一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法

1.本发明涉及车辆智能驾驶和主动安全技术领域，尤其是涉及一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法。


背景技术：

2.近些年来，随着我国经济的快速发展和城市化进程的不断加快，城市区域一体化趋势加强，交通工具的保有量和规模也随之加快和扩大。同时，各种交通问题也随之出现。交通安全问题日益突出，严重影响着的交通出行质量和社会经济发展。
3.驾驶行为是影响交通安全的重要因素之一，在由人、车辆和道路组成的复杂交通环境中，人为因素是导致交通事故的最重要因素。一些研究表明，70％以上的交通事故是由人为错误引起的，尤其是长途旅行，驾驶环境复杂，因此，对驾驶行为的研究是交通安全领域的研究热点；此外，车辆智能化和个性化服务是未来车辆技术发展的重要趋势，对不同驾驶习惯的驾驶员进行个性化预测有助于针对不同风格的驾驶员行为实现个性化建模，捕捉驾驶员行为特征，提高驾驶行为的预测精度。目前针对驾驶行为预测的研究主要分为两类：模型驱动方法和数据驱动方法。
4.模型驱动方法是一种基于特定假设的固定结构模型，其参数一般从经验数据中计算得到。模型驱动预测方法一般使用的数据较少，复杂性有限。因此，在处理大型数据集时，无法充分挖掘大型数据集中的有效信息，模型复杂程度也会增大。
5.数据驱动方法是一类没有固定结构和固定参数的模型，用于驾驶行为预测的数据驱动模型可以使用多个不同来源的数据集，从而预测性能。然而，这类预测方法大多没有考虑驾驶行为分类，无法挖掘驾驶行为的潜在异质性。此外，由于驾驶行为数据是随机和非线性的，难以使用传统的线性模型来进行准确描述，近年来，基于深度学习的方法在时间序列数据预测中得到了广泛应用。而单一深度学习模型拟合能力弱，对于高维度，相关性复杂的数据拟合效果差。


技术实现要素：

6.本发明的目的就是为了提供一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，考虑驾驶员的行为特征以提高加速度预测精度。
7.本发明的目的可以通过以下技术方案来实现：
8.一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，包括以下步骤：
9.步骤1)获取预测数据集并进行数据处理和变量提取：对获取的预测数据集，基于预配置的规则对有效跟驰片段进行筛选保留，从有效跟驰片段数据中提取特征变量，其中，所述预测数据集包括自车数据和前车数据；
10.步骤2)构建基于chmm的驾驶行为语义划分模型，以特征变量作为驾驶行为语义划分模型的输入，将特征变量分割成具有不同行为特征的片段，并对驾驶行为语义进行相似度评价；
11.步骤3)构建cnn-lstm加速度预测模型，基于相似度评价结果划分有效跟驰片段数据构建输入输出样本集，对cnn-lstm加速度预测模型进行训练，基于训练完成的cnn-lstm加速度预测模型进行车辆加速度预测。
12.所述步骤1)包括以下步骤：
13.步骤11)对预测数据集进行数据清洗，剔除异常值或大于1s的缺失帧，用线性插值弥补小于1s的缺失片段，获得有效数据集；
14.步骤12)对获得的有效数据集进行有效跟车片段的提取，根据两车之间的相对位置情况、目标车辆的速度大小、是否有超车事件发生以及跟驰事件持续时间长短对有效跟驰片段进行筛选保留；
15.步骤13)从有效跟驰片段数据中提取特征变量。
16.所述步骤2)包括以下步骤：
17.步骤21)根据预配置的分段阈值把特征变量划分为不同的等级；
18.步骤22)以驾驶员为单位对特征变量序列分别进行标准化处理；
19.步骤23)根据驾驶行为的时序性质以及数据分布特征，构建基于chmm的驾驶行为语义划分模型，采用无监督学习的方法，以标准化后的特征变量作为驾驶行为语义划分模型的输入，将特征变量数据分割成具有不同行为特征的片段；
20.步骤24)基于标准化出现频率分布与js散度计算方法，求解每对驾驶员两两之间行为语义持续时长最优分布、行为语义频率分布、特征变量分布的js散度，加权求和得到驾驶行为相似程度的量化指标值。
21.所述步骤22)中的标准化处理过程为：
[0022][0023]
其中，x表示特征变量序列；m为驾驶员编号，m表示驾驶员数量；l为驾驶员m的稳定跟驰事件编号，l表示该驾驶员的稳定跟驰事件数；μm和σm分别表示驾驶员m的特征变量的均值和标准差；标准化处理后特征变量的均值为0，标准差等于1。
[0024]
所述基于chmm的驾驶行为语义划分模型中，
[0025]
在hmm中，包含两种序列类型，其中观测序列x＝{x1，x2，...，x
t
}可以观测得到，隐藏状态序列s＝{s1，s2，...，s
t
