申请/专利权人：浙江工业大学

申请日：2020-12-22

公开（公告）日：2023-05-26

公开（公告）号：CN112580149B

主分类号：G06F30/15

分类号：G06F30/15;G06F30/27;G06N3/0475;G06N3/048;G06N3/094;G06F119/12

优先权：

专利状态码：有效-授权

法律状态：2023.05.26#授权;2021.04.16#实质审查的生效;2021.03.30#公开

摘要：基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法，利用互相关计算法计算出驰场景数据集中后车驾驶员的反应时间，并依据前车加速这一特征进行数据分类，然后利用分段函数线性回归方法进行数据拟合，得到了基于驾驶时长的驾驶员反应时间模型；将跟驰场景数据集分为训练集与测试集，设置生成对抗网络的学习率生成率等参数，使用训练集训练后，利用生成器生成了驾驶决策库，随后设计了决策库匹配算法，并与反应时间结合生成了车辆跟驰模型。对比已有的跟驰模型，本方法考虑了由驾驶时长引起的驾驶疲劳，仿真效果具有更高的真实性，为交通管理与辅助车辆安全驾驶等领域提供了技术支持。

主权项：1.基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法，其特征在于，包括以下步骤S1、对数据集进行预处理，获取有效的跟驰场景数据，具体包括：S1-1、将每日凌晨4点至晚上22点之间发车且收车的车辆数据筛选出来，获取每辆车的具体连续驾驶时间；S1-2、筛选出连续驾驶3h以上的车辆，连续驾驶指GPS位置不变的时间不超过10min，同时也排除中午或某个时间点休息了一段时间的车辆；在筛选的过程中，为每条数据增加了驾驶时长属性，单位为s；S1-3、对数据集的经度和纬度都只保留小数点后5位，然后进行了速度和加速度的补充，由于每辆车的记录之间间隔为1s，间隔时间极短，所以认为这段时间为匀加速运动，所以求速度v的表达式如式1所示： 其中dist·为求两经纬度记录点之间的距离函数，Gi为该车按时间排序的第i条记录点的经纬度；加速度a的求解表达式如式2所示： 每个车辆的第一个和最后一条记录去除掉，因为无法计算当时的速度或加速度；S1-4、选出在同一时间经度或纬度相同的车辆，并在未来10s内，该经度或纬度保持一致，并且后车与前车的距离差在3vh之内即过滤掉两车中间可能存在其他车辆的数据，其中vh为后车车速，并计算和添加“与前车车距”和“与后车车距”两条属性，同一跟驰场景下的两辆车，前车的“与后车车距”有值，后车的“与前车车距”有值，而另一个属性为空；S2、建立基于驾驶时长的驾驶员反应时间模型，具体包括：S2-1、利用互相关计算法计算出跟驰场景数据中的驾驶员反应时间，互相关计算法函数如下所示： 其中，Rxyτ＝E[xtyt+τ]4其中，E[·]为期望值，ux、uy分别为x和y序列的均值，σx、σy分别为x和y序列的标准差，t为所选时刻，τ为时间的步长，并将前后车间距和后车加速度分别作为x，y序列，ρxyτ为得到的为x和y序列的互相关系数；S2-2、利用前车加速度a对计算结果进行分类，分为A类和B类，提取出前车加速度对后车驾驶员反应时间的影响，分类函数如下所示： S2-3、使用分段函数分别对A类与B类计算结果进行线性回归，用于拟合的分段函数应依据数据的特点不同而进行调整，A类与B类数据拟合后的分段函数分别如公式6、7所示，最终生成驾驶员反应时间模型，模型函数如公式8所示； 其中，t为驾驶员驾驶时间，gAt为A类情况下驾驶员反应时间，gBt为B类情况下驾驶员反应时间，τn为最终生成的驾驶员反应时间；S3、建立驾驶员跟车决策库，具体包括：S3-1、以驾驶时长2小时为界限对S1处理完后的数据集进行分类，分别记为C和D，C组为驾驶时长小于2h的跟驰场景数据，D组为其余的跟驰场景数据，每个跟驰场景以1秒为步长记录了前后车10秒内的轨迹数据各10条，并在两组数据集中分别取出100个跟驰场景数据作为测试集；S3-2、处理训练集，处理流程如下：输入:跟驰场景的20条记录的list_1输出:list_2S3-2-1：创建list_2对象；S3-2-2：创建list2对象，list2对象数据结构格式包含：前后车速度差，单位：Kmh，后车速度，单位：Kmh，前后车距，单位：m，反应时间过后的后车加速度，单位：ms2；S3-2-3：提取前车和后车的第i秒数据，i初始值为1，将计算出的前后车速度差、后车车速、计算出的前后车距、前车加速度进行单位转换后加入到list2中；S3-2-4：根据驾驶员反应时间模型计算出后车驾驶员的反应时间k，并在list_1找到i+k时刻的后车加速度,其中i+k＝min{i+k,10}，将后车加速度加入到list2中；S3-2-5：将list2加入到list_2中，i自增，如果i大于9，则结束，否则返回S3-2-2；S3-3、设置生成对抗网络的生成器G包含输入层、隐藏层、激活层、输出层，输出、输入层的维度为1*4，隐藏层则包含了4*11个神经网络单元，激活层是由Maxout激活函数组成；判别器由输入层、隐藏层、激活层、输出层组成，其中激活函数为sigmoid函数，其目标公式如下： 其中G为生成器，D为分类器，Pdatax为真实样本，Pzz为生成器产生的样本；S3-4、下列训练算法使用两组训练集分别对生成对抗网络进行训练，并设置每次从训练集采样条数为7000，并且每次都是使用线性同余器进行随机取样；设置批量数据样本数为200；生成器与判别器的学习率设置为1e-4；定义每训练12次保存一次模型参数；训练算法如下所示：算法输入：训练集数据分布Pdatax；随机噪声分布Pgz；总的训练次数epochs；判别器的迭代次数k；判别器的学习率s1；生成器的学习率s2；每一批训练数据量n；算法输出：判别器的网络参数θd；生成器的网络参数θg；S3-5、持续进行C组训练集训练，当判别器的损失函数和生成器的损失函数趋于一致，此时Pgz和Pdatax已经近似相等，使用最后一次训练后的生成器生成的数据作为决策库E，同理用D组训练集做同样的训练，最终生成的数据作为决策库F；S4、与驾驶员反应时间模型以及下列决策库检索算法ssu共同构建跟驰模型，跟驰模型函数如下所示： 其中x为输入的特征向量，x1为前后车速度差，x2为后车速度，x3为前后车距，x4为后车驾驶员驾驶时长，x5为前车加速度；决策库检索算法ssu如下：算法输入：决策库F；待查找特征向量x；决策库大小n；算法输出：最相似变量的第四个特征y4；S4-1:求和特征向量x的前三个特征，记为sum；S4-2:记c为决策指标计算的距离值，初始化为10000；S4-3:利用折半查找法找到F中与sum最为接近的y5的位置，记为h；S4-4:对从h-3n165到h+3n165的位置j进行S4-5到S4-7的操作；S4-5:从F中取位置为j的向量S4-6:并利用决策指标算法计算x与的距离S4-7:当cc1，则令c＝c1。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD