CN119832767A - 基于电动自行车多模态行为预测其与车辆碰撞风险的方法 - Google Patents

Abstract

本发明属于道路车辆控制系统领域，涉及一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，该方法利用物理建模，以电动自行车的制动距离，横向及纵向稳定性对汽车造成的影响为基础风险；进一步考虑由于环境造成的汽车风险，综合动态距离‑速度、相邻车辆类型、交通流密度、天气状况（降水量、温度、风速、能见度）四个维度进行多维环境风险评估建模；结合电动自行车操作行为（加速度变化与转向角度及频率）对汽车的风险；利用环境敏感度系数实时捕捉环境变化与整车风险间的复杂关系，最终针对电动自行车多模态的骑行行为，为汽车提供一套全面、精确、实时的多维度综合风险评估方法，降低复杂交通流环境下的碰撞风险。

Description

基于电动自行车多模态行为预测其与车辆碰撞风险的方法

技术领域

本发明属于道路车辆控制系统领域，涉及即将到来的碰撞风险的预测，具体涉及一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法。

背景技术

中国目前是世界上机动车保有量最多的国家，截至2024年全国机动车保有量达4.5亿辆，并呈现持续的高增长态势，总量与增量均位于世界第一；同时中国也拥有全球最大的电动自行车市场。汽车作为当代最受欢迎的交通工具之一，提供了高效、灵活的个人出行方式，极大地提升了生活便利性和时间利用效率；电动自行车是一个绿色环保、贴近民生、拥有高度自主产权的民族产业。二者在市场规模、产业链发展、技术进步、政策支持和市场前景等方面均呈现出积极的发展态势。

伴随着机动车数量的增长与电动自行车的发展，它们给城市道路交通带来的负面影响也日益突显，因电动自行车引发的机动车事故逐年增多。目前，为解决机非冲突问题，采取的主要措施是在汽车端安装盲区视频监控系统，但因电动自行车具有灵活多变的特点，即使盲区监控系统向汽车驾驶人反馈盲区内交通运行状态，驾驶人也很难做出及时的动作，并不能有效降低事故率。

为了提前预测机非冲突风险，学者们设计了机非冲突风险评估系统，但现有的机非冲突风险评估系统中普遍存在以下问题：

（1）大多是依赖交通仿真模型（VISSIM、AIMSUN等），对交通流、信号灯、非机动车和行人行为等多个层面进行模拟。其考虑的因素广而不精，对电动自行车的运行特点（如横纵稳定性，加速度变化）考虑甚少，从而很难有针对性地对电动自行车造成的汽车风险做出精细化风险评估。此外，现有机动车与机动车、机动车与行人间的冲突模型大多从机动车驾驶行为分析（如车道变换、急刹车）、行人行为分析（如步速、前进方向）入手，未具体考虑电动自行车的运行特点，无法适用于面向电动自行车的风险评估。加之现有面向电动自行车的风险评估系统更为少见，导致汽车在复杂交通场景下对电动自行车风险识别的准确度不高。

（2）仅关注单一因素。例如TTC（Time to Collision）根据两物体的相对距离及相对速度计算可能发生碰撞的时间，从而判断碰撞风险的大小。由于选取指标过于单一且无法处理复杂的非线性行为，所以针对复杂场景下灵活性较高的电动自行车难以为汽车做出更为精确的风险评估。

（3）现有研究大多假设道路情况良好，忽略交通流密度、相邻车辆类型、天气状况等诸多因素的动态变化对风险评估系统的影响，部分研究甚至以地图点云信息捕捉到的道路几何结构作为环境状况，导致风险评估系统适用范围不广、泛化能力不强、评估结果精度不高。

中国专利CN112581756A公开了“一种基于混合交通的行车风险评估方法”，通过社会力模型统一表达机动车、非机动车及道路环境的作用力关系，建立机动车和非机动车交互碰撞的风险模型，从而实现混合交通场景下的动态行车风险评估。但此方法将交通场景中任意机动车或非机动车的单独行为结果简单抽象成不同作用力的组合，忽略了微观交通个体种类的区别以及行为特性的变化（如非机动车的横纵稳定性、转向角度与频率）对行车风险造成的潜在影响。同时其使用的力学模型针对不同的风险场景采用简单的线性叠加，面对突发的交通变化很难做出及时响应，在实际应用中难以完全满足复杂交通环境的需求。

中国专利CN112015842B公开了“自行车轨迹预测的自动驾驶车辆风险评估方法及系统”，结合骑车人运动特征和地图点云信息，通过意图推断和轨迹预测输出骑车人的可能位置。但此方法在进行轨迹预测时，依靠仅能够体现道路几何结构的2D静态地图来反映环境因素，忽略了动态变化的环境情况（如天气状况、交通流密度），导致模型在复杂环境下的适应性和鲁棒性较差，泛化能力不足，从而降低了预测结果的准确性。同时其信息数据收集前需依靠数字地图进行定位，过于依赖精确的地图信息导致其应用场景相对受限，数据获取条件繁琐。

因此，有必要设计一种方法来解决汽车与电动自行车的交通冲突问题，提高出行者的交通体验，规避由此引发的道路交通事故风险。

发明内容

鉴于上述技术问题和缺陷，本发明的目的在于提供一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，该方法通过实时收集非机动车的动态信息，结合外部环境因素，利用多维度建模和智能算法动态评估混行环境下的潜在风险，此种方法不仅能够准确地预测由电动自行车造成的碰撞风险，及时捕捉高风险行为，还可通过环境敏感度调整车辆控制策略，减少交通事故发生，提升交通安全水平和行车体验。

为实现上述目的，本发明采用如下技术方案：

一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，该方法包括以下步骤：

步骤1.将汽车整车风险分解为电动自行车固有属性对汽车的风险、环境造成的汽车风险和电动自行车操作行为对汽车的风险；

步骤2.评估电动自行车固有属性对汽车的风险、环境造成的汽车风险和电动自行车操作行为对汽车的风险；

其中，电动自行车固有属性对汽车的风险是指汽车在行驶过程中，由于电动自行车固有属性给汽车带来的风险，包括电动自行车制动距离给汽车带来的风险、电动自行车稳定性给汽车带来的风险；

；

其中，为比例系数，为幂指数，为骑行者修正后的反应时间，是电动自行车的行驶速度，是电动自行车的加速度；

；

其中，为比例系数，为幂指数，为电动自行车横向稳定性指标，为电动自行车纵向稳定性指标，、为权重系数，、、为非线性指数；

环境造成的汽车风险是指汽车在行驶过程中，由于外界环境因素变化对汽车造成的风险，包括动态距离-速度对汽车造成的风险、相邻车辆类型对汽车造成的风险、交通流密度对汽车造成的风险、天气状况对汽车造成的风险；

在评估动态距离-速度对汽车造成的风险时，综合考虑汽车与后方第一辆车之间的相对速度和距离；在评估相邻车辆类型对汽车造成的风险时，计算检测范围内所有车辆类型对汽车造成的风险，取最高风险用于汽车整车风险预测；评估交通流密度对汽车造成的风险时，使用高斯分布的形式来构建交通流密度对汽车造成的风险函数；评估天气状况对汽车造成的风险时，综合考虑降水量、温度、风速和能见度对汽车造成的风险，即：天气状况对汽车造成的风险包括降水量对汽车造成的风险、温度对汽车造成的风险、风速对汽车造成的风险和能见度对汽车造成的风险；

