[0004] 针对现有技术中存在不足,本发明提供了一种基于时变状态转移概率马尔可夫链的行车风险预测方法,包括如下步骤:
[0005] 步骤1:线下行车风险预测模型训练:在事故和临近事故样本的基础上,选取基于车辆运行特征的时间窗特征参数,通过对特征参数聚类划分实时行车风险状态并将其作为马尔可夫链可列状态;基于不同行车风险状态下的时间窗特征参数和驾驶员、道路、环境变量参数,建立不同行车风险状态下的行车风险状态转移多项logistic模型;
[0006] 步骤2:线上行车风险模型实时预测:在车联网环境下,信息采集设备实时采集步骤1所需车辆、驾驶员、道路和环境信息变量参数,根据当前时刻时间窗特征参数距步骤1得到的风险状态聚类中心位置的欧氏距离计算初始状态概率分布向量,并通过马尔可夫性质计算未来时间窗的特征参数、带入多项logistic模型,获得未来任一时刻马尔可夫链n步转移概率,最后基于马尔可夫性质计算得到未来车辆风险状态预测结果。
[0007] 进一步,所述车辆运行特征包括本车速度,本车加速度,本车与前车之间距离和本车与前车之间的距离变化率。
[0008] 进一步,所述驾驶员、道路、环境变量参数包括驾驶员注意力区域,驾驶员非驾驶任务数目,驾驶员非驾驶任务等级及驾驶员方向盘使用情况,车道数,交通流密度,道路线形及道路纵坡,照明情况,天气状况及路面状况。
[0009] 进一步,所述步骤1中线下行车风险预测模型训练实现方法如下:
[0010] 步骤1.1:获取事故数据样本及邻近事故数据样本,其中每个样本为事故发生前车辆运动特征、驾驶员行为特征、道路特征和环境特征变量随时间变化的观测值;
[0011] 步骤1.2:通过对样本中刹车开始时刻车辆运动特征参数向量{-iTTC,THW}进行聚类得到瞬时行车风险等级划分,其中iTTC为车辆碰撞时间的倒数,THW为车间时间;根据聚类结果分布特征,以每一类中{-iTTC,THW}的取值边界为阈值定义基于瞬时运动参数的行驶风险等级;
[0012] 步骤1.3:将瞬时的行驶风险等级信息按时间序列顺序合并划分为短时间的风险等级时间窗,选取时间窗内所有瞬时风险等级的均值、方差和趋势值{μ,σ,CON}作为每个时间窗的特征参数向量,对所有样本划分得到的时间窗特征向量集合进行聚类,得到三个风险聚类类别的聚类中心 并将三个聚类类别S1,S2,S3作为马尔可夫链可列状态,趋势值CON定义为:CON=∑i,j(j-i)|j-i|dij,其中dij为风险度共生矩阵的第i行第j列元素,此处i,j代表瞬时行车风险等级,即:
其中#表示统计次数,;
[0013] 步骤1.4:按时刻t时间窗所处的风险状态(初始风险状态)类别将样本划分成K=3组,以时刻t时间窗内观测得到的时间窗特征参数{μt,σt,CONt}及驾驶模式变量{z1t,z2t,...,zmt}为自变量,z1t,z2t,...,zmt代表驾驶员、道路和环境信息变量,以下一个时间窗t+1的行车风险类别qt+1为预测变量,分别对3组样本进行MNL回归训练,最终得到K=3个不同初始风险状态下的状态转移MNL模型:其中αij(Zt)=P(qt+1=Sj|qt=Si)表示风险状态由时间窗t的Si状态转移至下一个相邻时间窗t+1的Sj状态的概率,即状态Si到状态Sj的马尔可夫链一步转移概率,其大小与时刻t时间窗内的自变量Zt有关, i=1,2,3表示属于风险类别i的自变量样本, 和 表示在风险类别i条件下MNL回归中第j和第k风险类别项的回归系数;至此得到马尔可夫链一步转移概率矩阵
[0014] 进一步,所述步骤2中线上行车风险模型实时预测实现方法如下:
[0015] 步骤2.1:在车联网环境下,通过信息采集设备实时采集步骤1所需车辆、驾驶员、道路和环境信息变量参数,按照步骤1所述方法计算获得当前时刻t时间窗内的观测时间窗特征向量x0=(μ0,σ0,CON0),并记录当前时刻驾驶模式变量向量DM0=[z10,z20,...,zm0],当前时刻记为系统初始时刻,即t=0,;
