[發明專利]基于BP神經網絡模型的車輛換道決策方法

在審

• 申請號: 201611112815.4
• 申請日: 2016-12-07
• 公開（公告）號: CN106740457A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 王俊彥;蔡駿宇
• 申請（專利權）人: 鎮江市高等專科學校
• 主分類號: B60Q9/00
• 分類號: B60Q9/00;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 樓高潮

1.一種基于BP神經網絡模型的車輛換道決策方法，其特征在于，該方法包含下列步驟：

步驟1：通過多普勒測速雷達傳感器獲取樣本數據，具體是對換道車輛與目標車道前方車輛的速度差V1、換道車輛與目標車道后方車輛的速度差V2、換道車輛與本車道前方車輛的速度差V3、換道車輛與目標車道前方車輛的距離D1、換道車輛與目標車道后方車輛的距離D2、換道車輛與本車道前方車輛的距離D3六個樣本數據實時的獲取；

步驟2：構建基于BP神經網絡模型的車輛換道決策模塊，分別通過訓練與測試樣本數據的選取與處理、網絡結構的確定、學習算法的選取和訓練參數的確定、基于weka平臺的換道BP神經網絡模型建立、BP神經網絡模型的精確度驗證這五個環節來構建車輛換道決策模塊；

步驟3：決策判斷，將獲取的六個樣本數據實時地導入到車輛換道決策模塊中，并通過基于weka平臺下換道BP神經網絡模型中的輸出節點類別形成車輛換道的決策判斷。

2.如權利要求1所述的基于BP神經網絡模型的車輛換道決策方法，其特征在于，所述步驟2中，訓練與測試樣本數據的選取與處理環節中的交通數據是由美國聯邦高速公路管理局Next Generation Simulation項目提供，該項目中的數據集提供了詳細的車輛軌跡數據，包括每輛車的橫/縱向坐標、瞬時速度、瞬時加速度、車頭時距、車道號、車輛類型和車輛編號信息，采樣頻率為10Hz；從項目數據集中篩選得到333組觀測值，其中包含142次換道事件，191次非換道事件，每一組觀測值都包括了步驟1中所述的6個參數，對所有觀測值進行劃分，80％觀測值用于模型訓練，20％觀測值用于模型測試。

3.如權利要求1所述的基于BP神經網絡模型的車輛換道決策方法，其特征在于，所述步驟2中的網絡結構的確定，包括以下步驟：

1)對于輸入的原始數據需要進行歸一化的處理，將輸入數據處理成[0,1]之間無單位的數值；

2)確定隱含層層數為1；

3)選取隱含層節點數目為4個節點，BP神經網絡的拓撲結構為6-4-2；

4)神經元之間的初始連接權值采用零附近的隨機值；

5)BP神經網絡各層的激活函數采用Sigmoid函數：

4.如權利要求1所述的基于BP神經網絡模型的車輛換道決策方法，其特征在于，所述步驟2中的學習算法采用梯度下降法。

5.如權利要求1所述的基于BP神經網絡模型的車輛換道決策方法，其特征在于，所述步驟2中的訓練參數確定BP神經網絡模型的學習速率與動量系數分別取值為0.05和0.2，收斂誤差為0.001。

6.如權利要求1所述的基于BP神經網絡模型的車輛換道決策方法，其特征在于，所述步驟2中的基于weka平臺的換道BP神經網絡模型建立環節，BP神經網絡結構中的6個輸入節點位于模型左側，2個輸出節點位于模型右側，4個隱含層節點位于模型中間，在輸出節點旁標記類標簽；模型是一個三層網絡，網絡相鄰層之間通過連接權重相連，隱含層與輸出層各個節點都有相應閾值；對于不同的輸入值，通過神經網絡的BP學習算法都能得到相應輸出節點的對應值，從而完成決策分類。

7.如權利要求1所述的基于BP神經網絡模型的車輛換道決策方法，其特征在于，所述步驟2中的BP神經網絡模型的精確度驗證環節，使用分類模型對測試數據進行識別，并將識別結果與實際換道情況進行對比，用識別的準確性來驗證模型的有效性。