低渗透率智能网联环境下高风险事件预警方法.pdf
《低渗透率智能网联环境下高风险事件预警方法.pdf》由会员分享,可在线阅读,更多相关《低渗透率智能网联环境下高风险事件预警方法.pdf(11页珍藏版)》请在文库网上搜索。
1、第 51 卷第 10 期2023 年 10 月同济 大 学 学报(自然科学版)JOURNAL OF TONGJI UNIVERSITY(NATURAL SCIENCE)Vol.51 No.10Oct.2023论文拓展介绍低渗透率智能网联环境下高风险事件预警方法陈晓芸,叶颖俊,余荣杰,孙剑(同济大学 道路与交通工程教育部重点实验室,上海 201804)摘要:提出一种低渗透率智能网联环境下高风险事件预警方法。具体而言,基于熵能表征系统状态的特点提出交通熵的概念,将个体车辆的微观驾驶行为量化为交通熵,以表征交通流状态;再将交通熵作为长短时记忆网络模型(Long Shortterm Memory,LS
2、TM)的输入参数建立预警模型;最后,使用HighD轨迹数据集提取高风险事件,并验证模型有效性。结果显示,使用交通熵的模型误报率和漏报率大幅降低。以智能车渗透率 10%为例,误报率和漏报率分别从6.18%和11.47%下降到了1.95%和3.12%;在预测模式下,对高风险事件误报率和漏报率为2.28%和3.82%。关键词:交通安全;智能网联交通;高风险事件;交通熵;预警模型;低渗透率中图分类号:U491文献标志码:AEarly Warning Methods for Traffic High-risk Events Under Low Penetration of Connected and A
3、utonomous VehiclesCHEN Xiaoyun,YE Yingjun,YU Rongjie,SUN Jian(Key Laboratory of Road and Traffic Engineering of the Ministry of Education,Tongji University,Shanghai 201804,China)Abstract:We propose an early warning method for high-risk events of traffic operation under low penetration of connected a
4、nd autonomous vehicles(CAVs).Specifically,we first define the concept of traffic entropy,and quantifies the micro driving behavior of individual vehicles as a parameter represented by traffic entropy,which is used to characterize the state of macroscopic traffic flow.And then the traffic entropy is
5、used as the input parameter of the Long Short-Term Memory(LSTM)model to establish the early warning model of high-risk events.The HighD Dataset from German highways was utilized for the empirical analyses.In order to compare the application results under CAVs environment,an autonomous-vehicles scena
6、rio and a connected-vehicles scenario were set for the high-risk events and non-risk events extracted from the HighD Dataset.and the effectiveness of the warning of high-risk events under different vehicle permeability was compared.Results show that,the false alarm and missed alarm rates of early wa