[0016] 步骤2.2:风险状态的初始分布概率π0可根据初始观测时间窗特征向量x0=(μ0,σ0,CON0)与步骤1中获取的各风险状态聚类中心 的欧氏距离进行估算: 其中 表示初始状态下系统属于风险状
态Si的概率,ρ(x0,ci)为观测统计向量x0与第i个风险状态中心ci的欧氏距离:
[0017] 步骤2.3:由马尔可夫性质,从当前时间窗t=0开始,车辆未来行驶过程中任一时间窗t=T的风险状态(状态转移步数Δ=T)可由初始分布概率π0和T个基于MNL的一步转移概率矩阵的乘积决定:πT=πT-1A(ZT-1)=πT-2A(ZT-2)A(ZT-1)=…=π0A(Z0)A(Z1)…A(ZT-1),其中当前可观测的自变量向量Z0=[μ0,σ0,CON0,DM0]′=[x0,DM0]′已知,其余Zn,n=1,2,...,T-1需要通过递推算法进行估算;
[0018] 步骤2.4:根据t=T时刻的预测状态概率分布πT,得到t=T时刻的风险状态为Spred,并可根据预测风险状态Spred制定相应的车辆预警策略。
[0019] 进一步,所述步骤2.3中Z1的估计方法为:
[0020] 步骤2.3.1:将可由观测得到的Z0带入步骤1.4计算,得到第一个状态转移概率矩阵A(Z0)={aij(Z0)},i,j=1,2,3
[0021] 步骤2 .3 .2:根据马尔可夫性质得到t=1时刻的状态分布概率为
[0022] 步骤2.3.3:假设t=1时刻时间窗的统计特征向量为则根据与各风险状态聚类中心 的欧氏距离可得到t=1时
刻状态分布概率表达式 其中
[0023] 步骤2.3.4:令 (共3个等式和3个未知数 故有唯一解),求解得到t=1时刻时间窗的统计特征向量 假设未来时间窗内驾驶模式未发生变化,获得t=1时刻时间窗的自变量向量
[0024] 进一步,所述步骤2.3中Zn,n=2,...,T-1的递推估计方法为:
[0025] 步骤2.3.5:将先前计算得到的 带入步骤1.4计算,得到第n个状态转移概率矩阵
[0026] 步骤2 .3 .6:根据马尔可夫性质得到t=n时刻的状态分布概率为
[0027] 步骤2.3.7:假设t=n时刻时间窗的统计特征向量为 则根据与各风险状态聚类中心{ci},i=1,2,3的欧氏距离可得到t=n时刻状态分布概率表达式
[0028] 步骤2.3.8:令 求解得到t=n时刻时间窗的统计特征向量获得t=n时刻时间窗的自变量向量
[0029] 步骤2 .3 .9 :若n<T,返回步骤2 .3 .5继续计算;若n=T,返回为未来t=T时刻的预测状态概率分布。
[0030] 进一步,所述信息采集设备包括摄像头、GPS传感器、陀螺仪和雷达传感器。
[0031] 本发明的有益效果在于:
[0032] 1.本发明克服了传统马尔可夫链模型应用中基于转移频率的状态转移概率估算方法的缺陷,通过递推算法实现了马尔可夫链n步时变状态转移概率的估计,可反映行车风险状态转移概率随车辆运动状态变化而变化的特征;
[0033] 2.本发明通过计算马尔可夫链n步时变转移概率,可对未来n×δ(δ为状态转移步长,即一步状态转移概率所刻画的两个相邻状态间的实际时间间隔)时长内的行车风险状态进行实时预测,可以满足防碰撞预警实时性要求;
[0034] 3.本发明建立的马尔可夫链模型状态转移概率递推算法中,通过引入驾驶员行为、道路和环境特征变量,充分考虑了实时的驾驶员行为、道路和环境特征对行车风险状态的影响,提高了行车风险状态预测模型的准确性和预测精度;
[0035] 4.本发明实现实时行车风险预测所需变量参数均可在车联网条件下通过信息采集和传输设备获取,计算步骤简单,可实施性强。