本發(fā)明涉及車輛碰撞風(fēng)險(xiǎn)檢測(cè)，更具體的說是涉及一種基于霍克斯過程檢測(cè)車輛碰撞風(fēng)險(xiǎn)的方法和系統(tǒng)。

背景技術(shù)：

1、車輛碰撞是公共安全的重大隱患，準(zhǔn)確預(yù)測(cè)未來的車輛碰撞趨勢(shì)可以有效地優(yōu)化交通管理和資源配置，提升道路安全水平。如何基于過去的碰撞時(shí)間有效判斷特定區(qū)域不同時(shí)間的碰撞風(fēng)險(xiǎn)的變化，是一個(gè)具有高度挑戰(zhàn)性的問題。歷史車輛碰撞數(shù)據(jù)通常以時(shí)空事件點(diǎn)的形式呈現(xiàn)，例如一次碰撞事件可以通過其發(fā)生的具體時(shí)間和地點(diǎn)來描述。點(diǎn)過程數(shù)據(jù)以一系列隨時(shí)間發(fā)生的離散事件為特征，在金融、神經(jīng)科學(xué)和社交網(wǎng)絡(luò)等多個(gè)領(lǐng)域有廣泛的應(yīng)用。作為點(diǎn)過程的一個(gè)子類，霍克斯過程因其能夠建模自激勵(lì)和聚類行為而受到關(guān)注。

2、然而，傳統(tǒng)的霍克斯過程建模在車輛碰撞風(fēng)險(xiǎn)變化檢測(cè)中存在局限性，因?yàn)樗蕾囉谂鲎彩录植荚跁r(shí)間上保持不變的假設(shè)。實(shí)際上，受多種因素影響，特定區(qū)域在不同時(shí)間段的碰撞風(fēng)險(xiǎn)會(huì)發(fā)生顯著變化。例如，季節(jié)變化、道路施工或重大活動(dòng)等因素可能導(dǎo)致某一區(qū)域的碰撞風(fēng)險(xiǎn)顯著增加或減少。

3、因此，如何在動(dòng)態(tài)環(huán)境中基于歷史車輛碰撞數(shù)據(jù)準(zhǔn)確捕捉不同時(shí)間段的碰撞風(fēng)險(xiǎn)變化，是當(dāng)前交通安全管理中亟待解決的技術(shù)難題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于霍克斯過程檢測(cè)車輛碰撞風(fēng)險(xiǎn)的方法和系統(tǒng)，能夠準(zhǔn)確、及時(shí)地檢測(cè)霍克斯過程中的變點(diǎn)，簡(jiǎn)單、有效地檢測(cè)特定區(qū)域和時(shí)間段內(nèi)車輛碰撞風(fēng)險(xiǎn)的變化位置，為交通管理部門提供了精確的風(fēng)險(xiǎn)評(píng)估工具。這不僅有助于提前識(shí)別潛在的高風(fēng)險(xiǎn)時(shí)間區(qū)域，還能夠?yàn)檐囕v碰撞風(fēng)險(xiǎn)管理提供有力的決策支持，從而優(yōu)化交通資源的配置和干預(yù)措施的實(shí)施，大幅提升道路安全水平。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種基于霍克斯過程檢測(cè)車輛碰撞風(fēng)險(xiǎn)的方法，包括：

4、獲取車輛碰撞數(shù)據(jù)；

5、將車輛碰撞數(shù)據(jù)建模為結(jié)合激勵(lì)和抑制作用的霍克斯過程模型；

6、構(gòu)建吉布斯采樣器，通過吉布斯采樣器采樣霍克斯過程模型的模型參數(shù)，并更新霍克斯過程模型參數(shù)；

7、基于更新后的霍克斯過程模型預(yù)測(cè)下一個(gè)車輛碰撞發(fā)生的時(shí)間區(qū)間，若下一個(gè)真實(shí)車輛碰撞點(diǎn)在上述時(shí)間區(qū)間則說明車輛碰撞風(fēng)險(xiǎn)沒有發(fā)生變化，否則發(fā)生變化。

