CN118379867A - 一种高速公路合流区域的交通事故风险预测方法 - Google Patents

Abstract

本发明提供一种高速公路合流区域的交通事故风险预测方法，该方法包括以下步骤：获取车辆危险驾驶行为历史数据及其对应的交通流量历史数据并将其作为模型自变量，获取高速公路合流区域交通事故历史数据并将其作为模型因变量，建立基于机器学习的逻辑回归模型并进行训练；获取高速公路合流区域车辆实时数据以及高速公路合流区域交通流量实时数据，通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为，通过贝叶斯分类算法将车辆的多种驾驶行为分类；将实时数据输入训练完毕的逻辑回归模型，预测交通事故风险。本发明能够主动对高速公路合流区域的车辆驾驶行为进行识别，并对高速公路合流区域的交通事故风险进行有效预测。

Description

一种高速公路合流区域的交通事故风险预测方法

技术领域

本发明涉及一种交通事故风险预测方法，具体涉及一种高速公路合流区域的交通事故风险预测方法，属于交通事故预测和分析技术领域。

背景技术

传统的预防高速公路匝道事故的方法聚焦于改良匝道的设计方案以及警示标志，或者运用智能交通运输系统在宏观上控制交通流来寻求最佳匝道流量控制，以减少事故发生。上述方法无法针对高速公路合流区域内的车辆驾驶行为进行主动识别，也无法对高速公路合流区域的交通事故风险进行有效预测。

发明内容

基于以上背景，本发明的目的在于提供一种高速公路合流区域的交通事故风险预测方法，能够主动对高速公路合流区域的车辆驾驶行为进行识别，并对高速公路合流区域的交通事故风险进行有效预测。

为了实现上述发明目的，本发明提供以下技术方案：

一种高速公路合流区域的交通事故风险预测方法，该方法包括以下步骤：

获取车辆危险驾驶行为历史数据及其对应的交通流量历史数据并将其作为模型自变量，获取高速公路合流区域交通事故历史数据并将其作为模型因变量，建立基于机器学习的逻辑回归模型并进行训练，获得训练完毕的逻辑回归模型；

获取高速公路合流区域车辆实时数据以及高速公路合流区域交通流量实时数据，根据高速公路合流区域车辆实时数据，通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为，通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为；

将具有危险驾驶行为的车辆实时数据以及高速公路合流区域交通流量实时数据输入训练完毕的逻辑回归模型，预测车辆在高速公路合流区域的交通事故风险。

作为优选，所述建立基于机器学习的逻辑回归模型并进行训练包括：

将模型自变量和模型因变量中的一部分数据分别通过随机欠采样与过采样处理进行数据平衡，建立多个数据量比例不同的采样数据作为训练数据集，将模型自变量和模型因变量中的另一部分数据作为测试数据集；

将训练数据集代入逻辑回归模型进行训练，获得具有不同参数的多个逻辑回归模型，将数据测试集代入多个逻辑回归模型进行测试，并比对多个逻辑回归模型对交通事故风险的预测灵敏度和误报率，根据预测灵敏度和误报率表现选出训练完毕的逻辑回归模型。

作为优选，所述逻辑回归模型的数学表达式为：

式中，y为属于默认类别的预测概率，α为截距项，X为模型自变量的向量，β为对应系数的向量。

作为优选，所述训练数据集和所述测试数据集的数据量比例为7：3。

作为优选，所述训练完毕的逻辑回归模型的模型自变量和模型因变量的数据量比例为1：1。

作为优选，所述通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为包括：

对高速公路合流区域车辆实时数据进行平滑滤波预处理；

通过端点检测算法确定驾驶行为的开始时间和结束时间；

将确定完毕开始时间和结束时间的驾驶行为作为测试事件，通过动态时间弯曲算法对比测试事件和包括多种驾驶行为样本的训练事件之间的差异而识别车辆的驾驶行为。

作为优选，所述通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为包括：

确定贝叶斯分类算法的数学表达式为：

式中，r₁为危险驾驶行为类，r₂为正常驾驶行为类，s为驾驶行为的观测值；

给定危险驾驶行为类和正常驾驶行为类的驾驶事件的先验概率，通过比较后验概率获得系统输出，若P(r₁∣s)>P(r₂∣s)则分类为危险驾驶行为，若P(r₁∣s)<＝P(r₂∣s)则分类为正常驾驶行为。

