一种智能车路系统的交通事故判别方法技术方案

本发明专利技术涉及一种智能车路系统的交通事故判别方法，包括如下步骤：S1：基于智能车路系统的道路线形，实时获取交通流信息，交通流信息包括交通流的流量和密度，以密度为x轴，流量为y轴，建立二维坐标系，基于交通流信息建立宏观交通流基本图模型；S2：针对交通流基本图模型中的散点，通过k

【技术实现步骤摘要】
一种智能车路系统的交通事故判别方法


[0001]本专利技术涉及交通信息
，尤其是涉及一种智能车路系统的交通事故判别方法。

技术介绍

[0002]随着机动车保有量的快速增加，我国公路的交通事故问题愈发严重，极大程度减小了社会民生的出行效率。目前对智能车路系统(IVIS)的交通流状态进行事故判别，已成为了智能交通信息
的研究热点。但现有的事故判别方法并未考虑IVIS的道路线形，容易对判别结果产生或多或少的干扰。不仅如此，由于复杂环境下IVIS指标相关度较高，使得传统方法难以优化，无法进行全局交通运行态势的整体辨识，加大了影响事故判别的潜在危害因素，导致了IVIS交通效率的进一步低下。因此，针对IVIS的突发性交通事故，需要一种智能车路系统的交通事故判别方法，来保障道路交通的通行能力。