电动自行车操作行为对汽车的风险是指汽车在行驶过程中，骑行者的驾驶行为对汽车行车安全所带来的风险，包括电动自行车加速度变化频率对汽车造成的风险、电动自行车转向角度及频率对汽车造成的风险；

；

其中，、、代表不同加速度变化频段的权重，为电动自行车修正后的加速度变化率， ， 为电动自行车加速度变化率，为电动自行车速度，为控制速度对加速度变化频率放大效果的调节系数；

；

其中，为电动自行车的转向角度，为用于调节转向角度对风险影响程度的常数系数，是速度放大系数，控制速度对转向角度风险的指数影响，为汽车与电动自行车之间的距离，表示转向频率对风险影响程度的系数，表示时间，即观察转向频率的时间窗口，为单位时间内的转向操作次数；表示速度对加速度变化频率放大效果的调节系数，为转向角度与频率的交互风险项系数；

步骤3. 基于资本资产定价模型预测汽车整车风险，同时引入环境敏感度系数，评估环境变化对汽车整车风险的敏感度；此外，添加和之间的交互项，用于描述电动自行车操作行为在不同环境条件下对汽车整车风险的叠加效应；加入高阶效应，用于反映环境风险影响的非线性趋势；

汽车整车风险的预测模型为：

；

其中，为交互风险系数，取值范围[0.1，1.0]，用以反映和之间的共同作用效果；为高阶效应的幂次，决定了环境风险变化对总体风险的影响速度和幅度，值；为高阶环境敏感度系数，取值范围[0.05，0.5]。

作为本发明的优选，电动自行车固有属性对汽车的风险的评估模型为：

；

其中，、、为非线性指数，的取值范围为[0.5，2.0]，的取值范围为[0.5，2.0]；的取值范围为[0.5，3.0]。

作为本发明的优选，环境造成的汽车风险的评估模型为：

；

其中，、、、表示各个风险因素的权重系数，取值范围[0.25，0.5]，取值范围[0.05，0.2]，取值范围[0.15，0.3]，取值范围[0.2，0.4]；且最终满足；表示每个风险对整体风险贡献的幂次，取值范围[1.5，3.0]，取值范围[1.0，2.0]，取值范围[1.2，2.5]，取值范围[1.5，3.0]；为中的最大值。

作为本发明的优选，电动自行车操作行为对汽车的风险的评估模型为：

；

其中，、为权重系数，取值范围[0.4，0.7]，取值范围[0.3，0.6]；、为非线性指数，取值范围[1.0，2.0]；取值范围[1.5，3.0]；取值范围[1.0，2.0]。

作为本发明的优选，动态距离-速度对汽车造成的风险的评估模型为：

；

其中，为相对速度风险系数，为相对速度的临界值，、、为调整参数，为汽车与后方第一辆车之间的相对速度，为汽车与后方第一辆车之间的距离，为汽车与后方第一辆车之间的安全距离，为一个极小值，取10^-6~10^-9。

作为本发明的优选，相邻车辆类型对汽车造成的风险的评估模型为：

；

其中，、、为权重系数，为车型的尺寸，为车型的质量，为盲区大小。

作为本发明的优选，交通流密度对汽车造成的风险的评估模型为：

；

其中，表示交通流密度，是指在中等流量密度下对汽车行驶风险影响最高的点，是低密度区风险敏感系数，是高密度区风险敏感系数，是低密度区风险变化速率，是高密度区风险变化速率，是一个调整参数，取值范围[0.1，0.5]，用来调控低交通流密度下的整体风险水平。

作为本发明的优选，天气状况对汽车造成的风险的评估模型为：

；

其中，、、、表示各个因素的权重系数，反映不同天气因素对总风险的贡献；取值范围[0.2，0.4]，取值范围[0.1，0.3]，取值范围[0.1，0.3]，取值范围[0.2，0.4]；且最终满足；表示每个风险对整体风险贡献的幂次，反映各个因素的非线性化影响，取值范围[1.0，2.0]，取值范围[1.5，3.0]，取值范围[1.0，2.5]，取值范围[0.5，1.5]；其中，为中的最大值。

作为本发明的优选，降水量对汽车造成的风险的评估模型为：

；

其中，表示在干燥条件下的最小风险，为一个极小值，取10^-6~10^-9；摩擦因数下降导致风险增加的系数，为降水量的大小，为干燥路面的摩擦系数，为中等降水量下的摩擦系数，为大降水量下的最低摩擦系数，、为小、中、大降水量的临界值，为初始降水阶段的指数下降系数，表示初期摩擦系数下降的幅度，为中等降水阶段的对数下降系数，表示降水量增加对摩擦系数的影响；

温度对汽车造成的风险的评估模型为：

；

其中，表示温度；表示路面是否存在冰雪，存在取1，不存在取0，表示在温度适宜下的最小风险，为一个极小值，取10^-6~10^-9；表示温度下降导致风险增加的系数，表示温度降低对风险的影响程度，为干燥路面的摩擦系数，表示路面开始结冰的温度，控制摩擦系数下降速度的临界温度；

风速对汽车造成的风险的评估模型为：

；

其中，为空间交互系数，反映电动自行车失控后侵占汽车车道或碰撞汽车的可能性，取决于车道宽度与横风强度；为交通流量系数，表示电动自行车失控后对由汽车构成的交通流的放大效应，表示在风速以及入射角的条件下的电动自行车侧翻风险；

能见度对汽车造成的风险的评估模型为：

；

其中，表示当前能见度，表示基础风险值，即能见度良好下的最低风险，取10^-6~10^-9；表示风险调整参数，用于控制能见度降低对风险的影响幅度，表示临界能见度。

作为本发明的优选，环境敏感度系数初始值的取值范围为[0.05,0.5]，后续基于已有数据不断迭代训练，最终得到不同交通场景下的最优值，环境敏感度系数的计算公式为：

；

其中，为汽车整车风险与环境造成的汽车风险的协方差，表示汽车整车风险随环境造成的汽车风险的波动情况；为环境造成的汽车风险的方差，表示环境风险的波动幅度。

本发明的优点和有益效果：

（1）本发明提供了一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，能够有效地解决传统交通风险评估系统对复杂混合交通场景适应性差的问题。该方法综合考虑电动自行车的横纵向稳定性、加速度变化、汽车所处交通流密度以及天气情况等一系列复杂因素对汽车行驶的影响，能够较好处理各个因素间的耦合效应及复杂的相互依赖关系；选取指标丰富且能够适应非线性变化，针对灵活性较高的电动自行车以及复杂多变的环境可做出更为精确的汽车风险评估。

（2）本发明利用物理建模，以电动自行车的制动距离，横向及纵向稳定性对汽车造成的影响为基础风险；进一步考虑由于环境造成的汽车风险，综合动态距离-速度、相邻车辆类型、交通流密度、天气状况（降水量、温度、风速、能见度）四个维度进行多维环境风险评估建模；结合电动自行车操作行为（加速度变化与转向角度及频率）对汽车的风险；利用环境敏感度系数实时捕捉环境变化与整车风险间的复杂关系，最终针对电动自行车多模态的骑行行为，为汽车提供了一套全面、精确、实时的多维度综合风险评估方法，该方法综合考虑了汽车行驶过程中可能面临的多种情况，具有较强的实用性；同时模型针对多种风险场景进行非线性建模，增强了模型的泛化能力，从而有效提升车辆的行驶安全性与道路通行效率。

