详情

原文传递基于风险智能感知模型的道路交通安全预测方法及预测系统

专利名称：	基于风险智能感知模型的道路交通安全预测方法及预测系统
摘要：	基于风险智能感知模型的道路交通安全预测方法及预测系统，本发明涉及道路交通安全预测方法及预测系统。本发明的目的是为了解决现有方法对道路交通安全预测的准确率低的问题。过程为：1：进行初始设置及信息采集；2：获取道路交通安全风险智能感知模型构建所需历史交通流数据，对数据进行预处理并进行风险状态标定；从所有交通流数据中筛选出与道路交通安全风险智能感知相关的交通流参数组合；3：建立道路交通安全风险智能感知模型；4：对道路检测器检测到的实时交通流数据进行交通风险分析，将分析结果进行可视化输出，并随着时间推移对道路交通安全风险智能感知模型进行动态更新。本发明用于交通信息工程及控制领域。
专利类型：	发明专利
国家地区组织代码：	吉林;22
申请人：	吉林大学
发明人：	李海涛;曹宇轩;刘博;陶鹏飞;宋现敏;孙英楠
专利状态：	有效
申请日期：	2023-07-13T00:00:00+0800
发布日期：	2023-11-07T00:00:00+0800
申请号：	CN202310859133.3
公开号：	CN117009772A
代理机构：	哈尔滨市松花江专利商标事务所
代理人：	张换男
分类号：	G06F18/21;G06F18/23;G06F18/214;G06F18/241;G;G06;G06F;G06F18;G06F18/21;G06F18/23;G06F18/214;G06F18/241
申请人地址：	130023 吉林省长春市南关区人民大街5988号
主权项：	1.基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述方法具体过程为：步骤1：进行初始设置及信息采集；步骤2：获取道路交通安全风险智能感知模型构建所需历史交通流数据，对数据进行预处理并进行风险状态标定；从所有交通流数据中筛选出与道路交通安全风险智能感知相关的交通流参数组合；步骤3：利用K+XGBoost建立道路交通安全风险智能感知模型，获得训练完成的道路交通安全风险智能感知模型；步骤4：将训练完成的道路交通安全风险智能感知模型下发至基服务器，利用基服务器对道路检测器检测到的实时交通流数据进行交通风险分析，将分析结果进行可视化输出，并随着时间推移对道路交通安全风险智能感知模型进行动态更新。 2.根据权利要求1所述的基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述步骤1中进行初始设置及信息采集；具体过程为：步骤1.1：确定需要进行交通风险智能感知的路段，明确路段的道路水平、车道数、道路线形、横断面；步骤1.2：确定道路沿线风险智能感知检测器的布设位置，并记录检测器所检测地点的道路属性；步骤1.3：构建事故数据及交通流运行数据对应的交通流参数数据集合，交通流参数数据集合即风险感知数据集；所述交通流参数数据集合通过检测器获得，交通流参数数据集合包含流量、密度、速度及车辆通过检测器的时刻。 3.根据权利要求2所述的基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述步骤2中获取交通安全风险智能感知模型构建所需历史交通流数据，对数据进行预处理并进行风险状态标定；从所有交通流数据中筛选出与交通安全风险智能感知相关的交通流参数组合；具体过程为： 2.1：建立交通安全风险智能感知总服务器、基服务器，每一个基服务器对应一个或几个道路属性相同的道路检测器，利用基服务器获取各个道路检测器的历史风险感知数据集中各交通流参数；所述风险感知数据集中各交通流参数包括事故数据及交通流运行数据对应的交通流参数数据；对历史风险感知数据集中各交通流参数数据进行初步处理得到风险感知数据集中各交通流参数的具体数值，即每一个检测器对应多维交通流参数数据； 2.2：根据事故数据对风险感知数据集中各交通流参数数据进行“0-1”标定，具体过程为：将风险感知数据集中各交通流参数数据中正常运行状态下的数据标定为0标签，将风险感知数据集中各交通流参数数据中事故状态下的数据标定为1标签； 2.3：将第A个道路属性下的风险感知数据集中多维交通流参数作为自变量，将数据的0-1标定结果作为应变量，进行相关性分析，获得相关性分析低于阈值的第A个道路属性下的交通流参数组合；获得所有道路属性下的交通流参数组合，即筛选出与交通安全风险智能感知相关的交通流参数组合。 