本发明涉及一种适用于车载短距离通信网络的危险路段交通事故预警方法，属于通信与信息领域，尤其是车载通信技术领域。
背景技术：
在交通事故的多发路段，历史数据和经验起到很大的作用，如果车辆能获知历史上交通事故发生的原因，并且结合自己当前的车辆驾驶状态进行判断，可以有效避免类似的交通事故发生。但是，大量经过危险路段的车辆对历史发生的交通事故原因不了解，即使在有些路段有指示牌提醒，但是信息量有限，驾驶员在短时间内，也很难结合当前的车辆状态做出判断。
车载短距离通信(vehicletox：v2x)网络是通过无线通信、gps/gis、传感等短距离通信技术实现的车内(can-controllerareanetwork)、车路(vehicle-2-rsu)、车间(vehicle-2-vehicle)、车外(vehicle-2-infrastructure)、人车(vehicle-2-person)之间的通信。
v2x网络中，节点包括车载节点(obu)和路侧节点(rsu)等，每个车载节点拥有车辆识别码(vin)作为车辆的唯一标识，车载节点配备有北斗或者gps等提供地理位置信息的设备，车辆的车载节点定期将vin和位置信息向周围广播(简称心跳信息)。路侧节点(rsu)也具有同样的功能，而且具有运算能力强，天线部署位置高、供电不受限制，覆盖范围大的优势。
在危险路段部署路侧节点，通过v2x网络的信道，可以将危险路段中容易引起交通事故的因素向经过的车辆广播，是降低交通事故的有效方式。这种方式虽然简单，但是会对正常驾驶的车辆造成干扰，针对性也不强。能及时对容易发生交通事故的车辆进行预测，即可以不干扰正常驾驶，同时还可以有效降低交通事故，但是需要路侧节点具有收集车辆信息并进行智能判断的能力。
v2x网路中具有短距离通信信道，路侧节点通过接收车载节点定期发送到心跳信息，可以获得周围车辆的状态，包括速度和车辆类型等。路侧节点的设备中的软件，配置具有学习历史数据的能力算法，以及根据现有车辆的状态，进行预测的能力的算法，即可以达到学习和预测的目的。
本发明实施例利用v2x中的通信信道，通过路侧节点中的贝叶斯网络学习该路段发生交通事故的历史数据和专家经验，然后收集经过危险路段的车辆的信息，对车辆发生交通事故的概率进行预测，对概率超过门限值的车辆进行及时提醒，从而达到降低危险路段交通事故的目的。
技术实现要素：
本发明公开了一种适用于车载短距离通信网络的危险路段交通事故预警方法，在危险路段路旁部署路侧节点，通过车载短距通信网络的通信信道，收集经过车辆定期发送的包含车辆速度和类型的信息，利用具有历史数据学习功能的贝叶斯网络，对车辆发生交通事故的概率进行预测。
为实现上述目的，本发明采用以下技术方案：一种适用于车载短距离通信网络的危险路段交通事故预警方法，在危险路段路旁部署路侧节点，通过车载短距通信网络的通信信道，收集经过车辆定期发送的包含车辆速度和类型的信息，利用具有历史数据学习功能的贝叶斯网络，对车辆发生交通事故的概率进行预测。
优选的，路侧节点利用车载短距离通信网络的信道收集的经过车辆的速度和车辆类型信息，转换成车辆的速度和车距信息，作为交通事故预测的因素之一。
优选的，路侧节点利用其运算能力强，供电不受影响，天线部署位置高，覆盖范围大的特点，可以收集较大范围的车辆数据并进行多个车辆的预测。
优选的，路侧节点内部的贝叶斯网络通过历史数据和专家经验确定各个节点的条件概率，从而达到学习的目的。
优选的，路侧节点通过传感器确定天气状况，进而推导出道路状况，或者通过网络接收后台发布的道路状况，作为预测的因素之一。
优选的，不同危险路段，可以选择不同的容易导致交通事故的因素，并且根据专家经验，确定各个因素之间的联系，作为贝叶斯网络构架的依据。
本发明一种适用于车载短距离通信网络的危险路段交通事故预警方法实施方法包括五个部分，第一部分是确定事故预测的因素及其取值范围，第二部分是根据预测因素和取值范围确定贝叶斯预测模型，第三部分是通过交通事故的历史数据和专家经验，进行贝叶斯网络的学习并确定各个条件概率，第四部分确定贝叶斯网络的推理方法，第五部分是路侧节点收集车辆信息的方法和对车辆交通事故预测的方法。
附图说明
图1是本发明实施例的主要实施步骤。
图2是路侧节点示意图。
图3是预测模型。
具体实施方式
本实施例实现了一种适用于车载短距离通信网络的危险路段交通事故预警方法，目的是通过v2x网络中车载节点和路侧节点的短距路通信方式，由路侧节点收集车辆的实时信息，结合该危险路段发生的交通事故的历史数据，进行及时的预警。
如图1至图3所示，本实施例利用v2x的这个特点，在道路危险路段，部署路侧节点，对诱发交通事故的各个因素，结合经过危险路段的车辆的实际行驶状况，通过贝叶斯网络进行综合评测，当车辆发生交通事故的概率较高时，及时通过v2x网络通知车辆，提醒驾驶员，从而降低危险路段发生的交通事故。
