摘要:
车路协同（vehicle-to-infrastructure, V2I）技术的发展实现了驾驶人、车辆、道路的动态信息实时交互，为车辆实时碰撞风险预测提供了技术支撑。针对当前车辆碰撞风险预测模型在动态特征捕捉与不确定性推理方面的局限，构建了基于长短时记忆-贝叶斯网络（long short-term memory-Bayesian network, LSTM-BN）的双层递进式模型。LSTM-BN模型底层利用LSTM通过设置0.1 s的采样窗口捕获车辆状态的时序演变特性，顶层通过BN进行碰撞风险的概率推断。针对武汉市自然驾驶实验数据，利用碰撞时间（time-to-collision, TTC）指标对车辆（小汽车）的碰撞风险进行定义和量化，得到无风险、低风险和高风险数据分别为25 826帧、19 344帧和4 051帧。在初步确定影响车辆碰撞风险的相关变量后，采用决策树方法从人-车-路维度提取关键致因特征，进而挖掘并表征了驾驶员熟练度、速度差、道路类型与车头间距等反映人-车-路多维要素非线性耦合关系的交互项指标，并通过构建反映人、车、路耦合关系指标的贝叶斯网络，评估当前时刻的车辆碰撞风险。在此基础上，为弥补静态概率模型在时序预测上的不足，运用LSTM预测车辆状态量。继而将这些变量映射至BN，以推断下1个时刻的碰撞概率。通过上述步骤，模型能够对动态演化下的车辆实时碰撞风险进行精准预测。为验证模型有效性，从鲁棒性、精确性、时效性和复杂性4个方面对提出模型的预测性能进行评估。模型对比结果显示：LSTM-BN模型的准确率最高（91%），较支持向量机（support vector machine, SVM）模型和随机森林（random forest, RF）模型分别提升了7%和12%；其在不同采样时段下的指标波动均小于0.1，表现出较强的鲁棒性。
