长大连续纵坡路段事故易发区辨识方法、装置及电子设备与流程

1.本技术涉及危险态势感知技术领域，具体而言，涉及一种长大连续纵坡路段事故易发区辨识方法、装置以及电子设备。


背景技术：

2.长大纵坡存在高差变化大、气候条件恶劣、车辆运管难度大等问题，致使长大纵坡路段运行风险剧增，往往事故频发。长大纵坡事故多集中于连续下坡。事故发生一般是车辆因素与驾驶人因素共同耦合作用的结果，主要表现在未按照规定使用辅助制动系统，未合理控制下坡速度，甚至违章采用空档溜坡的现象。因此，有必要开展高速公路长大纵坡路段事故易发位置辨别的研究，以告知驾驶员前方路段的事故易发性等级，以提醒驾驶员采用辅助制动，控制下坡速度。


技术实现要素：

3.本技术实施例的目的在于提供一种长大连续纵坡路段事故易发区辨识方法、装置及电子设备，在即将进入长达纵坡路段前根据当前路段数据和驾驶行为数据预测当前驾驶员相对于当前待识别路段的易发性等级，并根据预测的易发性等级提醒驾驶员当前驾驶危险性，以促使驾驶员主动控制下坡速度，采取合理制动措施。
4.为了实现上述目的，本技术的实施例通过如下方式实现：第一方面，本技术实施例提供一种长大连续纵坡路段事故易发区辨识方法，包括：获取典型长大连续纵坡路段的历史通行数据，筛选无辅助制动情况下导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此确定长大连续纵坡路段事故的易发性；根据路段数据和驾驶员行为数据对因子进行分类，其中，隶属于驾驶员的行为数据为第一行为因子，隶属于路段数据的影响因子为第二行为因子；获取当前待识别路段数据以及当前驾驶员行为数据获取当前条件最接近的近邻，并确定当前驾驶员相对于当前待识别路段的易发性等级。
5.在本技术实施例中，获取典型长大纵坡路段的历史通行数据，筛选无辅助制动情况下导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此反映长大连续纵坡路段事故的易发性。然后根据即将进入的长大纵坡路段的路段数据和当前驾驶员的行为数据（包括当前驾驶车型、车重、速度），获取当前待识别路段数据以及当前驾驶员行为数据获取当前条件最接近的近邻，并预测当前驾驶员在无辅助制动条件下即将进入的长大纵坡易发性等级，根据易发性等级可以提前预警，以促使驾驶员主动控制下坡速度，采取合理制动措施。该方法基于当前驾驶员的行为数据确定相对于长大纵坡的易发性，并不是单纯获取长大连续纵坡路段的易发性等级，其是基于驾驶员的行为数据的动态评估，不同的驾驶员的行为数据，即使相对于同一长大纵坡其易发性等级也可能不同，能够对危险态势感知精准预判。
6.结合第一方面，在一些实施例中，获取典型长大连续纵坡路段的历史通行数据，将
导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此确定事故的易发性，其计算公式为：其中，p为易发性量化值，i为求和公式的下界， j 为影响因子数量，p(ki，h)为因子ki 对事故发生( h )所作贡献的量化值， li 为分布在特定影响因子 ki 内的事故路段长度，l为区域内的事故路段总长度，为区域内含有影响因子ki 的长度，为区域内的路段总长度。
7.结合第一方面，在一些实施例中，还包括：基于确定的长大连续纵坡路段事故的易发性评价数据融合到未知易发性长大连续纵坡路段，获取基于历史通行数据的全路段事故的易发性评价数据，其中，融合公式为：其中，v表示路段易发性等级，s表示第s个已经分级的路段，m表示第m个路段，d表示已知分级数据，表示原未知分级数据的易发性评价结果，。
8.结合第一方面，在一些实施例中，第一行为因子包括车型、车重、速度，第二行为因子包括路段长度、坡度、路面摩擦系数、路面温度。
9.结合第一方面，在一些实施例中，易发性等级分为低易发性、中等易发性以及高易发性。
10.结合第一方面，在一些实施例中，获取当前待识别路段数据以及当前驾驶员行为数据获取当前条件最接近的近邻，并确定当前驾驶员相对于当前待识别路段的易发性等级，具体包括：根据第一行为因子，确定当前驾驶员行为的相似度，基于相似度确定当前驾驶员最接近的近邻，其中相似度公式为：近的近邻，其中相似度公式为：和
ꢀꢀ
分别表示驾驶员x和驾驶员y对路段i的评分,
ꢀꢀ
和
ꢀꢀ
表示驾驶员x和驾驶员y已分级路段的平均等级,
ꢀꢀ
表示驾驶员x和驾驶员y已分级路段的交集,
ꢀꢀ
和
ꢀꢀ