7、rning model with traffic entropy parameters are both reduced.Taking the low-penetration CAVs of 10%as an example,the false alarm and missed alarm rates reduced from 6.18%and 11.47%to 1.95%and 3.12%,respectively.At the same time,the false alarm and missed alarm rates are only 2.28%and 3.82%under the
8、prediction environment.Key words:traffic safety;connected and autonomous vehicles(CAVs);high-risk event;traffic entropy;early-warning model;low penetration 在道路交通运行过程中,驾驶人操控行为、交互行为不当等高风险事件极易引发道路交通事故1并导致交通拥堵等负面效应2。这些高风险事件的发生具有动态性、随机性、瞬时性的特点,提前预警高风险事件可为驾驶员预留执行规避动作的反应时间,有效降低交通运行风险35。传统交通系统状态分析多为基于路面检测线圈
9、68采集流量、平均速度、密度等宏观交通流状态参数,由于采集数据空间密度低、时间集计,缺乏微观交通流特征与交通运行风险之间的理论支撑4,导致高风险事件预警的漏报率和误报率较高,亦不能精确定位异常行为发生的时空位置4,9。为此,搭建连接宏观交通流状态与微文章编号:0253374X(2023)10-1595-11DOIDOI:10.11908/j.issn.0253-374x.22207收稿日期:2022-05-05基金项目:国家重点研究发展计划(2018YFB1600505);国家自然科学基金重点项目(52125208);浙江省重点研发计划(2021C01011)第一作者:陈晓芸(1993),女,
10、工学博士,主要研究方向为交通运行建模与仿真、驾驶行为研究。E-mail:通信作者:孙剑(1979),男,教授,博士生导师,工学博士,主要研究方向为交通流理论与仿真,智能网联汽车与车 路协同。E-mail:同 济 大 学 学 报(自 然 科 学 版)第 51 卷观交通行为的桥梁,探究个体车辆的微观驾驶行为与交通流状态表征之间的关系,将成为精准预警高风险事件的破题之举。随着智能网联汽车技术的发展,人类将逐步进入智能网联交通时代。不同于线圈采集的粗粒度状态参数,网联车辆可提供高分辨率的个体车辆轨迹数据1011,而搭载各类传感器设备的智能车辆,可以实时获取本车及周围车运动状态参数。但目前距离完全进入智
11、能网联汽车时代尚远,低渗透率的智能网联车辆将是当前及未来交通的主要组成形态。因此,针对智能网联车辆逐步渗入交通系统的现实,本文提出一种低渗透率智能网联环境下交通运行高风险事件预警方法。主要创新:提出了一种刻画微观个体行为与系统宏观状态的新指标交通熵,通过交通熵量化微观个体车辆的驾驶行为,建立起个体车辆微观行为与交通流宏观状态的映射关系,进而有效表征交通流状态和紊乱程度。设计了基于长短期记忆网络(Long Short-Term Memory,LSTM)的深度学习模型作为高风险事件预警模型,通过滑动时空窗模式输入时序参数,利用有效的交通熵参数即可实现对高风险事件的提前预警。针对不同智能网联环境下数
12、据采集和信息获取的差异,设置智能车场景和网联车场景对比分析,并利用从HighD轨迹数据集中提取的256个高风险事件和1 024个常态交通流事件,分别测试使用交通熵参数与不使用交通熵参数的预警模型在低渗透率智能网联环境下的应用效果。1 研究综述 目前,道路交通安全研究领域关注的高风险事件,通常包括接近碰撞事件(near-crashes)和碰撞事件(crashes,即事故)两大类。现有交通事故数据库(如GIDAS,German in-depth accident study)仅记录事故对象的有限轨迹,难以精确还原事故演化过程、实现准确预测9,12。而接近碰撞事件从车辆轨迹数据或者自然驾驶数据中获取
