本发明涉及道路交通安全技术领域，具体涉及一种基于边云协同的山区公路行车安全预警方法。
背景技术：
山区公路由于受到山脉纵横、河流密布等地形地貌影响，存在较多的高风险路段。道路线形复杂、长大桥隧群较多、路基-桥梁-隧道频繁过渡、坡陡弯急、立交设置复杂、气候多变、二次事故易发，驾驶员在山区公路行驶时，发生事故的可能性较普通公路大。
目前，驾驶员多通过各类导航app浏览地图、搜索地点、查询驾车/公交线路、路况实时更新等功能，导航app对驾驶员的安全提示较少，鲜少涉及道路交通安全方面的语音播报，对山区公路行车风险的预警作用非常有限；不少学者在公路行车预警方面已有一定的研究基础，虽能为公路预警方法提供一定理论基础，但却并没有将山区公路的特点嵌入到预警系统中，更没有从“人-车-路-环境”的交通闭环系统中分析山区公路风险源，进而没有形成完整、有效、准确的山区公路行车安全语音预警播报系统；一般的预警系统并不能实时判别动态风险因素，在山区公路上行驶的车辆，不但受到道路线形、固定构造物等静态风险因素的影响，还会受到团雾、突发事件等动态风险因素的影响，实时性难以保证；另外，一般的预警系统在设置语音播报时并没有考虑驾驶人信息及车辆的类型和结构，往往仅有“您已超速，请注意减速”等简单预警信息，没有考虑驾驶人因年龄、驾龄、驾驶习惯等对预警信息的可操作性，没有考虑不同类型车辆及车辆行驶状况而合理设置语音提示，降低了预警系统的认可度和可操作性。
技术实现要素：
针对现有技术存在的上述不足，本发明的目的是提供一种基于边云协同的山区公路行车安全预警方法。
实现上述目的，本发明采用的技术手段是：
一种基于边云协同的山区公路行车安全预警方法，包括如下步骤：
将道路划分为多个路段区间，获取每个路段区间的位置数据、历史事故数据和历史风险指标数据；
根据所述位置数据、历史事故数据和历史风险指标数据，构建每个路段区间的路段行车风险评估模型；
获取车辆的实时位置信息和实时风险指标数据；
根据所述实时位置信息，获取当前路段的路段行车风险评估模型；
将所述实时风险指标数据输入当前路段的路段行车风险评估模型，得到实时行车风险事故率；
根据所述实时行车风险事故率生成预警指令。
进一步，所述获取每个路段区间的历史风险指标数据，具体包括：
确定风险评估指标；
根据所述风险评估指标，获取每个路段区间的历史风险指标数据；
所述风险评估指标包括一级风险评估指标和二级风险评估指标，所述一级风险评估指标分别为道路状况指标、行车环境指标、驾驶员指标和车辆指标，每个一级风险评估指标包括多个二级风险评估指标。
进一步，所述确定风险评估指标之后，还包括：
按风险等级，将每个风险评估指标划分为四个风险等级，四个风险等级分别对应于四个风险值。
进一步，根据所述位置数据、历史事故数据和历史风险指标数据，构建每个路段区间的路段行车风险评估模型，具体包括：
将每个路段区间的历史事故数据和历史风险指标数据分别输入神经网络训练模型中进行训练，得到每个路段区间的路段行车风险评估模型，该路段行车风险评估模型用于评估对应路段区间的行车风险事故率；
根据每个路段区间的位置信息，将路段行车风险评估模型存储在云平台中。
进一步，所述将每个路段区间的历史事故数据和历史风险指标数据分别输入神经网络训练模型中进行训练之前，还包括：
根据所述风险值，将所述风险评估指标对应的历史风险指标数据进行归类；
将每个路段区间的历史事故数据和归类后的历史风险指标数据分别输入地理探测器中，获得每个路段区间的风险评估指标的重要度值；
根据所述重要度值，对每个路段区间的风险评估指标进行重要度排序；
取每个路段区间的重要度排序中重要度较大的预设个数的风险评估指标作为该路段区间的路段风险评估指标；
根据所述路段风险评估指标，获取每个路段区间的训练样本和测试样本；
将每个路段区间的历史事故数据和训练样本分别输入神经网络训练模型中进行训练，得到每个路段区间的路段行车风险评估模型。