（3）本发明在评估环境造成的汽车风险时，采用独立幂次与差异化权重相结合，能够更好地考虑不同种类的环境风险对的非线性影响；取最大幂次为计算的基准幂次，在平衡计算效率与灵敏度的同时保证了风险评估的准确性；采用范围可调的参数，可根据不同交通场景中复杂的环境变化灵活调整，具有较强的适配性；同时该方法与传统神经网络等复杂方法相比，利用少量数据即可进行优化，尤其应用在嵌入式系统中具有轻量化的显著优势，能够满足在短时间内精确评估环境造成的汽车风险的需求。

（4）本发明提供的方法具有实时性、动态性和多维度综合分析等优势，能够及时捕捉高风险行为并为后续向驾驶员提供预警或自动控制方案提供基础，从而有效降低交通事故的发生概率，提高混合交通场景下的行驶安全性和通行效率，为复杂道路环境中的智能交通管理提供了创新性解决方案。

（5）本发明在评估交通流密度这一环境因素对汽车的风险时，采用分段高斯函数与动态参数调整相结合的方法，突破了传统线性模型的局限性，能够精准刻画低、中、高密度区的非线性风险特征。通过引入独立参数（、与、）分别调控不同密度区的风险敏感系数及变化速率，并结合调整参数校准低密度区潜在风险，解决了传统模型在低流量高速场景下风险低估、中密度峰值区域预测偏差大的问题；模型通过连续性条件确保处参数平滑过渡，显著提升风险曲线的物理合理性与计算稳定性；同时，基于实际事故数据的参数拟合机制（如、取值）增强了模型对真实交通场景的适应性，为自动驾驶决策与交通管控提供了高精度、高鲁棒性的动态风险评估工具，可有效降低复杂交通流环境下的碰撞风险。

（6）本发明通过将汽车整车风险分解为电动自行车固有属性对汽车的风险、环境造成的汽车风险和电动自行车操作行为对汽车的风险三个独立模块，支持各模块参数的独立优化与动态调整，确保模型在不同场景下快速适配，显著提升风险预测的动态响应能力与鲁棒性。例如，在突发强侧风条件下，可动态提升电动自行车与汽车之间的交互系数（如），同时基于实时传感器数据校准电动自行车转向角度与频率的非线性指数（如），实现极端天气下风险预测的精细化适配，从而增强模型对复杂环境扰动的抗干扰能力与实时预警精度。

附图说明

通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为本发明提供的基于电动自行车多模态行为来预测其与车辆碰撞风险的流程图。

具体实施方式

为使本领域技术人员能够更好的理解本发明的技术方案及其优点，下面结合附图对本申请进行详细描述，但并不用于限定本发明的保护范围。

本实施例提供一种基于电动自行车多模态行为来预测其与车辆碰撞风险的方法，该方法从汽车的角度出发，分析由于电动自行车的多模态行为与环境因素对其行驶造成的安全性影响，结合汽车上安装的多种传感装置（如雷达、摄像头）及车联网技术（5G-V2X），利用物理建模，以电动自行车的制动距离，横向及纵向稳定性对汽车造成的影响为基础风险；进一步考虑由于环境造成的汽车风险，综合动态距离-速度、相邻车辆类型、交通流密度、天气状况（降水量、温度、风速、能见度）四个维度进行多维环境风险评估建模；结合电动自行车操作行为（加速度变化与转向角度及频率）对汽车的风险；利用环境敏感度系数实时捕捉环境变化与整车风险间的复杂关系，最终针对电动自行车多模态的骑行行为，为汽车提供一套全面、精确、实时的多维度综合风险评估方法；该方法详细考虑了汽车行驶过程中可能面临的多种情况，具有具有较强的实用性；同时模型针对多种风险场景进行非线性建模，增强了模型的泛化能力，从而有效提升车辆的行驶安全性与道路通行效率。

如图1所示，本实施例提供的一种基于电动自行车多模态行为来预测其与车辆碰撞风险的方法，包括以下步骤：

步骤1.将汽车整车风险分解为电动自行车固有属性对汽车的风险、环境造成的汽车风险和电动自行车操作行为对汽车的风险；

步骤2.评估电动自行车固有属性对汽车的风险、环境造成的汽车风险和电动自行车操作行为对汽车的风险；

其中，电动自行车固有属性对汽车的风险是指汽车在行驶过程中，由于电动自行车固有属性给汽车带来的风险，其是不受外部环境影响的风险因素，包括电动自行车制动距离给汽车带来的风险、电动自行车稳定性给汽车带来的风险；

环境造成的汽车风险是指汽车在行驶过程中，由于外界环境因素变化对汽车造成的风险，包括动态距离-速度对汽车造成的风险、相邻车辆类型对汽车造成的风险、交通流密度对汽车造成的风险、天气状况对汽车造成的风险；其中，所述天气状况对汽车造成的风险包括降水量对汽车造成的风险、温度对汽车造成的风险、风速对汽车造成的风险和能见度对汽车造成的风险；

电动自行车操作行为对汽车的风险是指汽车在行驶过程中，骑行者的驾驶行为对汽车行车安全所带来的风险，包括电动自行车加速度变化频率对汽车造成的风险、电动自行车转向角度及频率对汽车造成的风险；其中，电动自行车转向角度及频率对汽车造成的风险包括电动自行车转向角度对汽车造成的风险、电动自行车转向频率对汽车造成的风险；

步骤3. 基于资本资产定价模型（CAPM）预测汽车整车风险，同时引入环境敏感度系数，评估环境变化对汽车整车风险的敏感度；此外，考虑汽车环境风险与电动自行车行为特性之间会彼此影响，添加和之间的交互项，用于描述电动自行车操作行为在不同环境条件下对汽车整车风险的叠加效应；而且为了更精准地捕捉对汽车整车风险更细致的影响，加入高阶效应，用于反映环境风险影响的非线性趋势，适用于在恶劣条件下风险的增长远大于线性预期；

汽车整车风险的预测模型为：

其中， 为交互风险系数，取值范围[0.1，1.0]，用以反映和之间的共同作用效果，此交互项可以捕捉到复杂驾驶场景下的电动自行车操作行为对汽车风险的放大效应，尤其是在恶劣天气或复杂交通等高风险环境下；为高阶效应的幂次，决定了环境风险变化对总体风险的影响速度和幅度，一般来说值；在极端的环境条件下，风险以高阶的形式放大，取值可大于2；为高阶环境敏感度系数，取值范围[0.05，0.5]，用来衡量较大环境风险变化对总体风险的放大效应，该系数决定非线性风险的增加，例如在极端天气条件下，风险增长更快。

进一步，本实施例中，所述电动自行车制动距离给汽车带来的风险的评估方法如下：

制动距离是指电动自行车从开始操纵制动踏板到完全停止所需的距离，它直接对汽车的行驶风险造成影响。在匀减速运动中，制动距离可以通过运动学公式来计算：

其中：是电动自行车的最终速度（完全停止时）；是电动自行车的行驶速度，可由汽车上安装的雷达进行多普勒测速与视觉位移跟踪获得；是电动自行车的加速度（制动过程中为负值，即减速度），可基于采集得到的速度变化率计算得到；是电动自行车制动距离。