作为优选，在预测车辆在高速公路合流区域的交通事故风险之后，该高速公路合流区域的交通事故风险预测方法还包括以下步骤：

对高速公路合流区域交通流量实时数据中的图像数据进行处理，获得运动前景监测图像数据，将具有危险驾驶行为的车辆实时数据匹配运动前景监测图像数据，持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪。

作为优选，所述获得运动前景监测图像数据包括：

从高速公路合流区域交通流量实时数据中的图像数据中提取背景图像；

将拉伸后的当前帧图像与背景图像进行差分计算，获得背景差分图；

将背景差分图进行去噪和二值化操作，获得二值化的运动前景监测图像。

作为优选，所述持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪包括：

对运动前景监测图像进行过滤，获得当前帧高速公路合流区域内各车辆信息；

将具有危险驾驶行为的车辆实时数据匹配当前帧高速公路合流区域内各车辆信息；

持续性定位及标示高速公路合流区域内具有危险驾驶行为的车辆。

与现有技术相比，本发明具有以下优点：

本发明的一种高速公路合流区域的交通事故风险预测方法，能够主动对高速公路合流区域内各车辆的危险行为进行识别与跟踪，并对整个区域内的事故风险进行预测；本发明能够对高速公路合流区域进行实时监控，即使发生事故也可以第一时间进行定位，提高了匝道交通事故的响应速度和处理速度；本发明收集车载导航软件的实时车辆信息数据结合图像数据，相较于单一收集图像数据，环境适应性更强，所受干扰更小。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明一种高速公路合流区域的交通事故风险预测方法的流程示意图；

图2是本发明一种高速公路合流区域的交通事故风险预测方法的流程原理图；

图3是本发明中逻辑回归模型的建立和训练的流程原理图；

图4是本发明中识别车辆的多种驾驶行为并将其分类的流程原理图。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体说明。应当理解，本发明的实施并不局限于下面的实施例，对本发明所做的任何形式上的变通和/或改变都将落入本发明保护范围。

在本发明中，若非特指，所有的份、百分比均为重量单位，所采用的设备和原料等均可从市场购得或是本领域常用的。下述实施例中的方法，如无特别说明，均为本领域的常规方法。下述实施例中的部件或设备如无特别说明，均为通用标准件或本领域技术人员知晓的部件，其结构和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知。

以下结合附图对本发明的实施例做出详细说明，在下面的详细说明中，为便于解释，阐述了许多具体的细节以提供对本发明的实施例的全面理解。

如图1所示的一种高速公路合流区域的交通事故风险预测方法，该方法包括以下步骤：

S1、获取车辆危险驾驶行为历史数据及其对应的交通流量历史数据并将其作为模型自变量，获取高速公路合流区域交通事故历史数据并将其作为模型因变量，建立基于机器学习的逻辑回归模型并进行训练，获得训练完毕的逻辑回归模型；

S2、获取高速公路合流区域车辆实时数据以及高速公路合流区域交通流量实时数据，根据高速公路合流区域车辆实时数据，通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为，通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为；

S3、将具有危险驾驶行为的车辆实时数据以及高速公路合流区域交通流量实时数据输入训练完毕的逻辑回归模型，预测车辆在高速公路合流区域的交通事故风险；

S4、对高速公路合流区域交通流量实时数据中的图像数据进行处理，获得运动前景监测图像数据，将具有危险驾驶行为的车辆实时数据匹配运动前景监测图像数据，持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪。

该方法实施流程的原理如图2所示，将收集到的导航实时数据通过算法对危险驾驶行为进行识别，并将危险驾驶行为与实时匝道区域交通流量数据输入逻辑回归模型，对交通事故风险进行预测。通过对收集到的交通道路图像进行运动前景检测，对运动前景检测图像中存在危险驾驶行为的车辆进行跟踪，第一时间向交通部门提供事故预警，提高交通事故的响应速度和处理速度。

