一种智能网联环境下交叉口行人过街风险预警方法及系统

1.本发明属于交通安全预测技术领域，具体涉及一种智能网联环境下交叉口行人过街风险预警方法及系统。


背景技术：

2.交叉口面临着人流与车流交会集散的巨大压力，是交通事故发生的高危地点。行人作为道路使用者中的弱势群体，在事故发生时更易受到伤害。无信号控制交叉口缺少硬性通行管制，行人穿行随机性大，增加了人车冲突发生的可能性。信号控制交叉口虽然实现了交通流的分离，但右转车辆与行人之间的冲突仍然存在。
3.目前已有部分研究聚焦于分析交叉口人车冲突致因，但事后分析手段对于安全性的改善和提升具有滞后性。在方法层面，经典的统计学回归分析模型在精度有限、类别分布存在偏差的小样本实测数据上效果不佳，自变量显著性和内生性之间的矛盾难以调和。基于此，结合当前智能网联的发展，提出一种交叉口行人过街风险预警方法及系统具有实际意义。


技术实现要素：

4.本发明提供了一种智能网联环境下交叉口行人过街风险预警方法及系统，通过采集提取进入交叉口的人车轨迹信息，构建预测模型对行人过街风险进行预判并下发安全预警，降低了行人过街风险。
5.为解决上述技术问题，本发明采用以下技术方案：
6.一种智能网联环境下交叉口行人过街风险预警方法，基于目标道路交叉口，执行以下步骤，对目标道路交叉口的过街行人进行过街风险预警：
7.步骤1：基于目标道路交叉口，针对过街行人，实时获得目标道路交叉口中各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据；
8.步骤2：基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，利用预训练的以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应的过街风险标定结果为输出的行人过街风险预测模型，获得各过街行人分别对应的过街风险标定结果；
9.步骤3：基于各过街行人分别对应的过街风险标定结果，当过街风险标定结果为安全，则不对过街风险标定结果为安全的过街行人进行过街风险预警；当过街风险标定结果为危险，则对过街风险标定结果为安全的过街行人进行过街风险预警。
10.作为本发明的一种优选技术方案，所述步骤2中的行人过街风险预测模型，通过以下步骤构建获得：
11.步骤2.1：针对目标道路交叉口，获得历史时间段内目标道路交叉口中各过街行人
分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，并获得各过街行人分别对应的过街风险标定结果；
12.步骤2.2：基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，以及各过街行人分别对应的过街风险标定结果，训练获得以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应的过街风险标定结果为输出的行人过街风险预测模型。
13.作为本发明的一种优选技术方案，所述行人过街风险预测模型采用随机森林分类器。
14.作为本发明的一种优选技术方案，所述步骤2.1中，过街行人对应的过街风险标定结果，通过以下步骤获得：
15.步骤2.1.1：针对过街行人，通过以下公式获得该过街行人对应的替代性安全指标pet：
16.pet＝min{|t
icar-t
iped
|i}，pi∈l
both
，l
both
＝l
car
∩l
ped
17.其中，l
ped
为过街行人轨迹，l
car
为与过街行人轨迹空间位置上存在交叉的单个车辆轨迹区域，l
both
为人车轨迹覆盖区域的交叉区域为空间维度上的潜在冲突区域，pi为潜在冲突区域内的任意一点，t
icar
为车辆到达潜在冲突点pi的时刻，t
iped
为行人到达潜在冲突点pi的时刻；
18.步骤2.1.2：基于该过街行人对应的替代性安全指标pet，结合预设阈值，当替代性安全指标pet大于预设阈值，则过街风险标定结果为安全；当替代性安全指标pet不大于预设阈值，则过街风险标定结果为危险。
