本發(fā)明涉及智能交通和自動駕駛領域，更具體地，涉及一種自動駕駛出租車運行風險的評估方法和系統(tǒng)。

背景技術：

1、自動駕駛出租車作為智能交通系統(tǒng)的核心組成部分，其規(guī)?；渴饘Τ鞘薪煌ňW絡的效率與安全提出了新挑戰(zhàn)?，F有技術在應對動態(tài)交通環(huán)境、人-車-路交互建模、彈性空間決策及車輛運行規(guī)律兼容性等方面存在顯著局限性，具體問題如下：

2、1、動態(tài)交通環(huán)境適配性不足

3、傳統(tǒng)風險評估模型依賴靜態(tài)路網數據與歷史統(tǒng)計規(guī)律，難以適應城市交通流的時變特性。例如，早晚高峰時段流量波動、突發(fā)事故或極端天氣引發(fā)的路網狀態(tài)突變，均可能導致自動駕駛出租車部署策略與實際交通需求脫節(jié)?，F有方法缺乏實時感知與動態(tài)響應能力，無法精準識別交通瓶頸區(qū)域（如學校周邊、商業(yè)區(qū)變道節(jié)點）的風險演化規(guī)律，導致車輛準入閾值設定與路徑規(guī)劃方案缺乏科學依據，易引發(fā)區(qū)域性交通效率下降或系統(tǒng)性安全風險積聚。

4、2、人-車-路交互場景建模局限

5、現有技術對自動駕駛出租車與異質交通參與者（行人、非機動車、人工駕駛車輛）的交互行為缺乏細粒度建模能力。例如，在高密度交叉口或無信號燈路段，自動駕駛車輛的感知延遲、決策不確定性可能引發(fā)連鎖反應（如制動延遲導致后方車輛連續(xù)減速），但現有模型無法量化此類行為對整體交通流穩(wěn)定性的影響。此外，不同技術配置（如l3/l4級系統(tǒng)）的車輛在復雜場景下的風險邊界差異顯著，但傳統(tǒng)方法未建立場景特征與技術能力參數的映射關系，導致風險評估結果主觀性強、普適性差。

6、3、空間決策剛性化與動態(tài)需求矛盾

7、區(qū)域性部署策略（如限定商業(yè)區(qū)、住宅區(qū)）通?；陟o態(tài)路網特征（如道路等級、功能分區(qū)），難以支持動態(tài)空間范圍調整下的快速風險評估?，F有模型缺乏空間自適應能力，無法實現路網動態(tài)分割與多尺度交通模式識別，導致車輛準入規(guī)則（如時段限流、區(qū)域禁行）無法靈活響應實時交通狀態(tài)，降低了政策實施的有效性與路網資源利用效率。

8、4、車輛運行規(guī)律兼容性缺失

9、自動駕駛出租車的運行特性（如高頻服務、乘員上下車行為、能源補給需求）與傳統(tǒng)交通參與者存在本質差異，但現有評估方法未考慮其特有運行規(guī)律對交通系統(tǒng)的長期影響。例如，共享出行接駁點可能因車輛排隊溢出引發(fā)周邊道路擁堵，充電站布局不合理可能導致路網負載不均衡。傳統(tǒng)模型僅關注短期交通流擾動，忽視了車輛調度策略、能源補給行為與交通風險演化的關聯機制，難以支撐全生命周期風險管控。

10、上述問題的根源在于現有技術的“靜態(tài)評估范式”與城市交通系統(tǒng)的“動態(tài)復雜性”之間的矛盾。具體而言：數據融合與實時處理難度大：多源交通數據（如浮動車軌跡、傳感器數據、天氣信息）的異構性與時空離散性增加了動態(tài)建模的復雜性，傳統(tǒng)算法難以在有限計算資源下實現實時風險評估。交互行為的非線性特征：自動駕駛車輛與其他交通參與者的交互行為具有強耦合性與不確定性，傳統(tǒng)微觀仿真模型因參數校準困難或計算復雜度高，難以在工程實踐中廣泛應用?？臻g范圍動態(tài)劃分的技術瓶頸：現有路網分割方法（如固定網格劃分）無法適應交通流的時空演化特性，導致風險評估結果與實際場景脫節(jié)。長期影響量化的技術空白：車輛運行全周期行為（如充電、駐留）的時空分布規(guī)律難以通過短期數據觀測或簡化模型進行準確預測，需依賴大規(guī)模歷史數據與復雜仿真技術。

