本发明涉及一种适用于车载短距离通信网络的行人交通事故预警方法，属于通信与信息领域，尤其是车载通信技术领域。
背景技术：
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中的车载节点配备有gps或者北斗等设备，车载节点按照设定的时间间隔定期向周围广播本节点的地理位置信息(称为心跳信息)，同时也接收周围节点发送的心跳信息，从而通过计算获得周围车载节点同本车载节点的距离、速度、行驶方向和车辆类型等信息。
行人的移动终端(一般为包含v2x模块的手机或者可穿戴式便携终端)可以接收周围车载节点广播的心跳信息，以及v2x中路侧节点广播的各类信息，结合行人的地理位置信息，可以对可能发生的交通事故概率进行预测，并及时进行预警。由于同时接收的信息数量种类繁多，因此，通过一个适当的算法针对这些信息引起的交通事故的风险高低作出预测就显得很有必要。
贝叶斯网络能有效处理多个变量之间的不确定性、关联性，并支持通过大量历史数据进行训练，从而获得更加有效的网络参数。
本发明实施例通过v2x中的心跳信息获得周围车辆的位置、距离、速度等参数，通过路侧节点获得信号灯状态，然后通过行人移动终端获得行人的位置和行走信息，并在行人的移动终端中，利用贝叶斯网络对交通事故发生的概率进行预测，超过门限值时及时告警提醒，从而有效降低交通事故发生。
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行人交通事故预警方法，主要实现方式是行人通过具有车载短距通信网络模块的多模移动终端或者专用终端，接收周围车辆定期广播发送的包含车辆地理位置的消息，获得周围车辆的位置、速度，以及路侧节点发布的信号灯状态消息，再利用行人的移动终端自身的地理位置信息，获得行人的位置和行走方向，根据所在路段的历史数据，利用构建的贝叶斯网络，对发生交通事故的概率进行预测。本发明的处理步骤包括五个部分，第一部分是车辆行驶状态分类，将车辆的行驶状态分为前后车情况和左右车情况两类。第二部分是贝叶斯网络的架构确定，针对不同的车辆情况，以及每种车辆情况的分类之间的关系，选择相应的信息项构筑贝叶斯网络。第三部分是贝叶斯节点之间的条件概率确定和网络训练，根据专家经验和历史数据确定贝叶斯网络节点之间的条件概率，并通过历史数据对网络进行训练。第四部分是车辆状态和行人状态的获取和计算，通过心跳信息获取实时的周围车辆的状况、信号灯状况，通过计算，获得贝叶斯网络各个节点的实时信息。第五部分是交通事故预测和告警，通过贝叶斯网络对发生交通事故的概率进行预测，当概率高于门限值时进行告警。
附图说明
图1是本发明的主要处理步骤。
图2是完整的事故预测贝叶斯网络架构图。
图3是通用节点图。
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行人交通事故预警方法，目的是通过行人移动装置(例如通过具有车载短距通信模块的多模手机)接收周围车辆定期发送的包含地理位置坐标和车辆操作信息等的消息(以下称为心跳信息)，获得周围车辆同本车的距离、速度、加速度、行驶和转弯方向等信息，同时，接收路侧节点定期广播发送的交通信号灯状态等信息，然后利用贝叶斯网络，对可能引起交通事故的多个信息项,通过计算贝叶斯网络变量间的联合概率来计算事故发生的概率,当概率超过门限值时，对行人及时进行预警，达到降低交通事故的目的。
贝叶斯网络是人工智能领域中一种进行概率推理的方法，能够利用模型中的局部条件依赖关系,进行双向不确定性推理，应用于分析和评判等。行人车辆的交通事故受多个因素的影响，预测较为复杂，预测因素之间存在着复杂的联系，利用贝叶斯网络是实现多变量分析和评价的一种有效方法。
本实施例由五部分组成。
第一部分、车辆行驶状态分类。
车辆对行人的威胁主要发生在行人周围的车辆，包括在行人视线内和视线外的车辆，尤其是行人视线外的车辆、高速车辆、同行人方向交叉的车辆容易引起交通事故。综合上述分析，本实施例将车辆的行驶状态分为三类。
