一种危化品运输车辆行驶状态的风险预测方法与流程

1.本发明涉及交通安全技术领域，尤其是涉及一种危化品运输车辆行驶状态的风险预测方法。


背景技术：

2.近年来伴随着业的迅速发展以及物流行业的兴起，化工物流迅速发展。根据数据显示，2019年我国化工物流的市场份额达到1.9万亿。在化工物流中，道路运输中占73.8％。危化品的化学性质极不稳定，具有易燃、易爆、易腐蚀等特点，如果在运输过程中摩擦、受热、或者撞击，可能会造成车辆罐体的破裂、燃烧甚至爆炸，造成人员的伤亡和财产的损失，给环境和生态造成不可估量的损害。因此庞大的危化品市场规模对危险化学品的生产、存储和运输提出了挑战。
3.目前我国在危化品运输系统的安全管理方面仍存在不少问题，主要表现为：危化品运输事故分析以追责为主要目的，对支持事故科学预防的深度不足；危化品运输中基于预警干预的事前预防能力不足；虽然我国已全面建成了危化品运输车辆监控平台，但危化品运输供应链全过程信息仍不够完善，严重影响事故处置效率；危化品运输安全事故救援预案不够完善，对事故影响缺乏有效估计，对二次事故的防控准备不足。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种危化品运输车辆行驶状态的风险预测方法，该方法能够精准且实时监测危化品运输车辆的行为状态，并对其是否会发生危险进行预测。
5.本发明的目的可以通过以下技术方案来实现：
6.本发明提供一种危化品运输车辆行驶状态的风险预测方法，包括以下步骤：
7.s1：利用数据采集设备，采集并存储危化品运输车辆在行驶过程中的行驶状态数据；
8.s2：根据所述行驶状态数据，判定危化品运输车辆当前的行驶状态是否危险；
9.s3：构建危化品运输车辆行驶状态的风险预测模型，预测危化品运输车辆在未来是否会发生事故。
10.优选地，采用lstm模型构建所述危化品运输车辆行驶状态的风险预测模型。
11.优选地，所述构建的lstm模型包括一个输入层、一个池化层、一个lstm层、一个全连接层、一个softmax激活层和一个输出层。
12.优选地，所述lstm模型的输入数据为危化品运输车辆过去24s的时间戳、车速和加速度，输出数据为危化品运输车辆未来24s的时间戳、车速和加速度。
13.优选地，所述行驶状态数据包括运输车辆的实时位置的经纬度、加速度和速度。
14.优选地，所述s2包括以下步骤：
15.s2.1：根据数据采集设备所获取的相邻测点的经、纬度数据计算相邻测点之间的
距离；
16.s2.2：根据相邻测点之间的距离计算当前状态下危化品运输车辆的速度和加速度；
17.s2.3：根据计算得到的危化品运输车辆的速度和加速度，判定危化品运输车辆当前的行驶状态是否危险。
18.优选地，所述s2.1相邻测点之间的距离公式为：
19.c＝sin(lata)*sin(latb)*cos(lona-lonb) cos(lata)*cos(latb)
20.distance＝r*arccos(c)*pi/180
21.式中，lata、latb、lona、lonb为分别a点的纬度、b点的纬度、a点的经度和b点的经度，r为地球半径，c为经纬度偏移角，distance为相邻测点的距离。
22.优选地，所述s2.3执行前，剔除速度和加速度中的不合理的点和异常值，并对剔除后的速度和加速度结果进行可视化。
23.优选地，所述可视化过程具体为：将数据采集设备发送的gpgga格式转换为wgs84格式，再将wgs84坐标系转换为gcj02坐标系，进而完成可视化。
24.优选地，所述数据采集设备为时间精度为1s的高精车载gps和加速度传感设备，设备内置有经纬度发射仪和九轴加速度传感器。
25.与现有技术相比，本发明具有以下优点：
26.1、本发明采用时间精度为1s的高精车载gps和加速度传感设备对运输车辆进行数据采集，能够精准的对运输车辆行驶的行为进行监测，为后期预测提供精准信息。
27.2、本发明采用lstm模型，用过去24s的数据对未来的24s是否发生风险进行预测，提升预测的准确率。
28.3、本发明通过对危化品运输车辆的速度和加速度进行可视化分析，能够直观的反映出危化品运输车辆是否处于危险状态。
附图说明
29.图1为本实施例一种危化品运输车辆行驶状态的风险预测方法的流程图；
30.图2为本实施例对车辆的行驶状态是否危险的判别结果示意图；
31.图3为本实施例采用lstm建立风险预测模型的结构示意图。
具体实施方式
32.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
