买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：基于数字孪生的降雪天气智能网联交通事故风险评价方法，涉及交通安全技术领域，针对现有技术中针对降雪天气交通事故风险评价的准确率低的问题，本申请充分考虑了降雪天气下驾驶行为特性和交通安全特性、交通安全效益评价指标、智能网联仿真环境构建三个方面。通过基于SUMO的总体设计，设置了仿真基础参数。提出了考虑不同车型对后车跟车距离影响的当量交通量计算方法，应用该方法综合考虑了降雪天气条件下各种车型对交通流运行的影响；另一方面，本申请通过基于遗传算法的跟驰模型参数标定算法，可以高效、准确地进行参数标定。进而提升了降雪天气交通事故风险评价的准确性。

主权项：1.基于数字孪生的降雪天气智能网联交通事故风险评价方法，其特征在于包括以下步骤：步骤一：获取高峰小时的降雪天气交通视频数据，并利用YOLO-v8识别交通视频数据每一帧图像中车辆的数量，进而得到高峰小时的交通量数据，之后获取交通视频数据每一帧图像中车辆的位置信息，并基于每一帧图像中车辆的位置信息，得到车辆的速度及车头时距；步骤二：获取交叉口几何结构数据以及管控措施，所述管控措施包括限速、限行、交通信号控制，之后将交叉口几何结构数据在SUMO中构建仿真路网，再根据管控措施构建交通控制模型；步骤三：利用车辆的位置信息以及车辆的速度，在SUMO中构建交通仿真模型；步骤四：通过考虑不同车型对后车跟车距离影响的当量交通量计算方法将交通量数据转换为当量交通量数据；步骤五：利用车辆的速度、车头时距以及当量交通量构建真实数据集，并将真实数据集输入交通仿真模型中作为基础数据，以此构建SUMO中跟驰模型；步骤六：根据SUMO中跟驰模型的参数，选取降雪天气交通场景中的加速度，减速度、最大车速、车头时距和静止时的安全距离作为目标参数输入交通仿真模型中，得到交通仿真模型输出的车头时距、车辆的速度以及当量交通量数据，当交通仿真模型输出的车头时距和车辆的速度与真实数据集中车头时距和车辆的速度通过KS检验时，则执行步骤七，否则，将目标参数通过遗传算法进行迭代更新，直至通过KS检验；步骤七：判断交通仿真模型输出的当量交通量数据与真实数据集中当量交通量是否通过GEH检验，若通过，则执行步骤八，否则，重复步骤六；步骤八：在交通仿真模型中设置自动驾驶车辆的市场渗透率，并结合仿真路网以及交通控制模型得到最终交通仿真模型；步骤九：利用SSM，即交通安全替代指标对最终交通仿真模型中车辆交通事故风险进行评价；所述步骤四中当量交通量表示为：QE＝Q×PCE 其中，QE为当量交通量，Q为实测交通量，PCE为折算系数，PCEobjective为目标车型的PCE，hbus为公交车的平均车头时距，hvan为小型货车的平均车头时距，h'bus为公交车后车的平均车头时距，h'van为小型货车后车的平均车头时距，h'standard为标准小汽车后车的平均车头时距，hstandard为标准小汽车的平均车头时距；所述步骤九中交通安全替代指标基于交通安全预警距离模型得到，SWDH表示为： 其中，as＝φ·g，as为车辆最大制动减速度，g为重力加速度，Vf为后车的速度，Vl为前车的速度，T为驾驶人反应时间，d0为车辆静止时的安全距离，t1为制动协调时间，t2为制动器制动力增长过程所需的时间，d为车身长度，φ为道路附着系数，θ为变道角度；SWDA表示为： 变道角度θ表示为： 其中，dx为车辆横向移动距离的微分，dy为车辆纵向移动距离的微分，xm和ym为变道过程中间时刻tm的位置，lim表示取极限，tm为变道过程中间时刻，xs和ys为变道开始时刻的横纵坐标，ts为变道开始时刻，SWDH为手动驾驶安全预警距离，SWDA为自动驾驶安全预警距离。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于数字孪生的降雪天气智能网联交通事故风险评价方法