将代入公式，得到电动自行车制动距离为：

考虑到在实际驾驶中，骑行者的反应时间会显著影响制动距离。在骑行者做出反应之前，电动自行车会以初速度继续行驶一段距离，可表示为：

其中，为骑行者的反应时间，可取0.3-1.0秒。

考虑到电动自行车前方交通流可能会通过不稳定的速度变化引发突发事件，会增加骑行者的注意力需求，从而影响其反应时间。为了反映环境的随机性对骑行者的反应时间影响，可以定义修正后的反应时间：

其中：表示电动自行车靠近汽车时骑行者注意力增加的敏感度系数，可根据实际情况取0.5~2.0；表示电动自行车和汽车的距离变化速率，即电动自行车与汽车之间的距离变化量与时间变化量的比值。

结合骑行者的反应距离，修正后的总制动距离可以表示为:

其中， 为修正后的反应时间内走过的距离值；

建立汽车风险与电动自行车制动距离之间的正相关非线性关系，将制动距离与风险联系起来，表达式为：

；

其中，为电动自行车制动距离给汽车带来的风险，即考虑电动自行车制动距离对汽车风险造成的影响，为比例系数，为幂指数。

本实施例中，利用历史事故数据，通过非线性回归法优化模型中的参数和，取值范围为[0.001，0.1]，取值范围为[0.5，2.0]，以均方误差为目标函数，衡量模型预测与观测数据之间的误差：

其中，是观测样本的数量，是第个观测样本的实际风险值，是根据模型计算的第个样本的风险。

在进行非线性估计时，首先要给出和的初值，可基于简单的线性回归法确定。初值可取0.01，初值可取1.0，然后使用梯度下降法通过求目标函数的偏导数来更新参数：

其中，为更新后的值；为更新前的值；为更新后的值；为更新前的值；是考虑制动距离对汽车风险影响下的学习率，控制参数更新的步长，取值范围为[0.001，0.1]，代表MSE ₁ 对的偏导数；代表MSE ₁ 对的偏导数。

进一步，本实施例中，所述电动自行车稳定性给汽车带来的风险的评估方法如下：

稳定性反映了电动自行车在各种操作条件下保持平衡和控制的能力。稳定性较差的电动自行车在转向、加速、制动等操作时容易失控，因此对汽车造成的风险较高。本实施例中，主要考虑电动自行车横纵两个方向上的稳定性。

（1）横向稳定性：

电动自行车的横向稳定性主要体现在侧翻风险上，主要受到以下几个关键物理因素的影响：

重心位置（质心高度）：可通过汽车上安装的视觉识别系统判断车型，匹配车辆设计规格中的默认值并对骑行者体重进行估算得到，取值范围[0.8，1.2]米，可取保守值。电动自行车的重心高度对其在转弯时的横向侧翻倾向具有重要影响；重心越高，在高速转弯时越容易侧翻。

轴距：指电动自行车前轮中心到后轮中心之间的水平距离。可通过汽车上安装的视觉识别系统判断车型，匹配车辆设计规格中的默认值得到，取值范围[1.0，1.5]米，可取保守值。轴距对其行驶稳定性有重要影响；在高速行驶时，轴距越长，电动自行车稳定性越高。

质量：指电动自行车和骑行者的总质量。可通过汽车上安装的视觉识别系统对其进行估算，取值范围[80，150]千克，可取保守值。

行驶速度:电动自行车的当前行驶速度，可由汽车上安装的雷达进行多普勒测速与视觉位移跟踪获得。尤其在转弯时，速度越高，电动自行车受到的离心力和侧向加速度越大。

转弯半径：转弯时电动自行车行驶路径的曲率半径，可通过汽车上安装的雷达传感器进行点云拟合路径曲率实现，取值范围[2，5]米。转弯半径越小，电动自行车转弯时的离心力越大，稳定性越差。

电动自行车横向稳定性指标表征横向发生侧翻的风险，主要由离心力和重力产生的稳固力矩之间的关系决定。当离心力超过重力产生的稳固力矩时，电动自行车就可能发生侧翻：

其中，是电动自行车轴距的一半，即电动自行车质心到转向轴的距离；为电动自行车与骑行者的总重力；为电动自行车与骑行者的离心力，代表重力加速度，取值9.8N/kg。

当时，重力产生的稳固力矩大于离心力，电动自行车能够维持稳定；

当时，离心力超过重力产生的稳固力矩，电动自行车有侧翻的风险。

（2）纵向稳定性：

电动自行车的纵向稳定性主要指其在加速、减速的稳定性，尤其是负载转移和前后轮抓地力的变化。由于电动自行车的重量较轻、轴距较短，重心高度相对较高，因此在动态行驶时，尤其是快速加速和制动时，前后轮的抓地力分配容易发生较大的变化，进而影响纵向稳定性。从而对汽车行驶安全造成影响。

电动自行车在加速或减速过程中会发生动态负载转移，这是纵向稳定性的核心。车辆的质心高度和轴距决定了负载在前后轮之间的转移量。负载转移导致前后轮的法向力变化，进而影响抓地力分布。

当电动自行车加速（减速）时，重心向后（前）移动，前轮（后轮）的负载减少，后轮（前轮）的负载增加。负载转移量定义为，可以通过以下公式计算：

其中，是电动自行车在行驶方向的加速度分量；

在加速时，负载从前轮转移到后轮，前轮的法向力减小，导致前轮的抓地力不足，影响稳定性。加速度越大，负载转移量越大，前轮的抓地力下降越明显。在紧急制动时，后轮的负载可能减少到接近零，导致后轮失去抓地力。因此，制动时的负载转移对电动自行车的纵向稳定性影响更为显著。

负载转移直接影响前后轮胎对地面的正压力，从而决定了车辆的抓地力。定义前后轮与地面的摩擦系数均为，前轮轴距（即前轮轴到质心的水平距离）为，后轮轴距（即后轮轴到质心的水平距离）为，前轮的法向力为，后轮的法向力为，前轮的抓地力为，后轮的抓地力为，则：

综合考虑前后轮的抓地力，可将纵向稳定性定义为前后轮抓地力差异的相对比例，可以建立以下公式构建风险模型，定义电动自行车纵向稳定性指标表征风险。

其中，是一个调节系数，用于反映负载转移对风险的影响，取值范围[0.1，1.0]。

将电动自行车横向稳定性指标和纵向稳定性指标综合考虑，建立电动自行车稳定性的表达式，本实施例中，采用非线性组合的方式来综合这两个风险因素，引入纵向和横向稳定性风险对电动自行车稳定性的非线性指数，用于调节两个风险项的整体组合形式的非线性指数，以及调整横向稳定性与纵向稳定性对电动自行车整车稳定性的权重系数、，具体如下：

其中，参数的取值范围为[0.5，2.0]，的取值范围为[0.5，2.0]，的取值范围为[0.5，3.0]，的取值范围为[0，1]，，取值范围为[0，1]。

将电动自行车稳定性与对汽车造成的风险进行关联。由于电动自行车稳定性越大，对汽车造成的风险越低，建立汽车风险与电动自行车稳定性之间的负相关非线性关系，将稳定性与风险联系起来，表达式为：

；

其中，为电动自行车稳定性给汽车带来的风险，即考虑电动自行车稳定性对汽车风险造成的影响，为比例系数，为幂指数，越大，越小，电动自行车稳定性越高。

为了更好地拟合上述风险模型，本实施例中，利用历史事故数据，通过非线性回归法优化模型中的参数和，取值范围为[0.001，0.1]，取值范围为[0.5，2.0]，以均方误差为目标函数，衡量模型预测与观测数据之间的误差：

