[发明专利]一种基于隐马尔可夫模型的行车危险度预测方法

说明书

本发明公开了一种基于隐马尔可夫模型的行车危险度预测方法，一、基于车辆运行特征通过聚类分析方法对行车风险状态进行划分；二、对于不同的行车风险状态，通过多项logistic模型估计驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响；三、以风险状态为隐含状态，以实际观测的车辆运动变量为状态输出值，以多项logistic模型参数为状态转移概率矩阵的参数初始值，建立反映行车状态演变规律的隐马尔可夫链模型；四、实时获取车辆运行特征，并以隐马尔可夫链模型为基础，实时预测未来风险状态。本发明建立了可反映以上特征实时变化的具有可变状态转移概率的隐马尔可夫模型，提高了行车风险模型的准确性和预测精度，并可满足防碰撞预警实时性要求。

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，特别是一种基于隐马尔可夫模型的行车危险度预测方法。

背景技术

汽车保有量的增加和公路运输业的飞速发展，在繁荣经济和方便人们生活的同时，对公路交通安全环境带来了日益严重的压力。我国平均年发生交通事故死亡人数居世界首位，道路交通事故已经成为中国安全生产中死亡人数最多的领域。据多项研究报告表明，若驾驶员能提早0.5s意识到有事故危险并采取相应的正确措施，则可以避免50％的事故；若提早至1s则可以避免90％的事故。因此，车辆主动安全技术和系统研发已成为智能车辆开发的重要研究领域。

行车危险度预测作为实现智能车辆主动安全系统的关键部分，通过有机结合感知、通信和控制等相关技术，减少驾驶员的负担和避免驾驶员的判断错误，可以有效减少道路交通事故伤亡率，对于提高道路交通安全将起到重要作用。目前行车危险度预测主要通过实时计算选定的预警变量并与预设的不同风险等级阈值进行比较判断，进而建立不同的控制策略。现有应用较广的预警变量主要包括车间时间THW，碰撞时间TTC和车间距离等。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，需要采用更复杂的算法和模型进行研究。同时，目前现有预警模型算法通常仅考虑车辆的运行特征(如速度特征和加速度特征)，而忽略了实时的驾驶员行为、道路和环境变化对行车风险状态的影响，不能全面刻画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，有必要研究充分考虑驾驶员行为、道路和环境特征的行车危险度预测方法。

目前，正在快速发展的车联网将先进的传感器技术、通信技术、数据处理技术、网络技术、自动控制技术、信息发布技术等有机地运用于整个交通运输管理体系，可以实现在交通运行过程中参与各方之间行驶信息的实时交互，为实现满足上述条件的行车危险度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隐马尔可夫模型的行车危险度预测方法，包括如下步骤：

S1：基于车辆运行特征通过聚类分析方法对行车风险状态进行划分；

S2：对于不同的行车风险状态，通过多项logistic模型估计驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响；

S3：以S1得到的风险状态为隐含状态，以实际观测的车辆运动变量为状态输出值，以S2得到的多项logistic模型参数为状态转移概率矩阵的参数初始值，建立反映行车状态演变规律的隐马尔可夫链模型；

S4：实时获取S1中的车辆运行特征，并以隐马尔可夫链模型为基础，实时预测未来风险状态。

进一步，所述车辆运行特征包括车辆行驶信息、驾驶员信息、道路信息及环境信息。

进一步，所述车辆行驶信息包括本车速度，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；所述驾驶员信息包括事故或邻近事故发生前驾驶员操纵行为，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；所述道路信息包括车道数，交通流密度，道路线形及道路纵坡；所述环境信息包括照明情况，天气状况及路面状况。