11、綜上所述，現有技術在動態(tài)適應性、場景建模精度、空間決策彈性及長期影響量化等方面存在系統(tǒng)性缺陷，迫切需要一種能夠融合多源數據、動態(tài)評估風險并支持彈性決策的新型方法，以支撐自動駕駛出租車的安全高效部署。

技術實現思路

1、本發(fā)明的一個目的是解決動態(tài)交通環(huán)境適配性不足：現有方法無法實時感知交通流變化，導致自動駕駛出租車部署策略與實際需求脫節(jié)，引發(fā)區(qū)域性交通效率下降或安全風險積聚。

2、解決空間劃分與路徑規(guī)劃優(yōu)化：傳統(tǒng)路網劃分方法無法動態(tài)調整蜂窩邊界，且路徑規(guī)劃未覆蓋高風險節(jié)點，影響風險評估精度與車輛調度效率。

3、解決隱馬爾可夫鏈模型參數優(yōu)化：狀態(tài)轉移概率矩陣與發(fā)射概率矩陣的參數設定缺乏數據支撐，導致風險評估準確性不足。

4、解決多源數據融合與實時處理：交通數據類型單一且更新頻率低，無法全面反映復雜交通場景，影響風險指數計算與模型輸入的可靠性。

5、解決動態(tài)路由與路徑重規(guī)劃：現有路徑規(guī)劃未考慮實時交通狀態(tài)與長期運行規(guī)律，導致車輛運行效率與安全風險平衡不足。

6、解決閉環(huán)驗證與參數迭代：缺乏對路徑策略的動態(tài)驗證機制，無法持續(xù)優(yōu)化風險評估模型與調度策略。

7、解決蒙特卡洛模擬與設施布局優(yōu)化：傳統(tǒng)方法未量化乘員上下車與能源補給行為對交通流的長期影響，導致充電站與接駁點布局不合理。

8、解決數字孿生環(huán)境構建與擾動分析：現有仿真環(huán)境無法真實復現交通流擾動，影響路徑策略驗證的準確性。

9、解決人機協(xié)同安全響應：安全員響應機制與交通流密度關聯不足，導致風險控制措施滯后。

10、解決關鍵節(jié)點風險分級與動態(tài)監(jiān)測：現有方法未實現關鍵節(jié)點的精細化分類與差異化監(jiān)測，降低了風險評估的針對性。

11、為此，本發(fā)明提供了一種自動駕駛出租車運行風險的評估方法，包括：

12、動態(tài)劃分城市路網為六邊形蜂窩單元，每個蜂窩單元的動態(tài)半徑rt根據實時出行需求按公式計算，

13、其中rbase為基準半徑，qt為當前時段蜂窩內出行需求密度，qavg為歷史平均需求密度，qmax與qmin為需求密度極值，即極大值和極小值，α為調節(jié)系數，并且在每一個六邊形蜂窩單元中選取關鍵節(jié)點；

14、實時接入多源交通數據，包括車流密度、沖突事件數、通信延遲數據及環(huán)境參數，構建關鍵節(jié)點風險指數nrij，并通過以下公式計算：nrij=ω1×cj+ω2×dj+ω3×aj，其中cj為沖突率，dj為延誤指數，aj為事故密度，ω1、ω2、ω3為預設權重；

15、通過隱馬爾可夫鏈模型模擬自動駕駛出租車在關鍵節(jié)點下的行為響應，包括：定義隱藏狀態(tài)為s1安全狀態(tài)和s2風險狀態(tài)；采集出租車目標檢測置信度、出租車避障響應時間及出租車v2v通信延遲數據，并將其離散化為觀測狀態(tài)；

