[發明專利]一種高速公路追尾事故風險實時預測方法

有效

• 申請號: 202110245304.4
• 申請日: 2021-03-05
• 公開（公告）號: CN112990563B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 苑仁騰;項喬君;甘婧;王明遠
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 田凌濤

1.一種高速公路追尾事故風險實時預測方法，其特征在于，用于對目標車輛在目標路段上的目標時刻時發生追尾事故的風險進行預測，方法包括如下步驟：

步驟1：獲取目標車輛在歷史時間段內各預設時刻的值，進而構建目標車輛在歷史時間段內的時間序列；所述歷史時間段為當時時刻t向歷史時刻方向的預設時間段，所述值為車輛碰撞時間的倒數；

對該時間序列進行趨勢性分解，獲取目標車輛在歷史時間段內時間序列的季節性時間趨勢序列S(t)、周期性時間趨勢序列C(t)、剩余殘差項序列Q(t)；然后進入步驟2；

步驟2：獲取在預設時間段內，目標路段中發生的I個追尾事故的事故數據；

分別針對各追尾事故i，1≤i≤I，執行步驟2.1至步驟2.2，進而獲取I個追尾事故中各追尾事故的季節性時間趨勢相似性參數、周期性時間相似性參數、剩余殘差項相似性參數：

步驟2.1：獲取發生追尾事故i的時刻向歷史時刻方向的預設時間段內的時間序列，進而獲取該時間序列的季節性時間趨勢序列S_i、周期性時間趨勢序列C_i、剩余殘差項序列Q_i；

步驟2.2：基于時間規整算法，分別對S(t)和S_i、C(t)和C_i、Q(t)和Q_i進行時間序列相似性判斷，進而獲取追尾事故i的季節性時間趨勢相似性參數周期性時間相似性參數剩余殘差項相似性參數

進入步驟3；

步驟3：獲取各追尾事故的季節性時間趨勢相似性參數中的最大值周期性時間相似性參數中的最大值剩余殘差項相似性參數中的最大值進入步驟4；

步驟4：將目標車輛在當前時刻t的時間序列的季節性時間趨勢序列S(t)、周期性時間趨勢序列C(t)、剩余殘差項序列Q(t)訓練ARMA模型，利用訓練好的ARMA模型獲取目標車輛在未來時間段P內的時間序列的季節性時間趨勢序列S'(t)、周期性時間趨勢序列C'(t)、剩余殘差項序列Q'(t)預測值；

根據和S'(t)、C'(t)、Q'(t)，結合預測模型，獲取目標車輛發生追尾事故風險的最終預測值。

2.根據權利要求1所述的高速公路追尾事故風險實時預測方法，其特征在于，所述S'(t)、C'(t)、Q'(t)中分別包含目標車輛在未來時間段P內的各時刻的季節性時間趨勢值、周期性時間趨勢值、剩余殘差項值；

在步驟4中，所述預測模型為：

其中，b_p為目標車輛在未來時間段P內的時刻p時發生追尾事故的預測值；

s_p、c_p、q_p分別為目標車輛在時刻p時的季節性時間趨勢值、周期性時間趨勢值、剩余殘差項值。

3.根據權利要求2所述的高速公路追尾事故風險實時預測方法，其特征在于，在步驟4之后，所述方法還包括：

步驟5：判斷預測值b_p是否小于預設的預警閾值，是則進行預警；否則返回步驟1。

4.根據權利要求3所述的高速公路追尾事故風險實時預測方法，其特征在于，所述預警閾值為4s。

5.根據權利要求1所述的高速公路追尾事故風險實時預測方法，其特征在于，在步驟4中，所述方法還包括根據如下方法訓練ARMA模型：

分別對S(t)、C(t)、Q(t)進行平穩性處理，獲取平滑后的S(t)、C(t)、Q(t)；

以平滑后的S(t)、C(t)、Q(t)為樣本集對ARMA模型進行訓練。

6.根據權利要求1所述的高速公路追尾事故風險實時預測方法，其特征在于，在步驟4中，所述方法還包括根據如下公式：

獲取目標車輛在當前時刻t的值；

其中，Δl(t)表示在當前時刻t時，目標車輛與其前方相鄰車輛之間的距離差；Δv(t)表示在當前時刻t時，目標車輛與其前方相鄰車輛之間的速度差。

7.根據權利要求1所述的高速公路追尾事故風險實時預測方法，其特征在于，在步驟2中，當目標車輛所在的預設范圍的道路路段在預設時間段內發生追尾事故的個數I等于零時，季節性時間相似性參數周期性時間相似性參數剩余殘差項相似性參數的取值均為1。