本发明涉及一种适用于车载短距离通信网络的路侧节点高风险车辆告警提示方法，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(Vehicle to X：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-Controller Area Network)、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等信息(称为心跳信息)，同时也接收周围节点发送的心跳信息，从而获得周围车载节点同本车的距离，从而计算出同本车的相对距离、速度、加速度等信息。
V2X网络中的路侧节点设备结构上同车载节点相同，但是由于其天线部署位置高，因此覆盖范围大，可以接收到更大范围内车辆广播的心跳信息。同时，路侧节点具有强大的运算能力，供电不受限制，因此，可以执行比较复杂的运算。
有效对驾驶员的驾驶行为进行评测，发现高风险车辆，并及时对驾驶员进行提醒，可以有效提高道路交通安全，但是传统道路管理中，由于无法获得某个区域的车辆实时行驶状况，这个功能很难实施。
利用V2X网络中的路侧节点的优势，可以获得较大范围内车辆的信息，但是对高风险车辆的识别，需要面临对多个因素的综合识别，而且是一个随机的概率事件，因此在算法上面临较大的困难。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中路侧节点接收覆盖范围内车辆的心跳信息，从而获得各个车辆的实时位置信息，进而求得各个车辆的加速、车辆之间的距离和加速度等信息，通过贝叶斯网络对车辆的危险驾驶进行识别，并利用V2X网络将高风险车辆的危险驾驶风险因素广播到该车辆及其周围的其他车辆，从而达到提高道路安全性的目的。
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路侧节点高风险车辆告警提示方法，主要实现方式是利用车载短距离通信网络(以下简称V2X)中路侧节点天线部署位置高，覆盖范围大的优势，路侧节点通过接收覆盖范围内车辆的车载短距离设备通信定期广播发送的包含车辆地理位置信息的消息，获得各车辆及其周围车辆的位置，进而求得车辆的速度、距离和加减速特性。然后选择引起车辆危险的驾驶行为的因素作为评测因素，根据专家经验确定贝叶斯网络架构，并确定贝叶斯网络各个节点之间的条件概率，并利用历史数据进行学习，从而使得贝叶斯网络评测更加准确，最终确定用于评测的贝叶斯网络。路侧节点利用获得的实时车辆数据，利用贝叶斯网络对各个车辆的驾驶行为风险进行推理，当某车辆的危险概率大于系统设定的门限值后，通过V2X网络将危险等级和危险因素广播到该车辆及其周围的车辆，该车辆的车载设备会通过声光告警的方式，提醒驾驶员注意和纠正，同时，周围车辆也会发出告警。
附图说明
图1是本发明的主要处理步骤。
图2是本发明贝叶斯网络架构。
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路侧节点高风险车辆告警提示方法，利用路侧节点天线部署位置高，覆盖范围大的优势，对覆盖范围内驾驶行为风险较高的车辆进行识别，并通过告警提醒超过风险设定门限的驾驶员风险因素，同时也提醒周围车辆注意，从而提高道路的安全性。
高风险驾驶行为识别涉及很多因素，本实施例主要考虑两个方面：(1)纵向驾驶。车辆速度过快、加减速过快是引起纵向碰撞的主要危险因素，其引起的追尾碰撞在车辆碰撞事故占据相当大的部分。因此，本实施例中，选择驾驶员的行车速度、加减速特性进行识别。(2)横向驾驶。车辆驶离原车道也是造成交通事故的主要原因，横向驾驶主要是对驾驶员变换车道、超车、拐弯的驾驶行为进行识别。本实施例中，选择侧面前后车距离、对后车的影响进行评测。
本实施例的核心是对高风险驾驶行为进行自动识别以及将风险信息通知驾驶员和周围的车辆，V2X网络中，路侧节点通过接收覆盖范围内车辆定期广播的包含地理位置的心跳信息，可以获得车辆的位置，相应可以计算出各个车辆的速度和位置变化，从而获得高风险驾驶需要的基本信息。
驾驶行为风险识别需要综合多个因素，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，本实施例利用贝叶斯网络实现多变量分析。
本实施例的实施包括五个部分。
第一部分、确定驾驶行为风险识别因素及其取值。