33.本实施例提供一种危化品运输车辆行驶状态的风险预测方法，包括以下步骤：
34.s1：利用数据采集设备，采集并存储危化品运输车辆在行驶过程中的行驶状态数据；
35.数据采集设备为时间精度为1s的高经车载gps和加速度传感设备，设备内置有经纬度发射仪和九轴加速度传感器。采集的行驶状态数据包括运输车辆的实时位置的经纬度、车速和加速度，同时监测运输车辆的行驶路线和行驶状态，对车辆的停留点、场外行驶
点、超速行驶、急加速和急减速作出判定。
36.本实施例在6辆危化品运输大货车和2辆出租车上安装有数据采集设备，并利用数据采集设备采集的实时位置的经纬度数据和高德地图api对危化品运输大货车和出租车的车辆轨迹进行可视化。可视化的过程为：先将数据采集设备发送的gpgga格式转换为wgs84格式，wgs84坐标系为真实经纬度值，由于我国地图平台一般采用gcj02坐标，因此再将wgs84坐标系转换为gcj02坐标系，从而完成可视化。
37.s2：根据所述行驶状态数据，判定危化品运输车辆当前的行驶状态是否危险；
38.s2.1：根据数据采集设备所获取的相邻测点的经、纬度数据计算相邻测点之间的距离；相邻测点为数据采集时相邻的两个点，数据采集的频率为10hz。
39.c＝sin(lata)*sin(latb)*cos(lona-lonb) cos(lata)*cos(latb)
40.distance＝r*arccos(c)*pi/180
41.式中，lata、latb、lona、lonb为分别a点的纬度、b点的纬度、a点的经度和b点的经度，r为地球半径，c为经纬度偏移角，distance为相邻测点的距离。s2.2：根据相邻测点之间的距离计算当前状态下运输车辆的速度和加速度；
42.velocity＝(d
1-d2)/δt
43.acc＝(v
1-v2)/δt
44.式中，δt为相邻测点时间间隔，且δt＝1s，velocity为危化品运输车辆行驶的速度，acc为危化品运输车辆行驶的加速度，d1和v1分别为危化品运输车辆前一0.1s的行驶的间距和行驶速度，d2和v2分别为危化品运输车辆后一0.1s的行驶的间距和行驶速度。
45.s2.3：根据计算得到的运输车辆的速度和加速度，判定危化品运输车辆的行驶状态是否危险。
46.由于车辆急加速和急减速是大货车行驶过程中发生事故的主要原因之一，且大货车本身重量大，重心高，刹车时易由于惯性作用导致货物滑落、车辆侧翻，甚至引起危化品货物起火、爆炸等危险现象发生，因此应当予以重视，加强预防。
47.根据正态分布测算并剔除速度和加速度结果中超过正态分布区间的不合理的点和异常值，并选取部分速度结果进行可视化，结果如图2所示，由图2可知，车辆的急加速和急减速易发生危险事故，且由于危化品运输车辆为大货车，大货车自身重量较大，刹车时由于惯性作用可能发生车辆侧翻、货物滑落等危险事故，而对于运输危化品的大货车来说，一旦发生事故，后果更为严重。
48.本实施例将《基于车辆轨迹数据的汽车驾驶人行为安全性评价规范》中制定的急加速和急减速的划分标准作为判定危化品运输车辆的行驶状态是否危险的依据。当危化品运输车辆的加速度处于急加速和急减速的范围内时，则判定危化品运输车辆处于危险状态，随后基于lstm模型预测危化品运输车辆在未来是否会发生事故。
49.表3为《基于车辆轨迹数据的汽车驾驶人行为安全性评价规范》中制定小客车的急加速和急减速的划分标准。
50.表3客车急加、减速划分标准
51.速度区间(km/h)安全危险(100,120](0,1.9](1.9, ∞)(80,100](0,2.3](2.3, ∞)
(60,80](0,2.7](2.7, ∞)(40,60](0,2.9](2.9, ∞)(30,40](0,3.1](3.1, ∞)(0,30](0,3.5](3.5, ∞)
52.货车的参考阈值在表3的数据基础上，根据实际场景(车辆类型、载货量等)乘以0.5～0.7的系数。表4为危化品运输大货车，取中值0.6作为系数的划分标准，划分标准如下：
53.表4货车急加、减速划分标准
54.速度区间(km/h)安全危险(100,120](0,1.14](1.9, ∞)(80,100](0,1.38](2.3, ∞)(60,80](0,1.62](2.7, ∞)(40,60](0,1.74](2.9, ∞)(30,40](0,1.86](3.1, ∞)(0,30](0,2.1](2.1, ∞)
55.本实施例提取6辆大货车在2021年4月26日当天的车速数据，按表4对大货车的加速度进行判别。结果表明，货车行驶过程中在速度为10km/h～40km/h时存在一定的急减速现象。此时应当警示司机保持安全车距，减少急踩油门、刹车的习惯以降低行驶的风险。
