1.一种自动驾驶与人工驾驶混行的事故严重程度预测方法,其特征在于,包括以下步骤:获取自动驾驶与人工驾驶混行环境下的交通事故数据,包括:
根据历史自动驾驶事故数据提取自动驾驶事故特征信息,并为每起自动驾驶事故设置一个独立的事故编码;其中事故特征包括事故时间、事故地点、碰撞类型、车辆特征、自然环境条件以及事故详情描述;
根据事故地点和事故详情描述定位事故位置,并转换为地球坐标系下的经纬度坐标;
根据历史人工驾驶事故数据提取人工驾驶事故特征信息;
根据自动驾驶事故特征信息和人工驾驶事故特征信息在设定的第一缓冲区内筛选所有与自动驾驶事故具有相同道路特征和建成环境特征的人工驾驶事故,并选择与自动驾驶事故最近的人工驾驶事故进行配对,生成自动驾驶与人工驾驶混行环境下的交通事故数据;
根据交通事故数据中的事故位置,提取事故位置点的道路交通特征和建成环境特征,包括:根据交通事故数据中的事故位置,提取事故位置点的道路特征信息;其中道路特征包括交叉口类型、交通控制设施类型、中央分隔设施类型、车道数量、人行横道及路边停车位;
根据交通事故数据中的事故位置,提取事故位置点的道路属性信息;其中道路属性包括道路名称、道路等级、限速、车道数量及单向道路;
根据交通事故数据中的事故位置,提取事故位置点在设定的第二缓冲区内的建成环境信息;其中建成环境包括土地利用类型、公园、餐厅、学校、公交站和地铁站、医院及购物中心;
将交通事故数据与事故位置点的道路交通特征和建成环境特征进行匹配,建立自动驾驶与人工驾驶交通事故特征变量数据集,包括:根据事故编码和经纬度坐标,将自动驾驶事故特征信息、人工驾驶事故特征信息、道路特征信息、道路属性信息和建成环境信息进行匹配,建立自动驾驶与人工驾驶交通事故特征变量数据集;
根据自动驾驶与人工驾驶交通事故特征变量数据集,基于机器学习筛选交通事故严重程度影响特征变量;
根据交通事故严重程度影响特征变量,构建混行环境下自动驾驶与人工驾驶事故严重程度的联合预测模型进行事故严重程度预测,包括:以自动驾驶事故与人工驾驶事故的严重程度为因变量,以交通事故严重程度影响特征变量为自变量,构建随机参数双变量Probit模型;
假定模型中自变量的回归系数在不同的事故样本之间随机变化,设定新的自变量回归系数;
根据自变量和新的自变量回归系数建立所有事故数据的联合概率密度函数,并转化为对数似然函数;
采用准蒙特卡罗方法近似计算对数似然函数中的积分;
基于近似的对数似然函数,使用梯度下降法迭代估计参数;
通过多次迭代优化,直到对数似然函数收敛,得到最终每个特征变量对于事故严重程度分类的系数值。
2.根据权利要求1所述的一种自动驾驶与人工驾驶混行的事故严重程度预测方法,其特征在于,根据自动驾驶与人工驾驶交通事故特征变量数据集,基于机器学习筛选交通事故严重程度影响特征变量,包括:根据自动驾驶与人工驾驶交通事故特征变量数据集,以自动驾驶事故与人工驾驶事故的严重程度为目标变量,以事故特征、道路特征和建成环境特征为特征变量,构建随机森林模型;
在随机森林的每棵决策树中,使用基尼指数衡量特征变量在节点分裂时对事故严重程度的分类贡献,通过特征变量将节点样本分裂为两个子集,并计算分裂后节点基尼指数的变化量;
遍历随机森林中的所有决策树,累加特征变量在每个节点分裂中引起的基尼指数变化量,得到特征变量在随机森林中对于事故严重程度分类效果的特征变量重要性;
将所有特征变量重要性进行标准化,得到各个特征变量对于事故严重程度的相对重要性;
对特征变量按照相对重要性从高到低进行排序,根据排名在前第一数量的特征变量计算累计贡献比例,并根据特征变量的累计贡献比例和设定阈值确定交通事故严重程度影响特征变量。
3.根据权利要求2所述的一种自动驾驶与人工驾驶混行的事故严重程度预测方法,其特征在于,分裂后节点基尼指数的变化量的计算方式为:其中,ΔGini(Xj)为分裂后节点基尼指数的变化量,Gini(D)为节点样本D的基尼指数,|DL|为分裂后子节点数据集DL的大小,|DR|为分裂后子节点数据集DR的大小,|D|为当前节点数据集D的大小,Gini(DL)为子节点数据集DL的基尼指数,Gini(DR)为子节点数据集DR的基尼指数,Xj为第j个特征变量。
4.根据权利要求2所述的一种自动驾驶与人工驾驶混行的事故严重程度预测方法,其特征在于,特征变量的累计贡献比例的计算方式为:累加排名在前第一数量的特征变量,并计算累加特征变量之和与所有特征变量之和的比值,得到特征变量的累计贡献比例。
5.根据权利要求1所述的一种自动驾驶与人工驾驶混行的事故严重程度预测方法,其特征在于,采用准蒙特卡罗方法近似计算对数似然函数中的积分具体为:其中,为联合概率密度函数,Yi1为第i个样本中与自动驾驶事故严重程度分类结果相关的目标随机变量,Yi2为第i个样本中与人动驾驶事故严重程度分类结果相关的目标随机变量,Xi为与第i个样本严重程度相关的事故特征、道路特征和建成环境变量,表示第i个样本中与自动驾驶事故严重程度相关的随机参数,是表示i个样本中与人工驾驶事故严重程度相关的随机参数,Σ为自动驾驶与人工驾驶事故严重程度之间的协方差矩阵,M为模拟抽样次数。
6.根据权利要求1所述的一种自动驾驶与人工驾驶混行的事故严重程度预测方法,其特征在于,基于近似的对数似然函数,使用梯度下降法迭代估计参数,具体为:其中,和分别为第t+1轮迭代时随机参数β′i,1的均值和方差,和分别为第t轮迭代时随机参数β′i,1的均值和方差,η为学习率,为对数似然函数的梯度。