【技术实现步骤摘要】
本专利技术属于交通，尤其涉及一种基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法。
技术介绍
1、交叉口是城市交通网络中行人与车辆交汇的关键节点，也成为了交通事故频发的区域，行人与车辆之间的冲突往往源于时间上的重叠、空间设计不合理、视线盲区、缺少专门为行人或转弯车辆设计的信号机制等原因。为了缓解这些冲突，城市规划者采取了包括优化信号相位、设立独立转弯信号、改善基础设施可见性及加强交通安全教育等策略，以提升交叉口的整体安全水平。在信号控制交叉口，行人与左转车辆之间经常发生碰撞或接近碰撞事故会造成交通效率降低、健康风险等后果，因此，推断左转控制模式对行人-车辆安全的影响，并理解其他相关安全因素的潜在模式是至关重要的，亟需建立一种交叉口行人-左转车辆冲突风险因素挖掘方法。
技术实现思路
1、专利技术目的：为了解决上述现有技术存在的问题，本专利技术提供了一种基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法。
2、技术方案：本专利技术公开了一种基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，具体为：
3、步骤1：在观测时间段内提取行人-左转车辆冲突数据；
4、步骤2：将行人-左转车辆冲突数据与信号控制类型ttype以及安全影响因素匹配；
5、步骤3：将信号控制类型ttype作为处置变量，安全影响因素作为混杂变量，行人-左转车辆冲突频率y作为输出变量，构建有向无环图；
6、步骤4：基于有向无
7、进一步的，所述步骤1具体为：设置后入侵时间阈值，将视频流中后入侵时间小于后入侵时间阈值的冲突定义为行人-左转车辆冲突。
8、进一步的，步骤2中的信号控制类型ttype包括保护型左转相位，允许型左转相位，保护-允许左转相位；
9、安全影响因素包括交通量属性xvol，道路几何属性xroad，信号配时属性xsignal以及基本属性xbasic；所述交通量属性xvol包括左转交通量vol_veh，行人交通量vol_ped，左转车辆的对向直行车辆交通量vol_opp；道路几何属性xroad包括：左转弯车道数lt，进口车道数entl，出口车道数exitl，对向通行的车道数thr_opp，左转弯的限速slim和对向通行的限速slim_opp；信号配时属性xsignal包括最小绿灯时长gm，平均左转绿灯时长ag，信号控制的最大周期maxc，最小周期minc，行人步行时间exiw和红灯闪烁时间exifdw；基本属性xbasic包括：工作日，周末，非高峰时间段和早晚高峰时间段。
10、进一步的，所述步骤3在构建有向无环图时，将处置变量ttype到输出变量y的任何非直接路径作为后门路径，也即将链路ttype←xc→y作为后门路径，xc为安全影响因素。
11、进一步的，采用双鲁棒学习算法估计不同信号控制类型的异质性因果效应
12、
13、
14、其中，表示期望值，xc为安全影响因素，k(xc)表示相似性度量指标，θt表示处置效应，θt(xc)的表达式为：
15、
16、其中，y(ttype＝t)表示信号控制类型下行人-左转车辆冲突的频率；
17、的表达式如下所示：
18、
19、其中，yi为实际观测到的行人-左转车辆冲突的频率，所述观测区间段为对观测时间段进行划分得到，为gt(xc)的估计值，为pt(xc)的估计值，t＝0,1,2；t＝0时，表示信号控制类型为保护型左转相位；t＝1时，表示信号控制类型为允许型左转相位，t＝2时，表示信号控制类型为保护-允许左转相位；gt(xc)和pt(xc)的表达式如下所示：
20、gt(xc)+εt＝y(ttype＝t)
21、pt(xc)+δ＝pr(ttype＝t|xc)
22、其中，εt和δ为不观测的噪声，pr(ttype＝t|xc)指在给定xc的条件下，预测信号控制类型的概率；基于有向无环图，采用回归模型估计gt(xc)，采用分类模型估计pt(xc)。
23、进一步的，该方法还包括步骤2之后对安全影响因素进行初步筛选，具体为采用pearson相关系数量化安全相关因素之间的线性关系，并去除多重共线性特征。然后，再采用borutashap方法剔除冲突风险预测贡献度较低的安全相关因素。
24、有益效果：
25、1.本专利技术引入因果图和双重鲁棒学习算法，能够有效地识别并处理混淆因素，从而避免了选择偏差的问题，提高了模型在面对真实世界数据时的鲁棒性和泛化能力。
26、2.不同于以往仅能部分解释信号控制类型对冲突风险影响的研究，本专利技术更准确地量化不同信号控制类型对行人-左转车辆冲突的异质性因果效应，为优化信号控制策略提供科学依据。
27、3.本专利技术考虑了交通量、道路几何属性、信号配时属性等物理层面的因素，能够全面评估影响冲突风险的各种因素，增强了因素挖掘模型的全面性和实用性。
28、4.通过使用pearson相关系数和borutashap方法选择重要特征，筛选出关键混淆变量，并构建因果图，有效排除了共线性特征，提高了本专利技术因素挖掘的准确性。
本文档来自技高网...【技术保护点】
1.基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，具体为：
2.根据权利要求1所述的基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，所述步骤1具体为：设置后入侵时间阈值，将视频流中后入侵时间小于后入侵时间阈值的冲突定义为行人-左转车辆冲突。
3.根据权利要求1所述的基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，步骤2中的信号控制类型Ttype包括保护型左转相位，允许型左转相位，保护-允许左转相位；
4.根据权利要求1所述的基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，所述步骤3在构建有向无环图时，将处置变量Ttype到输出变量Y的任何非直接路径作为后门路径，也即将链路Ttype←Xc→Y作为后门路径，Xc为安全影响因素。
5.根据权利要求1所述的基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，采用双鲁棒学习算法估计不同信号控制类型的异质性因果效应
6.根据权利要求1所述的基于因果机器学习的交叉口行
...【技术特征摘要】
1.基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，具体为：
2.根据权利要求1所述的基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，所述步骤1具体为：设置后入侵时间阈值，将视频流中后入侵时间小于后入侵时间阈值的冲突定义为行人-左转车辆冲突。
3.根据权利要求1所述的基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，步骤2中的信号控制类型ttype包括保护型左转相位，允许型左转相位，保护-允许左转相位；
4.根据权利要求1所述的基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，所述步骤3在构建有...
【专利技术属性】
技术研发人员：王晨，何治平，张季洋，徐嗣轩，谢昕博，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。