[发明专利]一种高速公路交织区交通安全状态预测方法

权利要求书

1.一种高速公路交织区交通安全状态预测方法，其特征在于，该方法包括以下步骤：

步骤1)获取交织区进出口匝道的坐标信息，在交织区进口处上游、进口处、出口处、出口处下游和进、出口匝道处分别安装一个交通流检测设备；

步骤2)以步骤1)中进口处上游和出口处下游所安装的两个交通流检测设备之间的区域为研究区域，获取该研究区域内的若干历史事故数据，每条事故数据包含事故发生时间和地点；

步骤3)对于步骤2)中的每条事故数据，获取该研究区域事故发生前设定时间T内的交通流数据，得到事故样本；其中，交通流数据包括每个交通流检测设备检测到的每条车道的交通流量、车道占有率和车辆速度；

步骤4)对于步骤2)中的每条事故数据，随机获取预设r条该研究区域内无事故发生时设定时间T内的交通流数据，得到非事故样本；

步骤5)将步骤3)中每条事故样本和步骤4)中每条非事故样本的交通流数据转化为如下的RGB矩阵形式，并进行min-max标准化处理；

其中：c＝1,2,3代表通道编号，分别对应交通流量、车道占有率和车辆速度；i＝1,2,…,6；为在设定时间T内第i个交通流检测设备检测到的第j个车道上第n个交通流量/车道占有率/车辆速度；N＝T/s代表在设定时间T内第i个交通流检测设备检测到的数据个数，s为采样步长，n＝1,2,…,N；

步骤6)构建第一卷积神经网络，以步骤5)得到的事故样本和非事故样本作为输入；其中，第一卷积神经网络包括依次连接的z个卷积层和门限卷积层的堆叠结构、一个全连接层以及聚类层，卷积层的输出为事故样本和非事故样本的空间特征，门限卷积层的输出为事故样本和非事故样本的空间特征，全连接层的输出事故样本和非事故样本的时空特征，聚类层按照设定分类个数对事故样本和非事故样本的时空特征进行无监督分类；

步骤7)设定若干种分类个数，利用深度聚类层进行无监督分类，并利用Spearman相关性分析选择与事故风险相关性最强的分类个数cs，将事故样本和非事故样本划分为cs个交通流状态；

步骤8)依据步骤7)的cs个交通流状态，构建出cs-1个指示变量，以事故风险为因变量、cs-1个指示变量为解释变量建立Logistic回归模型，利用最大似然估计获取Logistic回归模型的参数；根据每个指示变量的模型系数值计算出相应交通流状态的比值比，比值比越大表明对应的交通流状态越危险，按照比值比由大到小对cs个交通流状态进行排序，最大比值比对应的交通流状态的危险级别为1级、最小比值比对应的交通流状态的危险级别为cs级；

步骤9)依据步骤8)中的危险级别对事故样本和非事故样本设置标签，形成训练样本集，对第二卷积神经网络进行训练，得到交通安全状态预测模型；其中第二卷积神经网络包括依次连接的z个卷积层和门限卷积层的堆叠结构、一个全连接层，全连接层的输出为样本对应的标签；

步骤10)将实时的获取该研究区域的交通流数据按照步骤5)的方法进行处理后，输入交通安全状态预测模型，得到实时的交通流状态危险级别。

2.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤1)中进口处与进口处上游安装的交通流检测设备之间的距离d1＝300～500米；进口处与出口处安装的交通流检测设备之间的距离d2＝800米；出口处及其下游按照的交通流检测设备之间的距离d3＝300～500米。

3.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤3)中设定时间T为事故发生前的5-35分钟。

4.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤4)中r＝10。

5.根据权利要求1或3所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤5)中s＝30s；N＝30。

6.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤6)和9)中第一和第二卷积神经网络训练采用交叉熵损失函数。

7.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤6)中和9)卷积层的激活函数为ReLU函数，门限卷积层的激活函数为Sigmoid函数。