19.作为本发明的一种优选技术方案，所述表征交叉口交通状况的变量集包括预设时长内过街行人过街起始点对应的断面车流量、以过街行人过街起始点起预设路长范围内的上游平均车头时距、以过街行人过街起始点起预设路长范围内的上游平均车头间距、上游车辆与过街行人之间的最近距离；
20.所述表征行人自身运动特性的变量集包括过街行人过街前第一预设时间段内行走的平均速度、过街行人过街前第二预设时间段内行走的平均加速度、过街行人过街前第三预设时间段内路径突变的帧幅数占比、过街行人过街前第四预设时间段内行走于人行道外区域的帧幅数占比、过街行人在当前交叉口是否存在二次过街行为、过街行人过街前第五预设时间段内内同方向过街的行人数目；
21.所述表征环境状态的变量集包括当天的天气状况、过街行人在当前过街起始点对应的过街距离。
22.作为本发明的一种优选技术方案，所述过街行人为当行人距离路缘或斑马线区域达到预设距离范围内，则判定该行人为过街行人；且判定该行人为过街行人时，该过街行人所在位置该过街行人对应的过街起始点。
23.作为本发明的一种优选技术方案，针对所述车辆轨迹区域，基于车辆构建车辆对应的外接矩形，计算公式如下，将车辆对应外接矩形下覆盖的轨迹作为车辆轨迹区域：
24.[0025][0026][0027]
trajectory
car
＝rt
{fl，fr，rl，rr}_1
∪rt
{fl，fr，rl，rr}_2
∪
…
∪rt
{fl，fr，rl，rr}_j
[0028]
式中，width
car
为车辆对应的外接矩形的宽，length
car
为车辆对应的外接矩形的长，α为车头朝向与交叉口坐标轴水平右向轴的夹角，{fl，fr，rl，rr}表示车辆外接矩形四个顶点，x
{fl，fr，rl，rr}
为四个顶点{fl，fr，rl，rr}在交叉口坐标轴下所对应的x坐标，t
{fl，fr，rl，rr}
为四个顶点{fl，fr，rl，rr}在交叉口坐标轴下所对应的y坐标，trajectory
car
为车辆对应外接矩形覆盖的轨迹区域，rt
{fl，fr，rl，rr}_j
为j时刻下车辆四个顶点所围成的矩形区域。
[0029]
一种基于所述一种智能网联环境下交叉口行人过街风险预警方法的系统，包括数据获取模块、过街风险预测模块、过街风险预警模块，
[0030]
数据获取模块用于基于目标道路交叉口，针对过街行人，实时获得目标道路交叉口中各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据；
[0031]
过街风险预测模块用于基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，利用预训练的以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应的过街风险标定结果为输出的行人过街风险预测模型，获得各过街行人分别对应的过街风险标定结果；
[0032]
过街风险预警模块用于基于各过街行人分别对应的过街风险标定结果，当过街风险标定结果为安全，则不对过街风险标定结果为安全的过街行人进行过街风险预警；当过街风险标定结果为危险，则对过街风险标定结果为安全的过街行人进行过街风险预警。
[0033]
本发明的有益效果是：本发明提供了一种智能网联环境下的交叉口行人过街风险预警方法及系统，实时采集进入交叉口检测范围内行人及车辆数据，基于不同交通个体轨迹数据，提取出表征交叉口交通状况、环境特征及行人自身运动特性的变量数据，基于替代性安全指标pet对人车冲突风险进行标定，构建交叉口的行人过街风险预测模型进行实时风险判别并对行人进行风险预警，降低过街风险。本发明依托智能网联技术，对交叉口行人过街风险进行实时判别并预警，降低了过街风险。
附图说明
[0034]
图1是本发明实施例中交叉口行人过街风险预警方法的框架流程图。
具体实施方式
[0035]
下面结合附图对本发明进行进一步说明。下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
[0036]
