本发明涉及一种车联网技术，尤其是涉及一种网联车纵向行车风险评估和预警指标与方法。其特征在于，包括以下步骤：1)基于大量车辆轨迹数据中的纵向加速度数据对驾驶人所处的风险等级进行划分；2)筛选出与驾驶人感知的风险等级相关的的车辆运行指标及安全替代指标作为自变量，建立评估风险等级的Logit模型作为风险评估模型；3)对每个跟驰片段比较不同预测步长模型的预测效果，选择最优预测效果对应的预测步长；4)将建立的风险评估模型应用于网联车辆平台，对风险等级进行预测评估，并将此风险等级通过车载设备显示，对车辆进行预警。本发明可为驾驶人提供实时的准备的风险等级预警，提高驾驶人关注度，降低驾驶风险。
1.一种网联车纵向行车风险评估和预警方法，其特征在于，包括以下步骤：
1)驾驶人对风险水平的主观感知引发其动作反应，表现为车辆的纵向加速度；车辆的纵向加速度可用于反映驾驶人对其所处风险水平的判断，基于大量车辆轨迹数据中的纵向加速度数据对驾驶人所处的风险等级进行划分；
2)筛选出与驾驶人感知的风险等级相关的车辆运行指标及安全替代指标作为自变量，建立评估风险等级的Logit模型作为风险评估模型，所述指标包括车辆运行指标、安全替代指标；
所述车辆运行指标包括：车辆的速度、前车的速度、两车速度差、两车间距、前车加速度；
安全替代指标包括：碰撞时间TTC，车头时距THW，避免事故减速度DRAC、安全阈值SM；
3)对每个跟驰片段比较不同预测步长模型的预测效果，选择最优预测效果对应的预测步长即为纵向行车风险评估模型的最佳预测时长，也就是驾驶人反应时间；
4)将建立的风险评估模型应用于可以实时获取车辆运动信息的网联车辆平台，对风险等级进行预测评估，并将此风险等级通过车载设备显示，对车辆进行预警；
所述的步骤1)具体为：选取车辆的纵向加速度作为评估风险的指标，当车辆采取急刹车，即加速度小于一定阈值时，可视其风险水平为1，即不安全状态；其余状态均为安全状态，风险水平为0；
21)选取车辆的运行指标和广泛使用的安全替代指标作为备选，其中，车辆运行指标包括：车辆的速度、前车的速度、两车速度差、两车间距、前车加速度；常见的广泛应用的安全指标包括跟车间距DHW、跟车时距THW、碰撞时间TTC、避免事故减速度DRAC、安全阈值SM指标，这些指标可以从不同角度反映客观角度的安全水平；
22)根据车辆纵向加速度判断出的驾驶人感知的风险等级为因变量，从备选变量中筛选出的与风险等级显著相关的指标作为自变量，构建Logit模型；
23)考虑到驾驶人的反应时间为0.5‑2s，在此范围内以0.1s为间隔设置不同的预测步长构建Logit模型预测风险等级，最好的预测结果对应的预测步长即为最优预测步长，也就是驾驶人的反应时间；
24)将数据集按照8:2的比例划分为训练集和测试集；
25)每个跟驰片段均可构建相应的Logit模型，其中包括其对应的自变量；
观察训练集中所有跟驰片段确定的自变量，统计每个自变量在所有跟驰片段中出现的频率，当出现频率超过50％，可将其选为最终模型中的一个自变量；最终模型中每个自变量的系数确认方法是所有出现的此自变量的系数均值，根据训练集得到最后模型，并用测试集数据进行测试，对其预测结果进行评价；
自变量筛选：所述的步骤22)中，需要对备选的自变量指标的相关性进行计算，排除相关性过高或具有多重共线性的指标；
以Spearman相关系数以及方差膨胀系数VIF对其进行筛选：
1)作为自变量的安全替代指标两两之间的Spearman相关系数ρ应小于0.5，当出现两个变量之间的相关系数很大时，需要删除其中一个；
式中，x和y是两个变量；xi是变量x中的第i个数据，是变量x的平均值；
2)方差膨胀系数计算衡量模型中自变量的多重共线性严重程度，筛选出方差膨胀系数小于5的自变量；
式中，Ri为自变量xi对其余自变量作回归分析的负相关系数；