技术实现思路

[0003]本专利技术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智能车路系统的交通事故判别方法，该专利技术能够动态且精准地判别IVIS的突发性交通事故，进而保障道路交通的通行能力。
[0004]本专利技术的目的可以通过以下技术方案来实现：
[0005]本专利技术提供一种智能车路系统的交通事故判别方法，包括如下步骤：
[0006]S1：基于智能车路系统的道路线形，实时获取交通流信息，交通流信息包括交通流的流量和密度，以密度为x轴，流量为y轴，建立二维坐标系，基于交通流信息建立宏观交通流基本图模型；
[0007]S2：针对交通流基本图模型中的散点，通过k
‑
means方法随机选取k个初始质心向量对散点进行聚类，基于DDPG算法对参数k进行参数寻优，对交通流基本图模型中各散点进行簇划分，得到最优输出簇；
[0008]S3：判断交通流基本图模型中待判别散点在最优输出簇中所处的簇，进而判别待判别散点对应时刻下的智能车路系统是否发生交通事故。
[0009]优选地，S1中，对于多车道的智能车路系统，描述其多车道的智能车路系统的交通流的密度和流量的公式分别为：
[0010]k＝z(l)ρ
[0011]q＝vk＝vz(l)ρ
[0012][0013]式中，ρ为每条车道的密度，z(l)表示位置l处的车道数，z
l
‑
和z
l+
分别代表智能车路系统上游和下游的车道数，zl,(l∈[0,L])代表合流区的IVIS车道数，q、k和v分别为智能
车路系统的交通流的流量、密度和速度。
[0014]优选地，S2中，通过k
‑
means方法随机选取k个初始质心向量对散点进行聚类的过程具体为：
[0015]获得交通流基本图模型中的散点集合D＝{x1,x2,...x
m
,y1,y2,...y
m
}，从散点集合D中随机选择k个样本{z1,z2,...z
k
}作为初始质心向量，对于i＝1,2,...m，j＝1,2,...k，计算每个样本x
i
与各个质心向量z
j
间的距离，将样本x
i
所对应的最小距离d
ij
标记为λ
i
，则输出输出簇C
λi
＝C
λi
U{x
i
}，C＝{C1,C2,...C
k
}；
[0016]其中，m表示第m次采样，k为聚类的簇数。
[0017]优选地，将交通流基本图模型中的散点输入预先构建并训练好的DDPG网络模型中，输出最优的k个质心向量，进而实现对参数k进行参数寻优；所述DDPG网络模型包括预测网络和目标网络，且预测网络和目标网络具有相同的Actor网络和Critic网络，所述DDPG网络模型的训练过程包括如下步骤：
[0018]S201：令交通流基本图模型中的散点集合D作为交通流状态空间S，输入至Actor网络中，由Actor网络实时输出用以选取聚类簇数k的动作值，输出的动作值由Critic网络接收并执行动作：重新选取k个质心作为聚类中心；
[0019]S202：Critic网络执行完一次动作后，输出当前时刻的标量奖励，计算最大化价值函数以选取最优的质心，将当前时刻的交通流状态空间、动作值、标量奖励以及下一时刻的交通流状态空间存储，通过均方差法来计算DDPG网络的损失函数，通过损失函数对DDPG网络的参数进行更新；
[0020]S203：定期更新预测网络的Critic网络参数、目标网络的Actor网络参数和目标网络的Critic网络参数，进行网络优化。
[0021]优选地，S202中，描述最大化价值函数的公式为：
[0022]Q
μ
(s
t
,a
t
)＝E[r(s
t
,a
t
)+γQ
μ
(s
t+1
,μ(s
t+1
))][0023]式中，价值函数Q
μ
(s
t
,a
t
)为状态s
t
执行动作a
t
的价值函数，E为贝尔曼方程，r为状态s
t
执行动作a
t
获得的奖励函数，γ∈[0,1)为折扣因子，Q
μ
(s
t+1
,μ(s
t+1
))为在状态s
t+1
下根据策略执行动作μ(s
t+1
)的价值函数。
[0024]优选地，描述DDPG网络的损失函数L的公式为：
[0025][0026]y
b
＝r
b
+γQ'(s
b+1
,μ'(s
b+1
|θ
μ
')|θ
Q
')
[0027]式中，N为小批次采样数，b为采样的第b个样本，y
b
为第b个样本的标签，Q'为目标网络的价值函数，θ
μ
和θ
Q
分别表示预测网络中Actor和Critic的参数，θ
μ'
和θ
Q'
则分别表示目标网络中的参数，μ'是目标网络的动作策略，Q(s
t
,a
t
|θ
Q
)为预测网络Critic参数θ
Q
在状态s
t
执行动作a
t
获得的价值函数，Q'(s
b+1
,μ'(s
b+1
|θ
μ'
)|θ
Q'
)为目标网络Critic参数θ
Q'
在状态s
b+1
,执行动作μ'(s
b+1
|θ
μ'
)获得的价值函数。
[0028]优选地，在训练阶段，在训练完一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能车路系统的交通事故判别方法，其特征在于，包括如下步骤：S1：基于智能车路系统的道路线形，实时获取交通流信息，交通流信息包括交通流的流量和密度，以密度为x轴，流量为y轴，建立二维坐标系，基于交通流信息建立宏观交通流基本图模型；S2：针对交通流基本图模型中的散点，通过k
‑
means方法随机选取k个初始质心向量对散点进行聚类，基于DDPG算法对参数k进行参数寻优，对交通流基本图模型中各散点进行簇划分，得到最优输出簇；S3：判断交通流基本图模型中待判别散点在最优输出簇中所处的簇，进而判别待判别散点对应时刻下的智能车路系统是否发生交通事故。2.根据权利要求1所述的一种智能车路系统的交通事故判别方法，其特征在于，S1中，对于多车道的智能车路系统，描述其多车道的智能车路系统的交通流的密度和流量的公式分别为：k＝z(l)ρq＝vk＝vz(l)ρ式中，ρ为每条车道的密度，z(l)表示位置l处的车道数，z
l
‑
和z
l+
分别代表智能车路系统上游和下游的车道数，z
l
,(l∈[0,L])代表合流区的IVIS车道数，q、k和v分别为智能车路系统的交通流的流量、密度和速度。3.根据权利要求1所述的一种智能车路系统的交通事故判别方法，其特征在于，S2中，通过k
‑
means方法随机选取k个初始质心向量对散点进行聚类的过程具体为：获得交通流基本图模型中的散点集合D＝{x1,x2,...x
m
,y1,y2,...y
m
}，从散点集合D中随机选择k个样本{z1,z2,...z
k
}作为初始质心向量，对于i＝1,2,...m，j＝1,2,...k，计算每个样本x
i
与各个质心向量z
j
间的距离，将样本x
i
所对应的最小距离d
ij
标记为λ
i
，则输出输出簇C
λi
＝C
λi
U{x
i
}，C＝{C1,C2,...C
k
}；其中，m表示第m次采样，k为聚类的簇数。4.根据权利要求3所述的一种智能车路系统的交通事故判别方法，其特征在于，将交通流基本图模型中的散点输入预先构建并训练好的DDPG网络模型中，输出最优的k个质心向量，进而实现对参数k进行参数寻优；所述DDPG网络模型包括预测网络和目标网络，且预测网络和目标网络具有相同的Actor网络和Critic网络，所述DDPG网络模型的训练过程包括如下步骤：S201：令交通流基本图模型中的散点集合D作为交通流状态空间S，输入至Actor网络中，由Actor网络实时输出用以选取聚类簇数k的动作值，输出的动作值由Critic网络接收并执行动作：重新选取k个质心作为聚类中心；S202：Critic网络执行完一次动作后，输出当前时刻的标量奖励，计算最大化价值函数以选取最优的质心，将当前时刻的交通流状态空间、动作值、标量奖励以及下一时刻的交通流状态空间存储，通过均方差法来计算DDPG网络的损失函数，通过损失函数对DDPG网络的
参数进行更新；S203：定期更新预测网络的Critic网络参数、目标网络的Actor网络参数和目标网络的Critic网络参数，进行网络优化。5.根据权利要求4所述的一种智能车路系统的交通事故判别方法，其特征在于，S202中，描述最大化价值函数的公式为：式中，价值函数Q
μ
(s
t
,a
t
)为状态...

【专利技术属性】
技术研发人员：张卫东，陈树康，覃善兴，衣博文，谢威，贺通，何鹭飞，杨云祥，柏林，陆锦辉，
申请(专利权)人：海南大学，
类型：发明
国别省市：