一种基于汽车运动状态时序数据的交通冲突判别方法

专利主权项内容

1.一种基于汽车运动状态时序数据的交通冲突判别方法，其特征在于，是按如下步骤进行：步骤一、道路交叉口的选择以及车辆的运动学状态数据的采集和预处理；步骤1.1、从道路交通出行信息系统中采集z个交叉口处帧率为θ的早高峰视频数据，并从第i个道路交叉口中提取任意机动车A以及任意机动车B的运动学状态数据，包括：机动车位置、速度和加速度、横纵向速度和横纵向加速度；i＝1, 2, ..., z；步骤1.2、若机动车A和机动车B在第i个道路交叉口的同一条水平直线上相互逼近，则执行步骤1.2.1-步骤1.2.2，若机动车A和机动车B在第i个道路交叉口处以交错方式相互逼近，则执行步骤1.2.3-步骤1.2.4；步骤1.2.1、若机动车A和机动车B在第i个道路交叉口的同一条水平直线上同向行驶，且机动车A为前车，机动车B为后车，则利用式(1)计算t时刻下的机动车A和机动车B在第i个道路交叉口的碰撞时间TTC(t)，从而得到所有n时刻下第i个道路交叉口的同向碰撞时间并选取最小值，记为minTTC：A, BA, B式(1)中，L(t)表示t时刻下第i个道路交叉口处的后车B的车头到前车A的车尾之间的距离，v(t)表示t时刻下第i个道路交叉口处后车B的速度，v(t)表示t时刻下第i个道路交叉口处前车A的速度；A, BBA若当前机动车A和机动车B在第i个道路交叉口的同一条水平直线上对向行驶，则利用式(1)计算t时刻下第i个道路交叉口的机动车A和机动车B的碰撞时间TTC′(t)，从而得到所有n时刻下第i个道路交叉口的同向碰撞时间并选取最小值，记为minTTC；A, BA, B式(1)中，L′(t)表示t时刻下第i个道路交叉口处机动车A和机动车B的车头之间的距离，v(t)、v(t)分别表示t时刻下第i个道路交叉口的机动车A和动车B的速度；A, BAB步骤1.2.2、利用式(3)计算t时刻下第i个道路交叉口处机动车A和机动车B的交通冲突风险度量指标从而得到所有n时刻下第i个道路交叉口的交通冲突风险度量指标并选取最小值，记为/>式(3)中，D(t)表示t时刻下第i个道路交叉口处机动车A和机动车B保持当前行驶方向不变时，两车预期轨迹相交点与机动车A的距离，D(t)表示t时刻下第i个道路交叉口处机动车A和机动车B保持当前行驶方向不变时，两车预期轨迹相交点与机动车B的距离；AB步骤1.3、判断第i个道路交叉口处的k个机动车冲突的候选事件，其中每个机动车冲突的候选事件的判断规则为：若第i个道路交叉口处的机动车A或机动车B的纵向加速度绝对值≥g且minTTC≤κ，则表示第i个道路交叉口处的机动车A和机动车B为追尾或对向冲突的候选事件；1A, B若第i个道路交叉口处的机动车A或机动车B的横向加速度绝对值≥g且则表示第i个道路交叉口处的机动车A和机动车B为有角度冲突的候选事件；2其中，g表示追尾或对向冲突候选事件中机动车A或机动车B的纵向加速度绝对值阈值，κ表示追尾或对向冲突候选事件中机动车A和机动车B的minTTC阈值，g表示有角度冲突的候选事件中机动车A或机动车B的纵向加速度绝对值阈值，τ表示有角度冲突的候选事件中机动车A和机动车B的阈值；1A, B2步骤1.4、利用式(4)计算所有n时刻下第i个道路交叉口处任意一个机动车冲突候选事件中机动车A与机动车B的后侵入时间指标：PET＝t-t (4)A, BAB式(4)中，t表示后经过两车预期轨迹相交点的机动车A的车头到达第i个道路交叉口处相交点的时刻，t表示先经过两车预期轨迹相交点的机动车B的车尾离开第i个道路交叉口处相交点的时刻；AB步骤1.5、对第i个道路交叉口处机动车冲突的候选事件中两机动车的运动学状态数据进行做差后，得到第i个道路交叉口的第j个冲突候选事件中机动车的横向作差速度v、纵向作差速度v、横向作差加速度a、纵向作差加速度a；i＝1, 2, 3, ..., z，j＝1, 2, ..., k；xijyijxijyij步骤二、根据运动学状态作差数据，对每个道路交叉口分别建立离散傅里叶变换模型，并利用其变换所得频谱图获得面积数据，构建数据矩阵；步骤2.1、定义步长为n；步骤2.2、将v、v、a、a中的任意一个作差数据记为时域数据x，并利用式(5)对x进行离散傅里叶变换后，得到频带为f时的频域数据X：xijyijxijyijttf式(5)中，f＝0, 