一种道路交通安全评估方法

本发明涉及交通安全，更具体地说，本发明涉及一种道路交通安全评估方法。

背景技术：

1、在城市道路交通网络中，道路交通是构成城市路网系统的重要组成部分，不同类型的交通参与者都会通过道路交通参与到城市运行当中，而道路交通的安全性高低则会直接影响所有交通参与者的人身财产安全，为了降低道路交通上发生交通事故的概率，交通管理部门就需要对道路交通的安全状态进行准确评估，从而根据实际的道路交通安全状态进行后续的优化处理。

2、参考公开号为cn117809458a的专利申请公开了一种交通事故风险实时评估方法及系统，其基于高精度车辆轨迹数据，选用拓展的测距碰撞算法计算路段交通冲突情况，基于路段单位时间内的交通冲突数量、交通冲突严重程度以及冲突车辆数目对路段进行风险标定；考虑到路段交通流运行状态，从速度特性、换道行为以及交通流量三个方面选取指标构建交织区风险评价指标集，最后建立基于二元logit模型的路段风险识别模型，利用最大似然法完成模型参数估计，实现了路段交通事故风险概率实时且准确的评估；

3、现有技术存在以下不足：

4、现有的道路交通安全评估方法通过摄像监控设备采集道路交通上的实时路况信息，并经由人工分析结合自动计算后对道路交通的安全状态进行评估，由于路况信息的类型不够全面，导致对道路交通安全状态的评估结果处在局限性，使得评估结果准确度不高，并且在道路交通安全状态出现异常时，不能够快速且精确的标记出存在异常的数据，不利于道路交通的安全建设。

5、鉴于此，本发明提出一种道路交通安全评估方法以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种道路交通安全评估方法，应用于交通控制中心，包括：

2、s1：采集道路交通的历史训练数据，历史训练数据包括综合安全数据和安全状态值；

3、s2：基于历史训练数据，训练预测出安全状态值的机器学习模型；

4、s3：采集实时的综合安全数据，输入到训练完成的机器学习模型内预测出实时的安全状态值，并判断是否进入道路预警模式；若进入道路预警模式，执行s4-s5；若不进入道路预警模式，重复执行s3；