分别表示驾驶员x和驾驶员y的分级路段的数据集；根据第二行为因子，确定当前途径路段的相似度，基于相似度确定当前途径路段最接近的近邻，其中，相似度公式为：其中，驾驶员x的位向量为 (x1, x
2 ,
…
, xn)，驾驶员y的位向量为(y1,y2,
…
,yn)；基于第一行为因子和第二行为因子确定融合条件下相似度，公式为：
sim=γsim1 （1-γ）sim2其中，γ为修正系数，γ∈(0,1)；基于融合条件下相似度确定最优近邻，并预测易发性等级，其中，易发性等级预测公式为：公式为： 表示当前驾驶员x对当前路段的易发性预测等级,
ꢀꢀ
和
ꢀꢀ
表示驾驶员 和驾驶员
ꢀꢀ
的平均易发性等级,
ꢀꢀ
表示驾驶员y对当前路段的评分，|sim|表示sim的绝对值。
11.第二方面，本技术实施例提供一种长大连续纵坡路段事故易发区辨识装置，包括：处理单元，用于获取典型长大连续纵坡路段的历史通行数据，筛选无辅助制动情况下导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此确定长大连续纵坡路段事故的易发性；分类单元，用于根据路段数据和驾驶员行为数据对因子进行分类，其中，隶属于驾驶员的行为数据为第一行为因子，隶属于路段数据的影响因子为第二行为因子；确定单元，用于获取当前待识别路段数据以及当前驾驶员行为数据获取当前条件最接近的近邻，并确定当前驾驶员相对于当前待识别路段的易发性等级。
12.结合第二方面，在一些实施例中，获取典型长大连续纵坡路段的历史通行数据，将导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此确定事故的易发性，其计算公式为：其中，p为易发性量化值，i为求和公式的下界， j 为影响因子数量，p(ki，h)为因子ki 对事故发生( h )所作贡献的量化值， li 为分布在特定影响因子 ki 内的事故路段长度，l为区域内的事故路段总长度，为区域内含有影响因子ki 的长度，为区域内的路段总长度。
13.结合第二方面，在一些实施例中，还包括基于确定的长大连续纵坡路段事故的易发性评价数据融合到未知易发性长大连续纵坡路段，获取基于历史通行数据的全路段事故的易发性评价数据，其中，融合公式为：其中，v表示路段易发性等级，s表示第s个已经分级的路段，m表示第m个路段，d表示已知分级数据，表示原未知分级数据的易发性评价结果，。
14.结合第二方面，在一些实施例中，第一行为因子包括车型、车重、速度，第二行为因子包括路段长度、坡度、路面摩擦系数、路面温度。
15.结合第二方面，在一些实施例中，易发性等级分为低易发性、中等易发性以及高易
发性。
16.结合第二方面，在一些实施例中，获取当前待识别路段数据以及当前驾驶员行为数据获取当前条件最接近的近邻，并确定当前驾驶员相对于当前待识别路段的易发性等级，具体包括：根据第一行为因子，确定当前驾驶员行为的相似度，基于相似度确定当前驾驶员最接近的近邻，其中相似度公式为：近的近邻，其中相似度公式为：和
ꢀꢀ
分别表示驾驶员x和驾驶员y对路段i的评分,
ꢀꢀ
和
ꢀꢀ
表示驾驶员x和驾驶员y已分级路段的平均等级,
ꢀꢀ
表示驾驶员x和驾驶员y已分级路段的交集,
ꢀꢀ
和
ꢀꢀ
分别表示驾驶员x和驾驶员y的分级路段的数据集；根据第二行为因子，确定当前途径路段的相似度，基于相似度确定当前途径路段最接近的近邻，其中，相似度公式为：其中，驾驶员x的位向量为 (x1, x
2 ,
…
, xn)，驾驶员y的位向量为(y1,y2,
…
,yn)；基于第一行为因子和第二行为因子确定融合条件下相似度，公式为：sim=γsim1 （1-γ）sim2其中，γ为修正系数，γ∈(0,1)；基于融合条件下相似度确定最优近邻，并预测易发性等级，其中，易发性等级预测公式为：公式为： 表示当前驾驶员x对当前路段的易发性预测等级,
ꢀꢀ
和
ꢀꢀ
表示驾驶员 和驾驶员
ꢀꢀ
的平均易发性等级,
ꢀꢀ
表示驾驶员y对当前路段的评分，|sim|表示sim的绝对值。
17.第三方面，本技术实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现前述的长大连续纵坡路段事故易发区辨识方法。
18.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
19.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看
作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