}无法观测得到；hmm由状态转移矩阵a，观测概率矩阵b和初始状态概率分布п表示：λ＝(a，b，π)，隐状态个数为i，观测变量的所有可能取值数为j；
[0026]
其中，状态转移矩阵a＝[a
ij
]i×i，其状态转移概率为：
[0027]aij
＝p(s
t+1
＝qj|s
t
＝qi)
[0028]
观测概率矩阵b＝[b
ij
]i×j，观测值仅由当前时刻的隐状态决定：
[0029]bij
＝p(x
t
＝xj|s
t
＝qi)
[0030]
初始状态概率分布∏＝[πi]1×i，表示初始时刻的隐状态的概率分布：
[0031]
πi＝p(s1＝qi)
[0032]
chmm中每条hmm链的隐状态个数均设为n，则chmm模型隐状态个数为nq，其中，q表示特征变量的个数；任意时刻模型的隐状态组合可以表示为hmm由模型参数λ＝(a，b，∏)进行表示，其中，状态转移矩阵a＝{a
u，v
}、观测值概率b＝bu(x
t
)和初
始状态概率∏＝{πu}的计算方法如下：
[0033][0034][0035][0036]
chmm的隐状态层解码了特征变量间的依赖关系，考虑到特征变量均为连续型变量，引入高斯分布计算观测概率：
[0037][0038]
其中，μ
c，u
和σ
c，u
分别表示特征变量c对应的hmm链中隐状态为q
c，u
时，概率分布的均值和标准差。
[0039]
所述步骤24)包括以下步骤：
[0040]
步骤241)驾驶员dm提取得到的每一个行为语义片段的持续时长为dm，f(dm)表示行为语义持续时长的分布，f(dn)表示驾驶员dn提取得到的行为语义持续时长的分布，通过量化分布f(dm)和f(dn)的接近程度来度量不同驾驶员驾驶模式转移规律的相似性
[0041][0042]
步骤242)通过量化概率质量函数的接近程度来度量驾驶员dm和驾驶员dn在驾驶模式选择偏好的相似性
[0043]
考虑到每一种类型的跟驰距离工况下，行为语义出现概率和等于1，分别度量跟驰距离工况s
δd
下概率质量函数和的接近程度后求均值，得到
[0044][0045]
步骤243)根据预配置的区段划分阈值将行为语义持续时长划分为j个区段，分别统计每一区段行为语义片段的特征变量数据的均值和标准差，驾驶员dm在区段d中特征变量xk的均值和标准差记为和采用正态分布简化驾驶员dm在区段d中特征变量xk的概率密度函数；依次计算每一个持续时长区段内的特征变量的概率密度函数对的接近程度，求均值得到驾驶员dm和驾驶员dn驾驶操作激进程度的相似性
[0046][0047]
其中，k表示特征变量的个数；
[0048]
步骤244)和分别从三个维度量化了驾驶员dm和驾驶员dn风格的相似程度，通过加权平均得到驾驶风格相似性的综合评价指标η
m，n
：
[0049][0050]
其中，wi∈[0，1]且分别表示三个驾驶风格相似性指标的权重；
[0051]
步骤245)给定两个标准化频率分布的离散型概率密度分布和采用js散度来度量两个概率分布的相似性：
[0052][0053]
其中，离散型概率密度分布和的kl散度的计算方法为：
[0054][0055]
和分别表示在跟驰距离工况s
δd
下，驾驶员dm和驾驶员dn行为语义的标准化出现频率；
[0056]
js散度的值域范围是[0,1]，当两个概率分布相同时，js散度等于0，概率分布差别越大，js值越接近1。
[0057]
所述步骤3)包括以下步骤：
[0058]
步骤31)根据相似性评价结果和预配置的相似度阈值，选择符合相似度条件的若干驾驶员作为一组，将有效跟驰片段按照驾驶员以预配置的比例分别归入训练集、测试集和验证集；
[0059]
步骤32)构建输入输出样本，将训练集和测试集中包含加速度及其他特征变量的数据转化为n维数组，每个输入样本由k个时刻的特征变量组成，输出标签样本为第k+1时刻的加速度数据；
[0060]
步骤33)构建cnn-lstm车辆加速度预测模型；
[0061]
步骤34)模型训练及超参数优化：使用验证集对训练过程中的模型进行实时评估，检验其训练效果，采用adam优化器进行迭代，重复训练过程使网络参数趋于最优；
[0062]
步骤35)基于训练完成的cnn-lstm车辆加速度预测模型对目标车辆的加速度进行预测。
[0063]
所述cnn-lstm车辆加速度预测模型包括依次连接的输入层、cnn层、lstm层和全连接层，其中，
[0064]
所述输入层用于接收输入数据；
[0065]
所述cnn层用于压缩和提取输入数据的空间特征，所述cnn层包括一层卷积层和一层最大池化层；
[0066]
所述lstm层用于提取cnn输出数据的时间序列特征，所述lstm层中的lstm网络为多对一lstm；
[0067]
所述全连接层用于输出加速度预测结果；
[0068]
模型网络中的每层均添加了dropout层，且选用均方误差作为模型损失函数和预测准确度的评价。
[0069]
所述卷积层的计算公式如下：
[0070][0071]