16、其中，根據隱藏狀態(tài)，構建狀態(tài)轉移概率矩陣p；根據觀測狀態(tài)，構建發(fā)射概率矩陣e；利用viterbi算法，結合狀態(tài)轉移概率矩陣p以及發(fā)射概率矩陣e推斷當前時刻處于s1安全狀態(tài)和s2風險狀態(tài)的各個隱藏狀態(tài)概率；

17、根據關鍵節(jié)點風險指數nrij值和推斷得到的隱藏狀態(tài)概率，綜合判定風險等級，輸出低、中、高風險預警，并且根據風險等級動態(tài)調整路徑規(guī)劃策略。

18、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，包括：

19、所述動態(tài)劃分城市路網為六邊形蜂窩單元時，采用voronoi圖算法動態(tài)調整蜂窩邊界，確保相鄰蜂窩無重疊且覆蓋全域；

20、所述基準半徑rbase取值范圍為1-3公里，調節(jié)系數α根據歷史交通數據擬合確定為0.5-1.2；所述關鍵節(jié)點風險指數nrij的權重系數ω1、ω2、ω3分別對應沖突率cj、延誤指數dj、事故密度aj，其取值范圍為：ω1為0.4-0.6、ω2為0.3-0.5、ω3為0.1-0.3；

21、其中，rbase根據城市道路網絡密度擬合確定，α通過歷史交通流回歸分析得到。

22、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，包括：

23、所述隱馬爾可夫鏈模型的隱藏狀態(tài)s1安全狀態(tài)與s2風險狀態(tài)的轉移概率矩陣p中，s1過渡到s1的概率為0.85-0.95，s1過渡到s2的概率為0.05-0.15，s2過渡到s1的概率為0.40-0.60，s2過渡到s2的概率為0.40-0.60；

24、所述發(fā)射概率矩陣e基于封閉試驗場多品牌車輛測試數據構建，其中出租車目標檢測置信度≥0.9時發(fā)射概率為0.90，出租車避障響應時間≤0.5秒時發(fā)射概率為0.85，出租車v2v通信延遲≤50毫秒時發(fā)射概率為0.92。

25、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，所述實時接入多源交通數據進一步包括：

26、平均車速、自動駕駛車輛占比、緊急制動事件數、協(xié)同變道失敗率、能見度、路面附著系數，以及信號燈相位；

27、并且按設定頻次更新多源交通數據，所述多源交通數據用于計算所述關鍵節(jié)點風險指數nrij，以及結合出租車目標檢測置信度、出租車避障響應時間及出租車v2v通信延遲數據，共同離散化，得到隱馬爾可夫鏈模型的觀測狀態(tài)。

28、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，還包括：

29、對于測試用自動駕駛出租車，基于蜂窩單元動態(tài)半徑rt確定行駛路徑規(guī)劃范圍；

30、在規(guī)劃范圍內，生成初始路徑集合，滿足單次運行里程為蜂窩半徑的0.5-4倍，且覆蓋蜂窩內所有nrij≥0.4的關鍵節(jié)點；

31、以最小化路徑綜合風險值，即效率風險與安全風險加權和，和最大化服務響應速度為目標，構建優(yōu)化行駛模型，

32、在優(yōu)化行駛模型中，根據車流密度動態(tài)調整空閑車輛巡航路徑，優(yōu)先將空閑車輛駐留在nrij≥0.7的高風險節(jié)點周邊區(qū)域，并基于蒙特卡洛模擬預測未來30分鐘內乘員上下車行為對車流密度的影響；

33、執(zhí)行安全響應機制，當檢測到蜂窩內車流密度達到80輛/千米時，自動延長異常事件處置時長至原處置時長的1.2倍，同時觸發(fā)路徑重規(guī)劃指令。

34、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，還包括：

35、建立閉環(huán)驗證系統(tǒng)，所述閉環(huán)驗證系統(tǒng)在數字孿生環(huán)境中模擬路徑調整對實際交通流的擾動影響，根據仿真結果更新風險評估模型的參數，并將參數實時應用于動態(tài)路徑規(guī)劃框架中的蜂窩半徑rt計算；

