一种基于交互式自解释模型的高速公路事故风险优化方法技术

本发明专利技术提供了一种基于交互式自解释模型的高速公路事故风险优化方法，包括：构建交通风险事故风险预测模型；基于交通风险事故影响因素，根据SHAP模型，得到各个交通风险事故影响因素之间交互关系；根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图；根据所述事故风险热力图对高速公路交通事故风险概率进行优化。本发明专利技术解决了现有技术中交通事故致因分析难以对影响因素重要性排序和交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题。故预测模型黑箱难以搜索优化方向的问题。故预测模型黑箱难以搜索优化方向的问题。

【技术实现步骤摘要】
一种基于交互式自解释模型的高速公路事故风险优化方法


[0001]本专利技术涉及交通智能控制
，特别是涉及一种基于交互式自解释模型的高速公路事故风险优化方法。

技术介绍

[0002]随着数字化技术的快速发展及其在各行各业普及应用，公众对高速公路服务智能化、智慧化的期待和需求，越来越迫切，如何利用现代手段来破解交通安全、减轻拥堵提高通行效率、调节与控制交通流、适配自动驾驶、智能网联的问题，需要行业的回应与落实，以使泛在的公路使用者得到智能化、智能化的高水准服务。
[0003]可解释机器学习在这几年慢慢成为了机器学习的重要研究方向。作为数据科学家需要防止模型存在偏见，且帮助决策者理解如何正确地使用我们的模型。越是严苛的场景，越需要模型提供证明它们是如何运作且避免错误的证据。关于模型解释性，除了线性模型和决策树这种天生就有很好解释性的模型以外，sklean中有很多模型都有importance这一接口，可以查看特征的重要性。其实这已经含沙射影地体现了模型解释性的理念。只不过传统的importance的计算方法其实有很多争议，且并不总是一致。SHAP属于模型事后解释的方法，它的核心思想是计算特征对模型输出的边际贡献，再从全局和局部两个层面对“黑盒模型”进行解释。SHAP构建一个加性的解释模型，所有的特征都视为“贡献者”。
[0004]综上，现有技术中存在着交通事故致因分析难以对影响因素重要性排序和交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术的目的是提供一种基于交互式自解释模型的高速公路事故风险优化方法,本专利技术解决了现有技术中交通事故致因分析难以对影响因素重要性排序和交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于交互式自解释模型的高速公路事故风险优化方法，包括：
[0008]构建交通风险事故风险预测模型；
[0009]基于交通风险事故影响因素，根据SHAP模型，得到各个交通风险事故影响因素之间交互关系；
[0010]根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图；
[0011]根据所述事故风险热力图对高速公路交通事故风险概率进行优化。
[0012]优选地，所述交通风险事故风险预测模型的构建方法为：
[0013]获取交通流数据；
[0014]利用交通流事故风险检测算法计算当前交通流事故风险；
[0015]根据所述交通流数据构建自变量数据集；
[0016]对所述自变量数据集进行降维处理，得到训练数据集；
[0017]基于XGBoost模型，根据所述训练数据集和所述交通流事故风险构建所述交通风险事故风险预测模型。
[0018]优选地，所述获取交通流数据包括：
[0019]获取微观交通仿真软件和群体驾驶模拟平台；
[0020]根据所述微观交通仿真软件和群体驾驶模拟平台构建交互式仿真实验平台；
[0021]利用所述交互式仿真实验平台获取交通流数据。
[0022]优选地，所述交通流事故风险检测算法中事故发生的定义公式为：
[0023][0024]其中，TTC
i
是i车在t时刻相对于前车的碰撞时间，因为数据采集到的车辆位置是车头的位置，所以X
i
(t)是t时刻i车车头的位置，X
h
(t)是t时刻i车前车h车头的位置，l
h
是h车的车身长度，V
i
(t)是t时刻i车的瞬时速度，V
h
(t)是t时刻h车的瞬时速度。
[0025]优选地，所述利用所述交互式仿真实验平台获取交通流数据，包括：
[0026]利用所述交互式仿真实验平台获取特定位置上游的断面流量、车速、占有率和特定位置下游的断面流量、车速、占有率；
[0027]根据所述上游的断面流量、车速、占有率和下游的断面流量、车速、占有率获取交通流数据。