4.根据权利要求3所述的基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述2.3中将第A个道路属性下的风险感知数据集中多维交通流参数作为自变量，将数据的0-1标定结果作为应变量，进行相关性分析，获得相关性分析低于阈值的第A个道路属性下的交通流参数组合；具体过程为： 2.3.1：显著性检验过程： (1)进行假设检验H0:某交通流参数与事故产生相关，H1:某交通流参数与事故产生不相关； (2)假设第A个道路属性下的风险感知数据集中交通流参数为交通流参数/>的峰度为K，交通流参数/>的偏度为S，则构造检验统计量：其中，～χ2(2)表示服从自由度为2的卡方分布；n表示样本容量； (3)通过JB查卡方分布表得对应的显著性p值； 2.3.2：提取检验结果中显著性小于0.05的交通流参数，基于显著性小于0.05的交通流参数构建相关性分析低于阈值的第A个道路属性下的交通流参数组合。 5.根据权利要求4所述的基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述步骤3中利用K+XGBoost建立道路交通安全风险智能感知模型；具体操作方法如下：步骤3.1：基于步骤2得到的与交通安全风险智能感知相关的交通流参数组合，将具有“0-1”标签的各个道路属性下的交通流参数组合进行K-Means无监督聚类，得到K-Means无监督聚类结果，基于K-Means无监督聚类结果得到对应的道路风险等级；道路交通安全风险智能感知模型分为XGBoost风险等级预测模型和XGboost交通事故智能感知模型；步骤3.2：将带有道路风险等级标签的交通流参数组合按比例划分为训练集和测试集；步骤3.3：将训练集中道路风险等级作为因变量，将各个道路属性下的交通流参数组合作为自变量，输入XGBoost风险等级预测模型，使用交叉验证的方法调整参数以建立最优的XGBoost风险等级预测模型；步骤3.4：将步骤3.2的测试集数据输入XGBoost风险等级预测模型，XGBoost风险等级预测模型输出风险状态评估的预测值，将风险状态评估的预测值与真实值进行比对，得出XGboost风险等级预测模型的预测精度；步骤3.5：当精度达不到要求时，扩大训练集的数据量并重复执行3.3～3.5，在达到精度程度或达到预设定的最大迭代次数时输出最优XGboost风险等级预测模型及此时的预测精度；步骤3.6：根据K-Means无监督聚类结果，将带有“0-1”标签的各个道路属性下的交通流参数组合按风险等级分为B组，将每组带有“0-1”标签的各个道路属性下的交通流参数组合按比例划分为训练集和测试集；步骤3.7：将训练集中“0-1”标签作为因变量，将各个道路属性下的交通流参数组合作为自变量，输入XGboost交通事故智能感知模型进行训练，使用交叉验证的方法调整参数以建立最优的XGboost交通事故智能感知模型；步骤3.8：将步骤3.6的测试集数据输入XGboost交通事故智能感知模型，XGboost交通事故智能感知模型输出事故状态预测值，将事故状态预测值与真实值进行比对，得出XGboost交通事故智能感知模型的预测精度；步骤3.9：当精度达不到要求时，扩大训练集的数据量并重复执行3.7～3.9，在达到精度或达到预设定的最大迭代次数时输出最优XGboost交通事故智能感知模型及此时的预测精度。 6.