本发明涉及交通安全，特别是一种基于轨迹数据的高速公路施工区车辆事故风险的评估方法。
背景技术：
1、高速公路是城市间交通和运输功能的主要载体，具有交通量大、流通效率快等特征，在我国城市发展和居民生活中发挥着重要作用。随着交通量和大型车比例的持续增长，很多高速公路承载的负荷开始超出其设计负荷，面临着道路加速损坏的风险,道路的老化和损毁使其无法满足正常的交通需求。为进一步贯彻落实高质量发展要求，高速公路已由建设为主向建、管、养、运协调发展转变，注重做优存量，提高质量效益。高速公路成网环境为高速公路封闭车道施工提供条件，有利于拓展作业空间、提高作业效率，但易形成交通拥堵，对通行安全和效率有显著影响。
2、高速公路施工区可分为警告区、上游过渡区、缓冲区、工作区、下游过渡区、终止区。施工区的存在导致部分车道封闭，导致车流汇合更为困难，加减速、换道行为频繁，交通流的运行受到严重干扰，易诱发交通拥堵，增加事故发生率。具体来说，警告区存在大量车辆减速、换道行为，当到达流量大时，交通可能由跟驰行驶演变为排队行驶；上游过渡区车道减少引起强制性合流，横向干扰增加易发生交通拥堵；工作区车道缩减，呈现车流重分布、客货车混行特征。施工区不同区段具有不同特征，对其运行安全的影响也有所不同。因此需要建立基于轨迹数据的施工区车辆风险评估模型，探究影响施工区追尾冲突与侧向冲突的关键因素和其作用的机理，为高速公路施工区的安全改善工作提供支撑。
技术实现思路
1、本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于轨迹数据的高速公路施工区车辆事故风险的评估方法，该基于轨迹数据的高速公路施工区车辆事故风险的评估方法主要包括轨迹数据提取、基于ettc指标的车辆事故风险识别方法和构建基于随机森林的车辆事故风险评估模型。首先基于无人机采集的施工区交通流视频提取车辆运行的轨迹数据，并通过小波变换检测轨迹异常值去除噪声；使用基于ttc改进的ettc指标作为车辆在施工区事故风险识别的方法，可同时用于追尾和侧向冲突的识别；构建基于随机森林的施工区车辆事故风险评估模型，以进行车辆风险的评估。
2、为解决上述技术问题，本发明采用的技术方案是：
3、一种基于轨迹数据的高速公路施工区车辆事故风险的评估方法，包括如下步骤。
4、步骤1、构建车辆事故风险评估模型：对高速公路施工区的车辆，基于随机森林算法，构建车辆事故风险评估模型；其中，车辆事故风险评估模型的输入量包括当前车辆运行的微观特征、与当前车辆发生冲突的前车的微观特征、车辆冲突相关特征及施工区区段交通流宏观参数特征；且输入量中任意两个特征变量之间的相关性均不超过设定的相关性阈值；车辆事故风险评估模型的输出量为当前车辆的风险状态；其中，风险状态包括危险状态和安全状态。
5、步骤2、构建模型样本库，具体包括如下步骤：
6、步骤2-1、获取车辆轨迹：在高速公路施工区段，拍摄车辆运行视频，从而获得车辆轨迹数据。
7、步骤2-2、确定输入量中的特征变量：从步骤2-1获得的车辆轨迹数据中，获取每个当前车辆运行的微观特征、与对应当前车辆发生冲突的前车的微观特征、对应车辆冲突相关特征及施工区区段交通流宏观参数特征；计算任意两个特征变量之间的相关性，并与设定相关性阈值进行比较，剔除大于相关性阈值的特征变量。
8、步骤2-3、构建输入量样本集：将步骤2中具有确定特征变量的每个当前车辆运行的微观特征，与对应当前车辆发生冲突的前车的微观特征，对应车辆冲突相关特征，以及施工区区段交通流宏观参数特征，作为输入量样本集。
9、步骤2-4、构建输出量样本集：根据步骤2-3输入量样本集中的每个输入样本值，分别计算碰撞时间ettc和碰撞时间差tdtc；将ettc实际计算值小于等于ettc设定阈值且tdtc实际计算值小于等于tdtc设定阈值的车辆状态，记为危险状态；否则，记为安全状态；当所有输入样本的车辆状态均识别完成后，即得到输出量样本集。
10、步骤3、模型训练：使用步骤2构建的模型样本库，对步骤1构建的车辆事故风险评估模型进行训练，得到训练后的车辆事故风险评估模型，以及每个输入样本对应的预测风险状态。
11、步骤4、模型性能评估：通过比较输入样本的预测风险状态和实际风险状态，进而对训练后的车辆事故风险评估模型的性能进行评估；当评估性能低于设定性能阈值时，通过增加步骤2-1中车辆运行视频的拍摄时间，增加模型样本数量，直至评估性能不低于设定性能阈值。
12、步骤5、车辆事故风险评估：获取高速公路施工区风险待评估车辆的运行微观特征、与风险待评估车辆发生冲突的前车的微观特征、风险待评估车辆冲突相关特征及施工区区段交通流宏观参数特征，输入至步骤5性能评估符合要求的车辆事故风险评估模型中，从而得到风险待评估车辆的风险状态。
13、步骤2-1中，采用无人机拍摄车辆运行视频。
14、步骤2-1中，车辆轨迹数据包括时间刻度、车辆基本参数、横向及纵向坐标参数、起始车道特征与目标车道特征。
15、步骤2-1中，车辆轨迹数据的获取方法，包括如下步骤：
16、步骤2-1-1、轨迹数据提取：将拍摄得到的车辆运行视频，利用软件对视频中车辆进行识别与跟踪，提取车辆轨迹数据，并进行车道线标记。
