[发明专利]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

说明书

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，一、线下行车风险预测模型训练：基于事故和临近事故样本，通过对时间窗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，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；二、线上行车风险模型实时预测：在车联网环境下，实时采集预测模型所需变量参数，通过风险状态聚类中心位置和马尔可夫性质计算初始状态概率分布向量及未来任一时刻马尔可夫链n步转移概率，获得未来车辆风险状态预测结果。本发明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交通系统特征变化而变化的特征，并能满足预警实时性要求。

技术领域

本发明涉及交通安全评价和智能交通系统主动安全技术领域，特别是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。

背景技术

在对本车和周围车辆运行状态感知的基础上，研究预测汽车未来行驶风险状态，有助于实现辅助驾驶系统准确、及时的碰撞预警或干预机制。目前行车风险预警主要通过实时计算选定的预警变量并与预设的不同等级的风险阈值进行比较判断，其中应用较广的预警变量主要包括碰撞时间、车间时间和距离等。而实际上，从行车风险形成开始到发生危险冲突的整个过程很难用单一的预警参数进行描述，需要采用更复杂的模型和算法进行研究。然而，目前国内外预警模型算法通常仅考虑车辆的运行特征(如车间距、速度和加速度特征等)，而忽略了动态驾驶员行为、道路和环境变化对行车风险状态的影响，不能全面反映行车状态之间的内在演变规律，不利于行车风险模型的准确性和预测精度。因此，迫切需要研究能充分反映驾驶员行为、道路和环境变化特征的行车风险预测方法。

为实现实时行车风险预测，需要通过传感器实时采集车辆的行驶状态参数。仪器采集数据的时间间隔将连续时间变量划分成了一个离散连续时间序列t＝{1，2，...，n，...}，车辆行驶状态的变化过程相应地可以表达为一个离散序列x(t)＝{x(1)，x(2)，...，x(n)，...}。离散序列x(t)的变化过程具有很强的随机性，且系统内部状态的转移概率只与当前状态x(n)有关，而与之前的状态x(1)，x(2)，...，x(n-1)均无关，因此车辆行驶状态的演变过程具有马尔可夫性，可以通过马尔可夫链模型实时辨识和预测汽车未来运行风险状态。同时，随着车联网技术的快速发展，交通运行过程中参与各方之间行驶信息的实时交互技术日趋成熟，交通系统中动态驾驶员行为、道路和环境变化特征均可被及时获取，为实现满足上述条件的行车风险预测奠定了技术基础。

发明内容

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：

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；

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。

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。

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。

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：