本实施例设计了一种智能网联环境下交叉口行人过街风险预警方法，如图1所示，基于目标道路交叉口，执行以下步骤，对目标道路交叉口的过街行人进行过街风险预警：
[0037]
步骤1：基于目标道路交叉口，针对过街行人，实时获得目标道路交叉口中各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据；
[0038]
所述表征交叉口交通状况的变量集包括预设时长内过街行人过街起始点对应的断面车流量(即过街行人所过道路在过街起始点对应的道路截断面的断面车流量)、以过街行人过街起始点起预设路长范围内的上游平均车头时距、以过街行人过街起始点起预设路长范围内的上游平均车头间距、上游车辆与过街行人之间的最近距离；本实施例中，预设时长为1分钟，预设路长范围为70米；
[0039]
所述表征行人自身运动特性的变量集包括过街行人过街前第一预设时间段内行走的平均速度、过街行人过街前第二预设时间段内行走的平均加速度、过街行人过街前第三预设时间段内路径突变的帧幅数占比、过街行人过街前第四预设时间段内行走于人行道外区域的帧幅数占比、过街行人在当前交叉口是否存在二次过街行为、过街行人过街前第五预设时间段内内同方向过街的行人数目；本实施例中，第一预设时间段、第二预设时间段、第三预设时间段、第四预设时间段均为1分钟；第五预设时间段为2分钟；“路径突变”定义为基于交叉口视频收集时观察到的现象，通过轨迹数据走行加速度超出某一特定阈值判定，本例中阈值设置为2m/s
2，
，超过该加速度则判定为路径突变；“走行于人行道外区域”定义为主要针对行人在非过街时间(即沿街走行时)侵入车辆行驶区域的情形，这一现象在人行道与车行区域间未设置路面抬高、围栏等的设施的区域较易发生；“二次过街”定义为在当前过街行为发生前，可检测到该行人样本在当前交叉口的其他过街行为，该行为主要存在于不允许单次对角过街的交叉口(行人需进行横向和纵向两次过街)，或路面较宽，行人单方向过街时需要在中间岛等待的情况等。本实施例中，过街前对应的各时间段以当前时间为终点。
[0040]
所述表征环境状态的变量集包括当天的天气状况(雨天、晴天、雪天、多云等)、过街行人在当前过街起始点对应的过街距离；即行人在当前所处期望过街位点所需穿越的街道宽度。其中，依据《民用建筑设计通则》对机动车进口道与交叉口距离的规定，以上游70米范围作为交叉口观测区域；依据行人平均走行速度为1.25m/s考虑，以1分钟作为交叉口范围内的行人观测时间窗；依据信号交叉口周期一般不长于2分钟考虑，以2分钟作为同向过街行人数量的观测时间窗。
[0041]
本实施例中，所述过街行人为当行人距离路缘或斑马线区域达到预设距离范围内，则判定该行人为过街行人；且判定该行人为过街行人时，该过街行人所在位置该过街行人对应的过街起始点。当判定该行人为过街行人时，实时通过步骤1-3为该过街行人提供过街风险预警，直到行人开始进行过街行为，可设置预设区域，当过街行人超过预设区域则判定行人开始进行过街行为。本实施例中的车辆包括机动车和非机动车。
[0042]
步骤2：基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，利用预训练的以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应的过街风险标定结果为输出的行人过街风险预
测模型，获得各过街行人分别对应的过街风险标定结果；
[0043]
所述步骤2中的行人过街风险预测模型，通过以下步骤构建获得：
[0044]
步骤2.1：针对目标道路交叉口，获得历史时间段内目标道路交叉口中各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，并获得各过街行人分别对应的过街风险标定结果；
[0045]
所述步骤2.1中，过街行人对应的过街风险标定结果，通过以下步骤获得：
[0046]
步骤2.1.1：针对过街行人，通过以下公式获得该过街行人对应的替代性安全指标pet：
[0047]
pet＝min{|t
