步骤5、计算t时刻的卡尔曼滤波模型的先验状态、先验的状态协方差矩阵，预测t时刻的事故空间影响范围；步骤6、在完成新事故处理之后，获取新事故的事故空间影响范围观测值，计算t时刻的观测误差、观测过程协方差矩阵、卡尔曼增益、后验状态、后验状态协方差矩阵和状态过程协方差矩阵，完成卡尔曼滤波模型的更新，作为下一次预测的基础；步骤7、令t＝t+1，转向步骤3。2.根据权利要求1所述的一种公路事故空间影响范围自适应在线预测方法，其特征在于，步骤1中建立的事故数据集中第i条事故数据为：{a
i
，b
i
，c
i
，d
i
，e
i
，f
i
，g
i
}，其中：a
i
，b
i
，c
i
，d
i
，e
i
，f
i
，g
i
分别为i时刻的事故空间影响范围、单向车道数、侵占车道数、事故车辆数、事故大车数、故发生的时间和交通流量。3.根据权利要求2所述的一种公路事故空间影响范围自适应在线预测方法，其特征在于，步骤2中相关系数的初始值w0，恒定的状态转移矩阵Φ，观测矩阵的初始值X1，观测过程协方差矩阵的初始值R1，状态过程协方差矩阵的初始值Q1分别为：分别为：X1＝(b
1 c
1 d
1 e
1 f
1 g1)R1＝IQ1＝I式中：λ为遗忘因子；分别为单向车道数、侵占车道数、事故车辆数、事故大车数、事故发生的时间、流量与事故空间影响范围之间的相关系数的初始值；I为单位矩阵。4.根据权利要求1所述的一种公路事故空间影响范围自适应在线预测方法，其特征在于，步骤5中预测t时刻的事故空间影响范围，具体步骤如下：
计算卡尔曼滤波模型t时刻的先验状态即t时刻的先验相关系数：式中：Φ为状态转...

【专利技术属性】
技术研发人员：郭建华，杨东，谢尔盖，
申请(专利权)人：东南大学，
类型：发明
国别省市：