5、s4：将综合安全数据与对应的安全值比较，基于比较结果，标记出异常数据；

6、s5：基于异常数据，生成超额占比值，将超额占比值降序排列，标记出安全干预数据。

7、进一步的，综合安全数据包括道路气象、车辆加速度值、车辆密度值、车辆事故触发率和车辆混合变化度；

8、车辆加速度值的获取方法包括：

9、通过监控摄像头拍摄道路上的车辆行驶视频，并统计车辆行驶视频中机动车的数量；

10、当首次出现机动车的数量大于预设数量阈值时，将车辆行驶视频中所有的机动车标记为目标车，获得个目标车；

11、通过测速雷达分别测量个目标车驶入车辆行驶视频时的速度，获得个驶入速度，并记录个驶入速度的时刻，获得个起始时刻；

12、通过测速雷达分别测量个目标车驶出车辆行驶视频时的速度，获得个驶出速度，并记录个驶出速度的时刻，获得个终止时刻；

13、将个驶出速度分别与个驶入速度作差比较后，获得个速度差值；

14、速度差值的表达式为：

15、；

16、式中，为第个速度差值，为第个驶出速度，为第个驶入速度；

17、将个终止时刻分别与个起始时刻作差比较后，获得个行驶时间；

18、行驶时间的表达式为：

19、；

20、式中，为第个行驶时间，为第个终止时刻，为第个起始时刻；

21、将个速度差值分别与个行驶时间比较后，获得个子加速度；

22、子加速度的表达式为：

23、；

24、式中，为第个子加速度；

25、去掉小于预设加速阈值的子加速度，将余下的个子加速度累加后求平均，获得车辆加速度值；

26、车辆加速度值的表达式为：

27、；

28、式中，为车辆加速度值，为第个子加速度。

29、进一步的，车辆密度值的获取方法包括：

30、以间隔一个预设密度周期对应的时长为标准，从车辆行驶视频中截取出个相同大小且矩形的图像，获得个子图像；

31、通过比例尺测量子图像的长度和子图像的宽度，并通过矩形面积公式计算出子图像的面积；

32、依次统计个子图像中处于机动车道内的机动车的数量，获得个车辆值；

33、将个车辆值分别与子图像的面积比较，获得个子密度值；

34、子密度值的表达式为：

35、；

36、式中，为第个子密度值，为第个车辆值，为子图像的面积；

37、去掉子密度值的最大值和最小值，将余下的个子密度值累加后求平均，获得车辆密度值；

38、车辆密度值的表达式为：

39、；

40、式中，为车辆密度值，为第个子密度值。

41、进一步的，车辆事故触发率的获取方法包括：

42、a1：通过监控摄像头识别个目标车的车牌，并从交通管理数据库中筛选出与个目标车的车牌对应的交通事故；

43、a2：记录交通事故的发生时间，将发生时间处于预设事故统计周期内的交通事故标记为有效事故，并统计有效事故的数量；

44、a3：将有效事故的数量与目标车的数量比较，获得子触发率；

45、a4：重复执行次a1-a3的步骤，获得个子触发率；

46、子触发率的表达式为：

47、；

48、式中，为第个子触发率，为第个有效事故的数量；

49、a5：将大于预设子触发阈值的子触发率标记有效触发率，获得个有效触发率，并将个有效触发率累加后求平均，获得车辆事故触发率；

50、车辆事故触发率的表达式为：

51、；

52、式中，为车辆事故触发率，为第个有效触发率。

53、进一步的，车辆混合变化度的获取方法包括：

54、b1：通过计算机视觉技术识别子图像中的机动车道和非机动车道，将与非机动车道相邻的机动车道标记为目标车道；

55、b2：在t1时刻时，统计目标车道内机动车的数量和非机动车的数量，分别标记为机动车初始数量和非机动车初始数量；

56、b3：将非机动车初始数量与机动车初始数量比较后，获得初始混合度；

57、初始混合度的表达式为：

58、；

59、式中，为初始混合度，为非机动车初始数量，为机动车初始数量；

60、b4：在t2时刻时，统计目标车道内机动车的数量和非机动车的数量，分别标记为机动车结束数量和非机动车结束数量；

61、b5：将非机动车结束数量与机动车结束数量比较后，获得结束混合度；

62、结束混合度的表达式为：

63、；

64、式中，为结束混合度，为非机动车结束数量，为机动车结束数量；

65、b6：将结束混合度与初始混合度作差比较，获得子混合度；

66、子混合度的表达式为：

67、；

68、式中，为子混合度；

69、b7：重复执行次b1-b6的步骤，获得个子混合度，将个子混合度累加后求平均，获得车辆混合变化度；

70、车辆混合变化度的表达式为：

71、；

72、式中，为车辆混合变化度，为第个子混合度。

73、进一步的，预测出安全状态值的机器学习模型的训练方法包括：

74、将道路气象依次赋值，将晴天赋值为aa，阴天赋值为bb，雨天赋值为cc，冰雪天赋值为dd，大风天赋值为ee；

75、将综合安全数据转换为对应的一组特征向量，将特征向量作为机器学习模型的输入，并将每组综合安全数据对应的安全状态值作为机器学习模型的输出，以安全状态值为预测目标，以最小化所有训练数据的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练。

76、进一步的，安全状态值包括高风险状态和低风险状态；

77、当机器学习模型的输出为1时，实时的安全状态值为高风险状态；

78、当机器学习模型的输出为0时，实时的安全状态值为低风险状态；

79、是否进入道路预警模式的判断方法包括：

80、当实时的安全状态值为高风险状态时，判断进入道路预警模式；

81、当实时的安全状态值为低风险状态时，判断不进入道路预警模式。

82、进一步的，异常数据的标记方法包括：

83、将车辆加速度值与预设的加速度安全值比较，当车辆加速度值大于预设的加速度安全值时，车辆加速度值被标记为异常数据；

84、将车辆密度值与预设的密度安全值比较，当车辆密度值大于预设的密度安全值时，车辆密度值被标记为异常数据；

85、将车辆事故触发率与预设的触发安全值比较，当车辆事故触发率大于预设的触发安全值时，车辆事故触发率被标记为异常数据；

86、将车辆混合变化度与预设的混合安全值比较，当车辆混合变化度大于预设的混合安全值时，车辆混合变化度被标记为异常数据。

87、进一步的，超额占比值包括第一占比值、第二占比值、第三占比值和第四占比值；

88、第一占比值、第二占比值、第三占比值和第四占比值的生成方法包括：

89、当异常数据为车辆加速度值时，将车辆加速度值与预设的加速度安全值作差比较后，与车辆加速度值比较，获得第一占比值；

90、第一占比值的表达式为：

91、；

92、式中，为第一占比值，为预设的加速度安全值；

93、当异常数据为车辆密度值时，将车辆密度值与预设的密度安全值作差比较后，与车辆密度值比较，获得第二占比值；

94、第二占比值的表达式为：

95、；

96、式中，为第二占比值，为预设的密度安全值；

97、当异常数据为车辆事故触发率时，将车辆事故触发率与预设的触发安全值作差比较后，与车辆事故触发率比较，获得第三占比值；

98、第三占比值的表达式为：

99、；

100、式中，为第三占比值，为预设的触发安全值；

101、当异常数据为车辆混合变化度时，将车辆混合变化度与预设的混合安全值作差比较后，与车辆混合变化度比较，获得第四占比值；

102、第四占比值的表达式为：

103、；

104、式中，为第四占比值，为预设的触发安全值。

105、进一步的，安全干预数据的标记方法包括：

106、当超额占比值的数量唯一时，将超额占比值对应的综合安全数据标记为安全干预数据；

107、当超额占比值的数量不唯一时，将超额占比值由大到小降序排列；

108、当超额占比值的最大值唯一时，将排名第一位的超额占比值对应的综合安全数据标记为安全干预数据；

109、当超额占比值的最大值不唯一时，将排名并列第一位的个超额占比值对应的个综合安全数据标记为安全干预数据。

110、本发明一种道路交通安全评估方法的技术效果和优点：

111、本发明通过采集道路交通的历史训练数据，历史训练数据包括综合安全数据和安全状态值，基于历史训练数据，训练预测出安全状态值的机器学习模型，采集实时的综合安全数据，输入到训练完成的机器学习模型内预测出实时的安全状态值，根据实时的安全状态值，判断是否进入道路预警模式，将综合安全数据与对应的安全值比较，基于比较结果，标记出异常数据，基于异常数据，生成超额占比值，将超额占比值降序排列，标记出安全干预数据；相对于现有技术，通过采集影响道路交通安全状态的综合安全数据，并基于机器学习模型可以准确的预测评估出道路交通的安全状态，并在道路交通出现高风险状态时，及时且精确的标记出对道路交通造成负面影响的异常数据，并根据异常数据的具体数值大小，精确的标记出需要进行安全干预的数据，确保道路交通在出现高风险状态的第一时间制定出针对性的干预措施，从而提高道路交通的安全状态。