icar-t
iped
|i}，pi∈l
both
，l
both
＝l
car
∩l
ped
[0048]
其中，l
ped
为过街行人轨迹，l
car
为与过街行人轨迹空间位置上存在交叉的单个车辆轨迹区域，l
both
为人车轨迹覆盖区域的交叉区域为空间维度上的潜在冲突区域，pi为潜在冲突区域内的任意一点，t
icar
为车辆到达潜在冲突点pi的时刻，t
iped
为行人到达潜在冲突点pi的时刻；
[0049]
针对所述车辆轨迹区域，基于车辆构建车辆对应的外接矩形，计算公式如下，将车辆对应外接矩形下覆盖的轨迹作为车辆轨迹区域：
[0050][0051][0052][0053]
trajectory
car
＝rt
{fl，fr，rl，rr}_1
∪rt
{fl，fr，rl，rr}_2
∪
…
∪rt
{fl，fr，rl，rr}_j
[0054]
式中，width
car
为车辆对应的外接矩形的宽，length
car
为车辆对应的外接矩形的长，α为车头朝向与交叉口坐标轴水平右向轴的夹角，{fl，fr，rl，rr}表示车辆外接矩形四个顶点，x
{fl，fr，rl，rr}
为四个顶点{fl，fr，rl，rr}在交叉口坐标轴下所对应的x坐标，y
{fl，fr，rl，rr}
为四个顶点{fl，fr，rl，rr}在交叉口坐标轴下所对应的y坐标，trajextory
car
为车辆对应外接矩形覆盖的轨迹区域，rt
{fl，fr，rl，rr}-j
为j时刻下车辆四个顶点所围成的矩形区域。本实施例中，所提供技术方法可适用于交叉口范围内任意指定坐标原点及坐标轴方向下的情况，但针对同一交叉口内的采集数据，其原点和坐标轴方向的选取需保持一致，如：以交叉口几何中心为坐标轴原点，以正东方向为x轴正向，以正北方向为y轴正向。
[0055]
步骤2.1.2：基于该过街行人对应的替代性安全指标pet，结合预设阈值，当替代性安全指标pet大于预设阈值，则过街风险标定结果为安全；当替代性安全指标pet不大于预设阈值，则过街风险标定结果为危险。本实施例中，预设阈值采用2.5s。
[0056]
步骤2.2：基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，以及各过街行人分别对应的过街风险标定结果，训练获得以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应
的过街风险标定结果为输出的行人过街风险预测模型。
[0057]
所述行人过街风险预测模型采用随机森林分类器。行人过街风险预测模型构建原理基于随机森林分类器，以变量集th，ph和eh为待选分类特征，以sh为所需分类结果建立树类型，每选择一种特征进行分类即形成对应子节点，最终目标是：通过对分类特征的合理选取，使得底层树结构的各子节点内所含样本数据的行人过街风险标定结果sh呈现单一性。为实现这一目标，对每个节点定义划分信息度information value，信息增益information gain和增益率gain ratio，计算公式分别如下：
[0058][0059][0060][0061][0062]
其中，node
ij
表示父节点nodei的第j个子节点，ni表示父节点nodei所含样本数，n
ij
表示子节点node
ij
所含样本数；i(node)表示当前节点信息熵；p(m|node)表示node节点下第m类所占比例，这里对行人过街情况划分为安全和危险两类，分别用0和1表示。对于未完成分类目标的节点，依次尝试待选分类特征，选取其中使增益率gain ratio最大的指标对该节点进行分支，直至全部底层结点完成分类或所有待选特征已被使用，则树停止生长。引入随机属性建立多棵分类树，并以多数判断结果作为模型的最终结果。
[0063]
