【技术实现步骤摘要】
：本专利技术属于交通安全预测，具体涉及一种基于机器学习的积沙路面上货车侧翻风险预测的方法。
技术介绍
0、
技术介绍
：
1、公路弯道是交通事故的多发路段,其事故的发生概率大、事故严重程度高。车辆侧翻的风险随着质量以及整车尺寸的增加而升高，与客车相比，货车因为质量大、质心高、惯性大等特点，发生事故的概率要远远大于客车，并且货车交通事故所造成的社会危害大，经济损失高。目前通过深度学习和机器学习算法被防范运用于道路安全领域，可以预判极端环境下的存在的安全隐患，但目前的研究中对于极端环境主要聚焦于雨雪侧风等恶劣天气。但迄今，已有多条公路穿越或毗邻中国八大沙漠和四大沙地，这些穿沙公路不仅改变了之前环绕沙漠边缘的通行状况，缩短了沙漠两地之间的行车时间，极大地完善了中国公路交通网络体系，同时，当前风险预测的研究主要聚焦于整个道路环境对行车安全的影响，事实上，不同的圆曲线半径与横纵坡度设计对于行车安全的影响不同，车辆在弯道处的行车安全受到圆曲线半径、超高率、坡度、偏转角、车速、摩擦系数等多因素耦合作用。同时路面积沙导致道路摩擦系数发生突变，从而影响车辆行驶稳定性。因此，亟需设计一种针对于积沙道路上货车侧翻风险预测的方法。
技术实现思路
0、
技术实现思路
：
1、针对当前缺乏路面积沙条件下重型货车侧翻风险预测的问题，本专利技术设计了一种基于机器学习的积沙路面上货车侧翻风险预测的方法已达到降低积沙路面事故发生率的目的。
2、一种基于机器学习的积沙路面上货车侧翻风险预测的
3、构建原始数据集：构建“人-车-路”闭环仿真模型，选取车辆运行参数作为所述闭环仿真模型的输入，输出侧向加速度和横向荷载转移率，以所述车辆运行参数为第一原始数据集，以所述车辆运行参数、侧向加速度和横向荷载转移率为第二原始数据集；
4、预处理原始数据集：分别归一化第一、第二原始数据集，分别将归一化的第一、第二原始数据集进行编码以及维度扩展完成预处理；将预处理后的第一、第二原始数据按照比例划分为第一训练集、第二训练集、第一测试集和第二测试集；
5、构建风险回归模型：构建transformer-lstm回归模型，用第一训练集训练所述transformer-lstm回归模型得到风险回归模型，并用第一测试集验证所述风险回归模型；
6、构建风险预测模型：将所述第一、第二原始数据集输入至聚类分析模型中，确定最佳聚类数量后进行聚类，并输出聚类结果作为风险分类，确定各类风险的阈值；构建transformer-lstm分类模型，用所述第二训练集训练transformer-lstm分类模型得到风险预测模型，并用第二测试集验证所述风险预测模型。
7、优选的，所述transformer-lstm回归模型包括第一transformer编码器、lstm层、全局平均池化层、全连接层、dropout层和输出层。
8、优选的，所述第一transformer编码器包含层归一化、多头注意力机制和前馈神经网络。
9、优选的，transformer-lstm分类模型包括第二transformer编码器、lstm层和全连接层。
10、优选的，所述第二transformer编码器包含层归一化和多头注意力机制。
11、优选的，所述聚类分析模型为k-means模型，用肘部法则确定最佳聚类数量。
12、优选的，通过trucksim仿真软件构建“人-车-路”闭环仿真模型。
13、优选的，所述车辆运行参数为车速、摩擦系数、载重、圆曲线半径、超高、坡度。
14、优选的，通过minmaxscaler归一化原始数据，通过labelencoder对归一化后的原始数据进行编码以及扩展。
15、优选的，通过minmaxscaler采用标准差法归一化原始数据。
16、本专利技术针对积沙道路的特性，设计了一种基于机器学习的积沙路面上货车侧翻风险预测的方法，补充了现有风险预测领域道路积沙这一因素，丰富了恶劣环境下重型货车侧翻预测的方法，可以有效地降低事故发生率。本专利技术将transformer与长短期记忆神经网络(lstm)改进融合做为主要使用的风险预测算法。通过数值模拟得出重型货车在不同路面积沙条件下的车辆动力学数据作为源数据，基于这些源数据分别开展风险分类以及回归分析，最终根据风险分类以及回归结果进行风险预测。transformer-lstm模型结合了transformer与lstm模型的优势，模型的构建过程中应用dropout以避免过拟合现象。该模型在准确性、鲁棒性等方面均得到了大幅提升。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述Transformer-LSTM回归模型包括第一Transformer编码器、LSTM层、全局平均池化层、全连接层、dropout层和输出层。
3.如权利要求2所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述第一Transformer编码器包含层归一化、多头注意力机制和前馈神经网络。
4.如权利要求1所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，Transformer-LSTM分类模型包括第二Transformer编码器、LSTM层和全连接层。
5.如权利要求4所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述第二Transformer编码器包含层归一化和多头注意力机制。
6.如权利要求1所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述聚类分析
7.如权利要求1所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，通过trucksim仿真软件构建“人-车-路”闭环仿真模型。
8.如权利要求1所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述车辆运行参数为车速、摩擦系数、载重、圆曲线半径、超高、坡度。
9.如权利要求1所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，通过MinMaxScaler归一化原始数据，通过LabelEncoder对归一化后的原始数据进行编码以及扩展。
10.如权利要求9所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，通过MinMaxScaler采用标准差法归一化原始数据。
...【技术特征摘要】
1.一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述transformer-lstm回归模型包括第一transformer编码器、lstm层、全局平均池化层、全连接层、dropout层和输出层。
3.如权利要求2所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述第一transformer编码器包含层归一化、多头注意力机制和前馈神经网络。
4.如权利要求1所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，transformer-lstm分类模型包括第二transformer编码器、lstm层和全连接层。
5.如权利要求4所述的一种基于机器学习的积沙路面上货车侧翻风险预测的方法，其特征在于，所述第二transformer编码器包含层归一化和多头...
【专利技术属性】
技术研发人员：王芳，孙利益，刘诗筱，王龙波，邓雯，韩林成，
申请(专利权)人：宁夏大学，
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。