其中，是观测样本的数量，是第个观测样本的实际风险值，是根据模型计算的第个样本的风险。

在进行非线性估计时，首先要给出和的初值，可基于简单的线性回归法确定。初值可取0.01，初值可取1.0，然后使用梯度下降法通过求目标函数的偏导数来更新参数：

其中，为更新后的值；为更新前的值；为更新后的值；为更新前的值；是考虑电动自行车稳定性对汽车风险影响下的学习率，控制参数更新的步长，取值范围为[0.001，0.1]，代表MSE₂对的偏导数；代表MSE₂对的偏导数。

进一步，本实施例中，考虑到电动自行车制动距离给汽车带来的风险与电动自行车稳定性给汽车带来的风险可能会相互影响，同时当两者的风险增加时，可能会产生更大的组合效应，所以应建立二者之间的非线性关系：

、、为非线性指数，根据历史数据或实验数据，通过优化算法来调整；取值范围为[0.5，2.0]，的取值范围为[0.5，2.0]，的取值范围为[0.5，3.0]。以最小化模型预测值与实际值之间的误差，从而精确地拟合风险模型。在极端驾驶条件下，可适当调小，增强非线性组合的效应，反映在紧急情况下两个风险项可能共同放大汽车风险的情况。

进一步，本实施例中，所述动态距离-速度对汽车造成的风险的评估方法如下：

在汽车与行驶环境中其他车辆交互时，汽车的行驶风险不仅与相邻车辆之间的距离有关，还与两者的相对速度相关。距离越近、相对速度越高，对汽车造成的行驶风险越大。反之，在相对速度较低的情况下，即使距离较近，风险也相对较低。

首先，需要对汽车与其他车辆之间的安全距离进行确定，定义为汽车后方第一辆车能够安全停下来的最小距离：

其中，为后方第一辆车当前的速度；为驾驶人的反映时间，可取0.3-1.0秒；为后方第一辆车的减速度；

根据汽车与后方第一辆车之间的距离和安全距离的比较，可以定义距离控制风险；如果小于，则汽车可能处于较高风险状态；当大于时，风险降低；具体量化公式如下：

其中，、、为调整参数，用于调节风险的非线性程度，控制两车距离小于安全距离时的风险增长速率，通常与后车反应时间和刹车能力相关，取值范围为[0.1，2.0]；控制两车距离大于安全距离时风险的衰减速度，反映当两车距离超出安全范围时风险下降情况，取值范围为[0.2，1.5]；控制距离超出安全距离时的风险衰减程度，可以调整此参数来反映安全距离外的不同情景，取值范围为[0.05，0.5]。对于三参数的确定可以基于已有数据进行拟合，也可通过仿真实验得到。

其次，引入相对速度风险系数来描述相对速度对于风险的附加影响：

其中，为相对速度的最大值，一般城市道路可取50km/h；表示相对速度对风险的影响，随着速度的增加，风险显著上升。

最终，得到动态距离-速度对汽车造成的风险：

其中，为相对速度的临界值，可以根据交通规则、驾驶行为、车辆特性和数据分析等因素确定，一般城市道路可设置在之间；为一个极小值，可取10^-6~10^-9，用于表示相对几乎为零的风险。

进一步，本实施例中，相邻车辆类型对汽车造成的风险的评估方法如下：

在环境条件复杂的情况下，同车道相邻车辆类型对汽车行驶风险也有影响。特别是大型车辆（如货车、公交车）与汽车出现在同一车道时，会增加汽车驾驶员的注意力负担，放大事故风险；同时也存在造成连环事故的可能性。相邻车辆类型仅限同一车道内与汽车邻近的车辆。不同类型的车辆对汽车构成的威胁是不同的，进而对汽车造成的风险也是不同的。一般来说，车型越大、质量越重、视野盲区越大的车辆，潜在的风险越高。根据这些特点，为不同类型的车辆赋予不同的风险权重，反映它们对汽车造成的碰撞威胁。

对于检测范围，可取限于同一车道内检测汽车前方50~150米，检测汽车后方20~50米，具体取值可根据摄像头的识别范围与风险计算精度要求进行调整。

对于车型风险权重的计算方法，设表示车型类型。模型中考虑四种车型类型，每种类型对应一个风险权重：

非机动车：如自行车、三轮车、电动自行车等；

小型车：通常指发动机排量在1.0-1.3左右的车型，如轿车、电动汽车等；

中型车：通常指发动机排量在1.3-3.0左右的车型，如面包车、SUV等；

大型车：通常指发动机排量在3.0以上的车型，如货车、卡车、公交车等。

根据物理特性定义的每个变量，可以通过线性组合的方式将它们整合成一个风险权重模型。该模型将尺寸、重量、盲区作为独立的风险因子，并使用权重系数、、来控制每个因子的影响程度，风险权重模型（相邻车辆类型对汽车造成的风险）的公式如下：

其中：为车型的尺寸，选用车辆体积进行度量，通常以立方米（m³）为单位，可通过摄像头进行外形尺寸估计，也可结合毫米波雷达进行精确测量；为车型的质量，单位为吨（t），可通过摄像头进行车辆外观或类型识别，简单估计车辆的质量；为盲区大小，单位为平方米（m²），表示驾驶员无法直接观察的区域，可结合车辆类型，通过摄像头识别大致哪些区域是被遮挡的；、、为权重系数（），取值范围为[0.2，0.5]，取值范围为[0.3，0.6]，取值范围为[0.1，0.3]，用于反映每个物理特性对整体风险权重的影响程度；参数的确定需要通过分析不同车型在实际交通事故中的表现，拟合出这三个物理特性与实际碰撞风险之间的关系，进而估算出每个特性对总体风险的贡献权重。

在计算检测范围内所有车辆类型对汽车造成的风险，取最高风险的车辆作为主导风险源，用于汽车整车风险的预测。

进一步，本实施例中，所述交通流密度对汽车造成的风险的评估方法如下：

交通流密度是描述某一时刻道路交通状态的参量，表示单位时间内通过某一交通区域的车辆数量，会直接对汽车的行驶造成风险。

在交通流密度很低时，汽车与周围车辆的距离较大，车辆之间的互动较少，汽车的行驶空间充足，因此碰撞风险较低。但如果交通流密度过低，汽车很可能会遇到高速行驶的其他车辆，这种情况下相对速度较大，反而可能会增加双方的风险。

随着交通流密度的增加，车头间距缩小，汽车与其他车辆的交互频率增加，驾驶操作的复杂性提升，此时风险也逐渐升高。通常中等交通流密度时，是汽车风险较大的时刻，因为此时车辆均以较高的速度行驶，但车辆之间的距离不足以提供充足的反应时间。

在高交通流密度情况下，车辆之间的距离变小，但通常车速也会相应下降。此时，尽管车辆间的行驶空间被压缩，风险未必显著增加，因为车辆的行驶速度非常慢，碰撞的后果也可能不那么严重。因此，在拥堵状态下，尽管交互频率高，事故风险可能并不一定更高。

为了捕捉上述描述的非线性关系，使用一个峰状函数来描述交通流密度与风险的关系，假设风险在处达到最大值，并且随着交通流量的变化呈现正态分布趋势。可以使用高斯分布的形式来构建交通流密度对汽车造成的风险函数：