步骤3：基于各过街行人分别对应的过街风险标定结果，当过街风险标定结果为安全，则不对过街风险标定结果为安全的过街行人进行过街风险预警；当过街风险标定结果为危险，则对过街风险标定结果为安全的过街行人进行过街风险预警。本实施例中，根据过街风险预测模块所得交叉口行人过街风险的判别结果，过街风险预警模块通过道路使用者自身携带的移动端设备和交叉口所安置的固定端设备对行人过街下发安全警示；具体预警方式包括：移动端(行人和非机动车出行者所携带的移动手环、智能手机，智能网联车辆车头安装的信息提示板)和固定端(街边电子指示牌)，以振动、声音、灯光、文字等方式提醒行人当前是否存在过街危险。
[0064]
另外，针对过街风险标定结果为安全的实时数据，计算当前的过街风险标定结果，在所得交叉口行人过街风险的判别结果为安全的情况下，检验行人过街风险预测模型输出果与当前的过街风险标定结果是否一致，若不一致，则更新该样本特征和过街风险标定结果至历史轨迹数据集h1，对行人过街风险预测模型进行调整优化，具体为：在系统已完成预警判别后，继续追踪当前运动对象，对比计算的过街风险标定结果与模型预判结果的偏差。考虑到现实中危险情形为低概率事件，本后验模块的设置用以提升系统判别的召回率。
[0065]
本实施例中，还提供了一种基于一种智能网联环境下交叉口行人过街风险预警方法的系统，包括数据获取模块、过街风险预测模块、过街风险预警模块，
[0066]
数据获取模块用于基于目标道路交叉口，针对过街行人，实时获得目标道路交叉口中各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据；
[0067]
过街风险预测模块用于基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，利用预训练的以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应的过街风险标定结果为输出的行人过街风险预测模型，获得各过街行人分别对应的过街风险标定结果；
[0068]
过街风险预警模块用于基于各过街行人分别对应的过街风险标定结果，当过街风险标定结果为安全，则不对过街风险标定结果为安全的过街行人进行过街风险预警；当过街风险标定结果为危险，则对过街风险标定结果为安全的过街行人进行过街风险预警。
[0069]
进一步的，所述数据获取模块获取的数据是通过前端网联设备数据采集单元，实时采集进入目标道路交叉口检测范围内行人及车辆数据，基于数据处理单元构建不同交通个体轨迹数据，进而提取表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据。
[0070]
本实施例中，针对目标道路交叉口，数据采集单元通过网联前端设备实时采集预设各交通对象对应的交叉口交通数据、交叉口几何构型数据及交叉口地理信息数据，将历史数据存储于交叉口历史数据库h0，实时数据存储于实时数据库r0；所述交叉口交通数据包括：预设各交通对象的位置、速度、加速度、角度朝向信息；所述交叉口几何构型数据包括交叉口进口数量、车道数量、各车道类型说明、行人过街设施；所述交叉口地理信息数据包括实际路面长宽尺寸数据、圆角数据、交叉口所处区域类型。
[0071]
具体的，交叉口几何构型数据包括交叉口岔口数量、各岔口车道数、各车道类型说明(左转、直行、直行加右转、公交专用道等)、行人过街设施说明(有无人行横道、有无行人专用信号灯等)；地理信息以电子地图为基础，包括实际路面长宽尺寸数据，圆角数据，长宽尺寸是对交叉口电子地图的说明，主要用于界定交叉口范围，包括交叉口各进口道实线段和虚线段的长度情况、以及各岔口道路宽度情况。圆角数据是指交叉口路缘石转角的角度及半径数据。圆角数据和长宽尺寸的获取均是为了支持后续轨迹投影处理及对过街过程的界定。并辅以对交叉口所处区域的简要说明(如商业区或工业区，附近有无学校等)。上述交叉口几何构型及地理信息数据用于对交叉口基本信息的收集了解，为后续异常轨迹剔除及特征提取等操作提供几何约束及判断依据。另外，还采集各时刻下交叉口内各交通对象(人、非机动车、机动车三类)的位置、速度、加速度、角度朝向信息。采集设备包括交叉口所安装的固定检测装置，如雷达、线圈、传感器、摄像头；道路使用者自身具有网联功能的交通数据采集装置，如智能网联车辆所安装的车载雷达、传感器、行车视频记录仪及行人和非机动车出行者所携带的移动手环、智能手机。
