本發(fā)明屬于交通安全，具體涉及一種基于車載安全警報(bào)數(shù)據(jù)的長途客運(yùn)行車危險(xiǎn)路段識別方法。

背景技術(shù)：

1、保障行車安全是道路交通領(lǐng)域的重大關(guān)切。為此，車載安全警報(bào)系統(tǒng)已被廣泛應(yīng)用，能夠基于異常的車輛運(yùn)行狀態(tài)、駕駛員狀態(tài)實(shí)時(shí)發(fā)出安全警報(bào)。然而，孤立的車載安全警報(bào)系統(tǒng)往往存在無效重復(fù)提醒、誤報(bào)、漏報(bào)等問題，使得有經(jīng)驗(yàn)的駕駛員對其警報(bào)不夠重視，新手駕駛員不能有效利用報(bào)警記錄提升危險(xiǎn)路段駕駛安全性。這導(dǎo)致目前的車載報(bào)警系統(tǒng)形同虛設(shè)，無法實(shí)質(zhì)性改善行車安全。特別是長途客運(yùn)車輛普遍配置有車載報(bào)警系統(tǒng)，且線路相對固定，若能利用報(bào)警數(shù)據(jù)識別線路的典型危險(xiǎn)路段，對于提升行車安全具有重要意義；然而目前的研究和文獻(xiàn)對此尚未涉及。

2、已有的危險(xiǎn)路段識別多利用交通事故或車輛運(yùn)動數(shù)據(jù)，依賴經(jīng)驗(yàn)閾值，識別結(jié)果的客觀性有待提升。現(xiàn)有的基于交通事故或車輛運(yùn)動數(shù)據(jù)識別危險(xiǎn)路段的方法往往需要額外數(shù)據(jù)、參數(shù)以及人工經(jīng)驗(yàn)的支撐，使用中存在不便之處。如申請公布號cn?115691182?a的專利文獻(xiàn)，提出了“一種識別潛在危險(xiǎn)路段的方法、裝置及計(jì)算機(jī)儲存介質(zhì)”，通過行車異常事件(如急轉(zhuǎn)彎、異常顛簸、輪胎打滑、抱死等)的發(fā)生位置、車輛信用評分、行車危險(xiǎn)系數(shù)來確定路段的危險(xiǎn)程度，但車輛信用評分需要經(jīng)過額外的確認(rèn)。再如授權(quán)公布號cn109493600?b的專利文獻(xiàn)，提出了一種“基于事故危險(xiǎn)度的交通事故多發(fā)路段識別方法”，通過一定時(shí)間、空間、環(huán)境條件下歷史事故的傷亡人數(shù)與道路限速計(jì)算出危險(xiǎn)度，將危險(xiǎn)度大于閾值的地點(diǎn)識別為事故多發(fā)點(diǎn)，與統(tǒng)計(jì)路段內(nèi)警報(bào)數(shù)量的傳統(tǒng)識別方法類似，所用識別閾值對結(jié)果影響顯著，然而閾值的確定缺乏理論基礎(chǔ)，易導(dǎo)致識別結(jié)果與實(shí)際不符。還有學(xué)術(shù)論文提出了基于空間自相關(guān)性分析等統(tǒng)計(jì)學(xué)知識的識別方法，但需先按一定標(biāo)準(zhǔn)將所研究的路段劃分為小段，劃分標(biāo)準(zhǔn)也是由經(jīng)驗(yàn)決定的，不當(dāng)?shù)膭澐謱@著影響結(jié)果的準(zhǔn)確性與精度，如將一處連續(xù)的危險(xiǎn)路段截?cái)酁閮商帯⒃谝粭l過長的“危險(xiǎn)路段”中同時(shí)包含一般路段與危險(xiǎn)路段……這些都可能會影響對危險(xiǎn)路段的準(zhǔn)確識別及其致因的分析與研究。因此，亟需提出更加普適的方法以降低人工經(jīng)驗(yàn)依賴性，并可廣泛用于不同空間形態(tài)的數(shù)據(jù)集。

