本發(fā)明屬于交通安全風險評價，尤其涉及交通流運行安全風險評價方法。
背景技術：
1、分析事故或沖突數(shù)據(jù)、發(fā)現(xiàn)和治理道路基礎設施安全缺陷是交通事故預防的主要措施。隨著事故預防向“事前”轉變，實時評估和降低交通流中的碰撞風險成為關鍵。傳統(tǒng)依賴事故數(shù)據(jù)分析的模式因數(shù)據(jù)滯后、細節(jié)缺失等問題，難以滿足主動預防需求，現(xiàn)有研究多為“基于事件”的方法，忽略了大量“安全交互”信息，難以全面評估交通流安全狀態(tài)。
技術實現(xiàn)思路
1、為解決上述技術問題，本發(fā)明提出了交通流運行安全風險評價方法，以解決上述現(xiàn)有技術存在的問題。
2、為實現(xiàn)上述目的，本發(fā)明提供了交通流運行安全風險評價方法，包括：
3、獲取交通流的交通密度和交通速度；
4、獲取并根據(jù)交通流中不同車輛的車輛距離和相對變化信息，得到交通安全運行指標；
5、對所述交通安全運行指標進行判斷，基于判斷結果計算，得到安全風險值；
6、對交通密度和交通速度與安全風險值之間的關系進行擬合，得到交通流風險預測模型，通過交通流風險預測模型對實時獲取的交通密度和交通速度進行識別，得到最終的實時監(jiān)測的交通流風險值。
7、可選的，所述交通安全運行指標的獲取過程包括：
8、根據(jù)所述車輛距離，得到距離交互信息；根據(jù)所述相對變化信息，得到相對交互信息；根據(jù)所述距離交互信息和相對交互信息計算得到交通安全運行指標。
9、可選的，所述距離交互信息crf的獲取過程包括：
10、
11、其中，n表示影響區(qū)內(nèi)的車輛數(shù)量，和分別是目標車輛與第輛車在橫向和縱向上的距離，和是橫向和縱向的停車距離，，表示速度，g表示重力加速度，f表示地面摩擦力。
12、可選的，所述相對交互信息dbf(t)的獲取過程包括：
13、
14、其中，是目標車輛與第輛車在時刻的相對車距變化，是目標車輛與第輛車在時刻的相對速度變化，是目標車輛與第輛車的當前車距；是第輛車的速度。
15、可選的，通過計算距離交互信息和相對交互信息的乘積，得到交通安全運行指標。
16、可選的，對所述交通安全運行指標進行判斷的過程包括：
17、根據(jù)最大安全運行域的上限閾值，對所述交通安全運行指標進行判斷，
18、所述最大安全運行域的上限閾值為：
19、
20、其中，是最大安全運行區(qū)域距離，是容忍概率。
21、可選的，所述安全風險值tsc(x,t)的獲取過程包括：
22、
23、其中，為時間步長，表示軌跡數(shù)據(jù)的分辨率。nti為第i輛車在時空窗口內(nèi)行駛的總時間步數(shù)，confij是沖突判別指標，用于判斷第i輛車在j時刻是否處于沖突狀態(tài)；
24、其中，。
25、可選的，所述交通流風險預測模型采用深度學習模型，其中：交通流風險預測模型用于表征交通密度和交通速度與安全風險值之間的擬合關系：
26、
27、其中，tsc表示安全風險值，表示交通流風險預測模型，表示交通密度，v表示交通速度。
28、可選的，所述交通流風險預測模型采用支持向量機、隨機森林回歸模型或梯度提升模型。
29、可選的，交通流的交通密度ρ和交通速度v的獲取過程包括：
30、
31、
32、其中，和表示窗口的空間和時間大小，n是窗口內(nèi)的車輛數(shù)量，tti和dti分別是車輛i的行駛時間和行駛距離。
33、與現(xiàn)有技術相比，本發(fā)明具有如下優(yōu)點和技術效果：
34、本發(fā)明構建了基于信息論和控制理論的評價框架，提出交通流的安全極限假說。進一步，構建單車道非自由流條件下的分布式隨機預測控制模型，推導了交通流宏觀特性與安全風險的映射關系。為量化微觀交互風險，提出了“交通安全運行域”（sod）指標，將安全風險值建構為密度和速度的函數(shù)，建立了基于機器學習的宏觀交通流風險預測模型，能夠在事前進行有效的風險分析。
1.交通流運行安全風險評價方法，其特征在于，包括：
2.根據(jù)權利要求1所述的方法，其特征在于，
3.根據(jù)權利要求2所述的方法，其特征在于，
4.根據(jù)權利要求2所述的方法，其特征在于，
5.根據(jù)權利要求2所述的方法，其特征在于，
6.根據(jù)權利要求1所述的方法，其特征在于，
7.根據(jù)權利要求6所述的方法，其特征在于，
8.根據(jù)權利要求1所述的方法，其特征在于，
9.根據(jù)權利要求8所述的方法，其特征在于，
10.根據(jù)權利要求1所述的方法，其特征在于，