1.本发明涉及交通安全技术领域,尤其是涉及一种危化品运输车辆行驶状态的风险预测方法。
背景技术:
2.近年来伴随着业的迅速发展以及物流行业的兴起,化工物流迅速发展。根据数据显示,2019年我国化工物流的市场份额达到1.9万亿。在化工物流中,道路运输中占73.8%。危化品的化学性质极不稳定,具有易燃、易爆、易腐蚀等特点,如果在运输过程中摩擦、受热、或者撞击,可能会造成车辆罐体的破裂、燃烧甚至爆炸,造成人员的伤亡和财产的损失,给环境和生态造成不可估量的损害。因此庞大的危化品市场规模对危险化学品的生产、存储和运输提出了挑战。
3.目前在危化品运输系统的安全管理方面仍存在不少问题,主要表现为:危化品运输事故分析以追责为主要目的,对支持事故科学预防的深度不足;危化品运输中基于预警干预的事前预防能力不足;虽然已全面建成了危化品运输车辆监控平台,但危化品运输供应链全过程信息仍不够完善,严重影响事故处置效率;危化品运输安全事故救援预案不够完善,对事故影响缺乏有效估计,对二次事故的防控准备不足。
技术实现要素:
4.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一种危化品运输车辆行驶状态的风险预测方法,该方法能够精准且实时监测危化品运输车辆的行为状态,并对其是否会发生危险进行预测。
5.本发明的目的可以通过以下技术方案来实现:
6.本发明提供一种危化品运输车辆行驶状态的风险预测方法,其特征在于,包括以下步骤:
7.s1:利用数据采集设备,采集并存储危化品运输车辆在行驶过程中的行驶状态数据;
8.s2:根据所述行驶状态数据,判定危化品运输车辆当前的行驶状态是否危险;
9.s3:构建危化品运输车辆行驶状态的风险预测模型,预测危化品运输车辆在未来是否处于危险状态。
10.优选地,所述数据采集设备包括adas、dsm和时间精度为1s的的加速度传感设备。
11.优选地,所述行驶状态数据包括车辆的实时位置、速度、加速度、方向盘转角、天气、前后车距离和驾驶员的年龄及性别。
12.优选地,所述s2包括以下步骤:
13.s2.1:根据所述行驶状态数据,计算危化品运输车辆与前车发生碰撞的时间 ttc;
14.s2.2:根据ttc和所述行驶状态数据,判断危化品运输车辆当前的行驶状态是否危险,并设置标签。
15.优选地,所述ttc的计算公式为:
[0016][0017]
其中,x
l
(t)为危化品运输车辆跟车过程中的前车在危化品运输车辆当前实时位置x对时间或速度的导数,xf(t)为危化品运输车辆跟车过程中的后车在危化品运输车辆当前实时位置x对时间或速度的导数,l
l
为前车长度。
[0018]
优选地,所述标签包括危险=1和安全=0,当危化品运输车辆处于危险行驶状态时,设置标签为危险=1,其他情况下设置标签为安全=0。
[0019]
优选地,所述危险行驶状态包括:
[0020]
1)ttc《1s,速度》120km/h;
[0021]
2)加速度超过规定区间;
[0022]
3)驾驶员具有危险驾驶倾向。
[0023]
优选地,所述危险驾驶倾向包括超速驾驶倾向、疲劳驾驶倾向和分神驾驶倾向,当驾驶员具有超速驾驶倾向、疲劳驾驶倾向和分神驾驶倾向的一种倾向及以上,则判定为危险行驶状态。
[0024]
优选地,所述危化品运输车辆行驶状态的风险预测模型为基于注意力机制的lstm模型。
[0025]
优选地,所述lstm模型在每个时间步长的输出其权重总和的计算公式为:
[0026][0027]
其中,g
t
为每个时间步长的输出权重总和,n 1为指标的个数,βk为在该时间下的注意力参数,其计算公式如下:
[0028][0029]
其中,sk=(s1,s2,
…
,s
n 1
)为不同指标对该参数的贡献值,计算公式如下:
[0030]
sk=v
t
*tanh(wh*x
t
w
l
*g
t
)
[0031]
其中,v
t
,wh,w
l
均为模型自学习参量。
[0032]
与现有技术相比,本发明具有以下优点:
[0033]
1、本发明采用时间精度为1s加速度传感设备结合adas和dsm对危化品运输车辆进行数据采集,能够精准的对运输车辆行驶的行为进行安全性分析和异常行为监测,为后期预测提供精准信息。