36、所述動態(tài)路徑規(guī)劃框架與實時調度策略通過當前時段蜂窩內出行需求密度qt數據實現協(xié)同，所述蒙特卡洛模擬的輸出數據同時作用于充電站選址優(yōu)化和接駁點布局調整，所述路徑重規(guī)劃指令的執(zhí)行結果實時反饋至閉環(huán)驗證系統(tǒng)形成迭代優(yōu)化環(huán)路。

37、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，所述方法通過以下步驟實現蒙特卡洛模擬與動態(tài)路由策略的協(xié)同優(yōu)化：

38、輸入參數：乘員上下車行為數據，其中泊松分布均值3分鐘，標準差1分鐘；能源補給行為數據，其中充電耗時0.5-2小時；

39、設置接駁點排隊溢出概率矩陣，量化不同時間段內各接駁點的車輛滯留風險；

40、設置充電站周邊路網負載不均衡指數，反映充電站服務半徑內的車流密度波動；

41、根據所述排隊溢出概率矩陣，動態(tài)調整接駁點位置與容量，將高風險接駁點遷移至低負載區(qū)域；

42、基于所述負載不均衡指數，優(yōu)化充電站選址，優(yōu)先部署于路網負載均衡度≥0.8的區(qū)域；

43、其中，當蜂窩內車流密度≥80輛/千米時，自動啟動路徑重規(guī)劃；

44、優(yōu)先選擇未達負載閾值的路段，即車流密度＜60輛/千米；動態(tài)調整路徑權重系數，將效率風險權重提升30%，將路徑重規(guī)劃結果同步至數字孿生環(huán)境。

45、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，建立的閉環(huán)驗證系統(tǒng)具體如下：

46、閉環(huán)驗證系統(tǒng)基于數字孿生技術構建，該系統(tǒng)與實時采集多源交通數據的交通數據采集模塊、動態(tài)路徑規(guī)劃框架、風險評估模型實現數據交互；

47、交通數據采集模塊將采集的數據傳輸至閉環(huán)驗證系統(tǒng)；在數字孿生環(huán)境中，依據實時交通數據構建與實際交通場景一致的虛擬場景，場景涵蓋道路網絡、交通信號燈、其他交通參與者包括行人、和普通車輛元素；

48、同時將動態(tài)路徑規(guī)劃框架生成的初始路徑集合及調整后的路徑方案輸入到數字孿生環(huán)境中；

49、根據調整后的路徑方案，模擬自動駕駛出租車在虛擬場景中的行駛過程，分析路徑調整對周邊交通流的擾動影響，具體量化指標包括：

50、局部交通流變化：計算路徑調整前后，周邊路段的車流密度變化率、平均車速變化值；

51、評估路徑調整對整個蜂窩單元內的平均通行時間、車輛延誤時間的影響；

52、模擬路徑調整后，通過風險評估模型評估自動駕駛出租車與其他交通參與者發(fā)生沖突的概率及頻率變化。

53、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，所述隱藏狀態(tài)中還包括人機協(xié)同安全策略，包括以下步驟：

54、明確安全員的響應延遲平均為30秒，異常事件處置時長平均為90秒；

55、建立處置時長與交通流密度之間的關聯關系：當蜂窩內車流密度大于或等于80輛/千米時，處置時長在原有基礎上增加20%；

56、安全風險會因為響應延遲和處置時長的變化而增加，增加的幅度與處置時長的調整情況正相關；

57、當安全風險的增加幅度達到或超過閾值30%，或者效率風險的增加幅度達到或超過另一個閾值20%時，降低該蜂窩內自動駕駛出租車準入密度的上限，將其調整為原來的70%，并且提高安全風險的權重，將其提升30%。同時，向遠程監(jiān)控中心推送預警信息。