步骤S1中，车辆危险驾驶行为历史数据及其对应的交通流量历史数据可通过车载导航软件提供商采集，高速公路合流区域车辆实时数据也可通过车载导航软件提供商采集，高速公路合流区域交通事故历史数据可通过高速公路管理部门采集，高速公路合流区域交通流量实时数据可通过高速公路管理部门在高速公路合流区域设置的图像及视频采集装置进行远程采集。

步骤S1中，基于机器学习的逻辑回归模型是通过以下方法建立并进行训练的：

将模型自变量和模型因变量中的一部分数据分别通过随机欠采样与过采样处理进行数据平衡，建立多个数据量比例不同的采样数据作为训练数据集，将模型自变量和模型因变量中的另一部分数据作为测试数据集，训练数据集和所述测试数据集的数据量比例为7：3；

将训练数据集代入逻辑回归模型进行训练，获得具有不同参数的多个逻辑回归模型，将数据测试集代入多个逻辑回归模型进行测试，并比对多个逻辑回归模型对交通事故风险的预测灵敏度和误报率，根据预测灵敏度和误报率表现选出训练完毕的逻辑回归模型，训练完毕的逻辑回归模型的模型自变量和模型因变量的数据量比例为1：1。

逻辑回归模型的数学表达式为：

式中，y为属于默认类别的预测概率，α为截距项，X为模型自变量的向量，β为对应系数的向量。

是一个sigmoid函数，它将任何实际值作为参数，并将其映射到0到1之间的范围。α+βX是逻辑回归中的线性模型。

决策边界是一个阈值，用于将逻辑回归的概率分类为离散类，决策界限如下：

上述建立和训练逻辑回归模型的流程原理如图3所示。

步骤S2中，通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为包括：

对包含车辆转向角、加速度、速度、变道信息的高速公路合流区域车辆实时数据进行平滑滤波预处理；

通过端点检测算法确定驾驶行为的开始时间和结束时间，端点检测算法通过使用窗口法组织样本来工作，对于每个窗口，位于其中的样本的能量由以下方式估计：

其中E是一个窗口的能量，s[k]是驻留在每个窗口的数据，μ是窗口数据的平均值，σ是这些数据的标准差，m是窗口大小，驾驶行为的能量阈值是根据训练数据中观察到的能量模式凭经验确定的，不在阈值范围的能量将被去除；

将确定完毕开始时间和结束时间的驾驶行为作为测试事件，通过动态时间弯曲算法对比测试事件和包括多种驾驶行为样本的训练事件之间的差异而识别车辆的驾驶行为，具体地，以X＝{x₁,x₂,…,x_i,…,x_m}和Y＝{y₁,y₂,…,y_i,…,y_m}分别代表训练事件和测试事件，动态时间弯曲算法首先计算X和Y向量之间的欧氏距离，以计算它们之间的最佳相似度，其数学表达式为：

D(i,j)＝|x_i-y_j|

对于每个对比，都存在一个最优的对比路径p，由使用距离函数D(i,j)的点之间的最小距离组成；沿着对比路径p的这些距离的总和描述了对比路径的总代价c_p，对比路径代价最小的模板是最接近的匹配，其中，总代价c_p的数学表达式为：

步骤S2中，通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为包括：

确定贝叶斯分类算法的数学表达式为：

式中，r₁为危险驾驶行为类，r₂为正常驾驶行为类，s为驾驶行为的观测值；

给定危险驾驶行为类和正常驾驶行为类的驾驶事件的先验概率，通过比较后验概率获得系统输出，若P(r₁∣s)>P(r₂∣s)则分类为危险驾驶行为，若P(r₁∣s)<＝P(r₂∣s)则分类为正常驾驶行为。

上述识别车辆的多种驾驶行为并将其分类的流程原理如图4所示。

步骤S4中，获得运动前景监测图像数据包括：

从高速公路合流区域交通流量实时数据中的图像数据中提取背景图像；

将拉伸后的当前帧图像与背景图像进行差分计算，获得背景差分图；

将背景差分图进行去噪和二值化操作，获得二值化的运动前景监测图像。

步骤S4中，持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪包括：

对运动前景监测图像进行过滤，获得当前帧高速公路合流区域内各车辆信息；

将具有危险驾驶行为的车辆实时数据匹配当前帧高速公路合流区域内各车辆信息；

持续性定位及标示高速公路合流区域内具有危险驾驶行为的车辆。

上述方法通过收集车载导航软件的实时车辆信息数据以及图像数据，可以主动对高速公路合流区域各个车辆的危险行为进行识别与跟踪，并对整个区域内的事故风险进行预测。并且，通过对高速公路合流区域进行实时监控，即使发生事故也可以第一时间对其进行定位，提高了区域内交通事故的响应速度和处理速度。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种高速公路合流区域的交通事故风险预测方法，其特征在于：该方法包括以下步骤：

