[发明专利]一种高速公路追尾事故风险实时预测方法

说明书

本发明公开了一种高速公路追尾事故风险实时预测方法，方法包括分别获取目标车辆在历史时间段内和未来的预设时间段内时间序列的季节性时间趋势序列、周期性时间趋势序列、剩余残差项序列，获取在预设时间段内目标路段中发生的各追尾事故的在发生时刻向历史时刻方向的预设时间段内的时间序列的季节性时间趋势序列、周期性时间趋势序列、剩余残差项序列；基于时间规整算法，获取各追尾事故与目标车辆的季节性时间趋势相似性参数中的最大值、周期性时间相似性参数中的最大值、剩余残差项相似性参数中的最大值，结合预测模型，获取目标车辆发生追尾事故的预测值。本发明提供的方法获取的预测结果准确，可对追尾事故分析进行实时预测。

技术领域

本发明涉及车辆安全驾驶技术领域，具体涉及一种高速公路追尾事故风险实时预测方法。

背景技术

高速公路在推动经济发展的同时，由于其流量大、车速快、不同车型速度差异性大等特点，相比城市道路更容易发生重大交通事故。追尾碰撞为高速公路主要事故形态。在车辆行驶过程中，需要利用主动、实时和非集计对交通事故风险进行识别和预测，并采取主动的避险措施，避免事故的发生。基于事故数的交通安全属于长期的后验评价，样本数量要求大，对事故原因的解释性较差，无法进行主动防控。

为了解决该问题，国内外学者提出了交通冲突的概念，交通冲突指的是在可观测条件下，两个或两个以上道路使用者在同一时间、空间上相互接近，如果其中一方采取非正常交通行为，如转换方向、改变车速、突然停车等，除非另外一方也采用对应行为，否则，会发生碰撞。交通冲突技术能在事故发生之前观测到大量数据，具有“大样本、短周期、小区域、高信度”的统计学优点，被认为是未来交通安全领域最具有前景的研究方向之一。但是目前国内外基于交通冲突技术对公路追尾风险进行预测主要集中宏观的区域或路段交通评价，存在如下问题：未充分考虑交通冲突的有效信息，预测不具备实时性和非集计性，在预测过程中交通冲突与事故的具体关系不明确，预测结果的可靠性低。

发明内容

本发明的目的：提供一种预测结果准确度高，且可以实时预测高速公路追尾事故风险的方法。

技术方案：本发明提供的高速公路追尾事故风险实时预测方法，用于对目标车辆在目标路段上的目标时刻时发生追尾事故的风险进行预测，方法包括如下步骤：

步骤1：获取目标车辆在历史时间段内各预设时刻的值，进而构建目标车辆在历史时间段n内的时间序列；所述历史时间段为当时时刻t向历史时刻方向的预设时间段，所述值为车辆碰撞时间的倒数；

对该时间序列进行趋势性分解，获取目标车辆在历史时间段n内时间序列的季节性时间趋势序列S(t)、周期性时间趋势序列C(t)、剩余残差项序列Q(t)；然后进入步骤2；

步骤2：获取在预设时间段内，目标路段中发生的I个追尾事故的事故数据；

分别针对各追尾事故i，1≤i≤I，执行步骤2.1至步骤2.2，进而获取I个追尾事故中各追尾事故的季节性时间趋势相似性参数、周期性时间相似性参数、剩余残差项相似性参数：

步骤2.1：获取发生追尾事故i的时刻向历史时刻方向的预设时间段内的时间序列，进而获取该时间序列的季节性时间趋势序列S_i、周期性时间趋势序列C_i、剩余残差项序列Q_i；

步骤2.2：基于时间规整算法，分别对S(t)和S_i、C(t)和C_i、Q(t)和Q_i进行时间序列相似性判断，进而获取追尾事故i的季节性时间趋势相似性参数周期性时间相似性参数剩余残差项相似性参数

进入步骤3；

步骤3：获取各追尾事故的季节性时间趋势相似性参数中的最大值周期性时间相似性参数中的最大值剩余残差项相似性参数中的最大值进入步骤4；