一种基于多模态物联感知的公路风险模拟避让系统及方法与流程

本发明属于智慧交通，具体涉及一种基于多模态物联感知的公路风险模拟避让系统及方法。

背景技术：

1、交通预警系统为城市交通管理提供更加高效、智能的解决方案。交通预警系统通过提供交通预警和路线优化服务，为人们出行提供便利，同时也帮助规避交通拥堵，提高城市交通的通行效率，同时兼具道路监测的功能，通过实时监测道路交通状况，及时发现潜在的危险，如行人穿越斑马线等，并提醒驾驶员注意，从而减少交通事故的发生。

2、但传统的监测功能不能实现风险建模预警和风险避让，以及缺乏多车辆相撞实时预测功能，缺乏多车辆相撞实时预测功能，因此需要一种实时监测多车辆交通数据、环境信息以及用户行为模式，建模并预测并警示视线受阻或路况复杂地段的潜在交通事故风险，同时给出避让解决方案进一步减少交通事故发生。

技术实现思路

1、本发明提供了一种基于多模态物联感知的公路风险模拟避让系统及方法，解决了传统的监测功能不能实现风险建模预警和风险避让，以及缺乏多车辆相撞实时预测功能的问题。

2、为了解决上述技术问题，本发明的技术方案为：一种基于多模态物联感知的公路风险模拟避让系统，包括物联网云平台与智慧交通子系统；所述物联网云平台包括物联网设备与云平台服务器；所述物联网云平台通过互联网将物联网设备信息连入；所述智慧交通子系统通过互联网与物联网云平台连接；

3、所述云平台服务器，用于监测并存储路况信息，并通过路况信息预测车辆碰撞概率；所述物联网设备，用于查看云平台服务器监测的路况信息；

4、所述智慧交通子系统，用于应急指挥，并根据物联网云平台预测的车辆碰撞概率，启动辅助转向避让功能。

5、进一步地，所述云平台服务器包括数据监控与采集模块、数据库、数据分析与处理模块以及监测预警模块；

6、所述物联网设备包括手机、计算机和平板电脑，用于展示路况信息以及车辆碰撞概率，并提醒用户进行避险；

7、所述智慧交通子系统包括应急指挥模块以及智能避险模块；

8、所述数据监控与采集模块，用于采集路况信息；

9、所述数据库，用于存储数据监控与采集模块采集的路况信息；

10、所述数据分析与处理模块，用于对数据库中的路况信息进行数据分析与处理；

11、所述监测预警模块，用于通过分析与处理后的数据预测车辆碰撞概率；

12、所述应急指挥模块，用于进行决策辅助以及安全应急；

13、所述智能避险模块，用于根据车辆碰撞概率启动辅助转向避让功能。

14、本发明的有益效果是：（1）通过监测预警模块实时预测高风险地段行车路径，并根据建筑信息、车辆信息进行建模，基于多车辆行驶路径预测碰撞概率，预测概率更精准且具备实时性；

15、（2）通过物联网云平台进行信息数据处理，利用物联网设备，例如智能终端app等推送，展示交通信息；

16、（3）通过应急指挥模块，对交通环境监控并通过大数据与交通发展分析为车辆通畅运行提供应急处理，还可利用监控对车辆进行指挥，同时通过智能避险模块提示用户避让风险，具有一定的实际引导效果，在高危的交通环境下行驶遇到危险仍然没有反应或来不及思考如何避让的情况下，能更大程度的降低事故发生概率。

17、本发明还提供了一种基于多模态物联感知的公路风险模拟避让方法，包括以下步骤：

18、s1、通过数据监控与采集模块实时采集当前路段的路况信息以及路段特征参数，并存储至数据库中；

19、s2、通过数据分析与处理模块对数据库中的路况信息进行车辆自适应区域选取，筛选出多个监测车辆；

20、s3、提取多个监测车辆的历史驾驶行为数据以及路况特征；

21、s4、基于历史驾驶行为数据以及路况特征，通过监测预警模块构建历史驾驶行为模型，并根据路段特征参数构建场景模型；

22、s5、通过历史驾驶行为数据提取历史交通路况信息，并通过场景模型提取静态特征数据；

23、s6、根据静态特征数据构建空间特征矩阵，并根据历史交通路况信息构建时空特征矩阵；

24、s7、将空间特征矩阵和时空特征矩阵进行特征加权融合，得到多模型融合评估结果，根据多模型融合评估结果得到车辆碰撞概率；

25、s8、将车辆碰撞概率发送至物联网设备以及智慧交通子系统中，提示车主避险调整转向，并通过智能避险模块启动辅助转向避让功能。

26、本发明的有益效果是：本发明能够实时预测高风险地段行车路径，传统预警方法仅能结合历史数据给出风险发生的概率，同时根据建筑信息以及车辆信息进行建模，对多车辆行驶路径预测撞击概率，预测概率更精准且具备实时性。

