[發明專利]基于SVM的行車風險辨識模型的建立方法、系統及介質

在審

• 申請號: 202011234282.3
• 申請日: 2020-11-07
• 公開（公告）號: CN112396096A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 羅映;王金祥;李丙洋;王淑超;羅全巧
• 申請（專利權）人: 山東派蒙機電技術有限公司;山東省網聯智能車輛產業技術研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06Q10/04;G06Q10/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于SVM的行車風險辨識模型的建立方法，其特征是，所述方法包括：

S1：樣本選取，選取在不同行車風險等級下的駕駛數據作為訓練樣本，確定樣本數據所屬行車風險等級；

S2：數據標準化處理，通過標準化決策矩陣將不同的風險評價指標在同一評價體系中轉換成統一的標準；

S3：利用核函數將采集數據形成高維空間映射，建立模型函數；

S4：利用蝗蟲優化算法優化模型參數。

2.根據權利要求1所述的基于SVM的行車風險辨識模型的建立方法，其特征是，所述的S1中，選取的駕駛數據包括：駕駛員數據、車輛數據、道路數據、環境數據。

3.根據權利要求2所述的基于SVM的行車風險辨識模型的建立方法，其特征是，所述的駕駛員數據包括駕駛員意圖數據、駕駛員駕駛水平數據、持續駕駛時間數據；所述的車輛數據包括車速數據與車輛制動性能數據；所述的道路數據包括路面濕滑程度和道路平曲線半徑值；所述的環境數據包括行車間距與天氣能見度數據。

4.根據權利要求1所述的基于SVM的行車風險辨識模型的建立方法，其特征是，所述的S2中，標準化決策矩陣X＝(x_ij)_m×n可按照下式構建：

式中，r_jmax為同一樣本評價指標中的最大值；r_jmin為同一樣本評價指標中的最小值。

5.根據權利要求1所述的基于SVM的行車風險辨識模型的建立方法，其特征是，所述的S3中，選擇徑向基核函數作為行車風險態勢SVM辨識模型的核函數，其表達式為：

辨識行車風險態勢的最佳決策函數即為SVM用于求解最優超平面的函數，具體為：

其中通過公式(4)可以獲得w*和b*。

在以上計算中:σ為核參數,w*為n維向量；y_j為x_j的類標記；x_i為第i個特征向量；a_j*為拉格朗日乘子。

6.根據權利要求1所述的基于SVM的行車風險辨識模型的建立方法，其特征是，所述的S4中，具體為：將蝗蟲優化算法中每個蝗蟲個體所攜帶的空間位置參數信息傳遞給SVM辨識模型，以SVM在訓練集中的預設識別精度作為適應度值，保存每次迭代中最佳適應度值的蝗蟲個體并更新參數c和蝗蟲當前位置X_i，達到設定的精度時停止計算。

7.根據權利要求6所述的基于SVM的行車風險辨識模型的建立方法，其特征是，所述的S4中，蝗蟲個體位置的更新公式為

將上式展開，定義蝗蟲個體的位置更新公式為

其中，S_i為種群交互力，G_i為重力，A_i為風力，g為重力加速度值，e_g為指向地心的單位矢量，u為常值漂移量，e_w為指向風向的單位矢量，ub_d和lb_d分別是上邊界和下邊界搜索范圍，s(r)為映射函數，T_d代表第d維最優解。(x_j-x_i)/d_ij表示第i個個體與第j個個體之間的距離單位向量。c為線性遞減系數，負責協調算法的局部優化能力和全局優化能力，表達式為:

式中，c_max為最大遞減系數，c_min為最小遞減系數，t為當前迭代次數，T為總的迭代次數。

在利用蝗蟲優化算法求解行車風險SVM辨識參數時，每一個蝗蟲個體即代表一對SVM參數可行解。蝗蟲因相互作用而引起位置變化的過程，本質上是在搜索空間中尋找當前問題最優解的過程。