1.1、确定驾驶行为风险识别因素变量。本实施例中，驾驶行为风险D分别从纵向驾驶行为A和横向驾驶行为B两个方面进行识别。纵向驾驶A又分别从车辆速度A1和加减速特性A2进行识别。车辆速度A1和加减速特性A2又分别与道路情况A11和前车距离A12相关。横向驾驶B分别从前后车距离B1和后车影响B2进行识别。
1.2、确定各变量取值。本实施例为简化计算，采用相同的取值，即{D，A，A1，A11，A12，B1，B2}的变量均取范围均为{危险0，安全1}。
第二部分、确定识别用贝叶斯网络的架构
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，联合概率分布其中，Parent(xi)表示xi节点的父节点。如果从现有信息的统计结果获得各相关节点的先验概率和节点间的条件概率，利用p(X)就可以推理其他节点的概率。贝叶斯网络(BN)推理方法是，在给定对变量集合E的实际值时,计算出变量集合Q的后验条件概率分布P(Q|E)，根据上述各个驾驶风险识别因素的因果关系，本实施例的贝叶斯网络架构如图2所示。
第三部分、确定贝叶斯网络节点之间的条件概率
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。以节点A和节点A1和A2的条件概率为例，根据专家经验或者历史数据确定各个节点之间的概率如表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
进一步，以一组具体数据说明。以图2的节点A1及其两个父节点A11、A12为例，A11和A12的取值范围是{危险，安全}，则根据专家经验或者历史数据，可以确定A11，A12各种分布对应A1的3种状态的条件概率，如表2所示。
表2
3.2、采用此方法可以依次获得贝叶斯网络其他各个节点及其父节点的条件概率。
第四部分、贝叶斯网络推理及训练
4.1、贝叶斯网络推理。
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2的节点A1，A11，A12节点为例，已知某车辆驾驶状态A11对应{危险，安全}的概率分别是{A11-1,A11-2}，例如一组具体的数字如{0.30,0.70}，A12对应{危险，安全}的概率{A12-1,A12-2}表示，利用第三部分确定的节点A同父节点A1、A2的条件概率，则计算:
P1＝P(A1A11-1A12-1)＝P(A11-1)P(A12-1)P(A1|A11-1A12-1)
同样的方法计算
P2＝P(A1A11-1A12-2)，
P3＝P(A1A11-2A12-1)，
P4＝P(A1A11-2A12-2)，
进而，进一步得到
采用同样的方法，即可以从对贝叶斯网络的最顶端逐级推到，最终获得最下端的驾驶行为识别D的识别概率。
4.2、采用专家经验或者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，同实际的结果进行匹配，调整各个条件概率，进行贝叶斯网络的训练，使得贝叶斯网络更加有效。
第五部分、驾驶行为风险识别和告警。
5.1、驾驶行为风险识别的贝叶斯网络的参数确定。V2X网络中，路侧节点有同后台系统连接的链路，系统将经过训练后的贝叶斯参数，发布到路侧节点的存储单元中。
5.2、获得覆盖范围内车辆的位置信息。路侧节点通过接收覆盖范围内车载节点定期发送的心跳信息，获得车辆的位置，进而获得各个车辆以及该车辆的前车、后车、相邻车道的前车和后车的距离、速度、加速度信息。
5.3、根据获得的数据和系统设定的门限值，转换成贝叶斯网络的最顶端父节点的{危险，安全}状态的概率，然后，利用安装于路侧节点设备中的包含贝叶斯网络算法的软件进行推导计算，从而最终获得各个车辆驾驶行为的{危险，安全}评测结果的概率。
5.4、某车辆驾驶行为{危险}概率超过系统设定的门限，则通过V2X网络，将风险信息，包括风险等级和风险因素广播到该车辆以及邻近的车辆，该车辆的车载V2X终端接收到该风险信息后，进行声光提示，并显示风险因素。同时，该车辆周围的车辆，也会有风险提示，提醒驾驶员注意该车辆。
通过本实施例，可以在车载短距通信网络中，路侧节点通过接收周围车载节点定期广播的心跳信息，对覆盖范围内的车辆的驾驶行为进行识别，从而及时发现危险驾驶习惯，对驾驶员进行提醒并提示危险因素类型，从而提醒驾驶员克服不良驾驶习惯，同时也提醒该车辆周围的车辆注意，从而提高道路行车安全。
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。