由于引起交通事故的因素较多，并且在各个危险路段，这些危险因素的种类和危险性相差较大，贝叶斯网络能较好表示各变量之间的不确定性和相关性，为实施例以贝叶斯网络为基础，构建路侧节点对车辆进行交通事故发生概率的评测算法。
贝叶斯网络包括两部分：(1)有向无环的贝叶斯网络结构图，节点代表变量，有向弧代表相互关联；(2)节点与节点之间的条件概率表，表示节点之间关系的关系。贝叶斯网络用n＝{<v,e>,p}，x＝(x1,x2,...,xn)是节点集合。
在各个危险路段中，引起交通事故的因素不同，各个因素占的比例也差别较大，因此，贝叶斯网络构建，应该根据不同路段的情况，分别选择不同的因素进行构建。在本实施例中，选择了一种危险路段进行说明，如图1所示，车辆从a端经b点向c端行驶，在b点有一个拐弯，在c点部署一个路侧节点r，接收从a向c方向行驶的各个车辆定期发送的心跳信息，进而确定各个车辆的速度和位置，以及相互之间的距离，并对各个车辆的事故概率进行预测。
本实施例的实施步骤包括五个部分。
第一部分、确定事故预测的因素及其取值。
1.1、确定事故预测因素。本实施例的场景中，根据已经发生交通事故的历史数据，b点的拐弯处是事故高发地点，主要原因同以下因素有关：车速v、车距d、车辆类型t、天气状况w、车流量s。
1.2、确定各个因素的取值。本实施例中，综合考虑算法复杂度和各个因素的判断精度，各个因素的取值如下：车速v＝{40以下，40-80，80-100，100-120，120以上}，单位公里(km)/小时(h)；车距d＝{近(小于5米)，中(5-20米),远(20米以上)}；车辆类型t＝{载重卡车、大客车、小客车}；天气状况w＝{晴天、雪地、雨地}。
第二部分、贝叶斯预测模型构建。
2.1、根据专家经验确定贝叶斯预测模型。本实施例中，选择车速v、车距d、车辆类型t、天气状况w、车流量s作为父节点，交通事故r作为子节点，构成贝叶斯预测模型，如图2所示。
2.2、确定各个因素之间的关联性。本实施例中，车距d同车速v相关，车距d、车速v同天气状况w和车辆类型t相关。
第三部分、贝叶斯网络学习和条件概率确定
贝叶斯网络中，设节点集合x＝(x1,x2,...,xn)，联合概率分布
3.1、通过历史数据或者专家经验，确定各个节点的条件概率。贝叶斯学习的主要依据是贝叶斯公式：
其中，p(h)是事件h的先验概率,表示没有训练数据前的初始概率。p(d)表示要观察的训练数据d的先验概率，p(d|h)表示h成立时的d发生的概率。p(h|d)则表示给定训练数据d时h成立的概率,也称为h的后验概率，反映了训练数据d对h的影响。
则根据贝叶斯网络的架构，根据历史数据或者现场测试数据，可以获得p(v|w,d,t)条件概率，例如：表1是发生交通事故的历史数据中，{w,d,t}不同组合对应不同速度的比例，其中对应{雨地，中，小客车}这组组合中，各个速度段所占的比例分别是{0.02,0.08,0.12,0.28,0.50}，所有的组合比例和为1。通过历史数据的学习或者专家经验确认，贝叶斯网络完成学习，获得相应的条件概率。.
表1
第四部分、贝叶斯网络推理
已知一组现有车辆的速度，以及车辆类型、车距和天气状况，预测发生交通事故的概率，应用极大似然，可通过下式求得：
p(r|v,d,w,t)＝p(v|w,t)p(d|v,w,t)
第五部分、路侧节点危险路段车辆交通事故预测
5.1、路侧节点部署。在危险路段部署在路侧节点，利用其运算能力强，供电不受影响，天线部署位置高，覆盖范围大的特点，可以收集较大范围的车辆数据并进行多个车辆的预测。路侧节点设备内安装有实现贝叶斯网络交通事故算法的软件，并且系统提供历史数据和专家经验数据进行学习，使贝叶斯网络算法能正常工作。
5.2、路侧节点信息接收。路侧节点根据传感器确定天气状况，进而推导出道路状况，或者通过网络接收后台发布的道路状况。通过接收经过危险路段的车载节点定期发动的心跳信息，获得各个车辆的位置和车辆类型，进一步确定各个车辆的速度、车距。
5.3、路侧节点预测和预警。路侧节点根据获得的各个车辆的位置、速度、车距，结合天气状况，通过贝叶斯网络获得发生交通事故的概率p(r|v,d,w,t)，如果某车辆的交通事故发生的概率大于系统设定的门限值，就通过车载短距通信网络，通知该车辆有发生交通事故的危险，提醒车辆注意速度和车距。
通过本实施例，可以针对某些危险路段，针对可能引起交通事故的因素，通过路侧节点对经过的车辆的进行交通事故发生概率的预测，从而有效降低危险路段交通事故发生的概率。本实施例中，主要关注了车速和车距因素，同样的方法，针对不同特点的危险路段，可以选择其他容易引起交通事故的因素。
以上所述是本发明的较佳实施例及其所运用的技术原理，对于本领域的技术人员来说，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变，均属于本发明保护范围之内。