17、步骤2-1-2、轨迹数据修正：利用小波变换与高斯核回归分析，修正步骤2-1-1提取的车辆轨迹数据中高频信息异常点；利用三次样条曲线插值修正加速度超过设定加速度阈值的点。
18、步骤2-1-3、轨迹数据过滤与重构：对修正后的轨迹数据重新使用小波变换去除噪声，并重构车辆轨迹。
19、步骤2-2中，通过皮尔逊相关性分析计算两个特征变量之间的相关性；此时，两个特征变量之间的相关性，也称皮尔逊相关系数r，具体计算公式为：
20、
21、式中，xi和yi分别是两个特征变量的观测值；和分别是两个特征变量在设定时段的平均值。
22、步骤2-3中，当前车辆运行的微观特征包括当前车辆类型rt，当前车辆坐标rx、ry，当前车辆速度rv和当前车辆加速度ra。
23、与对应当前车辆发生冲突的前车的微观特征，包括前车车辆类型ft，前车坐标fx、fy，前车速度fv和前车加速度ft。
24、对应车辆冲突相关特征，包括冲突点坐标cx、cy，前后车距离差dx和速度差dv。
25、施工区区段交通流宏观参数特征包括车辆所在区域名称area、设定时段交通流平均速度av和设定时段交通流速度标准差sv。
26、步骤2-4中，ettc的计算公式为：
27、
28、其中：
29、dij＝dij-0.5lj-0.5li
30、
31、式中，dij为当前车辆i与前车j的最近点距离。
32、d′ij为当前车辆i与前车j形心的接近率。
33、dij为当前车辆i与前车j的形心距离。
34、lj为前车j的车身长度；li为当前车辆i的车身长度。
35、oi和oj分别为当前车辆i与前车j的外形重心坐标向量。
36、vi和vj分别为当前车辆i与前车j在当前时刻的矢量瞬时速度。
37、步骤2-4中，tdtc的计算公式为：
38、
39、式中，ti和tj分别为当前车辆i与前车j以当前时刻的瞬时速度到达冲突点所需时间。
40、si和sj分别为当前车辆i与前车j在当前时刻距离冲突点的距离。
41、步骤4中，将f1-score作为车辆事故风险评估模型的性能评估指标，则f1-score的计算公式为：
42、
43、其中：
44、
45、
46、式中，precision为精确度；recall为召回率。
47、tp为危险状态样本被成功预测为处于危险状态的数量。
48、fn为危险状态样本被错误地预测为处于安全状态的数量。
49、fp为安全状态样本被错误地预测为处于危险状态的数量。
50、步骤1中，基于随机森林算法构建车辆事故风险评估模型的决策树时，决策树中节点t的不纯度impurity(t)的计算公式为：
51、impurity(t)＝p(t)·(1-p(t))
52、式中p(t)表示节点t中目标变量的样本占比。
53、本发明具有如下有益效果：
54、本发明通过建立基于轨迹数据的施工区车辆风险评估模型，可基于模型结果进一步分析影响施工区追尾冲突与侧向冲突的关键因素和其作用的机理，为高速公路施工区的安全改善工作提供支撑，对于提升高速公路施工区通行的安全水平具有重要意义。
1.基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤2-1中，采用无人机拍摄车辆运行视频。
3.根据权利要求1所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤2-1中，车辆轨迹数据包括时间刻度、车辆基本参数、横向及纵向坐标参数、起始车道特征与目标车道特征。
4.根据权利要求1或2所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤2-1中，车辆轨迹数据的获取方法，包括如下步骤：
5.根据权利要求1所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤2-2中，通过皮尔逊相关性分析计算两个特征变量之间的相关性；此时，两个特征变量之间的相关性，也称皮尔逊相关系数r，具体计算公式为：
6.根据权利要求1所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤2-3中，当前车辆运行的微观特征包括当前车辆类型rt，当前车辆坐标rx、ry，当前车辆速度rv和当前车辆加速度ra；
7.根据权利要求1所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤2-4中，ettc的计算公式为：
8.根据权利要求7所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤2-4中，tdtc的计算公式为：
9.根据权利要求1所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤4中，将f1-score作为车辆事故风险评估模型的性能评估指标，则f1-score的计算公式为：
10.根据权利要求1所述的基于轨迹数据的高速公路施工区车辆事故风险的评估方法，其特征在于：步骤1中，基于随机森林算法构建车辆事故风险评估模型的决策树时，决策树中节点t的不纯度impurity(t)的计算公式为：