所述的步骤23)中所述Logit模型，其中，因变量Y的对数概率logit(Y)与自变量X的线性关系为：其中，pj表示车辆处于j级风险水平的概率；j取值为0表示安全；j取值为1表示危险；xn表示第n个自变量；βn表示xn的系数；αj表示j不同取值时对应的常数项。
一种网联车纵向行车风险评估和预警方法
技术领域
[0001] 本发明涉及一种车联网技术，尤其是涉及一种网联车纵向行车风险评估和预警指标与方法。
背景技术
[0002] 随着经济的发展，汽车保有量和交通量一直在不断提升，由此带来的频发的交通事故对人民生命财产带来了重大威胁。在交通事故发生前实时对驾驶人所处的安全水平提出预警，可以提升驾驶人的意识和驾驶专注度，有效提升交通安全水平。随着车联网技术的发展，实现了车辆运行信息的实时获取，这些数据可以帮助监督判断车辆所处的风险水平。
[0003] 由于网联车辆的应用规模有限，目前还没有获取大量网联车辆的运行数据以供研究。所以，现有的研究中，一方面是从宏观角度评估交通的风险水平，基于历年的交通事故数据得到事故黑点，对其加强管理，从而降低交通风险。但是这种方法只针对宏观的数据，包括流量，平均车速等，只能对一个区域的交通安全水平作出评估，不能根据实时的车辆运行信息对每辆车的风险水平作出及时的判断。另一方面，微观层面的研究是通过根据传统人工驾驶车辆提出的安全替代指标来实时地衡量车辆所处的风险水平，但是这种方法获得的是基于客观指标的风险水平，这些指标与驾驶人主观感受到的风险水平之间还有一定差距。因此，需要建立更符合驾驶人对风险主观感知水平的模型，以更好地匹配驾驶人的认知和操作习惯，进一步应用于未来自动驾驶车辆控制策略使其更易被驾驶人接受。
发明内容
[0004] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种网联车纵向行车风险评估和预警方法。
[0005] 经研究发现，车辆急减速行为与驾驶人主观感受的风险水平直接相关。当驾驶人认为自己所处的环境有风险才会做出急减速的举动。所以，车辆的纵向加速度可以反映其驾驶人感知到的风险水平，并有助于对各种风格的驾驶人对其风险水平有清晰认知，从而对高风险状态提高警惕。如此，本发明根据车辆在行驶过程中的纵向加速度判断其所处的的风险等级，构建风险评估预测模型，对驾驶人发送提醒信息做出预警，降低事故发生率，减少人员伤亡和财产损失，并结合车辆实时数据提出了一种纵向行车风险评估和预警方法，能够有效的对驾驶人主观感知的风险水平进行实时的监控和有效的预警。
[0006] 本发明的目的可以通过以下技术方案来实现：
[0007] 一种纵向行车风险评估和预警方法，包括以下步骤：
[0008] 1)以车辆的纵向加速度作为评估驾驶人主观感知的风险的指标，将数据集其分为训练集和测试集数据，根据测试集的纵向加速度对车辆所处的风险水平进行分级；
[0009] 2)以车辆的运行指标和若干安全替代指标为备选，选取与驾驶人感知的风险水平显著相关的指标作为自变量，建立评估风险等级的Logit模型；
[0010] 3)考虑到驾驶人的反应时间对模型的预测结果有一定影响，在此范围内取不同的值作为不同的预测步长，其中，具有最好预测结果的预测步长，即最佳预测步长，可以被视为驾驶人的反应时间；
[0011] 3)将建立的风险评估模型应用于可以实时获取车辆运动信息的网联车辆，对其风险等级进行预测和评估，判断其所处的风险等级并将此信息发送给车辆对驾驶人进行预警。
[0012] 所述的步骤1)具体为：车辆采取一定的减速度被认为是驾驶人对其所处的有风险环境作出的反应，选取车辆的纵向加速度作为评估驾驶人主观感知风险的指标。当驾驶人采取急刹车，加速度小于一定阈值时，可视其风险水平为1，即不安全状态；其余状态均为安全状态，风险水平为0。
[0013] 所述的步骤2)具体包括以下步骤：