[0028]优选地，获取交通流数据后还包括：
[0029]对所述交通流数据进行预处理，滤除所述交通流数据中的无效数据，得到第一交通流数据；
[0030]对所述第一交通流数据进行校正，对第一交通流数据内参数特征指标进行归一化处理。
[0031]优选地，还包括：
[0032]利用所述交通风险事故风险预测模型对交通风险事故影响因素进行分析，得到影响因素重要性排序；
[0033]根据影响因素重要性排序对所述交通风险事故风险预测模型进行实时重构更新。
[0034]优选地，所述根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图，包括：
[0035]对交通风险事故影响因素按照成对处理，获取两两一对的交通风险事故影响因素；
[0036]对所述两两一对的交通风险事故影响因素进行同比例放大或缩小并利用交通风险事故风险预测模型计算相应的事故风险值；
[0037]根据所述事故风险值构建各个交通风险事故影响因素两两交互的事故风险热力图。
[0038]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0039]本专利技术提供了一种基于交互式自解释模型的高速公路事故风险优化方法，本专利技术通过利用XGBoost机器学习模型，交通流事故风险重要影响因素进行重要性分析，解决了交通事故致因分析难以对影响因素重要性排序的问题，基于SHAP模型，分析交通流事故风险
重要影响因素之间交互关系，利用两两交互的事故风险热力图，优化高速公路交通事故风险概率，解决了交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题，同时提供了交互优化的方法。
附图说明
[0040]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0041]图1为本专利技术实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法流程图；
[0042]图2为本专利技术实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法原理流程示意图；
[0043]图3为本专利技术实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中变量SHAP值分析示意图；
[0044]图4为本专利技术实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中交互式微观交通仿真平台示意图；
[0045]图5为本专利技术实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中的交通流参数采集位置示意图；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交互式自解释模型的高速公路事故风险优化方法，其特征在于，包括：构建交通风险事故风险预测模型；基于交通风险事故影响因素，根据SHAP模型，得到各个交通风险事故影响因素之间交互关系；根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图；根据所述事故风险热力图对高速公路交通事故风险概率进行优化。2.根据权利要求1所述的一种基于交互式自解释模型的高速公路事故风险优化方法，其特征在于，所述交通风险事故风险预测模型的构建方法为：获取交通流数据；利用交通流事故风险检测算法计算当前交通流事故风险；根据所述交通流数据构建自变量数据集；对所述自变量数据集进行降维处理，得到训练数据集；基于XGBoost模型，根据所述训练数据集和所述交通流事故风险构建所述交通风险事故风险预测模型。3.根据权利要求2所述的一种基于交互式自解释模型的高速公路事故风险优化方法，其特征在于，所述获取交通流数据包括：获取微观交通仿真软件和群体驾驶模拟平台；根据所述微观交通仿真软件和群体驾驶模拟平台构建交互式仿真实验平台；利用所述交互式仿真实验平台获取交通流数据。4.根据权利要求2所述的一种基于交互式自解释模型的高速公路事故风险优化方法，其特征在于，所述交通流事故风险检测算法中事故发生的定义公式为：其中，TTC
i
是i车在t时刻相对于前车的碰撞时间，因为数据采集到的车辆位置是车头的位置，所以X
i
(t)是t时刻i车车头的位置，X
h
(t)是t时刻i车前车h车头的位置，l
h
是h车的车身长度，V
...

【专利技术属性】
技术研发人员：宋昊，王俊骅，
申请(专利权)人：同济大学，
类型：发明
国别省市：