58、優(yōu)選的是，所述的自動駕駛出租車運行風險的評估方法中，所述關鍵節(jié)點風險指數nrij的構建與風險分級方法如下：

59、實時接入測試用自動駕駛出租車運動軌跡、事故記錄、和天氣信息多源數據，結合所述的車流密度、沖突事件數、通信延遲數據及環(huán)境參數；

60、對上述數據進行融合處理，提取關鍵節(jié)點的沖突率、延誤指數和事故密度；

61、根據沖突率、延誤指數和事故密度計算關鍵節(jié)點風險指數nrij，根據風險指數nrij將關鍵節(jié)點劃分為三類：

62、一類節(jié)點，nrij≥0.7：實施實時監(jiān)控，重點分析其對區(qū)域交通流的擾動影響；

63、二類節(jié)點，0.4≤nrij＜0.7：進行周期性評估，動態(tài)調整監(jiān)測頻率；

64、三類節(jié)點，nrij＜0.4：實施基礎監(jiān)測，定期更新基礎數據。

65、本發(fā)明還解決的技術問題有：

66、1、現有自動駕駛出租車風險評估系統(tǒng)難以動態(tài)適應城市路網復雜變化的問題。傳統(tǒng)方法采用固定區(qū)域劃分或簡單網格模型，無法根據實時出行需求動態(tài)調整路網單元的覆蓋范圍和粒度，導致風險評估精度不足，尤其在高峰期或突發(fā)交通事件時難以精準定位風險區(qū)域。

67、2、多源交通數據融合與風險量化能力不足的問題?，F有系統(tǒng)缺乏對車流密度、沖突事件、通信延遲及環(huán)境參數的多維度實時融合分析，導致風險指數計算片面化，無法準確反映關鍵節(jié)點的綜合風險狀態(tài)。

68、3、自動駕駛車輛行為響應預測可靠性低的問題?，F有模型難以模擬車輛在動態(tài)路網中的實時行為變化，尤其對目標檢測、避障響應和通信延遲等關鍵參數的離散化處理不足，導致風險狀態(tài)推斷偏差較大。

69、4、風險預警與路徑規(guī)劃動態(tài)協(xié)同性差的問題。傳統(tǒng)方法依賴靜態(tài)風險等級劃分，無法結合實時隱藏狀態(tài)概率動態(tài)調整路徑策略，導致預警延遲或規(guī)劃策略與真實路況脫節(jié)。

70、為此，本發(fā)明還提供了一種自動駕駛出租車運行風險的評估系統(tǒng)，包括：

71、路網動態(tài)劃分模塊，用于根據實時出行需求動態(tài)劃分城市路網為六邊形蜂窩單元，其中，每個蜂窩單元的動態(tài)半徑rt通過公式計算，rbase為基準半徑，qt為當前時段蜂窩內出行需求密度，qavg為歷史平均需求密度，qmax與qmin為需求密度極值，α為調節(jié)系數，并在每個六邊形蜂窩單元中選取關鍵節(jié)點；

72、多源數據接入模塊，用于實時獲取車流密度、沖突事件數、通信延遲數據及環(huán)境參數；

73、關鍵節(jié)點風險評估模塊，用于根據所述多源數據計算關鍵節(jié)點風險指數nrij，其中nrij通過公式nrij=ω1×cj+ω2×dj+ω3×aj計算，cj為沖突率，dj為延誤指數，aj為事故密度，ω1、ω2、ω3為預設權重；

74、行為響應模擬模塊，包含隱馬爾可夫鏈模型，用于定義隱藏狀態(tài)s1安全狀態(tài)和s2風險狀態(tài)，并將自動駕駛出租車的目標檢測置信度、避障響應時間及v2v通信延遲數據離散化為觀測狀態(tài)，構建狀態(tài)轉移概率矩陣p和發(fā)射概率矩陣e，通過viterbi算法結合矩陣p和e推斷當前時刻各隱藏狀態(tài)概率；

75、綜合風險決策模塊，用于根據關鍵節(jié)點風險指數nrij和隱藏狀態(tài)概率綜合判定低、中、高風險等級，輸出預警信號并動態(tài)調整自動駕駛出租車路徑規(guī)劃策略。

76、本發(fā)明至少包括以下有益效果：

77、1、動態(tài)風險評估與路徑優(yōu)化：通過蜂窩單元動態(tài)劃分與多源數據融合，實現交通風險的實時量化與路徑策略動態(tài)調整，提升自動駕駛出租車部署的科學性與安全性。

