1.一种潜在碰撞事故严重程度预测方法,其特征在于,包括以下步骤:获取碰撞事故样本,所述碰撞事故样本中的碰撞事件带有碰撞严重程度标签,所述碰撞事故样本基于所述碰撞严重程度标签分为若干碰撞事故子样本,所述碰撞事故样本中涉及的碰撞事件为两车相撞的碰撞事件;
所述碰撞事故样本的基本特征包括:涉事车辆的绝对速度、涉事车辆的纵向速度、涉事车辆的横向速度、涉事车辆的质量、涉事车辆的航向角,将所述涉事车辆进行编号,记为i,i=1或2,基于所述碰撞事故样本的基本特征,进行特征构造,得到构造特征,所述构造特征包括:涉事车辆碰撞前后的速度变化量、涉事车辆碰撞前后的纵向车速变化量、涉事车辆碰撞前后的横向车速变化量、两车相对速度、碰撞相对角度,具体包括:涉事车辆i碰撞前后的速度变化量
涉事车辆i碰撞前后的纵向车速变化量
涉事车辆i碰撞前后的横向车速变化量
两车相对速度Relative-V=abs(v碰撞相对角度Relative-θ=abs(θ其中,v
vx
vy
m
θ
α为两车相互靠近的角度,α=θ
对所述构造特征进行筛选,得到与所述碰撞严重程度标签有相关性的表征特征;
基于所述表征特征,对所述碰撞事故子样本进行过采样或欠采样处理,得到均衡的碰撞事故样本;
基于得到的均衡的碰撞事故样本,建立碰撞严重程度预测模型;
基于所述碰撞严重程度预测模型,对潜在碰撞事故严重程度进行预测即可。
2.根据权利要求1所述的潜在碰撞事故严重程度预测方法,其特征在于,获取碰撞事故样本,具体包括:基于碰撞类型,获取碰撞事故样本。
3.根据权利要求1所述的潜在碰撞事故严重程度预测方法,其特征在于,对所述构造特征进行筛选,得到与所述碰撞严重程度标签有相关性的表征特征,还包括:通过基尼系数计算所述构造特征的重要度,选取重要度高的构造特征;
通过皮尔逊相关系数对所述构造特征的相关性进行分析,删除冗余特征;
根据重要度分析和相关性分析的结果,从所述构造特征中筛选出表征特征。
4.根据权利要求1所述的潜在碰撞事故严重程度预测方法,其特征在于,基于所述表征特征,对所述碰撞事故子样本进行过采样或欠采样处理,得到均衡的碰撞事故样本,具体包括:当所述碰撞事故子样本为多数类样本时,删除所述碰撞事故子样本中的类内离群点,实现对所述碰撞事故子样本进行欠采样;
当所述碰撞事故子样本为少数类样本时,基于所述碰撞事故子样本的核心种子簇,对所述碰撞事故子样本进行过采样。
5.根据权利要求1所述的潜在碰撞事故严重程度预测方法,其特征在于,基于得到的均衡的碰撞事故样本,建立碰撞严重程度预测模型,具体包括:基于所述均衡的碰撞事故样本,得到训练样本,以所述表征特征作为输入,以所述碰撞事故严重程度作为输出,基于XGBoost算法建立碰撞严重程度预测模型。
6.根据权利要求5所述的潜在碰撞事故严重程度预测方法,其特征在于,基于得到的均衡的碰撞事故样本,建立碰撞严重程度预测模型,还包括:利用网格搜索算法对所述碰撞严重程度预测模型进行参数调整;
和/或,基于accuracy、recall、precision、f1_score中的一个或多个指标对所述碰撞严重程度预测模型进行性能测试。
7.根据权利要求1所述的潜在碰撞事故严重程度预测方法,其特征在于,基于所述碰撞严重程度预测模型,对潜在碰撞事故严重程度进行预测,具体包括:参照所述碰撞事故样本的基本特征,获取自车和他车的实时基本特征;
参照所述表征特征的获取方法,基于所述实时基本特征进行特征构造,得到在线表征特征;
将得到的在线表征特征输入所述碰撞严重程度预测模型,即可得到实时的潜在碰撞事故严重程度。
8.根据权利要求7所述的潜在碰撞事故严重程度预测方法,其特征在于,获取自车和他车的实时基本特征,具体包括:获取自车的实时绝对速度、自车与他车的实时相对速度,并根据自车的实时绝对速度、自车与他车的实时相对速度,得到他车的实时绝对速度;
获取自车和他车的实时位置参数,根据所述实时位置参数,得到自车和他车的实时航向角;
获取自车和他车的车型,根据所述车型,得到自车和他车的质量。