进一步，所述道路状况指标下的二级指标分别包括平曲线半径、竖曲线半径、纵坡坡度、纵坡坡长、车道宽度、车道数、路面状况、路肩宽度、路测设施、交通构造物、桥梁情况、隧道情况、互通立交情况和不利组合情况；所述行车环境指标下的二级指标分别包括：能见度、天气状况和交通量；驾驶员指标下的二级指标分别包括驾驶员年龄、驾驶员驾龄、驾驶员性别、驾驶员视觉和驾驶员驾驶习惯；所述车辆指标下的二级指标分别包括车辆类型、车辆性能和行驶时间和车辆速度。
进一步，所述神经网络为bp神经网络、ga-bp神经网络和pso-bp神经网络。
进一步，将每个路段区间的历史事故数据和训练样本分别输入bp神经网络、ga-bp神经网络和pso-bp神经网络中进行训练，分别得到每个路段区间的bp神经网络预测模型、ga-bp神经网络预测模型和pso-bp神经网络预测模型；
将所述测试样本分别输入bp神经网络预测模型、ga-bp神经网络预测模型和pso-bp神经网络预测模型中进行进行测试，分别得到每个神经网络预测模型的误差值，选择误差值最小的预测模型作为所述路段区间的最优预测模型。
相比现有技术，本发明具有如下有益效果：
1、本发明通过将道路划分为多个路段区间，分别获取每个路段区间的历史风险指标数据并构建路段行车风险评估模型，利用路段行车风险评估模型可评估对应路段的行车风险事故率，在评估时可充分考虑每个路段区间的环境路况特点，评估准确率更高。
2、本申请在设置风险评估指标时，分别从“人、车、路、环境”四个方面设置一级风险评估指标，充分考虑了山区公路风险源，同时考虑了驾驶员及车辆风险数据，形成了闭环的山区公路风险评估体系，可操作性强。
具体实施方式
下面结合具体实施例对本发明做进一步描述：
一种基于边云协同的山区公路行车安全预警方法,包括如下步骤：
s1、确定风险评估指标，该风险评估指标用于评估行车风险。风险评估指标包括一级风险评估指标和二级风险评估指标，一级风险评估指标分别为道路状况指标、行车环境指标、驾驶员指标和车辆指标，每个一级风险评估指标包括多个二级风险评估指标。在设置风险评估指标时，分别从“人、车、路、环境”四个方面设置一级风险评估指标，充分考虑了山区公路风险源，形成了闭环的山区公路风险评估体系。
道路状况指标下的二级指标分别包括平曲线半径、竖曲线半径、纵坡坡度、纵坡坡长、车道宽度、车道数、路面状况、路肩宽度、路测设施、交通构造物、桥梁情况、隧道情况、互通立交情况和不利组合情况中的一种或多种；所述行车环境指标下的二级指标分别包括：能见度、天气状况和交通量的一种或多种；驾驶员指标下的二级指标分别包括驾驶员年龄、驾驶员驾龄、驾驶员性别、驾驶员视觉和驾驶员驾驶习惯的一种或多种；所述车辆指标下的二级指标分别包括车辆类型、车辆性能和行驶时间和车辆速度的一种或多种。
s2、按风险等级，将每个风险评估指标划分为四个风险等级，四个风险等级分别对应于四个风险值。
四个风险等级分别为安全、较安全、较危险和危险，四个风险值分别为0、1、2和3，四个风险等级分别对应四个风险值，即风险值0对应于风险等级的安全，风险值1对应于风险等级的较安全，风险值2对应于风险等级的较危险，风险值3对应于风险等级的危险。
风险评估指标中既有类型量指标，又有数值量指标，在确定每个风险指标的风险值时，类型量指标根据其性质通过人工确定其风险值，数值量指标根据其实际数据确定其风险值。具体每个风险评估指标对应的风险值如下表所示：
表1风险评价指标等级划分
s3、将道路划分为多个路段区间，获取每个路段区间的位置数据、历史事故数据和历史风险指标数据。
在划分路段区间时，采用定长法或/和不定长法划分路段区间，定长法为按照固定长度进行划分，不定长法为按照任意长度进行划分。通过按路段区间构建路段行车风险评估模型，可充分考虑每个路段区间的风险指标数据对行车风险事故率的影响，提高风险评估的准确性。
在获取历史风险指标数据时，根据步骤s1确定的风险评估指标，获取每个路段区间的历史风险指标数据。
s4、根据位置数据、历史事故数据和历史风险指标数据，构建每个路段区间的路段行车风险评估模型，该路段行车风险评估模型用于评估对应路段区间的行车风险事故率。
步骤s4中，根据所置数据、历史事故数据和历史风险指标数据，构建每个路段区间的路段行车风险评估模型，具体包括：
s41、根据风险值，将风险评估指标对应的历史风险指标数据进行归类。