技術(shù)實(shí)現(xiàn)思路

1、鑒于車載報(bào)警系統(tǒng)尚未充分發(fā)揮出應(yīng)有的潛能，以及現(xiàn)行的危險(xiǎn)路段識別方法存在輸入數(shù)據(jù)的局限性、人工經(jīng)驗(yàn)的依賴性與空間識別的模糊性等不足之處，本發(fā)明旨在提出一種能夠利用安全警報(bào)數(shù)據(jù)集自動識別長途客運(yùn)車輛危險(xiǎn)路段的方法，通過自動化調(diào)節(jié)dbscan(density-based?spatial?clustering?of?applications?with?noise,有噪聲的基于密度的空間聚類)算法參數(shù)，避免經(jīng)驗(yàn)賦值參數(shù)影響識別效果；通過對報(bào)警位置經(jīng)緯度的聚類識別出危險(xiǎn)路段的準(zhǔn)確范圍，避免機(jī)械的路段劃分影響識別精度。該方法具有普適性與精準(zhǔn)性，可助力交通安全改善。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提出一種有效利用已有車載警報(bào)數(shù)據(jù)、能自動化調(diào)節(jié)算法參數(shù)的dbscan聚類算法，可以識別長途客運(yùn)車輛的危險(xiǎn)路段。

3、本發(fā)明技術(shù)方案：

4、一種基于車載安全警報(bào)數(shù)據(jù)的長途客運(yùn)行車危險(xiǎn)路段識別方法，輸入長途客運(yùn)行車報(bào)警位置經(jīng)、緯度數(shù)據(jù)點(diǎn)序列，根據(jù)數(shù)據(jù)點(diǎn)序列的數(shù)據(jù)特征自動化調(diào)節(jié)dbscan聚類算法參數(shù)，以代替基于人工經(jīng)驗(yàn)的賦值參數(shù)。dbscan聚類算法處理數(shù)據(jù)點(diǎn)序列，得到若干組足夠緊密地聚集在一起的報(bào)警位置數(shù)據(jù)點(diǎn)之集合(稱為一個類簇)，在地理空間內(nèi)即對應(yīng)于需識別的危險(xiǎn)路段范圍。

5、自動化調(diào)節(jié)的dbscan聚類算法參數(shù)包括：搜索鄰近數(shù)據(jù)點(diǎn)的半徑r和判斷該半徑范圍內(nèi)數(shù)據(jù)點(diǎn)足夠密集的最小數(shù)據(jù)點(diǎn)數(shù)目nm。

6、在一般的dbscan聚類算法運(yùn)行過程中，這兩個參數(shù)由人工經(jīng)驗(yàn)賦值，缺乏科學(xué)依據(jù)，無法保證識別效果，同一組參數(shù)也難以泛用；本發(fā)明將通過指標(biāo)計(jì)算及迭代算法自動化調(diào)節(jié)這兩個參數(shù)，以數(shù)據(jù)驅(qū)動代替經(jīng)驗(yàn)驅(qū)動，實(shí)現(xiàn)普適、精準(zhǔn)的危險(xiǎn)路段識別。

7、進(jìn)一步的，一種基于車載安全警報(bào)數(shù)據(jù)的長途客運(yùn)行車危險(xiǎn)路段識別方法，具體包括以下步驟：

8、步驟1：初始化dbscan聚類算法參數(shù)，取搜索半徑r＝1米，最小數(shù)據(jù)點(diǎn)數(shù)目nm＝2。設(shè)定較小的初始值，預(yù)留充分的參數(shù)調(diào)整空間。

9、步驟2：使用dbscan聚類算法進(jìn)行聚類，并剔除未被成功聚類的孤立點(diǎn)，得到若干組由多個數(shù)據(jù)點(diǎn)組成的有效類簇。

10、步驟3：通過指標(biāo)計(jì)算及迭代算法自動尋找聚類算法參數(shù)，不依賴盲目的經(jīng)驗(yàn)賦值，確保最終通過聚類算法可得到若干個數(shù)據(jù)點(diǎn)明顯更密集的類簇。具體過程如下：

11、3.1：計(jì)算各個有效類簇中各點(diǎn)到類簇中心的平均距離，記為d。

12、3.2：將各類簇的數(shù)據(jù)點(diǎn)個數(shù)n除以平均距離d，得到偽密度指標(biāo)p。

13、3.3：根據(jù)指標(biāo)p，降序排列各個類簇，將p值最大的類簇記為第1類簇，p值次大的類簇記為第2類簇，依此類推，標(biāo)記所有有效類簇的p值序數(shù)。隨后，通過差分處理找到與后一類簇的p值差異最大的類簇，記其序數(shù)為i。此時(shí)，前i個類簇的p值將顯著大于其他類簇，即，前i個類簇中的報(bào)警數(shù)據(jù)分布更密集，對應(yīng)空間范圍內(nèi)的報(bào)警事件更集中，故推測相應(yīng)路段更加危險(xiǎn)。