其中，σ为激活函数，为第k层、第j维的特征图，mj为输入图的集合，为卷积
核，为偏置。
[0072]
所述lstm网络的遗忘门参数更新公式为：
[0073]ft
＝σ(wfh
t-1
+wfx
t
+bf)
[0074]
其中，f
t
表示t时刻的遗忘门状态，wf和bf分别是遗忘门的权值和偏置，σ表示sigmoid函数，输出值范围为0到1，h
t
表示隐含层状态，x
t
表示t时刻网络的输入值；
[0075]
lstm网络的输入门用于更新输入细胞状态中的信息：
[0076]it
＝σ(wix
t
+w
iht-1
+bi)
[0077]
其中，i
t
表示t时刻的输入门状态，wi和bi分别是输入门的权值和偏置；
[0078]
lstm网络记忆细胞状态c
t
，由存储在前一个记忆细胞中的信息c
t-1
和新的候选信息进行更新：
[0079][0080][0081]
其中，是t时刻的候选细胞状态，c
t
是更新后的细胞状态，wc和bc分别是细胞状态的权值和偏置，.代表点积；
[0082]
lstm的输出门用于控制细胞状态中的信息输出，根据记忆细胞状态c
t
和输出门状态o
t
计算输出隐含层状态h
t
：
[0083]ot
＝σ(wox
t
+w
oht-1
+bo)
[0084]ht
＝o
t
·
tanh(c
t
)
[0085]
与现有技术相比，本发明具有以下有益效果：
[0086]
(1)本发明基于chmm的驾驶行为语义划分模型将特征变量数据分割成具有不同行为特征的片段，这是对hmm模型的一种拓展，通过建立多条hmm链的隐状态变量间的相互关联，实现hmm链结构的耦合，从而描述多特征变量数据的综合统计特性；除此之外，chmm还充分利用了hmm的数学结构和概率推理能力，同时建立了多通道隐状态间的影响关系，非常适用于融合多变量数据信息，能够挖掘不同驾驶员之间驾驶行为的异质性，提高预测精度。
[0087]
(2)本发明使用cnn-lstm车辆加速度预测模型对分组后的驾驶员跟驰数据进行加速度预测，获取了数据之间的空间特征，克服了lstm单个模型的局限性，结合cnn在空间特征提取和lstm在时序学习方面的优势，充分捕捉数据之间的空间特征和时间特征，有效提升了模型的预测精度。
[0088]
(3)本发明提出的跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，能够合理地将车辆跟驰数据划分行为语义段，通过相似性评价将同质驾驶员归为一组，有效捕捉数据的空间特征和时间特征，从而实现高精度的加速度预测，促进高级驾驶辅助系统(adas)的发展，改善交通安全问题。
附图说明
[0089]
图1为本发明的方法流程图；
[0090]
图2为本发明实施例的驾驶行为语义分割图；
[0091]
图3为本发明实施例的驾驶行为语义相似度评价图；
[0092]
图4为本发明的cnn-lstm车辆加速度预测模型结构图；
[0093]
图5为本发明实施例的车辆加速度预测结果与真实值对比图。
具体实施方式
[0094]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0095]
本实施例提供一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，如图1所示，包括以下步骤：
[0096]
步骤1)获取预测数据集并进行数据处理和变量提取：对获取的预测数据集，基于预配置的规则对有效跟驰片段进行筛选保留，从有效跟驰片段数据中提取特征变量，其中，所述预测数据集包括自车数据和前车数据。
[0097]
步骤11)对预测数据集进行数据清洗，剔除异常值或大于1s的缺失帧，用线性插值弥补小于1s的缺失片段，获得有效数据集。
[0098]
实施例选取spmd数据集中30名具有相似驾驶场景的驾驶员的数据作为预测数据集进行分析。数据集中的重要变量信息如下：
[0099]
表1spmd数据说明
[0100][0101][0102]
步骤12)对获得的有效数据集进行有效跟车片段的提取，根据两车之间的相对位置情况、目标车辆的速度大小、是否有超车事件发生以及跟驰事件持续时间长短对有效跟驰片段进行筛选保留。
[0103]
对于数据清洗后的数据集，本实施例根据以下条件对符合要求的有效跟驰片段进行保留：
[0104]
(1)主车与前车位于同一车道；
[0105]
(2)沿车道方向上的相对距离大于5m，且小于120m；
[0106]
(3)车辆速度大于5m/s；
[0107]
(4)当邻车切入，即前车id发生变化时，跟驰事件终止；
[0108]
(5)单个跟驰事件的持续时长大于50s。
[0109]
步骤13)从有效跟驰片段数据中提取特征变量。
[0110]
本实施例中，为了研究主车的跟驰行为特征，选取主车加速度、相对速度和相对距离三个特征变量描述跟驰场景：
[0111]