其中：表示交通流密度，即某一瞬间道路上单位长度存在的车辆数，单位为;表示交通流密度对汽车造成的风险情况；是指在中等流量密度下，对汽车行驶风险影响最高的点，取值范围[20，40]veh/km，此时，交通流密度达到一个较高值，但没有完全拥堵，车辆间的速度均较快且交互频繁，容易发生碰撞；可通过分析基于中等交通流密度时的事故高峰得出，找到事故发生率最高的交通流密度值作为；是低密度区风险敏感系数，取值范围[0.5，1.5]，是高密度区风险敏感系数，取值范围[0.2，1.0]，由连续性条件，在处与相等；是低密度区风险变化速率，取值范围[5，10]veh/km，是高密度区风险变化速率，取值范围[10，20]veh/km。和具体值可以通过观测大量在低交通流密度和高交通流密度下的事故发生率进而拟合确定；是一个调整参数，取值范围[0.1，0.5]，用来调控低交通流密度下的整体风险水平，以反映现实中低流量密度下存在的潜在风险。

进一步，本实施例中，所述天气状况对汽车造成的风险的评估方法如下：

为了更全面地评估不同天气条件下对汽车造成的风险状况，本实施例主要从降水量、温度、风速和能见度四个方面出发来考虑多变的天气条件对汽车造成的风险影响。

降水量方面，主要考虑地面摩擦系数对风险的影响。在小降水量阶段，由于路面上的油污、灰尘与少量的雨水混合，形成非常滑的表层，导致摩擦系数急剧下降；在中等降水量阶段，路面上的油污被雨水逐渐冲走，水膜形成，摩擦系数继续下降，但比初始阶段缓慢；在大降水量阶段，路面可能形成积水，此时摩擦系数几乎不再变化，趋于一个稳定的低值。据此建立摩擦系数随降水量的变化模型：

其中，为降水量的大小，单位为毫米；为不同降水量下对应的路面摩擦系数；为干燥路面的摩擦系数，取值范围[0.7，0.9]；为中等降水量下的摩擦系数，取值范围[0.4，0.6]；为大降水量下的最低摩擦系数，取值范围[0.15，0.35]；、为小、中、大降水量的临界值，取值范围[5，15]mm/24h，取值范围[20，30]mm/24h；为初始降水阶段的指数下降系数，表示初期摩擦系数下降的幅度，取值范围[0.1，0.5]mm^-1；为中等降水阶段的对数下降系数，表示降水量增加对摩擦系数的影响，取值范围[0.05，0.2]mm^-1。

一旦摩擦因数随降水量变化后，我们可以通过摩擦因数与汽车行驶风险之间的关系构建行驶风险模型；摩擦因数越低，风险越高，风险与摩擦因数呈反比关系：

其中，表示降水量对汽车行驶风险的影响；表示风险，表示在干燥条件下的最小风险，为一个极小值，可取10^-6~10^-9；摩擦因数下降导致风险增加的系数，表示摩擦因数降低对风险的影响程度，取值范围[0.01，0.5]；

综上得到降水量与汽车风险之间的分段函数关系式：

;

温度方面，主要考虑低温条件下冰雪路面对汽车的影响。

在低温零下的条件下，如果存在降雪，路面就可能会结冰，导致摩擦系数急剧下降，此时汽车行驶风险增大：

其中：表示温度；表示路面是否存在冰雪，存在取1，不存在取0，可通过摄像头识别获取；表示汽车在低温冰雪条件下的行驶风险（温度对汽车造成的风险）；表示风险，表示在温度适宜下的最小风险，为一个极小值，可取10^-6~10^-9；表示温度下降导致风险增加的系数，表示温度降低对风险的影响程度，取值范围[1.0，5.0]；为干燥路面的摩擦系数，取值范围[0.7，0.9]；表示路面开始结冰的温度，取值范围[-2，0]摄氏度；控制摩擦系数下降速度的临界温度，取值范围[2，10]摄氏度，温度越低，摩擦系数下降得越快。

风速方面，侧风易导致电动自行车这类质量较小的车辆行驶不稳：当侧风速较强时，电动自行车的横向力矩会增加，存在侧翻或偏离车道的风险，进而对汽车造成影响。首先针对侧风对电动自行车造成的风险进行建模：

其中，表示风速；表示在风速以及入射角的条件下的电动自行车侧翻风险；为风险值，表示无风条件下的最低风险，可取10^-6~10^-9；侧风风险系数，取值范围[0.5，2.0]，反映风力对侧翻风险的影响程度；为横向阻力系数，取值范围[0.3，1.2]，决定侧风对电动自行车的作用力大小；为电动自行车侧面迎风面积，影响风对电动自行车产生的横向力；为空气密度，通常取标准值1.225 kg/m³；为车辆质心高度，质心越高，侧翻风险越大；表示侧风入射角度的正弦值，越接近90°，即风越接近垂直于电动自行车行驶方向时，侧风的横向力越大，侧翻风险越高。

对于汽车来说，由于侧风会使电动自行车失控（侧翻或偏离车道），进而影响汽车的行驶安全，构建传递到汽车的风险模型为：

其中，为空间交互系数，取值范围[1.0，2.5]，反映电动自行车失控后侵占汽车车道或碰撞汽车的可能性，取决于车道宽度与横风强度；为交通流量系数，取值范围[1.0，3.0]，表示电动自行车失控后对由汽车构成的交通流的放大效应。

能见度方面，构建指数衰减模型来刻画汽车风险与能见度之间的非线性关系：

其中，表示当前能见度，单位为米；表示能见度对汽车造成的风险；表示基础风险值，即能见度良好下的最低风险，可取10^-6~10^-9；表示风险调整参数，用于控制能见度降低对风险的影响幅度，取值范围[0.5，5.0]，具体取值可通过对历史数据分析拟合确定，反映能见度下降时风险的上升速率；数值越大，能见度对风险的影响越显著；表示临界能见度，取值范围[50，200]米，能见度下降到该临界值以下时，风险会显著增加，将无法继续安全行驶，具体取值可通过历史能见度数据和交通事故数据来估算。

当能见度很高时，例如在晴天或白天，风险函数趋近于风险，表示风险水平较低；当能见度下降到中等水平时，风险开始快速增加，指数项导致风险上升得越来越快；当能见度继续下降接近时，由于驾驶员的反应时间和预见性大大降低，风险会显著增加，此时不建议继续行驶。

将降水量、温度、风速和能见度四个方面综合起来，考虑到四个因素彼此可能相互影响。为了更好处理天气因素之间的相互作用和非线性关系，本实施例中，采用加权幂次组合的方式构建在多变的天气条件下汽车行驶风险模型：

其中，表示天气因素对汽车造成的风险；、、、表示各个因素的权重系数，反映不同天气因素对总风险的贡献；取值范围[0.2，0.4]，取值范围[0.1，0.3]，取值范围[0.1，0.3]，取值范围[0.2，0.4]；且最终满足；表示每个风险对整体风险贡献的幂次，反映各个因素的非线性化影响，取值范围[1.0，2.0]，取值范围[1.5，3.0]，取值范围[1.0，2.5]，取值范围[0.5，1.5]；其中，为中的最大值。

本实施例中，经过上述计算，最终得到动态距离-速度对汽车造成的风险、相邻车辆类型对汽车造成的风险、交通流密度对汽车造成的风险、天气状况对汽车造成的风险；为了更好处理各个环境因素之间的相互作用和非线性关系，采用加权幂次组合的方式构建在复杂的环境下汽车行驶风险模型，表达式为：