[0034]
2、本发明采用基于注意力机制的lstm模型,通过优化输入结构对驾驶全时全要素信息进行了保存。引入注意力机制,可通过网络自学习权重将lstm所有时刻的输出进行重新排序计算,对输入信息权重进行优化,提升预测的准确率。
附图说明
[0035]
图1为本实施例一种危化品运输车辆行驶状态的风险预测方法的流程示意图;
[0036]
图2为本实施例对车辆的行驶状态是否危险的判别结果示意图;
[0037]
图3为本实施例采用基于注意力机制的lstm模型建立风险预测模型的结构示意图。
具体实施方式
[0038]
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实施例。
[0039]
本实施例提供一种危化品运输车辆行驶状态的风险预测方法,包括以下步骤:
[0040]
s1:利用数据采集设备,采集并存储危化品运输车辆在行驶过程中的行驶状态数据;
[0041]
数据采集设备包括高精车载adas、dsm和时间精度为1s的加速度传感设备。其中,adas为车辆辅助驾驶设备,基于车载前向和侧向的雷达对行驶路况进行监测,识别前向碰撞、车道偏离、车距过近、频繁变道和道路标识等事件;dsm为驾驶人状态监控设备,基于车载摄像头对驾驶员的面部进行识别,识别如疲劳、抽烟和分心等异常事件时报警以避免事故的发生。采集的行驶状态数据包括:车辆的实时位置、速度、加速度、方向盘转角、天气、前后车距离和驾驶员的年龄及性别。本实施例在6辆危化品运输大货车和2辆出租车上安装有数据采集设备,并通过数据采集设备分别采集了车辆的驾驶数据(车辆的实时位置、速度、加速度和方向盘转角)、周边环境数据(天气和前后车距离)和驾驶员数据(驾驶员的年龄及性别)。
[0042]
s2:根据所述行驶状态数据,判断危化品运输车辆当前的行驶状态是否危险;
[0043]
s2.1:根据所述行驶状态数据,计算危化品运输车辆与前车发生碰撞的时间 ttc;
[0044][0045]
其中,x
l
(t)为危化品运输车辆跟车过程中的前车在危化品运输车辆当前实时位置x对时间或速度的导数,xf(t)为危化品运输车辆跟车过程中的后车在危化品运输车辆当前实时位置x对时间或速度的导数,l
l
为前车长度。
[0046]
作为一种可实施的方式,前车长度由经验获取,一般取4.5m。
[0047]
s2.2:基于ttc、速度和加速度为危化品运输车辆当前的行驶状态设置标签。
[0048]
标签包括“危险=1”和“安全=0”,当危化品运输车辆处于危险行驶状态时,设置标签为“危险=1”,其他情况下设置标签为“安全=0”。
[0049]
危险行驶状态包括:
[0050]
1)ttc《1s,速度》120km/h;
[0051]
2)加速度超过规定区间;
[0052]
研究表明,一般情况下加速度服从x~n(μ,σ)的正态分布,μ和σ由实际数据情况获取。在显著性程度要求在90%以上时,超出数据范围[μ-3σ,μ 3σ]的数据被定义为异常值。故本实施例定义[μ-3σ,μ 3σ]为规定区间。
[0053]
3)驾驶员具有危险驾驶倾向;
[0054]
危险驾驶倾向包括超速驾驶倾向、疲劳驾驶倾向和分神驾驶倾向。
[0055]
以超速驾驶倾向为例,提取车辆发生超速前100个有效速度记录,和车辆正常行驶时100个速度记录作为输入。模型数据和训练结果如表1所示。模型训练完成后在训练集和测试集上的准确度分别达到了98%和95%,准确度较好,可有效根据车辆过去当前一段时间的速度对超速倾向进行识别。
[0056]
疲劳驾驶倾向和分神驾驶倾向由dsm自动识别,并实时标记。
[0057]
当驾驶员具有危险驾驶倾向,即具有超速驾驶倾向、疲劳驾驶倾向和分神驾驶倾向的一种倾向及以上,则判定为危险行驶状态。
[0058]
表1超速数据
[0059][0060]
图2为实施例对车辆的行驶状态是否危险的判别结果示意图。本实施例采用 matlab对数据进行筛选,最终从8000份出行数据中采集到危险驾驶行为发生点854 个。同时根据dsm提取疲劳驾驶报警时刻前一小时内车辆一百个有效速度数据,对于正常行驶车辆提取一天内有效行驶时间最长的一小时内一百个速度数据,其中疲劳驾驶样本数为75,正常行驶样本数为50。
