一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法技术

本发明专利技术涉及一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，通过ALPR设备采集原始的车辆轨迹数据并重构不完整轨迹，使用基于时空注意力机制的LSTM算法来预测未来的车辆轨迹，提取车辆换道的间隙时间数据作为车辆冲突的度量，基于广义帕累托分布建立车辆碰撞

【技术实现步骤摘要】
一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法


[0001]本专利技术涉及交通安全分析
，尤其涉及一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法。

技术介绍

[0002]随着交通运输业的发展，城市交通的运营压力不断增加，交通安全也面临着越来越严峻的挑战。在换道过程中，驾驶员需要使自己的速度与附近车辆相匹配，在相邻车道中识别合适的间隙，与当前车道中的领先车辆保持安全距离，确保周围交通识别驾驶员自己的移动，以及监测加速车道中的剩余距离，由于驾驶员同时需要考虑所有这些因素才能成功变道，这增加了驾驶员的不确定性、工作量和压力，从而使换道决策过程变得危险且容易发生碰撞，因此对城市交通车辆在换道过程中的车辆碰撞风险进行准确的预测有着重要的现实意义。
[0003]对于车辆轨迹数据的预测，传统的方法如概率统计模型等等，并不能考虑到相邻车辆对目标车辆的影响、历史序列对未来数据的影响等，预测精度较低，鲁棒性较差。目前碰撞风险分析通常使用交管部门提供的碰撞数据进行，这类数据的质量较差并且会遗漏部分碰撞记录，因此使用此类数据开发的安全模型通常无法准确表示微观驾驶行为和车辆碰撞机制。