(1)主车加速度(a1)：可以直接体现驾驶意图和驾驶员行为偏好。
[0112]
(2)相对距离(δd)：主车和前车沿前进方向的位置差，δd＝x
2-x1，恒大于0。
[0113]
(3)相对速度(δv)：主车和前车沿前进方向的速度差，δv＝v
2-v1，当相对速度大于0时，前车速度更快，两车逐渐远离；当相对距离小于0时，后车速度更快，后车越来越靠近前车。
[0114]
步骤2)构建基于chmm的驾驶行为语义划分模型，以特征变量作为驾驶行为语义划分模型的输入，将特征变量分割成具有不同行为特征的片段，并对驾驶行为语义进行相似度评价。
[0115]
步骤21)根据预配置的分段阈值把特征变量划分为不同的等级。
[0116]
根据特征变量的频率分布直方图、累积分布图得到数据的分位点，结合分位点和驾驶员的感知舒适阈值，将相对距离划分为{远距离ld,中等距离nd,近距离cd}三个等级，相对速度和加速度分别划分为{快速远离rfb,缓慢远离fb,保持ke,缓慢靠近ci,快速靠近rci}和{急加速aa,缓加速ga,无加速na,缓减速gd,急减速ad}五个等级。
[0117]
分段信息如表2所示：
[0118]
表2变量分段信息说明
[0119][0120]
步骤22)以驾驶员为单位对特征变量序列分别进行标准化处理：
[0121][0122]
其中，x＝{δd,δv,a}
t
表示相对距离、相对速度和加速度序列；m为驾驶员编号，m表示驾驶员数量，本实施例中，m＝30；l为驾驶员m的稳定跟驰事件编号，l表示该驾驶员的
稳定跟驰事件数；μm和σm分别表示驾驶员m的特征变量的均值和标准差；标准化处理后特征变量的均值为0，标准差等于1。
[0123]
步骤23)根据驾驶行为的时序性质以及数据分布特征，构建基于chmm的驾驶行为语义划分模型，采用无监督学习的方法，以标准化后的特征变量作为驾驶行为语义划分模型的输入，将特征变量数据分割成具有不同行为特征的片段。
[0124]
在hmm(hidden markov model，隐马尔可夫模型)中，包含两种序列类型，其中观测序列x＝{x1,x2,...,x
t
}可以观测得到，隐藏状态序列s＝{s1,s2,...,s
t
}无法观测得到。hmm可以由状态转移矩阵a，观测概率矩阵b和初始状态概率分布π表示，λ＝(a,b,π)。隐状态个数为i，观测变量的所有可能取值数为j。
[0125]
其状态转移矩阵a＝[a
ij
]i×i，其状态转移概率为：
[0126]aij
＝p(s
t+1
＝qj|s
t
＝qi)
[0127]
观测概率矩阵b＝[b
ij
]i×j，观测值仅由当前时刻的隐状态决定：
[0128]bij
＝p(x
t
＝xj|s
t
＝qi)
[0129]
初始状态概率分布π＝[πi]1×i，表示初始时刻的隐状态的概率分布：
[0130]
πi＝p(s1＝qi)
[0131]
所述基于chmm的驾驶行为语义划分模型为基于hmm的改进模型，其中，
[0132]
chmm中每条hmm链的隐状态个数均设为n，则chmm模型隐状态个数为n3，其中，3表示本实施例中选取的特征变量的个数；任意时刻模型的隐状态组合可以表示为hmm由模型参数λ＝(a,b,π)进行表示，其中，状态转移矩阵a＝{a
u,v
}、观测值概率b＝bu(x
t
)和初始状态概率π＝{πu}的计算方法如下：
[0133][0134][0135][0136]
chmm的隐状态层解码了特征变量间的依赖关系，考虑到特征变量均为连续型变量，引入高斯分布计算观测概率：
[0137][0138]
其中，μ
c,u
和σ
c,u
分别表示特征变量c对应的hmm链中隐状态为q
c,u
时，概率分布的均值和标准差。
[0139]
本实施例中，1号驾驶员的代表性轨迹分割结果如图2所示。横坐标为时间，实线、点划线和虚线三条折线分别展示了特征变量的原始数据信息，背景色块为提取得到的驾驶行为序列单元，相同颜色表示同一类型的行为语义。
[0140]
chmm的行为语义分割结果与数据波动情况基本吻合，能够精准地根据特征变量数据潜在的行为特征，提取有效行为语义序列单元。同时，模型可以有效克服数据噪声的干扰，避免出现过短的行为语义片段。
[0141]
步骤24)基于标准化出现频率分布与js散度计算方法，求解每对驾驶员两两之间行为语义持续时长最优分布、行为语义频率分布、特征变量分布的js散度，加权求和得到驾驶行为相似程度的量化指标值。
[0142]
步骤241)驾驶员dm提取得到的每一个行为语义片段的持续时长为dm，f(dm)表示行为语义持续时长的分布，f(dn)表示驾驶员dn提取得到的行为语义持续时长的分布，通过量化分布f(dm)和f(dn)的接近程度来度量不同驾驶员驾驶模式转移规律的相似性
[0143][0144]
步骤242)通过量化概率质量函数的接近程度来度量驾驶员dm和驾驶员dn在驾驶模式选择偏好的相似性
[0145]