1, 2, ..., n-1；t＝0, 1, 2, ..., n-1；θ表示虚数单位；步骤2.3、设定截止频率为画出X的频谱图，并将所得频谱图与坐标轴围成的区域在频率方向等分为Ψ个部分，求取每个部分的面积{S|μ＝2, 3, ..., Ψ}以及总面积S，其中，S表示第μ个部分的面积；fμμ步骤2.4、利用式(6)构建第i个道路交叉口的第j个冲突候选事件的数据矩阵X：ij式(6)中，分别表示v经离散傅里叶变换后的频谱图中第μ个部分的面积和总面积，/>分别表示v经离散傅里叶变换后的频谱图中第μ个部分的面积和总面积，/>分别表示a经离散傅里叶变换后的频谱图中第μ个部分的面积和总面积，分别表示a经离散傅里叶变换后的频谱图中第μ个部分的面积和总面积；yijxijyijxij步骤三、利用式(7)建立第i个道路交叉口的第j个机动车冲突候选事件的归一化矩阵数据X：i, j, norm式(7)中，表示X的均值，且/>σ表示X的标准差，且i, ji, ji, j步骤四、分别建立第i个道路交叉口的2DPCA算法的降维模型；步骤4.1、利用式(8)得到第i个道路交叉口的协方差矩阵G：i式(8)中，表示第i个道路交叉口的平均矩阵，且/>T表示转置；步骤4.2、求出协方差矩阵G的4个特征值并进行降序排序后，得到排序后的特征值{λ|l＝1, 2, 3, 4}及其相应的正交特征向量{π|l＝1, 2, 3, 4}；其中，λ表示G的第l个特征值，π表示G的第l个特征值对应的特征向量；ii, li, li, lii, li步骤4.3、定义所选择的特征值的数量为d，并初始化d＝1；步骤4.4、计算累计贡献率其中，λ表示第l′个特征值；i, l′步骤4.5、若Q≥Q；则将d个特征值{λ|l′＝1, 2, ..d.}, 所对应的正交特征向量{π|l′＝1, 2, ..., d}组成最优投影矩阵V，否则，将d+1赋值给d后，返回步骤4.4顺序执行，直到d＞4为止，其中，Q表示累计贡献率阈值，π表示第l′个特征值λ对应的正交特征向量；0i, l′i, l′opt0i, l′i, l′步骤4.5、利用式(9)对矩阵数据进行投影降维，得到第i个道路交叉口的第j个机动车冲突候选事件的降维矩阵Y：i, j步骤五、分别建立每个道路交叉口的模糊C均值聚类模型识别交通冲突；步骤5.1、将Y按列展开成向量数据，记为Y′＝{y, y, ..., y, ...y}，其中，y表示第i个交叉口第j个向量数据的第r个值，1≤r≤Ψ×d；i, ji, ji, j, 1i, j, 2i, j, ri, j, Ψ×di, j, r步骤5.2、初始化聚类个数为q，设置最大迭代次数为b以及终止阈值为ε，定义第s个簇质心为c，Y′对簇质心c的隶属度记为u，定义当前迭代次数为b；1≤s≤q，1≤j≤k；maxsijsi, j, s初始化b＝1；随机初始化第b次迭代下的簇质心为步骤5.3、利用式(10)计算第b次迭代下的隶属度矩阵式(10)中，为Y′到簇质心/>的拉格朗日距离；/>为Y′到第s′个聚簇质心/>的拉格朗日距离；m为模糊加权参数；ijij步骤5.4、利用式(11)计算第b+1次迭代下的第s个聚类中心步骤5.5、利用式(12)构建第b次迭代下的目标函数步骤5.6、将b+1赋值给b后，利用式(12)计算第b+1次迭代下的目标函数步骤5.7、若b＞b或与则表示得到第i个道路交叉口在第b+1次迭代下的q个最佳聚类簇，否则，返回步骤5.3顺序执行；max步骤5.8、利用式(1)、式(2)、式(3)、式(4)计算第i个道路交叉口数据的第s个最佳聚类簇对应的每个冲突候选事件的同向碰撞时间最小值、交通冲突风险度量指标最小值、后侵入时间指标；从而得到第i个道路交叉口q个最佳聚类簇对应的所有冲突候选事件的同向碰撞时间最小值、交通冲突风险度量指标最小值、后侵入时间指标；步骤5.9、将q个最佳聚类簇对应的所有冲突候选事件的同向碰撞时间最小值、交通冲突风险度量指标最小值、后侵入时间指标中超过3/4以上小于阈值Δ的所有最佳聚类簇划分为交通冲突类，其余最佳聚类簇划分为非交通冲突类。