[发明专利]一种信号交叉口驾驶员停车时间预测方法

权利要求书

1.一种信号交叉口驾驶员停车时间预测方法，其特征在于，包括以下步骤：

步骤100，建立数据集：采集驾驶数据，建立信号交叉口数据集，驾驶数据包括：试验条件，车辆信息，驾驶员信息，干扰活动，交通环境，交通状态和驾驶信息，试验条件包括：自然驾驶状态、测试车实地驾驶或驾驶模拟器；车辆信息包括：车型和车龄；驾驶员信息包括：性别、年龄、驾龄和驾驶习惯；干扰活动包括：电话使用、导航、喝水和化妆；交通环境包括：交通控制和信号配时；交通状态包括：交通流量；驾驶信息包括：黄灯信号启亮时的车速、车辆到停车线的距离和停车时间；

步骤101，停车时间分布分析：采用生存分析法对步骤100中建立的数据集进行分析，根据不同变量将数据集进行分组，对总体停车时间分布及不同分组的停车时间分布进行分析，确定群体差异性的存在；

步骤102，建立基于AFT方法的时间模型：以停车时间为因变量，相关影响因素为自变量，基于AFT模型对变量进行分布拟合，所述分布包括：Weibull分布、Gamma分布、Log-logistic分布和Log-normal分布，比较模型拟合优度和预测精度，进行模型比选；

步骤103，差异性分析：基于步骤101进行差异性分析，从而对步骤102建立的模型进行修正优化，差异性分析包括：未观测变量引起的差异性分析、驾驶员群体之间的差异性分析及个体差异性分析；

步骤104，对驾驶员停车时间进行预测：将修正后的模型与修正前的模型进行比较，选取拟合优度与预测精度最优的模型描述停车时间与相关影响因素之间的函数关系，对驾驶员停车时间做出有效预测。

2.如权利要求1所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤101的具体步骤为：

步骤200，将步骤100中的数据集中的停车时间设定为生存分析模型的生存时间变量；

步骤201，对步骤100中的数据集构建总体Kaplan-Meier生存曲线，对总体停车时间分布进行分析；

步骤202，根据不同变量将步骤100的数据集进行分组，对各组数据分别构建Kaplan-Meier生存曲线，比较不同分组数据的停车时间分布，确定群体差异性的存在。

3.如权利要求2所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤102的具体步骤为：

步骤300，以停车时间作为因变量，相关影响因素作为自变量，

步骤301，基于AFT模型对变量进行分布拟合，针对不同的停车时间分布函数分别构建AFT模型；

logt_j＝X_jβ+Z_j

式中，log(t_j)为对数函数；X_j是个体j的自变量向量；β是回归系数向量；Z_j是相应停车时间分布下不同的概率密度误差项；t_j为个体j的停车时间；

步骤302，对步骤301中构建的AFT模型进行模型比选，选取拟合优度与预测精度最优的模型，利用AIC与BIC值比较模型拟合优度，AIC和BIC值越小，模型的拟合优度越好；选用平均绝对百分误差MAPE比较模型的预测精度，MAPE值越小，模型预测精度越好。

4.如权利要求3所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤103的具体步骤为：

步骤400，基于步骤101进行未观测变量引起的差异性分析；

步骤401，基于步骤101进行驾驶员群体之间的差异性分析；

步骤402，基于步骤101进行个体差异性分析，从而对模型进行修正优化。

5.如权利要求4所述的信号交叉口驾驶员停车时间预测方法，其特征在于，步骤400的具体步骤为：

步骤500，用修正因子α对模型进行修正建模；修正因子α是一个随机正数，假设其均值为1，方差为θ，为了计算方便，修正因子α选用两种分布，伽马(1/θ,θ)分布和逆高斯(1,1/θ)分布；

步骤501，针对步骤500中修正因子α的不同分布分别构建未观测变量修正模型；

步骤502，按照步骤302的方法对修正模型进行比选。