考虑到每一种类型的跟驰距离工况下，行为语义出现概率和等于1，分别度量跟驰距离工况s
δd
下概率质量函数和的接近程度后求均值，得到
[0146][0147]
步骤243)根据预配置的区段划分阈值将行为语义持续时长划分为8个区段：{＜1,[1,5),[5,10),[10,15),[15,20),[20,25),[25,30),≥30}，分别统计每一区段行为语义片段的特征变量数据的均值和标准差，驾驶员dm在区段d中特征变量xk的均值和标准差记为和
[0148]
由于当数据量比较大时，绝大部分分布都可以用正态分布近似，因此本发明采用正态分布简化驾驶员dm在区段d中特征变量xk的概率密度函数。同一个持续时长区段内的相同特征变量的分布规律的相似程度具有可比性，因此，本发明依次计算每一个持续时长区段内三个特征变量的概率密度函数对的接近程度，求均值得到驾驶员dm和驾驶员dn驾驶操作激进程度的相似性
[0149][0150]
其中，k表示特征变量的个数。
[0151]
步骤244)和分别从三个维度量化了驾驶员dm和驾驶员dn风格的相似程度，通过加权平均得到驾驶风格相似性的综合评价指标η
m,n
：
[0152][0153]
其中，wi∈[0,1]且分别表示三个驾驶风格相似性指标的权重，可以根据应用场景的需要进行调整。本实施例认为三个维度相似程度的重要性一致，设定
[0154]
步骤245)给定两个标准化频率分布的离散型概率密度分布和采用js散度来度量两个概率分布的相似性：
[0155][0156]
其中，离散型概率密度分布和的kl散度的计算方法为：
[0157][0158]
和分别表示在跟驰距离工况s
δd
下，驾驶员dm和驾驶员dn行为语义的标准化出现频率。
[0159]
js散度具有对称性，且值域范围是[0,1]，当两个概率分布相同时，js散度等于0，概率分布差别越大，js值越接近1。
[0160]
本实施例中，综合三方面相似程度分析的js散度结果，计算加权均值得到多维度全方面的驾驶风格相似性量化评估结果，采用热力图直观展示结果如图3所示。深色区域的js散度值更大，差异性更加显著；斜对角线js散度值等于0，采用白色背景绘制。
[0161]
如图3所示，驾驶员#16与大多数驾驶员的驾驶风格差异性比较大，驾驶员#16的驾驶风格特别保守，驾驶模式转换频率低，期望跟驰间距比较大。驾驶员#24与#25分别与四位驾驶员的驾驶风格区别明显，这几位驾驶员在驾驶模式选择偏好与驾驶操作激进程度方面差别比较显著。
[0162]
步骤3)构建cnn-lstm加速度预测模型，其结构如图4所示，基于相似度评价结果划分有效跟驰片段数据构建输入输出样本集，对cnn-lstm加速度预测模型进行训练，基于训练完成的cnn-lstm加速度预测模型进行车辆加速度预测。
[0163]
步骤31)根据相似性评价结果和预配置的相似度阈值，选择符合相似度条件的10个驾驶员作为一组，将有效跟驰片段按照驾驶员以7：2：1的比例分别归入训练集、测试集和验证集。
[0164]
步骤32)构建输入输出样本，将训练集和测试集中包含加速度及其他特征变量的数据转化为n维数组，每个输入样本由k个时刻的特征变量组成，输出标签样本为第k+1时刻的加速度数据。
[0165]
本实施例中模型的输入为主车加速度、相对距离、相对速度三个特征变量，输出为未来时刻的主车加速度。通过调试，选定时间窗长度为80，预测长度为1，对训练集，验证集，测试集进行样本划分，如表3所示，得到模型的输入样本和标签样本。
[0166]
表3数据集用途及数量
[0167][0168]
步骤33)构建cnn-lstm车辆加速度预测模型。
[0169]
所述cnn-lstm车辆加速度预测模型包括依次连接的输入层、cnn层、lstm层和全连接层，其中，
[0170]
所述输入层用于接收输入数据；
[0171]
所述cnn层用于压缩和提取输入数据的空间特征，所述cnn层包括一层卷积层和一层最大池化层；
[0172]
所述lstm层用于提取cnn输出数据的时间序列特征，所述lstm层中的lstm网络为多对一lstm，，隐藏层中含有若干个lstm单元；
[0173]
所述全连接层用于输出加速度预测结果；
[0174]
模型网络中的每层均添加了dropout层。
[0175]
所述卷积层的计算公式如下：
[0176][0177]
其中，σ为激活函数，为第k层、第j维的特征图，mj为输入图的集合，为卷积核，为偏置。
[0178]
所述lstm网络的遗忘门参数更新公式为：
[0179]ft
＝σ(wfh
t-1
+wfx
t
+bf)
[0180]
其中，f
t
表示t时刻的遗忘门状态，wf和bf分别是遗忘门的权值和偏置，σ表示sigmoid函数，输出值范围为0到1，h
t
表示隐含层状态，x
t
表示t时刻网络的输入值；
[0181]
lstm网络的输入门用于更新输入细胞状态中的信息：
[0182]it
＝σ(wix
t
+w