20.图1为本技术实施例提供的一种长大连续纵坡路段事故易发区辨识方法的流程图。
21.图2为本技术实施例提供的一种地长大连续纵坡路段事故易发区辨识装置的示意图。
22.图3为本技术实施例提供的一种电子设备的示意图。
23.图标：11-处理单元；12-分类单元；13-确定单元；20-电子设备；21-存储器；22-通信模块；23-总线；24-处理器。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
25.请参阅图1，图1为本技术实施例提供的一种长大连续纵坡路段事故易发区辨识方法的流程图。
26.在本实施例中，长大连续纵坡路段事故易发区辨识方法可以由电子设备执行，此电子设备可以为服务器（例如云服务器，服务器集群等）或者终端（例如个人电脑、笔记本电脑等），此处不作限定。
27.在本实施例中，长大连续纵坡路段事故易发区辨识方法可以包括步骤s10、步骤s20和步骤s30。
28.为了对长大连续纵坡路段事故易发区辨识，电子设备可以执行步骤s10。
29.步骤s10：获取典型长大连续纵坡路段的历史通行数据，筛选无辅助制动情况下导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此确定长大连续纵坡路段事故的易发性。
30.在这里，获取典型长大连续纵坡路段的历史通行数据，将导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此确定事故的易发性，其计算公式为：其中，p为易发性量化值，i为求和公式的下界， j 为影响因子数量，p(ki，h)为因子ki 对事故发生( h )所作贡献的量化值， li 为分布在特定影响因子 ki 内的事故路段长度，l为区域内的事故路段总长度，为区域内含有影响因子ki 的长度，为区域内的路段总长度。
31.其中，易发性等级可以分为低易发性、中等易发性以及高易发性，具体的易发性等级的划分标准可以由设计单位或者道路交通管理部门确定。
32.在这里，典型长大连续纵坡路段的历史通行数据样本有限，部分数据难以获取或者验证，导致易发性分级数据匮乏，影响后续事故易发性等级预测。为此，步骤s10还包括基于确定的长大连续纵坡路段事故的易发性评价数据融合到未知易发性长大连续纵坡路段，获取基于历史通行数据的全路段事故的易发性评价数据，其中，融合公式为：
其中，γ为修正系数，γ∈(0,1)；基于融合条件下相似度确定最优近邻，并预测易发性等级，其中，易发性等级预测公式为：公式为： 表示当前驾驶员x对当前路段的易发性预测等级,
ꢀꢀ
和
ꢀꢀ
表示驾驶员 和驾驶员
ꢀꢀ
的平均易发性等级,
ꢀꢀ
表示驾驶员y对当前路段的评分，|sim|表示sim的绝对值。
40.通过此种方式，可以确定基于第一行为因子和第二行为因子确定融合条件下相似度，并根据易发性等级预测公式确定当前驾驶员相对于当前长大连续纵坡路段的易发性等级。
41.因此，本方案提供的长大连续纵坡路段事故易发区辨识方法，通过获取典型长大纵坡路段的历史通行数据，筛选无辅助制动情况下导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此反映长大连续纵坡路段事故的易发性。然后根据即将进入的长大纵坡路段的路段数据和当前驾驶员的行为数据（包括当前驾驶车型、车重、速度），获取当前待识别路段数据以及当前驾驶员行为数据获取当前条件最接近的近邻，并预测当前驾驶员在无辅助制动条件下即将进入的长大纵坡易发性等级，根据易发性等级可以提前预警，以促使驾驶员主动控制下坡速度，采取合理制动措施。该方法基于当前驾驶员的行为数据确定相对于长大纵坡的易发性，并不是单纯获取长大连续纵坡路段的易发性等级，其是基于驾驶员的行为数据的动态评估，不同的驾驶员的行为数据，即使相对于同一长大纵坡其易发性等级也可能不同，能够对危险态势感知精准预判。
42.请参阅图2，图2为本技术实施例提供一种长大连续纵坡路段事故易发区辨识装置的示意图。
43.在本实施例中，长大连续纵坡路段事故易发区辨识装置可以包括：处理单元11，用于获取典型长大连续纵坡路段的历史通行数据，筛选无辅助制动情况下导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此确定长大连续纵坡路段事故的易发性；分类单元12，用于根据路段数据和驾驶员行为数据对因子进行分类，其中，隶属于驾驶员的行为数据为第一行为因子，隶属于路段数据的影响因子为第二行为因子；确定单元13，用于获取当前待识别路段数据以及当前驾驶员行为数据获取当前条件最接近的近邻，并确定当前驾驶员相对于当前待识别路段的易发性等级。