8、優(yōu)選的，將車輛碰撞數(shù)據(jù)建模為結(jié)合激勵(lì)和抑制作用的霍克斯過程模型，具體包括：

9、1）將車輛碰撞數(shù)據(jù)建模為非線性霍克斯過程，定義為:

10、

11、其中，為條件強(qiáng)度函數(shù)，為強(qiáng)度上界，為sigmoid函數(shù)，為基線激活，其中為實(shí)數(shù)域，為影響函數(shù)，表示從到發(fā)生的車輛碰撞事件的自激勵(lì)效應(yīng)，其總和捕獲所有過去車輛碰撞事件的影響，將建模為多個(gè)基函數(shù)的線性組合：

12、

13、其中，為第b個(gè)基函數(shù)，為混合權(quán)值，b為基函數(shù)總個(gè)數(shù)；

14、

15、其中，并且是通過第b個(gè)基函數(shù)表示過去事件對(duì)t時(shí)刻的累積影響，是由相應(yīng)的組成的向量；

16、2）基于非線性霍克斯過程獲得變點(diǎn)前霍克斯過程模型的概率密度函數(shù)：

17、

18、其中，表示在和條件下在發(fā)生的車輛碰撞事件時(shí)刻的聯(lián)合概率密度函數(shù)，假設(shè)在時(shí)間區(qū)間上被觀測(cè)到，m為不帶變點(diǎn)的霍克斯過程的車輛碰撞數(shù)據(jù)總個(gè)數(shù)，和為霍克斯過程模型參數(shù)，表示時(shí)刻函數(shù)的值，表示時(shí)刻函數(shù)的值；

19、3）設(shè)表示由霍克斯過程生成的時(shí)間戳序列，為帶變點(diǎn)的霍克斯過程的車輛碰撞數(shù)據(jù)長(zhǎng)度，對(duì)于時(shí)間戳，將最近的更改點(diǎn)索引定義為，并假設(shè)更改點(diǎn)前后的時(shí)間戳相互獨(dú)立，將變點(diǎn)之后的時(shí)間戳的概率密度函數(shù)表示為：

20、

21、其中，表示在和條件下在時(shí)間區(qū)間內(nèi)發(fā)生的概率，表示時(shí)刻函數(shù)的值；

22、4）基于變點(diǎn)之后的時(shí)間戳的概率密度函數(shù)，計(jì)算模型參數(shù)的后驗(yàn)值：

23、

24、其中，的先驗(yàn)為高斯，是指高斯分布，是協(xié)方差矩陣，?的先驗(yàn)為無信息先驗(yàn)；

25、5）通過模型參數(shù)的后驗(yàn)值計(jì)算下一次車輛碰撞發(fā)生時(shí)間的預(yù)測(cè)分布：

26、

27、其中，為車輛碰撞觀測(cè)數(shù)據(jù)點(diǎn)的下一個(gè)車輛碰撞時(shí)間戳的概率分布，為在條件下，下一個(gè)車輛碰撞時(shí)間戳的條件概率分布。

28、優(yōu)選的，構(gòu)建吉布斯采樣器，具體包括：

29、1）在變點(diǎn)之后的時(shí)間戳的概率密度函數(shù)中引入兩組潛在變量pólya-gamma變量和標(biāo)記泊松過程，得到增廣似然：

30、

31、其中，是中每個(gè)上的構(gòu)成的向量，是觀測(cè)點(diǎn)上的pólya-gamma變量，，為pólya-gamma分布，其中，，表示處的函數(shù)值，表示處的函數(shù)值，其中是標(biāo)記泊松過程點(diǎn)上的pólya-gamma變量；表示區(qū)間上有標(biāo)記泊松過程的實(shí)現(xiàn)，其概率測(cè)度記為；