27、进一步地，所述s2的具体步骤为：

28、s21、通过数据分析与处理模块对数据库中的路况信息进行分析，提取多个车辆信息；

29、s22、将多个车辆信息进行两两分组，将两两分组的前后两车作为观测样本，判断前后两车是否位于同一车道且行驶方向相同，若是，则进入s24，否则，进入s23；

30、s23、判断前后两车是否位于不同车道且行驶方向偏向角相差度数为180°以内，若是，则进入s24，否则，取消两车作为观测样本；

31、s24、判断前后两车在5秒内是否相撞，若是，则将两车标记为监测车辆，否则，取消两车作为观测样本。

32、上述进一步方案的有益效果为：对当前路段同一时间涉险车辆进行筛选，实时计算量会对服务器造成不小的性能影响，因此通过自适应区域选取，筛选监测车辆，可缓解现有硬件压力。

33、进一步地，所述s24中判断前后两车在5秒内是否相撞的公式为：

34、

35、

36、

37、其中，表示时间内后车的位移，表示后车的初始位置，表示后车的初始速度，表示后车的加速度，表示时间内前车的位移，表示前车的初始位置，表示前车的初始速度，表示前车的加速度，表示时间，取5s。

38、进一步地，所述路段特征参数包括路段集合中的各个路段的路段长度、路段宽度、路段车道数量以及路段类型中的至少一种；所述路段特征参数还包括路段的环境特征数据。

39、进一步地，所述s6中空间特征矩阵的元素为，其中，，表示目标路段与邻居路段的总个数，表示实数，表示静态特征数据，表示路段编号，表示该路段的静态特征数据；

40、所述空间特征矩阵的x轴表示目标路段以及邻居路段，所述空间特征矩阵的z轴表示静态特征数据。

41、进一步地，所述s6中时空特征矩阵由划分窗口后的历史交通路况信息构建；

42、所述时空特征矩阵中的元素为，其中，，表示将历史时间段按照预设时间间隔划分得到的历史时间窗口的数量，表示历史路况信息，表示划分的时间矩阵；

43、所述时空特征矩阵的x轴表示目标路段以及邻居路段，所述时空特征矩阵的y轴表示历史时间窗口，所述时空特征矩阵的z轴表示历史路况信息。

44、上述进一步方案的有益效果为：通过获取历史路况的时空特征，考虑了多个因素对多车辆相撞实时预测的影响，使预测结果更具备准确性。

45、进一步地，所述s7中进行特征加权融合的计算公式为：

46、

47、

48、

49、其中，表示多模型融合评估结果，即包含道路建筑信息的车辆相撞预测概率，表示矩阵张量积，表示矩阵异或运算，表示激活函数，表示多车辆二维路线交叉预测概率，表示前车相对偏向概率，表示后车相对偏向概率，表示多车辆纵坐标矩阵偏向概率，表示多车辆纵位移矩阵，表示多车辆横坐标矩阵偏向概率，表示多车辆横坐标位移矩阵。

50、上述进一步方案的有益效果为：将路段特征参数和时空特征矩阵融合得到多模态的评估模型，可进一步校准道路建筑信息，使多模型融合评估结果更加准确。

51、进一步地，所述多车辆二维路线交叉预测概率中两车辆二维路线交叉预测概率的计算公式为：

52、

53、

54、

55、

56、

57、

58、

59、

60、其中，表示两车横坐标偏差，表示两车纵坐标偏差，表示车辆1预测相撞点的二维横坐标，表示车辆1预测相撞点的二维纵坐标，表示车辆1的转向半径，表示车辆2的转向半径，表示车辆1移动偏向角，表示车辆2移动偏向角，表示车辆1移动偏向角，表示车辆2移动偏向角，表示车辆2预测相撞点的二维横坐标，表示车辆1预测相撞点的二维纵坐标。

61、上述进一步方案的有益效果为：通过两车二维平面的位移偏差概率，从而推断出两车相撞的概率，从而得到多车辆二维路线横纵坐标交叉预测概率，实现多车辆相撞实时预测。