[发明专利]基于logistic模型的高速公路转换区严重冲突识别方法

说明书

本发明涉及交通安全技术领域，公开了一种基于logistic模型的高速公路转换区严重冲突识别方法，获取车辆行驶的连续轨迹数据得到车辆的实时数据，设置自变量，运用K‑means聚类法进行离散化处理，获取每个自变量的离散取值，定义哑变量，再通过logistic模型，进行拟合，得到回归系数，取得发生严重冲突事件的概率，然后采用K‑means聚类法对平均速度和加速度进行分类，形成不同区间的聚类组合，计算聚类组合相应发生严重冲突事件的概率，若大于预设的严重冲突阈值，即说明车辆在转换区的该聚类组合存在严重冲突。本发明一中基于logistic模型的高速公路转换区严重冲突识别方法，分析多因素对车辆严重冲突的影响程度，以识别高速公路转换区的严重冲突，提高转换区交通的安全和效率。

技术领域

本发明涉及交通安全技术领域，具体涉及一种基于logistic模型的高速公路转换区严重冲突识别方法。

背景技术

高速公路转换区作为典型的高速公路改扩建瓶颈路段，道路条件复杂，处于中央分隔带处，曲率半径小，交通冲突识别困难，交通安全问题突出。

根据调查，目前识别严重冲突的常用方法主要有：碰撞时间、后侵入时间和碰撞时间差，在识别冲突类型的过程中，适用于追尾冲突，能较好的识别交通冲突，受到了广泛的应用。但是这些方法针对的是特定类型的交通冲突，未考虑车辆加速度等参数对交通冲突的影响。同时，也缺乏对高速公路转换区这一特定场景的严重冲突识别研究，考虑的因素不全面，未考虑单车、交通流、道路等因素的融合，对转换对转换区严重冲突的影响程度。

发明内容

本发明的目的就是针对上述技术的不足，提供一种基于logistic模型的高速公路转换区严重冲突识别方法，分析多因素对车辆严重冲突的影响程度，以识别高速公路转换区的严重冲突，提高转换区交通的安全和效率。

为实现上述目的，本发明所设计的基于logistic模型的高速公路转换区严重冲突识别方法，包括如下步骤：

A)使用雷达获取高速公路上若干个转换区的车辆行驶的连续轨迹数据，经坐标转换处理得到车辆的实时数据；

B)设置自变量X_m，自变量X_m由车辆因素、交通流因素和道路因素分解取得，所述车辆因素和交通流因素由所述步骤A)得到的实时数据取得，所述车辆因素包括平均速度和加速度，所述道路因素由转换区的道路信息计算取得，运用K-means聚类法进行离散化处理，定义离散判别，获取每个所述自变量X_m的n个离散取值，n为自然数，然后以各自变量X_m的第一个离散取值为参照项，定义剩余离散取值对应自变量X_m的哑变量X_m(n-1)，再通过logistic模型，进行拟合，得到每个自变量X_m对应第n个离散取值的回归系数β_m(n-1)，n≥2，取得发生严重冲突事件的概率P(y_i)，

g(y_i)＝α+β₁₁X₁₁+...+β_m(n-1)X_m(n-1)

式中，y_i为编号i的车辆发生的严重冲突事件，α为截距，为常量；

C)统计分析所述步骤A)取得的车辆的实时数据，得到车辆的平均速度和加速度，采用K-means聚类法对平均速度和加速度进行分类，形成不同区间的平均速度和加速度的聚类组合；

D)依据所述步骤C)中各聚类组合的平均速度和加速度代入所述步骤B)中进行计算，取得计算不同聚类组合相应发生严重冲突事件的概率P(y_i)，若P(y_i)大于预设的严重冲突阈值，即说明车辆在转换区的该聚类组合存在严重冲突。