32、2）結(jié)合增廣后的似然和先驗(yàn)，得到增廣后的聯(lián)合分布：

33、

34、3）基于聯(lián)合分布得到吉布斯采樣器：

35、

36、

37、

38、

39、其中，是給定，時(shí)的條件概率分布，表示給定時(shí)的pólya-gamma條件概率分布；是給定時(shí)潛在泊松過程的強(qiáng)度函數(shù)，表示給定時(shí)的pólya-gamma條件概率分布；是給定時(shí)的條件概率分布，表示給定?時(shí)的gamma條件概率分布，，表示標(biāo)記泊松過程中的點(diǎn)數(shù)，；是給定時(shí)的條件概率分布，，其中是一個(gè)對(duì)角矩陣，其前個(gè)元素是，接下來的個(gè)元素是，；，其中為向量，前個(gè)元素是，接下來的個(gè)元素是。

40、優(yōu)選的，通過吉布斯采樣器進(jìn)行迭代采樣，從模型參數(shù)的后驗(yàn)分布中獲取一系列樣本，從而得到霍克斯過程模型的參數(shù)；

41、通過吉布斯采樣器采樣有抑制作用的霍克斯過程模型的模型參數(shù)，并根據(jù)得到的模型參數(shù)，更新霍克斯模型參數(shù)。

42、一種基于霍克斯過程檢測(cè)車輛碰撞風(fēng)險(xiǎn)的系統(tǒng)，包括：

43、數(shù)據(jù)獲取模塊：獲取車輛碰撞數(shù)據(jù)；

44、霍克斯過程模型建立模塊：將車輛碰撞數(shù)據(jù)建模為結(jié)合激勵(lì)和抑制作用的霍克斯過程模型；

45、吉布斯采樣器構(gòu)建及參數(shù)更新模塊：構(gòu)建吉布斯采樣器，通過吉布斯采樣器采樣霍克斯過程模型的模型參數(shù)，并更新霍克斯過程模型參數(shù)；

46、車輛碰撞風(fēng)險(xiǎn)預(yù)測(cè)模塊：基于更新后的霍克斯過程模型預(yù)測(cè)下一個(gè)車輛碰撞發(fā)生的時(shí)間區(qū)間，若下一個(gè)真實(shí)車輛碰撞點(diǎn)在上述時(shí)間區(qū)間則說明車輛碰撞風(fēng)險(xiǎn)沒有發(fā)生變化，否則發(fā)生變化。

47、優(yōu)選的，將車輛碰撞數(shù)據(jù)建模為結(jié)合激勵(lì)和抑制作用的霍克斯過程模型，具體包括：

48、1）將車輛碰撞數(shù)據(jù)建模為非線性霍克斯過程，定義為:

49、

50、其中，為條件強(qiáng)度函數(shù)，為強(qiáng)度上界，為sigmoid函數(shù)，為基線激活，其中為實(shí)數(shù)域，為影響函數(shù)，表示從到發(fā)生的車輛碰撞事件的自激勵(lì)效應(yīng)，其總和捕獲所有過去車輛碰撞事件的影響，將建模為多個(gè)基函數(shù)的線性組合：

51、

52、其中，為第b個(gè)基函數(shù)，為混合權(quán)值，b為基函數(shù)總個(gè)數(shù)；

53、

54、其中，并且是通過第b個(gè)基函數(shù)表示過去事件對(duì)t時(shí)刻的累積影響，是由相應(yīng)的組成的向量；

55、2）基于非線性霍克斯過程獲得變點(diǎn)前霍克斯過程模型的概率密度函數(shù)：

56、

57、其中，表示在和條件下在發(fā)生的車輛碰撞事件時(shí)刻的聯(lián)合概率密度函數(shù)，假設(shè)在時(shí)間區(qū)間上被觀測(cè)到，m為不帶變點(diǎn)的霍克斯過程的車輛碰撞數(shù)據(jù)總個(gè)數(shù)，和為霍克斯過程模型參數(shù)，表示時(shí)刻函數(shù)的值，表示時(shí)刻函數(shù)的值；

58、3）設(shè)表示由霍克斯過程生成的時(shí)間戳序列，為帶變點(diǎn)的霍克斯過程的車輛碰撞數(shù)據(jù)長(zhǎng)度，對(duì)于時(shí)間戳，將最近的更改點(diǎn)索引定義為，并假設(shè)更改點(diǎn)前后的時(shí)間戳相互獨(dú)立，將變點(diǎn)之后的時(shí)間戳的概率密度函數(shù)表示為：