[0072]
进一步地，数据处理单元基于交叉口历史数据库h0、实时数据库r0，分别针对各交通对象进行轨迹提取和异常剔除，获得各交通对象分别对应的交叉口历史轨迹数据集h1和实时轨迹数据集r1；主要是从现场采集的视频数据中提取轨迹信息的过程，具体如下：
[0073]
step 1：使用目标检测算法和分类算法进行交通对象标定和类别划分，使用追踪算法和后续平滑处理进行轨迹提取，获得各交通对象分别对应的轨迹数据；具体的：目标检
测和分类算法均是直接作用于视频的单一画幅帧，并应用前均通过人工标定的数据集进行训练，以确保实现精度。另外针对目标检测算法的处理结果，当前的目标检测软件如yolo v5已经能较好的实现对于交通对象的识别，但错检漏检仍然是普遍存在的问题，还可以对于检测结果进行人工检查与矫正是确保后续处理精准性。其中，目标检测的目的是从一帧图像中识别出交通对象，具体操作为：对每个像素点进行语义分割，将其标定为交通对象或背景，自动生成多边形框定交通对象下的像素集群。分类算法的目的是对所识别的交通对象进行类别划分，包括行人、非机动车与机动车，具体方法是将目标对象多边形框的尺寸、位置等特征信息与各类别所对应的基准特征信息进行比较。在目标检测与分类算法作用于视频单一画幅帧后，追踪算法用于将某一交通对象在每一帧中的位置连接起来获得一条完整的轨迹。目前的追踪算法多基于深度学习神经网络，具有较好的追踪效果和鲁棒性。
[0074]
step 2：基于各交通对象分别对应的轨迹数据，剔除静止交通对象对应的轨迹数据、运行时间过短的交通对象对应的轨迹数据、和错误追踪的交通对象对应的轨迹数据；具体的：异常轨迹剔除过程中通过设置轨迹过滤器进行剔除，使用的过滤器主要包括：
[0075]
最短距离过滤器：剔除样本中全过程轨迹长度过短的个体，该类样本可视为在检测时段内无位移的静止个体(如路边临时停放的车辆)，不构成冲突可能；
[0076]
最短时间过滤器：剔除样本中运行时间小于某一预设阈值的个体，该类样本所含有效信息量较低，不适于进行后续分析及模型构建；
[0077]
活动范围过滤器：根据交叉口的几何构型和地理点位信息，剔除不在路面冲突空间范围内的个体(如沿人行道散步的行人)，该类样本视为错误追踪的对象。
[0078]
step 3：针对交通对象类别为车辆的目标，把车辆外形简化为矩形，计算公式如下，将车辆对应外接矩形下覆盖的轨迹作为车辆轨迹区域：
[0079][0080][0081][0082]
trajectory
car
＝rt
{fl，fr，rl，rr}_1
∪rt
{fl，fr，rl，rr}_2
∪
…
∪rt
{fl，fr，rl，rr}_j
[0083]
式中，width
car
为车辆对应的外接矩形的宽，length
car
为车辆对应的外接矩形的长，α为车头朝向与交叉口坐标轴水平右向轴的夹角，{fl，fr，rl，rr}表示车辆外接矩形四个顶点，x
{fl，fr，rl，rr}
为四个顶点{fl，fr，rl，rr}在交叉口坐标轴下所对应的x坐标，y
{fl，fr，rl，rr}
为四个顶点{fl，gr，rl，rr}在交叉口坐标轴下所对应的y坐标，frajectory
car
为车辆对应外接矩形覆盖的轨迹区域，rt
{fl，fr，rl，rr}_j
为j时刻下车辆四个顶点所围成的矩形区域。人的轨迹通过追踪算法获得。
[0084]
进一步的，提取表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据；基于历史数据训练行人过街风险预测模型；基于实时数据结合训练好的行人过街风险预测模型获得各过街行人分别对应的实时过街风险标
定结果。
[0085]
根据过街风险预测模块所得交叉口行人过街风险的判别结果，过街风险预警模块通过道路使用者自身携带的移动端设备和交叉口所安置的固定端设备对行人过街下发安全警示；具体预警方式包括：移动端(行人和非机动车出行者所携带的移动手环、智能手机，智能网联车辆车头安装的信息提示板)和固定端(街边电子指示牌)，以振动、声音、灯光、文字等方式提醒行人当前是否存在过街危险。