s42、将每个路段区间的历史事故数据和归类后的历史风险指标数据分别输入地理探测器中，获得每个路段区间的风险评估指标的重要度值。
具体的，将将每个路段区间的历史事故数据和归类后的历史风险指标数据分别输入地理探测器的因子探测模块中，定量探测各个二级风险评估指标的q值，其中，事故数据包括事故等级；q值表示风险评估指标对事故等级的影响大小，即风险评估指标的重要度；q值得值域为[0，-1],q值越大，说明该风险评估指标对事故等级的解释力越强，反之越弱；q＝1，说明该风险评估指标完全控制事故等级的发生，该风险评估指标越重要，其重要度越高；q＝0，说明事故等级的发生与该风险评估指标无关，其重要度为低。
s43、根据所述重要度值，对每个路段区间的风险评估指标进行重要度排序。
s44、取每个路段区间的重要度排序中重要度较大的预设个数的风险评估指标作为该路段区间的路段风险评估指标。由于每个路段区间的人、车、路、环境不同，因此每个路段区间选取的路段风险评估指标具有一定的差异，本申请以路段区间为单位，可充分考虑每个路段区间的风险评估指标对事故率的影响，提高模型预测准确率。
选取风险评估指标的个数可根据实际情况进行选择，将重要度较低的指标舍弃，在保证准确性的前提下提高运算速率。
s45、根据所述路段风险评估指标，获取每个路段区间的训练样本和测试样本，训练样本和测试样本可采用1：1的比例设置。
s46、将每个路段区间的历史事故数据和训练样本分别输入神经网络训练模型中进行训练，得到每个路段区间的路段行车风险评估模型，该路段行车风险评估模型用于评估对应路段区间的行车风险事故率。历史事故数据包括历史事故数和事故等级，在训练时，可只取历史事故数进行训练。
神经网络为bp神经网络、ga-bp神经网络和pso-bp神经网络。将每个路段区间的历史事故数据和训练样本分别输入bp神经网络、ga-bp神经网络和pso-bp神经网络中进行训练，分别得到每个路段区间的bp神经网络预测模型、ga-bp神经网络预测模型和pso-bp神经网络预测模型；
将测试样本分别输入bp神经网络预测模型、ga-bp神经网络预测模型和pso-bp神经网络预测模型中进行进行测试，分别得到每个神经网络预测模型的误差值，选择误差值最小的预测模型作为所述路段区间的最优预测模型。
具体的，误差值为平均绝对误差(mae)、均方根误差(rmse)和平均绝对百分比误差中的一种或多种。
更具体的：
平均绝对误差(mae)为：
其中，yi为实际行车风险事故率，
均方根误差(rmse)为：
其中，yi为实际行车风险事故率，
平均绝对百分比误差(mape)为：
其中，yi为实际行车风险事故率，
取每个路段行车风险评估模型的平均绝对误差、均方根误差和平均绝对百分比误差之和的最小值为：
m＝min{maei+rmsei+mapei}(i＝1,2,3)
式中，m表示误差之和最小的值，maei表示第i个神经网络模型的平均绝对误差；rmsei表示第i个神经网络模型的均方根误差；mapei表示第i个神经网络模型的平均绝对百分比误差误差。
m值最小，表示该种神经网络预测效果最优。
s47、根据每个路段区间的位置信息，将路段行车风险评估模型存储在云平台中。
s5、获取车辆的实时位置信息和实时风险指标数据。
具体的，可在车辆上安装行车信息采集模块、天气状况模块和gps模块，通过行车信息采集模块采集当前驾驶员、车辆等驾驶员指标和车辆指标，通过gps模块实时获取该车辆的实时位置信息，根据该位置信息，获取道路状况指标数据，通过天气状况模块实时获取行车环境指标数据。将获取的实时风险指标数据进行归一化处理。
s6、根据所述实时位置信息，获取当前路段的路段行车风险评估模型。将车辆的实时位置信息发送给云平台，获取与该实时位置信息对应的路段行车风险评估模型。
s7、将所述实时风险指标数据输入当前路段的路段行车风险评估模型，得到实时行车风险事故率。
s8、根据所述实时行车风险事故率生成预警指令。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，尽管申请人参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。