iht-1
+bi)
[0183]
其中，i
t
表示t时刻的输入门状态，wi和bi分别是输入门的权值和偏置；
[0184]
lstm网络记忆细胞状态c
t
，由存储在前一个记忆细胞中的信息c
t-1
和新的候选信息进行更新：
[0185][0186][0187]
其中，是t时刻的候选细胞状态，c
t
是更新后的细胞状态，wc和bc分别是细胞状态的权值和偏置，.代表点积；
[0188]
lstm的输出门用于控制细胞状态中的信息输出，根据记忆细胞状态c
t
和输出门状态o
t
计算输出隐含层状态h
t
：
[0189]ot
＝σ(wox
t
+w
oht-1
+bo)
[0190]ht
＝o
t
·
tanh(c
t
)
[0191]
本实施例的卷积层激活函数选用relu，实现如果输入大于0，则输出与输入相等，否则输出为0的功能。池化层选用最大池化，可通过消除非最大值减少上层的计算量。同时利于提取不同区域的局部依赖关系，保留最显著的信息，将获得的区域向量作为lstm网络的输入，lstm层选用激活函数tanh，全连接层作为模型输出层。本实施例的优化器选用adam优化器，adam将自适应学习率的梯度下降算法和动量梯度下降算法相结合，从而适应稀疏梯度和梯度震荡的问题。
[0192]
步骤34)模型训练及超参数优化：使用验证集对训练过程中的模型进行实时评估，检验其训练效果，采用adam优化器进行迭代，重复训练过程使网络参数趋于最优。
[0193]
针对cnn-lstm中可能出现的过拟合问题，本发明在网络中每层添加dropout。dropout为一种正则化方法，它会随机屏蔽神经元，被屏蔽的神经元不会被视为网络中的一部分，即不会参与正向传播的运算。
[0194]
本发明选用均方误差(mean square error，mse)作为模型损失函数和预测准确度的评价：mse的值越小，说明模型预测具有更好的精确度。
[0195]
本实施例中，cnn-lstm模型需要调整的超参数包括批大小、训练轮次、学习率、lstm神经元个数等。选择模型收敛后损失函数最小的超参数组合作为最优超参数组合，通过调整，得到cnn-lstm车辆加速度预测模型的超参数设置如表4所示：
[0196]
表4超参数设置表
[0197][0198][0199]
步骤35)基于训练完成的cnn-lstm车辆加速度预测模型对目标车辆的加速度进行预测。
[0200]
基于预测值和预测样本的真实值，本实施例选用均方误差(mean squared error，mse)、均方根误差(root mean squared error，rmse)、平均绝对误差(mean absolute error，mae)来衡量预测的精度。下面给出的是rmse和mae的计算公式。
[0201][0202][0203]
其中，yi为真实值，为预测值。
[0204]
为了展示模型预测效果，将风格相似的驾驶员小组与余下的20位驾驶员小组(风格不一定相似)的加速度预测结果进行对比，将cnn-lstm模型与传统lstm进行对比，得到结果如下：
[0205]
表5预测结果对比表
[0206][0207]
可以看出，驾驶风格相似小组1两种模型的预测结果都优于驾驶风格不一定相似的小组2，其中cnn-lstm模型小组1的预测误差比小组2降低47.5％，说明本发明所采用的模型对于提高模型训练和预测性能具有显著优势。其次，本发明所使用的cnn-lstm模型在两个小组的预测任务上效果都优于传统lstm方法。在小组1的加速度预测上，两种模型差异不大，因为小组1的跟驰片段之间相似性较高，基本的lstm模型也能实现较好的拟合效果。在小组2中，cnn-lstm模型比lstm的精度提高47.1％，说明cnn-lstm在处理复杂预测任务时的性能要好于lstm。
[0208]
图5绘制的是小组1部分跟驰片段的真实值与cnn-lstm模型的预测值的对比图。从图中可以看出本发明的预测结果较好拟合了车辆加速度变化的趋势，预测效果良好。
[0209]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

技术特征：
1.一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，包括以下步骤：步骤1)获取预测数据集并进行数据处理和变量提取：对获取的预测数据集，基于预配置的规则对有效跟驰片段进行筛选保留，从有效跟驰片段数据中提取特征变量，其中，所述预测数据集包括自车数据和前车数据；步骤2)构建基于chmm的驾驶行为语义划分模型，以特征变量作为驾驶行为语义划分模型的输入，将特征变量分割成具有不同行为特征的片段，并对驾驶行为语义进行相似度评价；步骤3)构建cnn-lstm加速度预测模型，基于相似度评价结果划分有效跟驰片段数据构建输入输出样本集，对cnn-lstm加速度预测模型进行训练，基于训练完成的cnn-lstm加速度预测模型进行车辆加速度预测。