[0014] 21)选取车辆的运行指标和广泛使用的安全替代指标作为备选，其中，车辆运行指标包括：车辆的速度、前车的速度、两车速度差、两车间距、前车加速度等；常见的广泛应用的安全指标，包括跟车间距(Distance Headway，DHW)、跟车时距(Time headway，THW)、碰撞时间(Time to collision，TTC)、避免事故减速度(Deceleration rate to avoid crashes,DRAC)、安全阈值(Safety Margin，SM)等指标，这些指标可以从不同角度反映车辆所处的客观的风险水平。
[0015] 22)分析不同指标之间的相关性，选取相关性水平低且不具有多重共线性的指标作为自变量；
[0016] 23)以加速度判断出的车辆所处的风险等级为因变量，构建Logit模型；
[0017] 24)考虑到驾驶人的反应时间为0.5‑2s，在此范围内取不同的值作为不同的预测步长，其中，具有最好预测结果的预测步长，即最佳预测步长，可以被视为驾驶人的反应时间。
[0018] 所述的步骤21)中，安全替代指标可以选择包括但不限于上述安全指标在内的多种指标，这些指标都是从客观指标的角度对风险水平进行评估，而此处探究的是这些指标是否可以反映驾驶人主观感知到的风险水平。
[0019] 所述的步骤22)中，需要对备选的自变量指标的相关性进行计算，排除相关性过高或具有多重共线性的指标。此处通过计算备选自变量之间的Spearman相关系数以及方差膨胀系数(variance inflation factor，VIF)对其进行筛选：
[0020] 1)作为自变量的安全替代指标两两之间的Spearman相关系数ρ应小于0.5，当出现两个变量之间的相关系数很大时，需要删除其中一个；
[0021] 2)方差膨胀系数可以计算衡量模型中自变量的多重共线性严重程度，筛选出方差膨胀系数小于5的自变量。
[0022]
[0023]
[0024] 所述的步骤23)中，考虑到不同风险等级，构建了Logit模型，其中，因变量Y的对数概率logit(Y)与自变量X的线性关系为：
[0025]
[0026] 其中，pj为车辆处于j级风险水平的概率。
[0027] 本发明创新性地对因变量和自变量的选择，并采用Logit这个经典模型求解。
[0028] 与现有技术相比，本发明在现有技术的基础上，根据实际车辆轨迹中驾驶人的操作表征驾驶人主观感知到的风险水平，根据纵向加速度判断其所处的风险等级。并根据不同车辆的实时运动信息和常见的客观安全指标对车辆的主观风险水平进行评估，从而为驾驶人提供实时的准备的风险等级预警，提高驾驶人关注度，降低驾驶风险。
[0029] 本发明可以弥补目前依靠静态数据或宏观交通流数据以及依靠多年历史事故数据的的预警低效等问题，能够利用车联网环境下的实时车辆运动信息够获取车辆纵向加速度所处的风险等级，对驾驶人实现实时预警，从而在事故发生前有效提升驾驶人对潜在的风险的感知能力，此预测模型是基于最广泛使用的安全替代指标建立的，可以综合考虑多个方面的客观指标评价效果，更好地匹配驾驶人对风险的主观感知，实现更准确的预测，因此具有智能高效的特点，对提高交通安全水平有一定的保障，进而减少由于交通事故导致的人员以及经济损失。而且，此模型以驾驶人的加减速行为描述风险水平，由此建立的模型更符合驾驶人对风险的主观的感知水平，此模型更符合驾驶人的认知和操作习惯，可以进一步应用于未来自动驾驶车辆控制策略使其更易被驾驶人接受。
附图说明
[0030] 图1为本发明实施例的流程框架图。
[0031] 图2为数据处理流程图。
[0032] 图3为实施例自变量相关系数。
[0033] 图4为实施例模型评价结果。
具体实施方式
[0034] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0035] 实施例