其中，、、、表示各个风险因素的权重系数，反映不同环境因素对总风险的贡献。取值范围[0.25，0.5]，取值范围[0.05，0.2]，取值范围[0.15，0.3]，取值范围[0.2，0.4]；且最终满足；表示每个风险对整体风险贡献的幂次，反映各个因素的非线性化影响，取值范围[1.5，3.0]，取值范围[1.0，2.0]，取值范围[1.2，2.5]，取值范围[1.5，3.0]；为中的最大值。

进一步，本实施例中，所述电动自行车操作行为对汽车的风险的评估方法如下：

电动自行车操作行为对汽车的风险是指在电动自行车行驶过程中，由骑行者驾驶行为的不稳定性和不良操作对汽车造成的安全隐患。主要包括加速度变化、转向角度及频率等关键操作参数的影响。当骑行者频繁进行加减速或急转弯等操作时，对汽车的行驶安全会造成显著影响。因此，电动自行车操作行为对汽车的风险主要评估骑行者的驾驶行为对汽车行车安全所带来的风险。

本实施例中，加速度变化对汽车造成的风险的评估方法如下：

加速度变化是衡量电动自行车骑行者操作行为稳定性的重要指标，代表单位时间内骑行者加速或减速的频率及变化程度。频繁且较大的加速度变化通常意味着骑行者操作较为激进，对汽车的行驶安全影响较大。通过对加速度变化进行评估，可以有效预测潜在的驾驶风险。

为了评估电动自行车加速度的变化频率对汽车的影响，综合考虑电动自行车加速度变化值、时间窗口和跟车距离，即电动自行车骑行者在更短时间内进行更剧烈的加速度变化且跟车距离越近，会带来更高的操作风险。

其中，为加速度变化率；表示时间，即操作发生的时间窗口，取值范围[5，30]秒，过短会引入噪声，过长可能忽略瞬时风险；表示在时间内加速或减速操作的次数；是每次操作的加速度变化量；是每次操作的时间间隔；是每次操作时汽车与电动自行车的跟车距离。

考虑到加速度变化在不同车速下对电动自行车稳定性的影响不同，进而对汽车造成的风险也不同。因此引入电动自行车速度，使得加速度变化频率与速度相关联：

其中，为修正后的加速度变化率；为控制速度对加速度变化频率放大效果的调节系数，取值范围[0.5，1.5]。

利用高阶多项式建立加速度变化频率与汽车风险之间的关系式：

其中，、、代表不同加速度变化频段的权重，能够灵活应对加速度变化频率在不同频段上的风险变化，取值范围[0.1，0.5]，取值范围[0.05，0.3]，取值范围[0.01，0.2]。

本实施例中，转向角度及频率对汽车造成的风险的评估方法如下：

转向角度反映了电动自行车在转向过程中车把的偏转幅度，转向频率则反映了骑行者在车辆行驶过程中的操控稳定性。较大的转向角度通常意味着急转弯，尤其是在高速情况下会增加相邻汽车的行驶风险。频繁的转向操作则可能表明驾驶员在复杂交通环境中进行频繁变道或避让，增加了操作的复杂性和不确定性。

首先考虑电动自行车转向角度对汽车风险的影响，电动自行车转向角度对汽车的风险与转向角度绝对值的平方相关，且随电动自行车行驶速度呈指数增长，随汽车与电动自行车之间距离的增大而减小，表达式为：

其中，为电动自行车的转向角度，单位为，可通过车载摄像头利用目标检测跟踪技术得到；为用于调节转向角度对风险影响程度的常数系数，取值范围[0.2，0.8]，可由数据拟合或经验设定；是速度放大系数，控制速度对转向角度风险的指数影响，取值范围[0.1，0.5]，可由数据拟合或经验设定；为汽车与电动自行车之间的距离，可通过车载雷达得到。

类似地，将转向频率定义为单位时间内骑行者转动车把的次数，可以建立电动自行车转向频率与汽车风险之间的关系式：

其中，表示时间，即观察转向频率的时间窗口，取值范围[5，30]秒，过短会引入噪声，过长可能忽略瞬时风险；表示转向频率对风险影响程度的系数，取值范围[0.1，0.4]，可由数据拟合或经验设定；为单位时间内的转向操作次数；需要说明的是，为临界转向角，取值范围[10°，30°]；只有的转向计入次数，若，则对应转向忽略不计；表示速度对加速度变化频率放大效果的调节系数，取值范围[0.5，1.5]，可由数据拟合或经验设定；为汽车与电动自行车之间的距离，可通过车载雷达得到。

考虑到转向角度与频率之间的风险交互，在最终的汽车风险模型中使用二者的非线性叠加形式，得到转向角度及频率与汽车风险之间的关系式为：

其中，为转向角度与频率的交互风险项系数，取值范围[0.05，0.2]，反映转向角度与转向频率在一定行驶速度下的叠加效应对操作风险的影响程度。

最终得到电动自行车操作行为对汽车的风险：

其中， 、 为权重系数，用于调整不同风险项之间的相互影响，取值范围[0.4，0.7]；取值范围[0.3，0.6]；、为非线性指数，用于调节每个风险项在不同操作条件下的非线性增长幅度，取值范围[1.0，2.0]；取值范围[1.5，3.0]；取值范围[1.0，2.0]。

本实施例中，引入环境风险敏感度系数，用来衡量环境造成的汽车风险对汽车整车风险的影响程度。它反映了当外部环境条件（动态距离-速度、相邻车辆类型、交通流密度、天气状况）发生变化时汽车整车风险的波动情况，通过可以量化环境变化对整车风险的贡献，使风险评估模型更加精确地捕捉外部环境对汽车风险的潜在影响。初始值的取值范围为[0.05,0.5]，可根据实际情况初步评估环境风险对整车风险的贡献度来确定，后续可基于已有数据不断迭代训练，最终得到不同交通场景下的最优值。

具体地，计算环境造成的汽车风险的方差，能够反映环境变化的波动性：

其中，是第个时间点的环境风险值；是环境造成的汽车风险的平均值；是数据的时间序列数量。

计算汽车整车风险与环境造成的汽车风险的协方差，能够反映总体风险与环境风险的联合波动性：

其中，是第个时间点的整车风险值；是汽车整车风险的平均值；由此可得到环境敏感度系数的计算公式：

其中，协方差表示汽车整车风险随环境造成的汽车风险的波动情况，如果协方差值较高，说明环境变化显著影响总体风险；方差表示环境风险的波动幅度，方差越大，说明环境条件的变化越剧烈。

本发明还提供一种电子设备，包括：一个或多个处理器、存储器；其中，所述存储器用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，一个或多个处理器实现上述所述的基于电动自行车多模态行为预测其与车辆碰撞风险的方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于电动自行车多模态行为预测其与车辆碰撞风险的方法。

本领域技术人员可以理解，上述实施方式中各种方法/模块的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。

另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，该方法包括以下步骤：

步骤1.将汽车整车风险分解为电动自行车固有属性对汽车的风险、环境造成的汽车风险和电动自行车操作行为对汽车的风险；

步骤2.评估电动自行车固有属性对汽车的风险、环境造成的汽车风险和电动自行车操作行为对汽车的风险；

其中，电动自行车固有属性对汽车的风险是指汽车在行驶过程中，由于电动自行车固有属性给汽车带来的风险，包括电动自行车制动距离给汽车带来的风险、电动自行车稳定性给汽车带来的风险；

