一种高速公路合流区域的交通事故风险预测方法

本发明涉及一种交通事故风险预测方法，具体涉及一种高速公路合流区域的交通事故风险预测方法，属于交通事故预测和分析。

背景技术：

1、

2、传统的预防高速公路匝道事故的方法聚焦于改良匝道的设计方案以及警示标志，或者运用智能交通运输系统在宏观上控制交通流来寻求最佳匝道流量控制，以减少事故发生。上述方法无法针对高速公路合流区域内的车辆驾驶行为进行主动识别，也无法对高速公路合流区域的交通事故风险进行有效预测。

技术实现思路

1、基于以上背景，本发明的目的在于提供一种高速公路合流区域的交通事故风险预测方法，能够主动对高速公路合流区域的车辆驾驶行为进行识别，并对高速公路合流区域的交通事故风险进行有效预测。

2、为了实现上述发明目的，本发明提供以下技术方案：

3、一种高速公路合流区域的交通事故风险预测方法，该方法包括以下步骤：

4、获取车辆危险驾驶行为历史数据及其对应的交通流量历史数据并将其作为模型自变量，获取高速公路合流区域交通事故历史数据并将其作为模型因变量，建立基于机器学习的逻辑回归模型并进行训练，获得训练完毕的逻辑回归模型；

5、获取高速公路合流区域车辆实时数据以及高速公路合流区域交通流量实时数据，根据高速公路合流区域车辆实时数据，通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为，通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为；

6、将具有危险驾驶行为的车辆实时数据以及高速公路合流区域交通流量实时数据输入训练完毕的逻辑回归模型，预测车辆在高速公路合流区域的交通事故风险。

7、作为优选，所述建立基于机器学习的逻辑回归模型并进行训练包括：

8、将模型自变量和模型因变量中的一部分数据分别通过随机欠采样与过采样处理进行数据平衡，建立多个数据量比例不同的采样数据作为训练数据集，将模型自变量和模型因变量中的另一部分数据作为测试数据集；

9、将训练数据集代入逻辑回归模型进行训练，获得具有不同参数的多个逻辑回归模型，将数据测试集代入多个逻辑回归模型进行测试，并比对多个逻辑回归模型对交通事故风险的预测灵敏度和误报率，根据预测灵敏度和误报率表现选出训练完毕的逻辑回归模型。

10、作为优选，所述逻辑回归模型的数学表达式为：

11、

12、式中，y为属于默认类别的预测概率，α为截距项，x为模型自变量的向量，β为对应系数的向量。

13、作为优选，所述训练数据集和所述测试数据集的数据量比例为7：3。

14、作为优选，所述训练完毕的逻辑回归模型的模型自变量和模型因变量的数据量比例为1：1。

15、作为优选，所述通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为包括：

16、对高速公路合流区域车辆实时数据进行平滑滤波预处理；

17、通过端点检测算法确定驾驶行为的开始时间和结束时间；

18、将确定完毕开始时间和结束时间的驾驶行为作为测试事件，通过动态时间弯曲算法对比测试事件和包括多种驾驶行为样本的训练事件之间的差异而识别车辆的驾驶行为。

19、作为优选，所述通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为包括：

20、确定贝叶斯分类算法的数学表达式为：

21、

22、式中，r1为危险驾驶行为类，r2为正常驾驶行为类，s为驾驶行为的观测值；

23、给定危险驾驶行为类和正常驾驶行为类的驾驶事件的先验概率，通过比较后验概率获得系统输出，若p(r1∣s)>p(r2∣s)则分类为危险驾驶行为，若p(r1∣s)<＝p(r2∣s)则分类为正常驾驶行为。

24、作为优选，在预测车辆在高速公路合流区域的交通事故风险之后，该高速公路合流区域的交通事故风险预测方法还包括以下步骤：

25、对高速公路合流区域交通流量实时数据中的图像数据进行处理，获得运动前景监测图像数据，将具有危险驾驶行为的车辆实时数据匹配运动前景监测图像数据，持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪。

26、作为优选，所述获得运动前景监测图像数据包括：

27、从高速公路合流区域交通流量实时数据中的图像数据中提取背景图像；

28、将拉伸后的当前帧图像与背景图像进行差分计算，获得背景差分图；

29、将背景差分图进行去噪和二值化操作，获得二值化的运动前景监测图像。

30、作为优选，所述持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪包括：

31、对运动前景监测图像进行过滤，获得当前帧高速公路合流区域内各车辆信息；

32、将具有危险驾驶行为的车辆实时数据匹配当前帧高速公路合流区域内各车辆信息；

33、持续性定位及标示高速公路合流区域内具有危险驾驶行为的车辆。

34、与现有技术相比，本发明具有以下优点：

35、本发明的一种高速公路合流区域的交通事故风险预测方法，能够主动对高速公路合流区域内各车辆的危险行为进行识别与跟踪，并对整个区域内的事故风险进行预测；本发明能够对高速公路合流区域进行实时监控，即使发生事故也可以第一时间进行定位，提高了匝道交通事故的响应速度和处理速度；本发明收集车载导航软件的实时车辆信息数据结合图像数据，相较于单一收集图像数据，环境适应性更强，所受干扰更小。

技术特征：

1.一种高速公路合流区域的交通事故风险预测方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述建立基于机器学习的逻辑回归模型并进行训练包括：

3.根据权利要求2所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述逻辑回归模型的数学表达式为：

4.根据权利要求2所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述训练数据集和所述测试数据集的数据量比例为7：3。

5.根据权利要求2所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述训练完毕的逻辑回归模型的模型自变量和模型因变量的数据量比例为1：1。

6.根据权利要求1所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为包括：

7.根据权利要求1所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述通过贝叶斯分类算法将车辆的多种驾驶行为分类为正常驾驶行为和危险驾驶行为包括：

8.根据权利要求1所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：在预测车辆在高速公路合流区域的交通事故风险之后，该高速公路合流区域的交通事故风险预测方法还包括以下步骤：

9.根据权利要求8所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述获得运动前景监测图像数据包括：

10.根据权利要求8所述的一种高速公路合流区域的交通事故风险预测方法，其特征在于：所述持续性的定位及标示所述图像数据中具有危险驾驶行为的车辆以对其进行跟踪包括：

技术总结本发明提供一种高速公路合流区域的交通事故风险预测方法，该方法包括以下步骤：获取车辆危险驾驶行为历史数据及其对应的交通流量历史数据并将其作为模型自变量，获取高速公路合流区域交通事故历史数据并将其作为模型因变量，建立基于机器学习的逻辑回归模型并进行训练；获取高速公路合流区域车辆实时数据以及高速公路合流区域交通流量实时数据，通过端点检测算法和动态时间弯曲算法识别车辆的多种驾驶行为，通过贝叶斯分类算法将车辆的多种驾驶行为分类；将实时数据输入训练完毕的逻辑回归模型，预测交通事故风险。本发明能够主动对高速公路合流区域的车辆驾驶行为进行识别，并对高速公路合流区域的交通事故风险进行有效预测。技术研发人员：韦泽,刘辉受保护的技术使用者：中国计量大学技术研发日：技术公布日：2024/7/25