System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及交通冲突管控,特别是涉及基于深度学习的交通冲突识别与风险等级预测方法及系统。
技术介绍
1、交通冲突识别与分级的研究背景可从交通安全的重要性、传统方法的局限性以及新兴技术的发展等方面展开。交通事故不仅造成人员伤亡和财产损失,还给社会带来了诸多负面影响,如经济损失、交通拥堵等。因此,识别和预防交通冲突至关重要。传统的交通冲突识别方法通常依赖于人工观察、事故统计和规则制定等手段,存在识别效率低、数据获取不足、主观性强等问题。
技术实现思路
1、为了解决现有技术的不足,本专利技术提供了基于深度学习的交通冲突识别与风险等级预测方法及系统;通过利用xgboost模型,可以从大规模的交通数据中挖掘出隐藏的规律和特征,实现对交通冲突的准确识别和分级。通过引入机器学习和大数据技术,可以实现对交通冲突的高效识别和准确分级,为交通管理部门提供科学决策支持,有效提高交通安全水平。
2、一方面,提供了基于深度学习的交通冲突识别与风险等级预测方法,包括:
3、获取路侧激光雷达数据,基于激光雷达数据得到不同目标车辆的三维点云信息;对不同目标车辆的三维点云信息进行轨迹跟踪,得到不同目标车辆轨迹;
4、根据不同目标车辆轨迹,提取出目标车辆交通特征;
5、根据目标车辆交通特征和预设的冲突检测阈值,构建训练集和测试集;所述训练集和测试集,均包括已知冲突与否标签的车辆交通特征;
6、基于训练集对分类模型进行训练,得到训练后的分类模型;训练的过程中
7、将待识别车辆及其相邻车辆的交通特征,输入到训练后的分类模型中,得到待识别车辆是否发生交通冲突的识别结果;进一步得到交通冲突等级。
8、另一方面,提供了基于深度学习的交通冲突识别与风险等级预测系统,包括:
9、获取模块,其被配置为:获取路侧激光雷达数据,基于激光雷达数据得到不同目标车辆的三维点云信息;对不同目标车辆的三维点云信息进行轨迹跟踪,得到不同目标车辆轨迹;
10、提取模块,其被配置为:根据不同目标车辆轨迹,提取出目标车辆交通特征;
11、构建模块,其被配置为:根据目标车辆交通特征和预设的冲突检测阈值,构建训练集和测试集;所述训练集和测试集,均包括已知冲突与否标签的车辆交通特征;
12、训练模块,其被配置为:基于训练集对分类模型进行训练,得到训练后的分类模型;训练的过程中采用贝叶斯搜索算法对超参数进行调优;基于测试集对训练后的分类模型进行测试;
13、识别预测模块,其被配置为:将待识别车辆及其相邻车辆的交通特征,输入到训练后的分类模型中,得到待识别车辆是否发生交通冲突的识别结果;进一步得到交通冲突等级。
14、上述技术方案具有如下优点或有益效果:
15、通过深入比较同一时空下不同目标之间的轨迹数据,探讨了它们之间是否存在交通冲突。通过计算轨迹点之间的距离、时间间隔、角度差异,以及考虑相对速度和加速度等交通特征,特别关注了相对加速度小于或等于零的情况,并计算了最小碰撞时间(mttc)等关键指标。这些特征和指标被用于判断轨迹数据是否呈现出交通冲突的现象。随后,我们利用标记了冲突的轨迹数据,采用基于smote改进的bayes-xgboost模型进行训练,实现了对交通冲突的高效识别。这一模型综合考虑了过采样技术(smote)和贝叶斯超参数调优,显著提高了模型的性能。最终,通过应用kmeans聚类方法,我们成功地对交通冲突的风险等级进行了划分,为交通冲突的识别和风险分级提供了一种全面而有效的方法。这一综合方法不仅提高了对动态交通场景中潜在危险情况的感知和理解,也为未来的交通冲突研究提供了有力的分析框架,为交通安全领域的冲突识别和风险评估贡献了新的方法和思路。
本文档来自技高网...【技术保护点】
1.基于深度学习的交通冲突识别与风险等级预测方法,其特征是,包括:
2.如权利要求1所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,对不同目标车辆的三维点云信息进行轨迹跟踪,得到不同目标车辆轨迹,具体包括:
3.如权利要求1所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,根据不同目标车辆轨迹,提取出目标车辆交通特征;所述目标车辆交通特征,包括:每个目标车辆的速度、每个目标车辆的加速度,不同目标车辆轨迹点之间的距离、不同目标车辆轨迹点之间的时间间隔和不同目标车辆轨迹点之间的角度差。
4.如权利要求1所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,根据目标车辆交通特征和预设的冲突检测阈值,构建训练集和测试集,具体包括:
5.如权利要求4所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,所述设定的平均碰撞时间阈值,具体计算过程包括:
6.如权利要求1所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,训练的过程中采用贝叶斯搜索算法对超参数进行调优,具体包括:
>7.如权利要求1所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,将待识别车辆及其相邻车辆的交通特征,输入到训练后的分类模型中,得到待识别车辆是否发生交通冲突的识别结果;进一步得到交通冲突等级,其中,交通冲突等级确定过程包括:
8.如权利要求7所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,采用可解释机器学习框架分析安全风险致因特征,具体包括:
9.如权利要求7所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,采用聚类算法,对安全风险致因特征进行风险等级划分,基于每个聚类中心,确定每个风险等级的特征,得到高风险等级、中风险等级和低风险等级,具体包括:
10.基于深度学习的交通冲突识别与风险等级预测系统,其特征是,包括:
...【技术特征摘要】
1.基于深度学习的交通冲突识别与风险等级预测方法,其特征是,包括:
2.如权利要求1所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,对不同目标车辆的三维点云信息进行轨迹跟踪,得到不同目标车辆轨迹,具体包括:
3.如权利要求1所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,根据不同目标车辆轨迹,提取出目标车辆交通特征;所述目标车辆交通特征,包括:每个目标车辆的速度、每个目标车辆的加速度,不同目标车辆轨迹点之间的距离、不同目标车辆轨迹点之间的时间间隔和不同目标车辆轨迹点之间的角度差。
4.如权利要求1所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,根据目标车辆交通特征和预设的冲突检测阈值,构建训练集和测试集,具体包括:
5.如权利要求4所述的基于深度学习的交通冲突识别与风险等级预测方法,其特征是,所述设定的平均碰撞时间阈值,具体计算过程包括:
...
【专利技术属性】
技术研发人员:孟祥龙,田源,陈浩,张紫豪,吴睿涵,吴建清,厉周缘,杜聪,
申请(专利权)人:山东高速集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。