44.在本实施例中，处理单元11，用于获取典型长大连续纵坡路段的历史通行数据，将导致事故的因子实测值转化为反映事故的量化值，确定各因子对事故发生作用大小，以此确定事故的易发性，其计算公式为：其中，p为易发性量化值，i为求和公式的下界， j 为影响因子数量，p(ki，h)为因子ki 对事故发生( h )所作贡献的量化值， li 为分布在特定影响因子 ki 内的事故路段
长度，l为区域内的事故路段总长度，为区域内含有影响因子ki 的长度，为区域内的路段总长度。
45.在这里，处理单元11，还用于基于确定的长大连续纵坡路段事故的易发性评价数据融合到未知易发性长大连续纵坡路段，获取基于历史通行数据的全路段事故的易发性评价数据，其中，融合公式为：其中，v表示路段易发性等级，s表示第s个已经分级的路段，m表示第m个路段，d表示已知分级数据，表示原未知分级数据的易发性评价结果，。
46.通过上述融合处理后，未知分级数据获得易发性等级数据，使得数据样本极大丰富，从而优化了该长大连续纵坡路段事故易发区辨识方法，提高了预警准确性。
47.在本实施例中，分类单元12可以将第一行为因子包括车型、车重（包括车身自重、驾驶员以及货物重量）、速度，第二行为因子包括路段长度、坡度、路面摩擦系数、路面温度。
48.在本实施例中，确定单元13，还用于可以获取当前待识别路段数据以及当前驾驶员行为数据获取当前条件最接近的近邻，并确定当前驾驶员相对于当前待识别路段的易发性等级，具体包括：根据第一行为因子，确定当前驾驶员行为的相似度，基于相似度确定当前驾驶员最接近的近邻，其中相似度公式为：近的近邻，其中相似度公式为：和
ꢀꢀ
分别表示驾驶员x和驾驶员y对路段i的评分,
ꢀꢀ
和
ꢀꢀ
表示驾驶员x和驾驶员y已评级路段的平均等级,
ꢀꢀ
表示驾驶员x和驾驶员y已评级路段的交集,
ꢀꢀ
和
ꢀꢀ
分别表示驾驶员x和驾驶员y的评级路段的数据集；根据第二行为因子，确定当前途径路段的相似度，基于相似度确定当前途径路段最接近的近邻，其中，相似度公式为：其中，驾驶员x的位向量为 (x1, x
2 ,
…
, xn)，驾驶员y的位向量为(y1,y2,
…
,yn)；基于第一行为因子和第二行为因子确定融合条件下相似度，公式为：sim=γsim1 （1-γ）sim2其中，γ为修正系数，γ∈(0,1)；基于融合条件下相似度确定最优近邻，并预测易发性等级，其中，易发性等级预测公式为：
ꢀ
表示当前驾驶员x对当前路段的易发性预测等级,
ꢀꢀ
和
ꢀꢀ
表示驾驶员 和驾驶员
ꢀꢀ
的平均易发性等级,
ꢀꢀ
表示驾驶员y对当前路段的评分，|sim|表示sim的绝对值。
49.通过此种方式，可以确定基于第一行为因子和第二行为因子确定融合条件下相似度，并根据易发性等级预测公式确定当前驾驶员相对于当前长大连续纵坡路段的易发性等级。
50.本技术实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本实施例中的长大连续纵坡路段事故易发区辨识方法。
51.另外，请参阅图3，图3为本技术实施例提供的一种电子设备20的示意图。
52.在本实施例中，电子设备20可以为终端，例如平板电脑、个人电脑等；电子设备20也可以为服务器，例如云服务器、服务器集群等，此处不作限定。
53.示例性的，电子设备20可以包括：通过网络与外界连接的通信模块22、用于执行程序指令的一个或多个处理器24、总线23和不同形式的存储器21，例如，磁盘、rom、或ram，或其任意组合。存储器21、通信模块22、处理器24之间可以通过总线23连接。
54.示例性的，存储器21中存储有程序。处理器24可以从存储器21调用并运行这些程序，从而便可以通过运行程序而实现长大连续纵坡路段事故易发区辨识方法。
55.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
56.另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
57.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
58.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。