[0036] 如图1所示，一种网联车纵向行车风险评估和预警方法包括以下流程：首先，根据公开车辆轨迹数据集NGSIM数据集的车辆轨迹信息，选取80％作为训练集，20％作为测试集。以车辆的纵向加速度作为评估风险的指标，根据训练集的纵向加速度数据进行风险等级划分。以车辆的车辆的运行指标和若干安全替代指标为备选自变量，选取与驾驶人主观感知的风险水平显著相关的指标作为自变量，建立评估风险等级的Logit模型。此外，还考虑驾驶人反应时间的影响，根据驾驶人反应时间选取不同的预测步长，得到纵向行车风险评估模型的最佳预测步长即为驾驶人反应时间。将建立的风险评估模型应用于可以实时获取车辆运动信息的网联车辆，对其风险等级进行预测评估，判断其所处的风险等级，并将风险等级发送给车辆对驾驶人进行预警，从而对车辆风险进行实时的监控和有效预警。
[0037] 此算法具体实施如下：
[0038] 1)以NGSIM数据集为例，筛选小汽车跟随小汽车且位于同一车道的跟驰片段(筛选指标是跟车间距小于150m，跟车时距小于8s)，确保跟驰车辆的状态受到前方车辆的影响。
[0039] 以车辆的纵向加速度作为评估风险的指标，当车辆急减速。即纵向加速度a≤‑3m/2
s时将其视为不安全状态，风险水平为1；否则其处于安全状态，风险水平为0。筛选有急减速行为的车辆，提取急减速过程及此过程前后5秒的数据，由此提取了35个车辆跟驰的片段。之后，将数据集的28个片段作为训练集，其余4个片段作为测试集。
[0040] 2)选取车辆的运行指标和广泛使用的安全替代指标作为备选，其中，车辆运行指标包括：车辆的速度、前车的速度、两车速度差、两车间距、前车加速度等；安全替代指标包括：跟车间距(Distance Headway，DHW)、跟车时距(Time headway，THW)、碰撞时间(Time to collision，TTC)、避免事故减速度(Deceleration rate to avoid crashes,DRAC)、安全阈值(Safety Margin，SM)。对备选自变量的相关性和多重共线性进行判断：
[0041] (1)对Spearman相关系数进行计算，得到各个自变量因素的相关系数(示例如图3)，删除与其余变量高度相关的因素。
[0042] 通过计算相关系数，发现前后车的速度高度相关、多个安全替代指标的相关度很高，后续需要重点考虑。
[0043] (2)计算方差膨胀系数(variance inflation factor，VIF)衡量模型中多重共线性的严重程度，筛选VIF大于5的自变量。示例如表1：
[0044] 表1自变量VIF值
[0045]
[0046]
[0047] 所有自变量特征的VIF系数值均小于5。结合上述相关系数的计算结果，最终选取的自变量为：前车加速度、前后车速度差的平方、后车速度、前后车间距、THW和TTC等自变量。
[0048] (3)确定自变量后，在构建Logit模型时，考虑驾驶人反应时间在0.5‑2s范围内变化，以0.1s为间隔在此区间分别取值作为预测步长，预测效果最好的取值即视为驾驶人反应时间。表2和图4为示例结果。
[0049] 表2示例结果
[0050]
[0051] (4)针对训练集28个跟驰片段建立评估风险等级的Logit模型的部分结果(8个片段)如表3：
[0052] 表3 Logit模型参数取值及反应时间结果示例
[0053]
[0054] 可以看到，不同跟驰片段中选取的自变量不同，比如前后车间距在表3中出现7次；THW出现5次；TTC出现7次。最后模型的自变量保留原则是：出现次数大于50％即保留此自变量。
[0055] 统计28个跟驰片段结果，对每个参数的取值取平均值，可以确定自变量及其系数，以及驾驶员的平均反应时间，得到结果如表4:
[0056] 表4最终Logit模型自变量系数取值及驾驶人平均反应时间
[0057]
[0058] 根据上述模型，对测试集进行验证，得到准确率为61％。
[0059] 4)将车辆所处的风险等级发送给车辆对驾驶人进行预警。
[0060] 考虑车辆的反应时间，计算驾驶人所处的的风险水平并发送给驾驶人，实现对风险等级的预测和预警，使驾驶人对自身所处的安全风险水平有清晰了解，提高警惕，提高安全水平。