[0086]
另外，系统内设置反馈调节模块根据预判偏差对模型进行调整优化，针对过街风险标定结果为安全的实时数据，计算当前的过街风险标定结果，在所得交叉口行人过街风险的判别结果为安全的情况下，检验行人过街风险预测模型输出果与当前的过街风险标定结果是否一致，若不一致，则更新该样本特征和过街风险标定结果至历史轨迹数据集h1，对行人过街风险预测模型进行调整优化。
[0087]
本发明设计了一种智能网联环境下的交叉口行人过街风险预警方法及系统，实时采集进入交叉口检测范围内行人及车辆数据，基于不同交通个体轨迹数据，提取出表征交叉口交通状况、环境特征及行人自身运动特性的变量数据，基于替代性安全指标pet对人车冲突风险进行标定，构建交叉口的行人过街风险预测模型进行实时风险判别并对行人进行风险预警，降低过街风险。本发明依托智能网联技术，对交叉口行人过街风险进行实时判别并预警，降低了过街风险。
[0088]
以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

技术特征：
1.一种智能网联环境下交叉口行人过街风险预警方法，其特征在于，基于目标道路交叉口，执行以下步骤，对目标道路交叉口的过街行人进行过街风险预警：步骤1：基于目标道路交叉口，针对过街行人，实时获得目标道路交叉口中各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据；步骤2：基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，利用预训练的以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应的过街风险标定结果为输出的行人过街风险预测模型，获得各过街行人分别对应的过街风险标定结果；步骤3：基于各过街行人分别对应的过街风险标定结果，当过街风险标定结果为安全，则不对过街风险标定结果为安全的过街行人进行过街风险预警；当过街风险标定结果为危险，则对过街风险标定结果为安全的过街行人进行过街风险预警。2.根据权利要求1所述一种智能网联环境下交叉口行人过街风险预警方法，其特征在于，所述步骤2中的行人过街风险预测模型，通过以下步骤构建获得：步骤2.1：针对目标道路交叉口，获得历史时间段内目标道路交叉口中各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，并获得各过街行人分别对应的过街风险标定结果；步骤2.2：基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，以及各过街行人分别对应的过街风险标定结果，训练获得以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应的过街风险标定结果为输出的行人过街风险预测模型。3.根据权利要求1所述一种智能网联环境下交叉口行人过街风险预警方法，其特征在于，所述行人过街风险预测模型采用随机森林分类器。4.根据权利要求2所述一种智能网联环境下交叉口行人过街风险预警方法，其特征在于，所述步骤2.1中，过街行人对应的过街风险标定结果，通过以下步骤获得：步骤2.1.1：针对过街行人，通过以下公式获得该过街行人对应的替代性安全指标pet：其中，l
ped
为过街行人轨迹，l
car
为与过街行人轨迹空间位置上存在交叉的单个车辆轨迹区域，l
both
为人车轨迹覆盖区域的交叉区域为空间维度上的潜在冲突区域，p
i
为潜在冲突区域内的任意一点，t
icar
为车辆到达潜在冲突点p
i
的时刻，t
iped
为行人到达潜在冲突点p
i
的时刻；步骤2.1.2：基于该过街行人对应的替代性安全指标pet，结合预设阈值，当替代性安全指标pet大于预设阈值，则过街风险标定结果为安全；当替代性安全指标pet不大于预设阈值，则过街风险标定结果为危险。5.根据权利要求1所述一种智能网联环境下交叉口行人过街风险预警方法，其特征在于，所述表征交叉口交通状况的变量集包括预设时长内过街行人过街起始点对应的断面车