78、2、空間劃分與參數優(yōu)化：voronoi圖算法確保蜂窩邊界動態(tài)適配，參數范圍的科學設定增強了模型對不同城市路網的普適性。

79、3、概率模型參數校準：基于實測數據的狀態(tài)轉移與發(fā)射概率矩陣，提高了隱馬爾可夫鏈模型對車輛行為的預測精度，降低風險誤判率。

80、4、多維度數據支撐：擴展數據類型與更新頻率，全面反映交通狀態(tài)，為風險指數計算與模型輸入提供更豐富的依據。

81、5、動態(tài)路由與安全響應：路徑規(guī)劃覆蓋高風險節(jié)點，結合蒙特卡洛模擬預測長期影響，平衡效率與安全；車流密度觸發(fā)的路徑重規(guī)劃提升應急響應能力。

82、6、閉環(huán)驗證與持續(xù)優(yōu)化：數字孿生環(huán)境驗證路徑策略的實際效果，形成“數據-決策-驗證”閉環(huán)，確保策略的持續(xù)進化。

83、7、長期影響量化與設施優(yōu)化：通過蒙特卡洛模擬量化乘員行為與能源補給的長期影響，優(yōu)化充電站與接駁點布局，減少路網負載不均衡。

84、8、擾動分析與精準驗證：數字孿生環(huán)境復現交通流擾動，量化路徑調整的實際影響，為策略優(yōu)化提供數據支撐。

85、9、人機協(xié)同安全增強：將安全員響應與交通流密度關聯，動態(tài)調整處置時長與準入規(guī)則，提升復雜場景下的風險控制能力。

86、10、關鍵節(jié)點差異化監(jiān)測：通過風險分級實現節(jié)點動態(tài)分類，優(yōu)化監(jiān)測資源分配，提高風險評估的針對性與效率。

87、11、動態(tài)路網劃分提升風險評估適應性：通過六邊形蜂窩單元的動態(tài)半徑調整機制，能夠根據實時出行需求密度自適應縮放路網覆蓋范圍，解決傳統(tǒng)固定網格劃分對交通流量突變場景響應滯后的問題。結合歷史與當前需求密度的比值調節(jié)蜂窩單元大小，在高峰時段縮小蜂窩半徑以提高風險定位精度，在低需求時段擴大半徑以降低計算負載，實現資源分配與風險評估效率的最優(yōu)平衡。

88、12、多源數據融合增強風險量化全面性：通過整合車流密度、沖突事件數、通信延遲及環(huán)境參數等多維度實時數據，并基于預設權重構建關鍵節(jié)點風險指數（nrij），解決了傳統(tǒng)單一指標評估片面化的問題。公式中沖突率（cj）、延誤指數（dj）和事故密度（aj）的加權計算，能夠從交通沖突、通行效率和安全事故三個維度綜合量化風險，顯著提高關鍵節(jié)點風險判定的科學性和可靠性。

89、13、隱馬爾可夫模型優(yōu)化行為響應預測：通過定義隱藏狀態(tài)（安全/風險）和離散化觀測狀態(tài)（目標檢測置信度、避障響應時間、通信延遲），結合狀態(tài)轉移矩陣與發(fā)射概率矩陣，利用viterbi算法動態(tài)推斷隱藏狀態(tài)概率。該模型能夠有效捕捉自動駕駛車輛在復雜路網中的行為不確定性，尤其通過離散化處理降低噪聲干擾，提高風險狀態(tài)預測的實時性和準確性，為動態(tài)路徑規(guī)劃提供可靠依據。

90、14、綜合風險決策提升路徑規(guī)劃協(xié)同性：基于nrij與隱藏狀態(tài)概率的雙重判定機制，將靜態(tài)風險指數與動態(tài)行為響應預測相結合，實現低、中、高風險等級的多級預警。通過動態(tài)調整路徑規(guī)劃策略，能夠在高沖突率節(jié)點自動規(guī)避潛在風險區(qū)域，同時在通信延遲較高時切換冗余通信鏈路，確保自動駕駛出租車在復雜城市路網中的運行安全性與效率最優(yōu)。