2.根据权利要求1所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，所述步骤1)包括以下步骤：步骤11)对预测数据集进行数据清洗，剔除异常值或大于1s的缺失帧，用线性插值弥补小于1s的缺失片段，获得有效数据集；步骤12)对获得的有效数据集进行有效跟车片段的提取，根据两车之间的相对位置情况、目标车辆的速度大小、是否有超车事件发生以及跟驰事件持续时间长短对有效跟驰片段进行筛选保留；步骤13)从有效跟驰片段数据中提取特征变量。3.根据权利要求1所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，所述步骤2)包括以下步骤：步骤21)根据预配置的分段阈值把特征变量划分为不同的等级；步骤22)以驾驶员为单位对特征变量序列分别进行标准化处理；步骤23)根据驾驶行为的时序性质以及数据分布特征，构建基于chmm的驾驶行为语义划分模型，采用无监督学习的方法，以标准化后的特征变量作为驾驶行为语义划分模型的输入，将特征变量数据分割成具有不同行为特征的片段；步骤24)基于标准化出现频率分布与js散度计算方法，求解每对驾驶员两两之间行为语义持续时长最优分布、行为语义频率分布、特征变量分布的js散度，加权求和得到驾驶行为相似程度的量化指标值。4.根据权利要求3所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，所述步骤22)中的标准化处理过程为：其中，x表示特征变量序列；m为驾驶员编号，m表示驾驶员数量；l为驾驶员m的稳定跟驰事件编号，l表示该驾驶员的稳定跟驰事件数；μ
m
和σ
m
分别表示驾驶员m的特征变量的均值和标准差；标准化处理后特征变量的均值为0，标准差等于1。5.根据权利要求3所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，所述基于chmm的驾驶行为语义划分模型中，
在hmm中，包含两种序列类型，其中观测序列x＝{x1,x2,...,x
t
}通过观测得到，隐藏状态序列s＝{s1,s2,...,s
t
}无法观测得到；hmm由状态转移矩阵a，观测概率矩阵b和初始状态概率分布π表示：λ＝(a,b,π)，隐状态个数为i，观测变量的所有可能取值数为j；其中，状态转移矩阵a＝[a
ij
]
i
×
i
，其状态转移概率为：a
ij
＝p(s
t+1
＝q
j
|s
t
＝q
i
)观测概率矩阵b＝[b
ij
]
i
×
j
，观测值仅由当前时刻的隐状态决定：b
ij
＝p(x
t
＝x
j
|s
t
＝q
i
)初始状态概率分布π＝[π
i
]1×
i
，表示初始时刻的隐状态的概率分布：π
i
＝p(s1＝q
i
)chmm中每条hmm链的隐状态个数均设为n，则chmm模型隐状态个数为n
q
，其中，q表示特征变量的个数；任意时刻模型的隐状态组合可以表示为hmm由模型参数λ＝(a,b,π)进行表示，其中，状态转移矩阵a＝{a
u,v
}、观测值概率b＝b
u
(x
t
)和初始状态概率π＝{π
u
}的计算方法如下：}的计算方法如下：}的计算方法如下：chmm的隐状态层解码了特征变量间的依赖关系，考虑到特征变量均为连续型变量，引入高斯分布计算观测概率：其中，μ
c,u
和σ
c,u
分别表示特征变量c对应的hmm链中隐状态为q
c,u
时，概率分布的均值和标准差。6.根据权利要求3所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，所述步骤24)包括以下步骤：步骤241)驾驶员d
m
提取得到的每一个行为语义片段的持续时长为d
m
，f(d
m
)表示行为语义持续时长的分布，f(d
n
)表示驾驶员d
n
提取得到的行为语义持续时长的分布，通过量化分布f(d
m
)和f(d
n
)的接近程度来度量不同驾驶员驾驶模式转移规律的相似性)的接近程度来度量不同驾驶员驾驶模式转移规律的相似性步骤242)通过量化概率质量函数的接近程度来度量驾驶员d
m
和驾驶员d
n
在驾驶模式选择偏好的相似性考虑到每一种类型的跟驰距离工况下，行为语义出现概率和等于1，分别度量跟驰距离工况s
δd
下概率质量函数和的接近程度后求均值，得到的接近程度后求均值，得到s
δd
∈{ld,nd,cd}步骤243)根据预配置的区段划分阈值将行为语义持续时长划分为j个区段，分别统计每一区段行为语义片段的特征变量数据的均值和标准差，驾驶员d
m
在区段d中特征变量x
k
的
均值和标准差记为和采用正态分布简化驾驶员d
m
在区段d中特征变量x
k
的概率密度函数；依次计算每一个持续时长区段内的特征变量的概率密度函数对的接近程度，求均值得到驾驶员d
m
和驾驶员d
n