13、,包含的前兆数据充足,对于风险演化过程有更强的可解释性和预测能力1,3,12。因此,本文所研究的高风险事件主要聚焦于接近碰撞事件及其发生前兆。现有研究中,高风险事件的识别指标主要有两类:使用车辆动力学参数,设定阈值。该方法仅需本车的动力学参数(如横纵向加速度等),但误报率较高3,13。进而有研究通过识别加速度的变化模式,采用分类算法14、随机森林模型和支持向量机模型筛选15等改进算法。结合道路环境和车辆交互信息,使用替代指标。主要分为时间指标,如碰撞时间1617(time to collision,TTC)、后侵入时间18和非时间指标,如避免碰撞减速率18、加加速度。这类指标考虑了周围车辆的交
14、互信息,识别精度较高。其中,最常用的TTC假设车辆在发生碰撞之前保持恒定速度,当后车速度低于前车时便不能应用。为了解决该问题,修正的碰撞时间(modified time to collision,MTTC)19考虑了加速度对碰撞事件的影响,可识别纵向、横向等多种冲突类型20。与TTC类似,MTTC的数值越小,表明当前交通流状态中可能存在的风险程度越高。高风险事件预警研究背后隐含的假设条件是,某些交通条件组合更容易导致交通运行中的高风险事件4,9,因此探究高风险事件发生前兆的交通流运行特征、分析高风险事件的影响因素是建立高风险事件预警模型的关键。常用的预警模型有广义线性回归模型2122和机器学习
15、模型等2324两大类。其中,车辆速度是最常用的影响参数,车头时距、车头间距等也被使用25。现有研究大多使用传统线圈数据,受其精度不高、数据离散等限制,多侧重探究宏观交通特征的影响,缺少从车辆运行中微观层面开展影响因素分析方法。同时,统计学方法虽然具有理论基础,但无法处理相关变量4;基于数据挖掘的方法能够处理大量相关变量,但盲目输入大量参数可能会出现难以理解、甚至“虚假”的结果9。2 交通熵定义与计算方法 交通熵的提出源于熵的基本概念,经过交叉熵的演变将其抽象为一个描述系统状态的指标,进而引入到交通系统中。熵最初是用以表征热力学中物质状态的物理量26,而后研究从分子运动论的角度,建立了系统宏观状
16、态的熵与对应微观态数目的关系27,将熵视为体系混乱程度的度量。信息论之父香农认为28,通信过程中信息源的信号的不确定性称为信息熵,而消除了多少不确定性称为信息,其数学表达式为S(pi)=i=1npilog 1pi(1)在信息论中,交叉熵主要用于度量两个概率分布间的差异性信息,计算公式为1596第 10 期陈晓芸,等:低渗透率智能网联环境下高风险事件预警方法S(pi,qi)=i=1npilog 1qi(2)式中:pi为真实分布概率;qi为预测分布概率;n为信息中符号的数量。pi表示真实标记的分布,qi为训练后模型的预测标记分布。在交通流系统内,不同车辆的微观驾驶行为、车辆之间的交互行为中都同样存
17、在着大量的车辆行为和人类驾驶行为参数、以及概率分布特征,基于对于熵基本概念的认识,将熵作为交通流中概率分布特征的函数引入到交通系统中,用以量化表征个体车辆微观驾驶行为的异常程度,以及交通流系统状态的混乱或无序程度。对于某一具体的驾驶行为参数x,假设其出现的概率越低行为异常程度越高,在交通流中造成系统的混乱度或无序性越高,表现为交通熵值越大。对x建立累积概率分布函数,bi是在时刻i下的行为异常程度概率值,称为行为概率函数。其中,xi是时刻i下的驾驶行为值。bi(x)=p(xxi)(3)图1为不同驾驶行为的行为概率函数示意图,无论累积分布形式如何变化,行为概率函数值的大小均可表示驾驶行为出现的异常
18、程度。本研究中的交通熵,默认驾驶行为参数x的数值越小,其行为的异常程度越高(如速度、车头间距等);如果遇到某驾驶行为参数x的数值越大,其异常程度越高的情况,则将其行为概率函数的公式改为bi=p(xxi)。行为概率函数既适用于整体交通流中的驾驶行为,又适用于不同驾驶员异质性的驾驶行为。当行为概率函数是针对所有驾驶员建立的,则可表示交通流系统中某一驾驶行为出现的概率。而不同驾驶员之间驾驶行为的异质性则可通过分别统计不同驾驶员的累积概率分布实现。通过比较行为概率函数bi与整体分布中其他行为的概率(1-bi),即分别用(1-bi)和bi替代交叉熵定义中的pi和qi,量化驾驶行为的异常程度。其可能的表达
19、式为H(bi,x)=(1-bi)log 1bi(4)H(bi,x)=bilog 1()1-bi(5)对比两式和示意图2可以看出,采用式(4)计算时bi越低交通熵值越高,符合交通熵定义的内涵,即某行为参数出现的概率越低其行为的异常程度越高,进而在交通流中造成系统的混乱度或无序性越高,表现为交通熵值越大,对应“低熵有序,高熵无序”的概念,而“交通熵增”也表征着车辆行为异常程度增加与交通流系统紊乱程度增加。交通熵通过比较个体车辆的微观行为与整体分布量化异常程度,表征宏观交通流状态。图2a中可看出交通熵具有以下特性:驾驶行为的异常程度始终为正值,即H0;x越低bi值越小,行为异常程度越高,交通流状态越