获取车辆危险驾驶行为历史数据及其对应的交通流量历史数据并将其作为模型自变量，获取高速公路合流区域交通事故历史数据并将其作为模型因变量，建立基于机器学习的逻辑回归模型并进行训练，获得训练完毕的逻辑回归模型；

获取高速公路合流区域车辆实时数据以及高速公路合流区域交通流量实时数据，根据高速公路合流区域车辆实时数据，通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为，通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为；

将具有危险驾驶行为的车辆实时数据以及高速公路合流区域交通流量实时数据输入训练完毕的逻辑回归模型，预测车辆在高速公路合流区域的交通事故风险。

2.根据权利要求1所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述建立基于机器学习的逻辑回归模型并进行训练包括：

将模型自变量和模型因变量中的一部分数据分别通过随机欠采样与过采样处理进行数据平衡，建立多个数据量比例不同的采样数据作为训练数据集，将模型自变量和模型因变量中的另一部分数据作为测试数据集；

将训练数据集代入逻辑回归模型进行训练，获得具有不同参数的多个逻辑回归模型，将数据测试集代入多个逻辑回归模型进行测试，并比对多个逻辑回归模型对交通事故风险的预测灵敏度和误报率，根据预测灵敏度和误报率表现选出训练完毕的逻辑回归模型。

3.根据权利要求2所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述逻辑回归模型的数学表达式为：

式中，y为属于默认类别的预测概率，α为截距项，X为模型自变量的向量，β为对应系数的向量。

4.根据权利要求2所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述训练数据集和所述测试数据集的数据量比例为7：3。

5.根据权利要求2所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述训练完毕的逻辑回归模型的模型自变量和模型因变量的数据量比例为1：1。

6.根据权利要求1所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为包括：

对高速公路合流区域车辆实时数据进行平滑滤波预处理；

通过端点检测算法确定驾驶行为的开始时间和结束时间；

将确定完毕开始时间和结束时间的驾驶行为作为测试事件，通过动态时间弯曲算法对比测试事件和包括多种驾驶行为样本的训练事件之间的差异而识别车辆的驾驶行为。

7.根据权利要求1所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为包括：

确定贝叶斯分类算法的数学表达式为：

式中，r₁为危险驾驶行为类，r₂为正常驾驶行为类，s为驾驶行为的观测值；

给定危险驾驶行为类和正常驾驶行为类的驾驶事件的先验概率，通过比较后验概率获得系统输出，若P(r₁∣s)>P(r₂∣s)则分类为危险驾驶行为，若P(r₁∣s)<＝P(r₂∣s)则分类为正常驾驶行为。

8.根据权利要求1所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：在预测车辆在高速公路合流区域的交通事故风险之后，该高速公路合流区域的交通事故风险预测方法还包括以下步骤：

对高速公路合流区域交通流量实时数据中的图像数据进行处理，获得运动前景监测图像数据，将具有危险驾驶行为的车辆实时数据匹配运动前景监测图像数据，持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪。

9.根据权利要求8所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述获得运动前景监测图像数据包括：

从高速公路合流区域交通流量实时数据中的图像数据中提取背景图像；

将拉伸后的当前帧图像与背景图像进行差分计算，获得背景差分图；

将背景差分图进行去噪和二值化操作，获得二值化的运动前景监测图像。

10.根据权利要求8所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪包括：

对运动前景监测图像进行过滤，获得当前帧高速公路合流区域内各车辆信息；

将具有危险驾驶行为的车辆实时数据匹配当前帧高速公路合流区域内各车辆信息；

持续性定位及标示高速公路合流区域内具有危险驾驶行为的车辆。