驾驶操作激进程度的相似性驾驶操作激进程度的相似性其中，k表示特征变量的个数；步骤244)和分别从三个维度量化了驾驶员d
m
和驾驶员d
n
风格的相似程度，通过加权平均得到驾驶风格相似性的综合评价指标η
m,n
：其中，w
i
∈[0,1]且分别表示三个驾驶风格相似性指标的权重；步骤245)给定两个标准化频率分布的离散型概率密度分布和采用js散度来度量两个概率分布的相似性：其中，离散型概率密度分布和的kl散度的计算方法为：的计算方法为：和分别表示在跟驰距离工况s
δd
下，驾驶员d
m
和驾驶员d
n
行为语义的标准化出现频率；js散度的值域范围是[0,1]，当两个概率分布相同时，js散度等于0，概率分布差别越大，js值越接近1。7.根据权利要求1所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，所述步骤3)包括以下步骤：步骤31)根据相似性评价结果和预配置的相似度阈值，选择符合相似度条件的若干驾驶员作为一组，将有效跟驰片段按照驾驶员以预配置的比例分别归入训练集、测试集和验证集；步骤32)构建输入输出样本，将训练集和测试集中包含加速度及其他特征变量的数据转化为n维数组，每个输入样本由k个时刻的特征变量组成，输出标签样本为第k+1时刻的加速度数据；步骤33)构建cnn-lstm车辆加速度预测模型；步骤34)模型训练及超参数优化：使用验证集对训练过程中的模型进行实时评估，检验其训练效果，采用adam优化器进行迭代，重复训练过程使网络参数趋于最优；步骤35)基于训练完成的cnn-lstm车辆加速度预测模型对目标车辆的加速度进行预测。8.根据权利要求7所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，
其特征在于，所述cnn-lstm车辆加速度预测模型包括依次连接的输入层、cnn层、lstm层和全连接层，其中，所述输入层用于接收输入数据；所述cnn层用于压缩和提取输入数据的空间特征，所述cnn层包括一层卷积层和一层最大池化层；所述lstm层用于提取cnn输出数据的时间序列特征，所述lstm层中的lstm网络为多对一lstm；所述全连接层用于输出加速度预测结果；模型网络中的每层均添加了dropout层，且选用均方误差作为模型损失函数和预测准确度的评价。9.根据权利要求8所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，所述卷积层的计算公式如下：其中，σ为激活函数，为第k层、第j维的特征图，m
j
为输入图的集合，为卷积核，为偏置。10.根据权利要求8所述的一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，其特征在于，所述lstm网络的遗忘门参数更新公式为：f
t
＝σ(w
f
h
t-1
+w
f
x
t
+b
f
)其中，f
t
表示t时刻的遗忘门状态，w
f
和b
f
分别是遗忘门的权值和偏置，σ表示sigmoid函数，输出值范围为0到1，h
t
表示隐含层状态，x
t
表示t时刻网络的输入值；lstm网络的输入门用于更新输入细胞状态中的信息：i
t
＝σ(w
i
x
t
+w
i
h
t-1
+b
i
)其中，i
t
表示t时刻的输入门状态，w
i
和b
i
分别是输入门的权值和偏置；lstm网络记忆细胞状态c
t
，由存储在前一个记忆细胞中的信息c
t-1
和新的候选信息进行更新：更新：其中，是t时刻的候选细胞状态，c
t
是更新后的细胞状态，w
c
和b
c
分别是细胞状态的权值和偏置，.代表点积；lstm的输出门用于控制细胞状态中的信息输出，根据记忆细胞状态c
t
和输出门状态o
t
计算输出隐含层状态h
t
：o
t
＝σ(w
o
x
t
+w
o
h
t-1
+b
o
)h
t
＝o
t
·
tanh(c
t
)。

技术总结
本发明涉及一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，包括：步骤1)获取预测数据集并进行数据处理和变量提取：对获取的预测数据集，基于预配置的规则对有效跟驰片段进行筛选保留，从有效跟驰片段数据中提取特征变量；步骤2)构建基于CHMM的驾驶行为语义划分模型，以特征变量作为驾驶行为语义划分模型的输入，将特征变量分割成具有不同行为特征的片段，并对驾驶行为语义进行相似度评价；步骤3)构建CNN-LSTM加速度预测模型，基于相似度评价结果划分有效跟驰片段数据构建输入输出样本集，对CNN-LSTM加速度预测模型进行训练，基于训练完成的CNN-LSTM加速度预测模型进行车辆加速度预测。与现有技术相比，本发明具有预测精度高等优点。测精度高等优点。测精度高等优点。


技术研发人员：汤书宁 丁路洒 邹亚杰 张浩
受保护的技术使用者：同济大学
技术研发日：2022.12.12
技术公布日：2023/6/27