59、

60、其中，表示在和條件下在時(shí)間區(qū)間內(nèi)發(fā)生的概率，表示時(shí)刻函數(shù)的值；

61、4）基于變點(diǎn)之后的時(shí)間戳的概率密度函數(shù)，計(jì)算模型參數(shù)的后驗(yàn)值：

62、

63、其中，的先驗(yàn)為高斯，是指高斯分布，是協(xié)方差矩陣，?的先驗(yàn)為無信息先驗(yàn)；

64、5）通過模型參數(shù)的后驗(yàn)值計(jì)算下一次車輛碰撞發(fā)生時(shí)間的預(yù)測(cè)分布：

65、

66、其中，為車輛碰撞觀測(cè)數(shù)據(jù)點(diǎn)的下一個(gè)車輛碰撞時(shí)間戳的概率分布，為在條件下，下一個(gè)車輛碰撞時(shí)間戳的條件概率分布。

67、優(yōu)選的，構(gòu)建吉布斯采樣器，具體包括：

68、1）在變點(diǎn)之后的時(shí)間戳的概率密度函數(shù)中引入兩組潛在變量pólya-gamma變量和標(biāo)記泊松過程，得到增廣似然：

69、

70、其中，是中每個(gè)上的構(gòu)成的向量，是觀測(cè)點(diǎn)上的pólya-gamma變量，，為pólya-gamma分布，其中，，表示處的函數(shù)值，表示處的函數(shù)值，其中是標(biāo)記泊松過程點(diǎn)上的pólya-gamma變量；表示區(qū)間上有標(biāo)記泊松過程的實(shí)現(xiàn)，其概率測(cè)度記為；

71、2）結(jié)合增廣后的似然和先驗(yàn)，得到增廣后的聯(lián)合分布：

72、

73、3）基于聯(lián)合分布得到吉布斯采樣器：

74、

75、

76、

77、

78、其中，是給定，時(shí)的條件概率分布，表示給定時(shí)的pólya-gamma條件概率分布；是給定時(shí)潛在泊松過程的強(qiáng)度函數(shù)，表示給定時(shí)的pólya-gamma條件概率分布；是給定時(shí)的條件概率分布，表示給定?時(shí)的gamma條件概率分布，，表示標(biāo)記泊松過程中的點(diǎn)數(shù)，；是給定時(shí)的條件概率分布，，其中是一個(gè)對(duì)角矩陣，其前個(gè)元素是，接下來的個(gè)元素是，；，其中為向量，前個(gè)元素是，接下來的個(gè)元素是。

79、優(yōu)選的，通過吉布斯采樣器進(jìn)行迭代采樣，從模型參數(shù)的后驗(yàn)分布中獲取一系列樣本，從而得到霍克斯過程模型的參數(shù)；

80、通過吉布斯采樣器采樣有抑制作用的霍克斯過程模型的模型參數(shù)，并根據(jù)得到的模型參數(shù)，更新霍克斯模型參數(shù)。

81、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種基于霍克斯過程檢測(cè)車輛碰撞風(fēng)險(xiǎn)的方法和系統(tǒng)，它利用數(shù)據(jù)增廣解決了霍克斯過程的非共軛推理問題，將非共軛推理問題轉(zhuǎn)化為條件共軛推理問題。這種新穎的方法使霍克斯過程的變點(diǎn)檢測(cè)更加準(zhǔn)確和高效，能夠有效判斷特定區(qū)域不同時(shí)間的碰撞風(fēng)險(xiǎn)的變化，從而有利于管理部門制定減少車輛碰撞的政策。針對(duì)所提出的模型開發(fā)了一種解析吉布斯采樣器，實(shí)現(xiàn)了模型參數(shù)的封閉迭代采樣。這簡(jiǎn)化了推理過程，減輕了與非共軛場(chǎng)景相關(guān)的計(jì)算負(fù)擔(dān)。