56.s3：基于lstm模型，构建危化品运输车辆行驶状态的风险预测模型，预测危化品运输车辆在未来是否会发生事故；
57.lstm单元包括一个输入门、输出门、遗忘门和细胞状态层，当前单元的输出可作为下一个单元的输入。其中，输入门、输出门、遗忘门和单元状态的计算公式如下所示：
58.输入门:i
t
＝σ(wc*[g
t-1
,x
t
] bf)
[0059]
遗忘门:f
t
＝σ(wf*[g
t-1
,x
t
] bf)
[0060]
单元状态:c
t
′
＝σ(wi*[g
t-1
,x
t
] bf)
[0061]ct
＝f
t
*c
t-1
i
t
*c
t
[0062]
输出门:o
t
＝σ(wo*[g
t-1
,x
t
] bf)
[0063]gt
＝o
t
*tanh(c
t
)
[0064]
其中，x
t
为当即时刻的输入，i
t
,f
t
,o
t
分别为当前时刻的输入门，遗忘门及输出门状态，σ为激活参数，wc，wf，wi，wo分别为输入门、遗忘门、单元状态和输出门的权重参数，bf为偏置参数。三个门都以relu函数作为激活函数以对单元状态进行归一化。c
t
′
为上一时刻的单元状态，c
t
为当前时刻的单元状态，*表示为矩阵元素的乘积。
[0065]
参考图3所示，本实施例建立的lstm模型包括一个输入层、一个池化层、一个lstm层、一个全连接层、一个softmax激活层和一个输出层。采用危化品运输车辆过去24s的时间戳、车速和加速度作为输入数据，输出数据包括预测的未来24s的时间戳、车速和加速度，以表3和表4作为判断标准，当预测的未来24s的加速度处于急加速和急减速的范围内时，则认为危化品运输车辆在未来会发生事故，并验证其准确性。
[0066]
其中lstm参数设置和模型结果如表5所示，由表5可得，模型预测误差均在30％以下，说明本发明的预测准确率较好，可对未来时间窗内的车速进行有效预测。
[0067]
表5 lstm结果参数
[0068]
lstm_cell_numbertrain_epochmean_absolute_errorval_lossval_mean_absolute_error20200.10860.27660.4542
[0069]
s4：根据预测结果，自主生成危化品运输车辆行驶过程的预警方案，发送至危化品紧急管控平台，由危化品运输紧急管控平台对危化品运输车辆进行行为管控。
[0070]
根据预测结果，自主生成危化品运输车辆行驶过程的预警方案，预警方案包括报警短信，提醒驾驶员平稳驾驶。将预测结果与危化品运输紧急管控平台中已有的控制方案进行关联。利用输入数据对卷积神经网络进行训练。该问题本质是时序速度数据的分类问题，因此可使用卷积神经网络提取输入数据中的特征，并进行训练、分类、和预测。网络结构包括一个输入层、三个卷积层和一个输出层，训练次数为200次。该卷积神经网络在训练集、测试集上分别达到了95％、64％的准确率，可有效地根据报警前一小时内的危险驾驶行为及控制方案进行关联。
[0071]
控制方案权限体系目的为对管理后果较为严重的管理场景，设置计算机管理权限，建立人为复核和干预机制，对特定后果严重场景，必要时实行执行人员机械操作，从而避免计算机判定和操作失误引起的管理失误后果。基于风险级别和系统误差的耦合影响分析，根据对应的管理后果严重程度类别，将风险情景主要划分为四类(依据风险等级划分)：第一类(i级等级)，管理后果严重，需要人为完成机械操作；第二类(ii级等级)，管理后果较为严重，需要人为对管理方案进行确认复核，或对特定操作步骤进行人为操作；第三类(iii级等级)，存在一定管理后果，需要人为监督，必要时人为干预中断；第四类(iv级等级)，几乎不存在管理后果。下表为控制方案逻辑图：
[0072]
表6管理权限及控制逻辑图
[0073]
场景后果等级管理权限场景1i机械操作场景2i机械操作场景3ii人为复核、特定操作场景4ii人为复核、特定操作场景5ii人为复核、特定操作场景6iii人为监督场景7iii人为监督场景8iii人为监督场景9iv自动执行场景10iv自动执行场景11iv自动执行场景12iv自动执行场景13iv自动执行场景14iv自动执行
[0074]
上述对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域
技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。