；

其中，为比例系数，为幂指数，为骑行者修正后的反应时间，是电动自行车的行驶速度，是电动自行车的加速度；

；

其中，为比例系数，为幂指数，为电动自行车横向稳定性指标，为电动自行车纵向稳定性指标，、为权重系数，、、为非线性指数；

环境造成的汽车风险是指汽车在行驶过程中，由于外界环境因素变化对汽车造成的风险，包括动态距离-速度对汽车造成的风险、相邻车辆类型对汽车造成的风险、交通流密度对汽车造成的风险、天气状况对汽车造成的风险；

在评估动态距离-速度对汽车造成的风险时，综合考虑汽车与后方第一辆车之间的相对速度和距离；在评估相邻车辆类型对汽车造成的风险时，计算检测范围内所有车辆类型对汽车造成的风险，取最高风险用于汽车整车风险预测；评估交通流密度对汽车造成的风险时，使用高斯分布的形式来构建交通流密度对汽车造成的风险函数；评估天气状况对汽车造成的风险时，综合考虑降水量、温度、风速和能见度对汽车造成的风险，即：天气状况对汽车造成的风险包括降水量对汽车造成的风险、温度对汽车造成的风险、风速对汽车造成的风险和能见度对汽车造成的风险；

电动自行车操作行为对汽车的风险是指汽车在行驶过程中，骑行者的驾驶行为对汽车行车安全所带来的风险，包括电动自行车加速度变化频率对汽车造成的风险、电动自行车转向角度及频率对汽车造成的风险；

；

其中，、、代表不同加速度变化频段的权重，为电动自行车修正后的加速度变化率， ， 为电动自行车加速度变化率，为电动自行车速度，为控制速度对加速度变化频率放大效果的调节系数；

；

其中，为电动自行车的转向角度，为用于调节转向角度对风险影响程度的常数系数，是速度放大系数，控制速度对转向角度风险的指数影响，为汽车与电动自行车之间的距离，表示转向频率对风险影响程度的系数，表示时间，即观察转向频率的时间窗口，为单位时间内的转向操作次数；表示速度对加速度变化频率放大效果的调节系数，为转向角度与频率的交互风险项系数；

步骤3. 基于资本资产定价模型预测汽车整车风险，同时引入环境敏感度系数，评估环境变化对汽车整车风险的敏感度；此外，添加和之间的交互项，用于描述电动自行车操作行为在不同环境条件下对汽车整车风险的叠加效应；加入高阶效应，用于反映环境风险影响的非线性趋势；

汽车整车风险的预测模型为：

；

其中，为交互风险系数，取值范围[0.1，1.0]，用以反映和之间的共同作用效果；为高阶效应的幂次，决定了环境风险变化对总体风险的影响速度和幅度，值；为高阶环境敏感度系数，取值范围[0.05，0.5]。

2.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，电动自行车固有属性对汽车的风险的评估模型为：

；

其中，、、为非线性指数，的取值范围为[0.5，2.0]，的取值范围为[0.5，2.0]；的取值范围为[0.5，3.0]。

3.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，环境造成的汽车风险的评估模型为：

；

其中，、、、表示各个风险因素的权重系数，取值范围[0.25，0.5]，取值范围[0.05，0.2]，取值范围[0.15，0.3]，取值范围[0.2，0.4]；且最终满足；表示每个风险对整体风险贡献的幂次，取值范围[1.5，3.0]，取值范围[1.0，2.0]，取值范围[1.2，2.5]，取值范围[1.5，3.0]；为中的最大值。

4.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，电动自行车操作行为对汽车的风险的评估模型为：

；

其中，、为权重系数，取值范围[0.4，0.7]，取值范围[0.3，0.6]；、为非线性指数，取值范围[1.0，2.0]；取值范围[1.5，3.0]；取值范围[1.0，2.0]。

5.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，动态距离-速度对汽车造成的风险的评估模型为：

；

其中，为相对速度风险系数，为相对速度的临界值，、、为调整参数，为汽车与后方第一辆车之间的相对速度，为汽车与后方第一辆车之间的距离，为汽车与后方第一辆车之间的安全距离，为一个极小值，取10^-6~10^-9。

6.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，相邻车辆类型对汽车造成的风险的评估模型为：

；

其中，、、为权重系数，为车型的尺寸，为车型的质量，为盲区大小。

7.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，交通流密度对汽车造成的风险的评估模型为：

；

其中，表示交通流密度，是指在中等流量密度下对汽车行驶风险影响最高的点，是低密度区风险敏感系数，是高密度区风险敏感系数，是低密度区风险变化速率，是高密度区风险变化速率，是一个调整参数，取值范围[0.1，0.5]，用来调控低交通流密度下的整体风险水平。

8.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，天气状况对汽车造成的风险的评估模型为：

；

其中，、、、表示各个因素的权重系数，反映不同天气因素对总风险的贡献；取值范围[0.2，0.4]，取值范围[0.1，0.3]，取值范围[0.1，0.3]，取值范围[0.2，0.4]；且最终满足；表示每个风险对整体风险贡献的幂次，反映各个因素的非线性化影响，取值范围[1.0，2.0]，取值范围[1.5，3.0]，取值范围[1.0，2.5]，取值范围[0.5，1.5]；其中，为中的最大值。

9.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，降水量对汽车造成的风险的评估模型为：

；

其中，表示在干燥条件下的最小风险，为一个极小值，取10^-6~10^-9；摩擦因数下降导致风险增加的系数，为降水量的大小，为干燥路面的摩擦系数，为中等降水量下的摩擦系数，为大降水量下的最低摩擦系数，、为小、中、大降水量的临界值，为初始降水阶段的指数下降系数，表示初期摩擦系数下降的幅度，为中等降水阶段的对数下降系数，表示降水量增加对摩擦系数的影响；

温度对汽车造成的风险的评估模型为：

；

其中，表示温度；表示路面是否存在冰雪，存在取1，不存在取0，表示在温度适宜下的最小风险，为一个极小值，取10^-6~10^-9；表示温度下降导致风险增加的系数，表示温度降低对风险的影响程度，为干燥路面的摩擦系数，表示路面开始结冰的温度，控制摩擦系数下降速度的临界温度；

风速对汽车造成的风险的评估模型为：

；

其中，为空间交互系数，反映电动自行车失控后侵占汽车车道或碰撞汽车的可能性，取决于车道宽度与横风强度；为交通流量系数，表示电动自行车失控后对由汽车构成的交通流的放大效应，表示在风速以及入射角的条件下的电动自行车侧翻风险；

能见度对汽车造成的风险的评估模型为：

；

其中，表示当前能见度，表示基础风险值，即能见度良好下的最低风险，取10^-6~10^-9；表示风险调整参数，用于控制能见度降低对风险的影响幅度，表示临界能见度。

10.根据权利要求1所述的一种基于电动自行车多模态行为预测其与车辆碰撞风险的方法，其特征在于，环境敏感度系数初始值的取值范围为[0.05,0.5]，后续基于已有数据不断迭代训练，最终得到不同交通场景下的最优值，环境敏感度系数的计算公式为：

；

其中，为汽车整车风险与环境造成的汽车风险的协方差，表示汽车整车风险随环境造成的汽车风险的波动情况；为环境造成的汽车风险的方差，表示环境风险的波动幅度。