技术实现思路

[0004]技术问题：本专利技术的目的在于提供一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，通过ALPR设备采集原始的车辆轨迹数据，使用基于时空注意力机制的LSTM算法来预测未来的车辆轨迹，提取车辆换道的间隙时间数据作为车辆冲突的度量，基于广义帕累托分布建立车辆碰撞
‑
冲突的超阈值模型，使用阈值稳定性图确定阈值范围，添加驾驶行为作为协变量，从而预测车辆发生碰撞的风险，实现对未来交通流中车辆碰撞风险的预测，从而为道路车辆行驶安全提供可靠的预警信息，提升公路交通安全水平。
[0005]技术方案：为了解决上述技术问题，本专利技术提出一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，该方法包括以下步骤：
[0006]S1，车辆轨迹数据采集，在所需采集车辆轨迹数据的城市交通区域范围内的固定路口节点安装ALPR设备，采集原始的车辆轨迹数据，并对轨迹数据中的不完整轨迹进行重构，得到完整的车辆轨迹数据；
[0007]S2，车辆轨迹数据预测，将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，并选取车辆T步的轨迹数据作为模型输入；将T步轨迹数据经过LSTM单元生成隐藏状态计算时间注意力权重，并将时间注意力权重与结合得到与车辆v相关的张量单元值根据t时刻网格单元n有无车辆生成张量单元值计算空间注意力权重，并将空间注意力权重与结合得到t时刻目标车辆的位置信息V
t
，将V
t
输入LSTM的
前馈层以预测目标车辆未来的轨迹；
[0008]S3，车辆轨迹相关数据提取，提取车辆换道的间隙时间的负值作为车辆冲突数据GT，根据预测的车辆轨迹数据中车辆位置信息随时间的变化，对换道车辆的轨迹数据进行分析处理以提取车辆驾驶行为数据；
[0009]S4，车辆碰撞风险预测，根据车辆冲突数据GT建立基于广义帕累托分布的车辆碰撞
‑
冲突的超阈值模型，通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET；将驾驶行为数据作为协变量包含在比例参数中，根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计；根据拟合的超阈值模型预测车辆未来发生碰撞的风险。
[0010]进一步的，步骤S1中的具体方法如下：
[0011]首先进行中断点识别，将不连续的路径链信息提取，通过k则最短路算法搜索断点间可能的轨迹，并将其作为候选轨迹，通过粒子滤波模型将候选轨迹进行校正，在经过一定次数的重采样过程后，将粒子聚集数最多的轨迹数据作为最优重构轨迹数据。
[0012]进一步的，步骤S2中的具体方法如下：
[0013]将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，将位于网格内的目标车辆以外的车辆定义为相邻车辆，在时间t将车辆v的T步历史轨迹作为LSTM模型的输入，生成LSTM模型的隐藏状态作为LSTM模型的输入，生成LSTM模型的隐藏状态作为LSTM模型的输入，生成LSTM模型的隐藏状态作为LSTM模型的输入，生成LSTM模型的隐藏状态表示车辆v在j时刻的隐藏状态，d表示隐藏状态的长度，计算与车辆v对应的时间注意力权重藏状态的长度，计算与车辆v对应的时间注意力权重表示车辆v在j时刻的时间注意力权重，计算公式如下：其中，W
α
表示学习权重，结合隐藏状态和时间注意力权重以得到与v相关的张量单元值以得到与v相关的张量单元值以得到与v相关的张量单元值根据t时刻网格单元n有无车辆生成张量单元值G
t
：其中，N是所有张量单元的总体数量，的计算公式如下：
[0014][0015]计算与t时刻所有车辆对应的空间注意力权重计算与t时刻所有车辆对应的空间注意力权重表示在t时刻第n个张量单元的空间注意力权重，计算公式如下：其中，W
β
表示学习权重，将目标车辆和相邻车辆的空间注意力权重与结合得到t时刻目标车辆的位置信息V
t
，计算公式如下：将V
t
输入至LSTM的前馈网络层中以预测目标车辆未来的轨迹。
[0016]进一步的，步骤S3中的车辆轨迹相关数据提取方法如下：
[0017]提取在行驶过程中车道序号发生改变的车辆轨迹数据得到换道车辆的轨迹数据，
将换道车辆车道横向偏移曲线上的最低点作为车辆换道的开始，并通过计算目标车辆换道的完成时间t1与后续车辆到达换道点的时间t2之间的经过时间得到换道间隙时间，将车辆换道间隙时间的负值作为车辆冲突数据；计算换道车辆在换道5s间隔内沿车道方向的单位时间位移得到换道瞬时速度，提取目标车辆前后车辆的位置信息并得到与前后车辆的距离，将换道事件期间换道车辆的瞬时速度、当前车道上换道车辆与前方车辆之间的距离、换道车辆与当前车道上终点之间的距离、目标车道上换道车辆与后方车辆之间的距离作为车辆驾驶行为数据。
[0018]进一步的，步骤S4中构建了基于广义帕累托分布的超阈值模型，设{X1,X2,
…
,X
n
}是一组车辆冲突数据GT的观测值，阈值为u，阈值超出量y＝X
‑
u，当X＞u时模型如下：
[0019][0020]其中，H(
·
)表示广义帕累托分布，σ表示比例参数，ξ表示形状参数。
[0021]进一步的，步骤S4中，首先通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET，具体步骤如下：
[0022]对于一组车辆冲突数据GT＝{X1,X2,
…
,X
n
}，设定阈值为u0，则对于大于u0的阈值u，平均超阈值E(X
‑
u|X＞u0)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，其特征在于，该方法包括以下步骤：S1，车辆轨迹数据采集，在所需采集车辆轨迹数据的城市交通区域范围内的固定路口节点安装ALPR设备，采集原始的车辆轨迹数据，并对轨迹数据中的不完整轨迹进行重构，得到完整的车辆轨迹数据；S2，车辆轨迹数据预测，将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，并选取车辆T步的轨迹数据作为模型输入；将T步轨迹数据经过LSTM单元生成隐藏状态计算时间注意力权重，并将时间注意力权重与结合得到与车辆v相关的张量单元值根据t时刻网格单元n有无车辆生成张量单元值计算空间注意力权重，并将空间注意力权重与结合得到t时刻目标车辆的位置信息V
t
，将V
t
输入LSTM的前馈层以预测目标车辆未来的轨迹；S3，车辆轨迹相关数据提取，提取车辆换道的间隙时间的负值作为车辆冲突数据GT，根据预测的车辆轨迹数据中车辆位置信息随时间的变化，对换道车辆的轨迹数据进行分析处理以提取车辆驾驶行为数据；S4，车辆碰撞风险预测，根据车辆冲突数据GT建立基于广义帕累托分布的车辆碰撞
‑
冲突的超阈值模型，通过平均剩余寿命图方法确定模型的阈值范围，并从车辆冲突数据GT中获取极值ET；将驾驶行为数据作为协变量包含在比例参数中，根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计；根据拟合的超阈值模型预测车辆未来发生碰撞的风险。2.根据权利要求1所述的一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，其特征在于，步骤S1中的具体方法如下：首先进行中断点识别，将不连续的路径链信息提取，通过k则最短路算法搜索断点间可能的轨迹，并将其作为候选轨迹，通过粒子滤波模型将候选轨迹进行校正，在经过一定次数的重采样过程后，将粒子聚集数最多的轨迹数据作为最优重构轨迹数据。3.根据权利要求1所述的一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法，其特征在于，步骤S2中的具体方法如下：将目标车辆周围的空间离散化为网格，将轨迹数据中车辆的位置映射至对应的网格，将位于网格内的目标车辆以外的车辆定义为相邻车辆，在时间t将车辆v的T步历史轨迹作为LSTM模型的输入，生成LSTM模型的隐藏状态作为LSTM模型的输入，生成LSTM模型的隐藏状态作为LSTM模型的输入，生成LSTM模型的隐藏状态作为LSTM模型的输入，生成LSTM模型的隐藏状态表示车辆v在j时刻的隐藏状态，d表示隐藏状态的长度，计算与车辆v对应的时间注意力权重藏状态的长度，计算与车辆v对应的时间注意力权重表示车辆v在j时刻的时间注意力权重，计算公式如下：其中，W
α
表示学习权重，结合隐藏状态和时间注意力权重以得到与v相关的张量单元值以得到与v相关的张量单元值以得到与v相关的张量单元值根据t时刻网格单元n有无车辆生成张量单元值G
t
：
其中，N是所有张量单元的总体数量，的计算公式如下：计算与t时刻所有车辆对应的空间注意力权重计算与t时刻所有车辆对应的空间注意力权重表示在t时刻第n个张量单元的空间注意力权重，计算公式如下：B
t
＝softmax(tanh(W
β
G
t
))，其中，W
β
表示学习权重，将目标车辆和相邻车辆的空间注意力权重与结合得到t时刻目标车辆的位置信息V
t
，计算公式如下：将V
t
输入至LSTM的前馈网络层中以预测目标车辆未来的轨迹。4.根据权利要求1所述的一种基...

【专利技术属性】
技术研发人员：李志斌，秦思行，
申请(专利权)人：东南大学，
类型：发明
国别省市：