20、混乱无序时,交通熵值越大,即交通熵随行为概率函数在(0,1区间单调递减;当bi0时,行为的异常程度最高,交通流状态的混乱程度为H+;当bi=1时,驾驶行为是无异常,此时交通流高度有序H=0;在连续驾驶过程中,每一时刻对应驾驶行为值,因此交通熵具有时间连续性。由于微观行为具有随机性,且多个个体车辆之间的行为交互也易导致交通流紊乱引发质变,因此交通熵的提出恰好可作为联系个体车辆微观驾驶行为、多车交互行为与交通流整体宏观现象的统一量纲。根据研究对象的不同,其对于行为异常程度和状态的量化表征可以涵盖车辆动力学参数、驾驶行为参数、驾驶员姿态动作参数等。就其应用范围而言,交通熵既可以量化微观驾驶行为,识别
21、个体车辆的异常驾驶状况,也可以通过量化交通流内车辆微观行为,进一步表征整体交通流的状态。3 高风险事件预警方法 3.1高风险事件预警框架低渗透率智能网联环境下的交通运行高风险事件预警模型的方法框架如图3所示,分为信息采集、交通熵值计算、高风险事件预警模型3部分。在信息采集部分,结合智能网联环境,采用滑动时空窗的方式采集交通流中相关车辆的信息。滑动图1不同行为概率函数示意Fig.1Diagram of different behavior probability functions1597同 济 大 学 学 报(自 然 科 学 版)第 51 卷时空窗的时间长度为st,空间宽度为所在路段宽度sl(
22、一般取左右相邻车道),信息采集范围是滑动时空窗内的智能车辆或网联车辆,滑动时空窗的滑动步长为w。以时刻t为例,采集目标车辆从时刻(t-st)到时刻t时间内行驶过的路段范围内的所有智能车辆或网联车辆的信息。由于实际应用中智能网联车辆的车辆渗透率较低,本文设定的低渗透率环境为5%和10%。在交通熵值计算部分,根据滑动时空窗内采集到的参数和预先建立起的驾驶行为历史分布,计算得到各个参数的对应的交通熵值。在高风险事件预警模型部分,选用长短期记忆网络LSTM29对高风险事件进行时间序列预测,模型输入为基于滑动时间窗的计算得到的时序参数,模型的输出为是否是高风险事件。由于LSTM对有价值的信息进行长期记忆
23、,因此在许多交通预测类问题中得到应用3033。在本研究中,模型参数经过交通熵量化后,已可以表征微观驾驶行为与交通流的状态,因此采用基础的LSTM模型结构即可快速有效地满足高风险事件的预警需求。3.2数据来源与高风险事件提取本文采用2019年德国高速公路无人机摄影技术采集的自然车辆轨迹数据HighD 数据集(highway drone dataset)34作为研究数据。该数据集是免费、非商业目的的开放数据集,已广泛应用于交通仿真建模和驾驶行为分析21。记录了德国六条不同高速公路上的交通运行情况,采集110 500辆车44 500km行驶里程内的相关交通参数。数据采集时间为工作日早8:00至晚19
24、:00之间,并划分为60段时长17min,路段长度约为420m的数据。采集的数据精度为25 Hz的帧频,包含车辆的轨迹数据(横纵向位置信息、速度和加速度等)及其物理特征(车辆图2交通熵函数示意图Fig.2Diagram of Traffic entropy图3高风险事件预警的方法框架Fig.3The framework of high-risk events early warning1598第 10 期陈晓芸,等:低渗透率智能网联环境下高风险事件预警方法的宽度和长度)。通过对现有高风险事件识别方法与指标的研究综述,结合车辆运行轨迹数据特征,本研究使用修正的碰撞时间(modified time
25、 to collision,MTTC)27识别潜在冲突概率,如图4所示,计算如下:t1=-v-v2+2aDa(6)t2=-v+v2+2aDa(7)mttc=min()t1,t2,若 t10,t20max()t1,t2,若 t1t20D/v,若 a=0(8)v=vf-vp,a=af-ap,D=xp-xf-lp (9)式中:vf指后车速度;af指后车加速度;xf指后车位置坐标;vp指前车速度;ap指前车加速度;xp指前车位置坐标;lp指前车长度。目前不同研究和适用场景中MTTC识别高风险事件的阈值范围尚未达成一致的标准。为合理选取阈值,将相关研究中所用阈值汇总分析于表1。考虑到高速公路高速行驶场景
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 渗透 智能 环境 风险 事件 预警 方法