1.1、第一类车辆状态是前后车状态。主要包括与行人同向和反向的车辆，第一类车辆状态又同人车的相对位置、车辆行驶方向相关，因为交通路口是事故多发路段，在路口还同信号灯的状态有关。对于人车相对距离，主要同车辆速度、人车的距离和行人的行走方向有关。
1.2、第二类车辆状态是左右车辆。主要是行人穿越道路或者行走到横向道路是面对的左右行驶的车辆。同第一类车辆状态类似，第二类车辆状态同人车的相对位置、车辆行驶方向相关、信号灯的状态有关。
第二部分、贝叶斯网络的架构确定
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}，其中，d表示贝叶斯的无环图(dag)，x＝(x1,x2,...,xn)是节点集合，联合概率分布
2.1、事故概率的贝叶斯网络架构确定。本实施例中，事故概率选择前后车情况、左右车情况作为参数进行预测。
2.2、各类车辆情况选择相对距离、接近情况作为参数进行预测。
2.3、各类车辆的相对距离选择车辆速度、人车距离作为参数预测。
2.4、各类车辆的接近情况行人方向、信号状况作为参数预测。
完整的事故预测贝叶斯网络架构如图2所示。
第三部分、贝叶斯节点之间的条件概率确定和网络训练。
3.1、针对各个节点，通过专家经验和历史数据获得各个节点同父节点之间的条件概率。以图3表示的通用节点为例，节点a和父节点a1和a2的条件概率根据专家经验或者历史数据确定，如表1所示。
表1
其中，{a1-1，a1-2，……，a1-m}表示父节点变量a1的m个不同状态，{a2-1，a2-2，……，a2-n}表示父节点变量a2的n个不同状态，{a1,a2}表示两个变量的m×n个不同的组合。{s-1,s-2,……，s-k}表示节点a的k个不同的状态，pi-j表示对应某{a1,a2}组合的a节点为(s-j)状态的概率，有
3.2、贝叶斯网络训练。采用本路段的交通事故的历史数据，作为先验概率，结合各个节点之间的条件概率，获得各个变量的联合概率，进行贝叶斯网络的训练，根据同历史数据的相符程度，调整各个条件概率，使得贝叶斯网络更加有效。
3.3、贝叶斯网络的参数，由系统通过本路段的路侧节点进行发布，行人移动终端进入本路段的路侧节点覆盖范围内，从本路段的路侧节点下载贝叶斯参数，以使得贝叶斯预测满足本路段的实际情况。
第四部分、车辆状态和行人状态的获取和计算。
4.1、车辆状态的获取。v2x网络中，车辆周期性发送包含地理位置信息的心跳信息，行人的移动终端通过接收车辆的心跳信息，可以获得周围车辆的位置信息，经过地理信息系统的计算方法，可以计算车辆的距离、速度、行驶方向，进而可以计算预测人车之间的相对距离。
4.2、行人状态的获取。通过行人终端配备的地理位置装置(gps或北斗)，可以获得行人的地理位置，可以计算行人的行走方向，速度等。
4.3、信号灯状态的获取。v2x中，在道路路口一般部署路侧节点，定期将信号灯状态向周围广播。行人的移动终端，通过接收路侧节点的信息可以获得路口各个方向的信号灯的状态。
第五部分、交通事故预测和告警。
5.1、行人的移动终端，在获得相关信息后，利用贝叶斯网络进行推导，从而最终获得当前环境下发生交通事故的概率。在贝叶斯网络中，已知父节点的概率和节点之间的条件概率，即可以获得最终的条件概率，等于所有条件概率分布的乘积，即联合概率分布。有
其中，parent(xi)表示xi节点的父节点。以图3的三个节点为例，已知父节点节a1、a2点的概率，以及节点a同父节点a1、a2的条件概率，则计算p1＝p(aa1a2)＝p(a1)p(a2)p(a|a1a2)，
5.3、如果交通事故的概率大于系统设定的门限值，则进行声光告警，并提示行人贝叶斯网络中的最大概率因素。
通过本实施例，可以在车载短距通信网络中，行人的移动终端通过接收周围车载节点定期广播的心跳信息和路侧节点广播的心跳信息，获得周围车辆的位置、速度、加速度信息，通过贝叶斯网络对多种信息进行处理，从而及时对可能发生的交通事故进行预测。
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。