流量、以过街行人过街起始点起预设路长范围内的上游平均车头时距、以过街行人过街起始点起预设路长范围内的上游平均车头间距、上游车辆与过街行人之间的最近距离；所述表征行人自身运动特性的变量集包括过街行人过街前第一预设时间段内行走的平均速度、过街行人过街前第二预设时间段内行走的平均加速度、过街行人过街前第三预设时间段内路径突变的帧幅数占比、过街行人过街前第四预设时间段内行走于人行道外区域的帧幅数占比、过街行人在当前交叉口是否存在二次过街行为、过街行人过街前第五预设时间段内内同方向过街的行人数目；所述表征环境状态的变量集包括当天的天气状况、过街行人在当前过街起始点对应的过街距离。6.根据权利要求5所述一种智能网联环境下交叉口行人过街风险预警方法，其特征在于，所述过街行人为当行人距离路缘或斑马线区域达到预设距离范围内，则判定该行人为过街行人；且判定该行人为过街行人时，该过街行人所在位置该过街行人对应的过街起始点。7.根据权利要求4所述一种智能网联环境下交叉口行人过街风险预警方法，其特征在于，针对所述车辆轨迹区域，基于车辆构建车辆对应的外接矩形，计算公式如下，将车辆对应外接矩形下覆盖的轨迹作为车辆轨迹区域：应外接矩形下覆盖的轨迹作为车辆轨迹区域：应外接矩形下覆盖的轨迹作为车辆轨迹区域：trajectory
car
＝rt
{fl,fr,rl,rr}_1
∪rt
{fl,fr,rl,rr}-2
∪
…
∪rt
{fl,fr,rl,rr}-j
式中，width
car
为车辆对应的外接矩形的宽，length
car
为车辆对应的外接矩形的长，α为车头朝向与交叉口坐标轴水平右向轴的夹角，{fl，fr，rl，rr}表示车辆外接矩形四个顶点，x
{fl,fr,rl，rr}
为四个顶点{fl，fr，rl，rr}在交叉口坐标轴下所对应的x坐标，y
{fl,fr,rl，rr}
为四个顶点{fl，fr，rl，rr}在交叉口坐标轴下所对应的y坐标，trajectory
car
为车辆对应外接矩形覆盖的轨迹区域，rt
{fl，fr，rl，rr}_j
为j时刻下车辆四个顶点所围成的矩形区域。8.一种基于权利要求1-7任意一项所述一种智能网联环境下交叉口行人过街风险预警方法的系统，其特征在于，包括数据获取模块、过街风险预测模块、过街风险预警模块，数据获取模块用于基于目标道路交叉口，针对过街行人，实时获得目标道路交叉口中各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据；过街风险预测模块用于基于各过街行人分别对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据，利用预训练的以过街行人对应的表征交叉口交通状况的变量集数据、表征行人自身运动特性的变量集数据、表征环境状态的变量集数据为输入，以该过街行人对应的过街风险标定结果为输出的行人
过街风险预测模型，获得各过街行人分别对应的过街风险标定结果；过街风险预警模块用于基于各过街行人分别对应的过街风险标定结果，当过街风险标定结果为安全，则不对过街风险标定结果为安全的过街行人进行过街风险预警；当过街风险标定结果为危险，则对过街风险标定结果为安全的过街行人进行过街风险预警。

技术总结
本发明公开了一种智能网联环境下的交叉口行人过街风险预警方法及系统，实时采集进入交叉口检测范围内行人及车辆数据，基于不同交通个体轨迹数据，提取出表征交叉口交通状况、环境特征及行人自身运动特性的变量数据，基于替代性安全指标PET对人车冲突风险进行标定，构建交叉口的行人过街风险预测模型进行实时风险判别并对行人进行风险预警，降低过街风险。本发明依托智能网联技术，对交叉口行人过街风险进行实时判别并预警，降低了过街风险。降低了过街风险。降低了过街风险。


技术研发人员：王经文 陈为杰 叶智锐 施晓蒙 许跃如 张文波 邵宜昌 胡里阳 孙翠翠
受保护的技术使用者：东南大学
技术研发日：2023.05.30
技术公布日：2023/9/20