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！

龙图腾网获悉浙江工业大学申请的专利一种使用随机森林模型评估照明对交叉口安全影响的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116153108B 。

龙图腾网通过国家知识产权局官网在2025-08-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211740037.9，技术领域涉及：G08G1/07；该发明授权一种使用随机森林模型评估照明对交叉口安全影响的方法是由汪圆;贾晨雨;杜文俊;殷玉明;方浩杰设计研发完成，并于2022-12-31向国家知识产权局提交的专利申请。

本一种使用随机森林模型评估照明对交叉口安全影响的方法在说明书摘要公布了：一种使用随机森林模型评估照明度对交叉口安全的方法，包括：1、设计实验步骤；2、处理数据；3、分析变量及数据；4、建立模型及确定评价指标；5、训练模型及分析结果。本发明以交叉口入口车道行驶前后的速度差作为计算驾驶员速度变化的依据，并采用随机森林方法建立由车速变化的输出变量和照明等交通特性的输入变量组成的回归模型。本发明可以分析各特征变量对于驾驶员通过交叉路口车辆速度的影响，以及在不同场景下计算出满足驾驶员安全驾驶的照明度值。

本发明授权一种使用随机森林模型评估照明对交叉口安全影响的方法在权利要求书中公布了：1.一种使用随机森林模型评估照明度对交叉口安全的方法，包括如下步骤： 步骤1、设计实验步骤； 在典型工作日夜间进行现场试验；选取的交叉路口大小、环境条件应尽可能相同，且都处于信号控制之下；每个交叉口都有中线、机动车和非机动车分隔线以及左转专用车道；所有交叉口的车速都限制在50kmh以内；利用激光测距仪测量了入口通道的宽度； 使用无人机获取视频用于初始交通数据采集，并在每个交叉口进行了相同时长的调查；利用GPS对飞行器的飞行高度、电荷水平参数进行识别； 此外，在拍摄视频时，还需同时记录了各个路口的照明度illuminance；将机器被放置在地面上，用来测量人行道周围的照度，并夜间每隔固定时间段测量一次照度；每个交叉口在一个时间段共记录12个点，记录点分别为4条人行道的起点、中间、终点；最后将人行道周围的12个照度值取平均值，计算出相应时间段内记录的交叉口照度，照明度计算表达式如下： 步骤2、处理数据； 为考察光照对驾驶员通过交叉口时车速变化的影响，首先对于无人机采集数据进行筛选；其中，一个有效的事件定义为驾驶员在没有其他干扰的情况下通过路口的入口；视频处理中车辆选择的标准包括： 1所有选择的车辆都不受其他交互的影响； 2自由通过交叉口的车辆，不包括信号为红灯停止的车辆； 3在数据集中没有涉及转弯车辆； 视频数据识别后，利用Tracker软件对视频进行处理，获得交叉口入口前后绿灯时段车辆的轨迹数据和车速数据；使用该软件，一次只能自动跟踪一辆车辆；每一辆车都可以看作是一个粒子，并以每秒24帧的速度被捕捉；Tracker可以通过像素坐标和像素速度的转换，计算出实际的坐标值和速度值；然后从软件中得到各车辆的参数：时间t、横坐标x、纵轴y、速度v； 步骤3、分析变量及数据； 以速度变化为因变量，测量交叉口驾驶员的安全度；速度变化是测量同一辆车在速度方面的特征变化，速度变化是评估安全性的一种有用的方法，速度变化越大，事故发生率越高；驾驶员在交叉口入口车道前后的车速变化幅度较小，预示着安全驾驶；速度变化量的计算公式为： ΔV＝Vs-Vo,2 式中，Vs为交叉口起始交叉口区域的车速平均值；Vo表示初始速度，计算值为开始通过交叉口前的车速平均值； 自变量包括照度illuminance、初速度V0、左转弯车流量LeftV、右转弯车流量righttv、直行车流量StraightV、总车流量TotalV、直行与右转弯车流量之比RatioSR、入口车道数NumLane；交叉口的照度按式1计算；接着，利用线性插值计算特定时间点的照度值；线性插值是一种利用线性多项式进行曲线拟合的方法，在一组已知的离散数据点的范围内构造新的数据点；每间隔固定时间段统计一次所有交通流量，包括左转、右转、直行和总车流量；同样，通过线性插值得到随机时间点的交通流量； 步骤4、建立模型及确定评价指标； 采用随机森林模型RandomForest,简称RF模拟交叉口灯光交通要素对驾驶员速度变化的影响；随机从数据集中采样并训练模型中的每棵决策树，最后再将每棵决策树的结果进行整合；与线性模型相比，随机森林回归模型能够捕获特征与目标之间的非线性交互作用，快速分析各数据特征与标签数据的相关性；能够很好地处理具有数值特征的表格数据，或少于数百个类别的类别特征； RF算法可以基于一组决策树进行回归建模，并结合引导聚合算法Bagging和自助法bootstrapping技术进行操作；RF算法流程如下： 41Bootstrapping：每个基分类器都是一个简单的决策树；每棵树都是通过从训练数据集中选择一组随机的观察数据来构建的；所有基本模型都是使用数据集的不同子样本独立构建的；所选的数据样本称为引导样本，剩余的数据样本称为外袋样本OOB； 42Training：RF模型生成了一个有多棵决策树的森林，其中每棵树包含所有特征的一个随机子集，即，Illuminance，V0，LeftV，Righttv，StraightV，TotalV，RatioSR和NumLane中的部分特征，按照步骤41建立决策树的方式获得最佳分割； 43TestingVote：对新样本测试样本的预测可以通过对所有决策树的预测取平均，或者对决策树采取多数投票来实现；RF算法的最终回归结果是通过对所有建立在自举样本上决策树的输出求平均得到的； RF可以计算出OOB样本的均方误差MSE；较低的错误率可以消除对测试验证的需要；在RF回归模型中，为了验证模型的准确性，将平方残差均值meanofsquaredresiduals，MSE和解释百分比方差percentvarianceexplained作为评价指标； 均方误差的计算方法如下： 其中，表示将第i棵树的OOB样本代入后的预测数据，yi是第i棵树的真实数据；解释百分比方差percentvarianceexplained，％VarExplained计算方法如下： 式中，是以n为除数进行计算；可以用％VarExplained的值可以表示RF模型的精度，该值越大，表示模型精度越高； 步骤5、训练模型及分析结果； 从无人机视频中识别出有效的车辆跟踪片段；采用1个因变量和8个自变量进行分析； 随机森林算法在R643.3.3软件中开发；该数据集被随机分成两部分，其中70％的数据集定义为训练数据，其余30％用作测试数据；随机森林模型需要两个主要参数:决策树的数量ntree和每棵树中的变量数量mtry；mtry值越大，表示每棵树的强度和树间相关性的越大；因此，在RF分析中，选择一个合适mtry值至关重要；对于回归问题而言，mtry的值为输入变量总数13的0.512倍； 分析RF测试数据的拟合优度，计算最终模型中各变量的重要性，表示其对预测响应的贡献；为了进一步定量地探讨照明度与交叉口安全之间的定量关系，在所有选定的数据集上显示二维核密度图，研究不同照明度、初始速度和直线车流量的速度变化情况；二维核密度图是散点图的平滑颜色密度表示，基于核密度估计的概率密度函数的非参数技术；密度估计的目标是获取有限的数据样本，并推断所有地方的潜在概率密度函数，包括没有数据点的地方；在核密度估计中，将每个数据点的贡献从单个点平滑到邻近区域；这些平滑的密度图显示了散点图的平均趋势。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。