14、3.4：在資源有限的情況下，考慮優(yōu)先處置最突出的k處危險(xiǎn)路段，故比較i和k，記錄當(dāng)前最接近k的i值以及對應(yīng)的聚類參數(shù)，將這一集合{i，r，nm}記為s，集合s中的參數(shù)可用于復(fù)現(xiàn)已有的最優(yōu)聚類結(jié)果，是一種壓縮化的最優(yōu)結(jié)果保存方式，可以較低的存儲成本保證最終結(jié)果不會劣化。

15、①若i＝k，則終止算法，輸出s和p值最大的k個聚類簇，將這些聚類簇中的數(shù)據(jù)點(diǎn)對應(yīng)到道路空間內(nèi)，所得的k段道路空間范圍即為最突出的k處危險(xiǎn)路段；

16、②若i<k，且s發(fā)生更新，則繼續(xù)調(diào)整上一次調(diào)整的算法參數(shù)；

17、③若i<k，且s第一次沒有發(fā)生更新，則回退一次聚類參數(shù)，并調(diào)整另一個算法參數(shù)，即：若前一次調(diào)整參數(shù)為r，令nm＝nm+1，以提高類簇密度，降低類簇內(nèi)數(shù)據(jù)點(diǎn)到類簇中心的平均距離d；若前一次調(diào)整參數(shù)為nm或剛剛完成初次聚類時(shí)，從當(dāng)前集合s中取出元素i，記為is，令

18、提高類簇內(nèi)數(shù)據(jù)點(diǎn)個數(shù)n；

19、④若i<k，且s第二次及以上沒有發(fā)生更新，則隨機(jī)調(diào)整參數(shù)r或nm，當(dāng)s連續(xù)l(自行擬定的上限次數(shù)，次數(shù)越少，算法收斂越快；次數(shù)越多，算法搜索越充分)次沒有發(fā)生更新時(shí)，終止算法，輸出當(dāng)前的s和指標(biāo)p最大的is個類簇，將這些類簇中的數(shù)據(jù)點(diǎn)對應(yīng)到道路空間內(nèi)，所得的is段道路空間范圍即為最突出的is處危險(xiǎn)路段；

20、⑤若i>k，則令擴(kuò)大搜索范圍，提高每個類簇內(nèi)數(shù)據(jù)點(diǎn)個數(shù)n，減少類簇總數(shù)；當(dāng)s連續(xù)l次沒有發(fā)生更新時(shí)，終止算法，輸出當(dāng)前的s和指標(biāo)p最大的is個聚類簇，將這些聚類簇中的數(shù)據(jù)點(diǎn)對應(yīng)到道路空間內(nèi)，所得的is段道路空間范圍即為最突出的is處危險(xiǎn)路段。

21、3.5：根據(jù)一般常識，搜索半徑r不能無限增大，相距過遠(yuǎn)(如超出駕駛視野)的兩處危險(xiǎn)路段應(yīng)獨(dú)立看待，對r設(shè)置上限值rm，當(dāng)r達(dá)到rm后，只允許增大nm。

22、步驟4：重復(fù)步驟2～3.5，直至終止算法。

23、有益效果

24、應(yīng)用上述技術(shù)解決方案后，本發(fā)明可以取得的有益效果是：在一般的dbscan聚類算法運(yùn)行過程中，dbscan算法參數(shù)由人工經(jīng)驗(yàn)賦值，缺乏科學(xué)依據(jù)，無法保證識別效果，同一組參數(shù)也難以泛用；本發(fā)明通過指標(biāo)計(jì)算及迭代算法自動化調(diào)節(jié)參數(shù)，以數(shù)據(jù)驅(qū)動代替經(jīng)驗(yàn)驅(qū)動，實(shí)現(xiàn)普適、精準(zhǔn)的危險(xiǎn)路段識別?？梢葬槍ξｋU(xiǎn)路段空間形態(tài)的隨機(jī)性，基于所用安全警報(bào)數(shù)據(jù)集自身特征，自動化調(diào)節(jié)dbscan聚類算法參數(shù)，避免因人工經(jīng)驗(yàn)賦值參數(shù)導(dǎo)致的誤差，識別出任意形態(tài)的k處突出危險(xiǎn)路段，方法的普適性與精確性較傳統(tǒng)方法有一定提升，可在安全警報(bào)系統(tǒng)和科學(xué)研究兩方面改善道路交通安全狀況。