根据权利要求5所述的基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述步骤3.1中基于步骤2得到的与交通安全风险智能感知相关的交通流参数组合，将具有“0-1”标签的各个道路属性下的交通流参数组合进行K-Means无监督聚类，得到K-Means无监督聚类结果，基于K-Means无监督聚类结果得到对应的道路风险等级；具体过程为：将具有“0-1”标签的各个道路属性下的交通流参数组合进行K-Means无监督聚类，将各个道路属性下的交通流参数组合聚为B簇，确定每簇数据的类簇数据占比RDC和事故数据占比RCT的比值，根据每簇数据的比值标定B簇数据对应的道路风险等级，比值越大的簇对应的道路风险等级越高；所述类簇数据占比和事故数据占比的计算公式如下：式中：nt为总样本数，ne为每类簇包含的样本数，nc为总事故样本数，na为每类簇中包含的事故样本数。 7.根据权利要求6所述的基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述步骤3.4中将测试集数据输入XGBoost风险等级预测模型，XGBoost风险等级预测模型输出风险状态评估的预测值，将风险状态评估的预测值与真实值进行比对，得出XGboost风险等级预测模型的预测精度，预测精度具体评价指标如下： ①均方根误差，计算公式如下所示：式中：Xobs,i为XGboost风险等级预测模型得到风险状态评估的第i个预测值； Xmodel,i为第i个真值； n为预测次数； ②均方误差，计算公式如下所示： ③平均绝对误差，计算公式如下所示： ④剩余预测残差，计算公式如下所示：式中：Xi为训练集中的第i个值；为训练集的平均值； Yi为第i个残差值，即预测值与真值之差；为残差值的平均值； ⑤预测正确率CR，计算公式如下所示：当XGboost风险等级预测模型得到的风险状态评估的第i个预测值等于真值时，ai＝1；当XGboost风险等级预测模型得到的风险状态评估的第i个预测值不等于真值时，ai＝0。 8.根据权利要求7所述的基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述步骤3.8中将步骤3.6的测试集数据输入XGboost交通事故智能感知模型，XGboost交通事故智能感知模型输出事故状态预测值，将事故状态预测值与真实值进行比对，得出XGboost交通事故智能感知模型的预测精度；预测精度具体评价指标如下： ①均方根误差，计算公式如下所示：式中：X'obs,i'为XGboost交通事故智能感知模型得到的交通事故状态评估的第i'个预测值； X'model,i为第i'个真值； n'为预测次数； ②均方误差，计算公式如下所示： ③平均绝对误差，计算公式如下所示： ④剩余预测残差，计算公式如下所示：式中：X'i'为训练集中的第i'个值；为训练集的平均值； Y'i'为第i'个残差值，即预测值与真值之差；为残差值的平均值； ⑤预测正确率CR，计算公式如下所示：当XGboost交通事故智能感知模型得到的交通事故状态评估的第i'个预测值等于真值时，a'i'＝1；当XGboost交通事故智能感知模型得到的交通事故状态评估的第i'个预测值不等于真值时，a'i'＝0。 9.根据权利要求8所述的基于风险智能感知模型的道路交通安全预测方法，其特征在于：所述步骤4中将训练完成的道路交通安全风险智能感知模型下发至基服务器，利用基服务器对道路检测器检测到的实时交通流数据进行交通风险分析，将分析结果进行可视化输出，并随着时间推移对模型进行动态更新；具体操作方法如下：步骤4.1：将训练得到的各个不同道路属性下的道路交通安全风险智能感知模型按照道路属性相对应的原则下发至每一个基服务器；步骤4.2：当道路检测器检测到当前时刻的各个交通流参数时，将各个交通流参数上传至基服务器与交通实时数据存储器，基服务器利用不同道路属性下的道路交通安全风险智能感知模型对各个交通流参数数据进行分析，判断当前该路段的风险等级及是否发生交通事故，并将分析结果上传至总服务器，总服务器对所有基服务器上传的信息进行汇总并可视化输出；步骤4.3：交通实时数据存储器每隔一定的时间，将所存储的数据上传至总服务器的历史数据库，总服务器利用更新后的数据重新进行步骤2、步骤3及步骤4.1，完成不同道路属性下的道路交通安全风险智能感知模型的实时更新。 10.基于风险智能感知模型的道路交通安全预测系统，其特征在于：所述系统用于执行权利要求1至9之一所述的基于风险智能感知模型的道路交通安全预测方法。
所属类别：	发明专利