[0061]
s3:基于注意力机制的lstm模型,构建危化品运输车辆行驶状态的风险预测模型,预测危化品运输车辆在未来是否处于危险状态;
[0062]
lstm单元包括一个输入门、输出门、遗忘门和细胞状态层,当前单元的输出可作为下一个单元的输入。其中,输入门、输出门、遗忘门和单元状态的计算公式如下所示:
[0063]
输入门:i
t
=σ(wc*[g
t-1
,x
t
] bf)
[0064]
遗忘门:f
t
=σ(wf*[g
t-1
,x
t
] bf)
[0065]
单元状态:c
t
′
=σ(wi*[g
t-1
,x
t
] bf)
[0066]ct
=f
t
*c
t-1
i
t
*c
t
[0067]
输出门:o
t
=σ(wo*[g
t-1
,x
t
] bf)
[0068]gt
=o
t
*tanh(c
t
)
[0069]
其中,x
t
为当即时刻的输入,i
t
,f
t
,o
t
分别为当前时刻的输入门,遗忘门及输出门状态,σ为激活参数,wc,wf,wi,wo分别为输入门、遗忘门、单元状态和输出门的权重参数,bf为偏置参数。三个门都以relu函数作为激活函数以对单元状态进行归一化。c
t
′
为上一时刻的单元状态,c
t
为当前时刻的单元状态,*表示为矩阵元素的乘积。
[0070]
为优化输入信息的权重,本实施例基于lstm模型,通过加入注意力机制层,从而自动对驾驶行为指标权重进行调整。
[0071]
lstm模型在每个时间步长的输出其权重总和的计算公式为:
[0072][0073]
其中,g
t
为每个时间步长的输出权重总和,n 1为指标的个数,βk为在该时间下的注意力参数,其计算方法如下式所示:
[0074][0075]
其中,sk=(s1,s2,
…
,s
n 1
)表示不同指标对该参数的贡献值,即自变量对于因变量的权重,贡献值由下式计算所得:
[0076]
sk=v
t
*tanh(wh*x
t
w
l
*g
t
)
[0077]
其中,v
t
,wh,w
l
均为模型自学习参量。
[0078]
参考图3所示,本实施例建立的构建危化品运输车辆行驶状态的风险预测模型包括一个输入层、一个lstm层、一个全连接层和一个输出层,设置训练次数为 300次。采用危化品运输车辆过去24s的时间戳、速度、ttc、加速度、方向盘转角以及驾驶员的性别和年龄作为自变量,将危险行驶状态设置的标签作为因变量输入模型,并使用基于注意力机制的lstm模型提取输入数据对结果的贡献值,对危化品车辆行驶状态进行预测,预测危化品运输车辆在未来24s内是否处于危险状态。若输出数据中危险行驶状态的标签为危险=1时则认为处于危险状态,输出数据中危险行驶状态的标签为安全=0时则认为处于安全状态。
[0079]
s4:根据预测结果,自主生成危化品运输车辆行驶过程的预警方案,发送至危化品紧急管控平台,由危化品运输紧急管控平台对危化品运输车辆进行行为管控。
[0080]
根据预测结果,自主生成危化品运输车辆行驶过程的预警方案,预警方案包括报警短信,提醒驾驶员平稳驾驶。将预测结果与危化品运输紧急管控平台中已有的控制方案进行关联。
[0081]
控制方案权限体系目的为对管理后果较为严重的管理场景,设置计算机管理权限,建立人为复核和干预机制,对特定后果严重场景,必要时实行执行人员机械操作,从而避免计算机判定和操作失误引起的管理失误后果。基于风险级别和系统误差的耦合影响分析,根据对应的管理后果严重程度类别,将风险情景主要划分为四类(依据风险等级划分):第一类(i级等级),管理后果严重,需要人为完成机械操作;第二类(ii级等级),管理后果较为严重,需要人为对管理方案进行确认复核,或对特定操作步骤进行人为操作;第三类(iii级等级),存在一定管理后果,需要人为监督,必要时人为干预中断;第四类(iv级等级),几乎不存在管理后果。下表为控制方案逻辑图:
[0082]
表6管理权限及控制逻辑图
[0083][0084][0085]
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
转载请注明原文地址:https://win.8miu.com/read-1056224.html