[發明專利]基于生成對抗網絡和駕駛時長的車輛跟馳模型生成方法

有效

• 申請號: 202011526672.8
• 申請日: 2020-12-22
• 公開（公告）號: CN112580149B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 孔祥杰;夏鋒;沈國江;侯明良;任震;王輝
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06N3/0475;G06N3/048;G06N3/094;G06F119/12
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.基于生成對抗網絡和駕駛時長的車輛跟馳模型生成方法，其特征在于，包括以下步驟S1、對數據集進行預處理，獲取有效的跟馳場景數據，具體包括：

S1-1、將每日凌晨4點至晚上22點之間發車且收車的車輛數據篩選出來，獲取每輛車的具體連續駕駛時間；

S1-2、篩選出連續駕駛3h以上的車輛，連續駕駛指GPS位置不變的時間不超過10min，同時也排除中午或某個時間點休息了一段時間的車輛；在篩選的過程中，為每條數據增加了駕駛時長屬性，單位為s；

S1-3、對數據集的經度和緯度都只保留小數點后5位，然后進行了速度和加速度的補充，由于每輛車的記錄之間間隔為1s，間隔時間極短，所以認為這段時間為勻加速運動，所以求速度v的表達式如式1所示：

其中dist(·)為求兩經緯度記錄點之間的距離函數，G_i為該車按時間排序的第i條記錄點的經緯度；

加速度a的求解表達式如式2所示：

每個車輛的第一個和最后一條記錄去除掉，因為無法計算當時的速度或加速度；

S1-4、選出在同一時間經度或緯度相同的車輛，并在未來10s內，該經度或緯度保持一致，并且后車與前車的距離差在3v_h之內即過濾掉兩車中間可能存在其他車輛的數據，其中v_h為后車車速，并計算和添加“與前車車距”和“與后車車距”兩條屬性，同一跟馳場景下的兩輛車，前車的“與后車車距”有值，后車的“與前車車距”有值，而另一個屬性為空；

S2、建立基于駕駛時長的駕駛員反應時間模型，具體包括：

S2-1、利用互相關計算法計算出跟馳場景數據中的駕駛員反應時間，互相關計算法函數如下所示：

其中，

R_xy(τ)＝E[x(t)y(t+τ)]??????????????????????????????????????????????(4)

其中，E[·]為期望值，u_x、u_y分別為x和y序列的均值，σ_x、σ_y分別為x和y序列的標準差，t為所選時刻，τ為時間的步長，并將前后車間距和后車加速度分別作為x，y序列，ρ_xy(τ)為得到的為x和y序列的互相關系數；

S2-2、利用前車加速度a對計算結果進行分類，分為A類和B類，提取出前車加速度對后車駕駛員反應時間的影響，分類函數如下所示：

S2-3、使用分段函數分別對A類與B類計算結果進行線性回歸，用于擬合的分段函數應依據數據的特點不同而進行調整，A類與B類數據擬合后的分段函數分別如公式6、7所示，最終生成駕駛員反應時間模型，模型函數如公式8所示；

其中，t為駕駛員駕駛時間，g_A(t)為A類情況下駕駛員反應時間，g_B(t)為B類情況下駕駛員反應時間，τ_n為最終生成的駕駛員反應時間；

S3、建立駕駛員跟車決策庫，具體包括：

S3-1、以駕駛時長2小時為界限對S1處理完后的數據集進行分類，分別記為C和D，C組為駕駛時長小于2h的跟馳場景數據，D組為其余的跟馳場景數據，每個跟馳場景以1秒為步長記錄了前后車10秒內的軌跡數據各10條，并在兩組數據集中分別取出100個跟馳場景數據作為測試集；

S3-2、處理訓練集，處理流程如下：

輸入:跟馳場景的20條記錄的list_1

輸出:list_2

S3-2-1：創建list_2對象；

S3-2-2：創建list2對象，list2對象數據結構格式包含：

前后車速度差，單位：Km/h，后車速度，單位：Km/h，前后車距，單位：m，反應時間過后的后車加速度，單位：m/s²；

S3-2-3：提取前車和后車的第i秒數據，i初始值為1，將計算出的前后車速度差、后車車速、計算出的前后車距、前車加速度進行單位轉換后加入到list2中；

S3-2-4：根據駕駛員反應時間模型計算出后車駕駛員的反應時間k，并在list_1找到i+k時刻的后車加速度,其中i+k＝min{i+k,10}，將后車加速度加入到list2中；

S3-2-5：將list2加入到list_2中，i自增，如果i大于9，則結束，否則返回S3-2-2；

S3-3、設置生成對抗網絡的生成器G包含輸入層、隱藏層、激活層、輸出層，輸出、輸入層的維度為1*4，隱藏層則包含了4*11個神經網絡單元，激活層是由Maxout激活函數組成；判別器由輸入層、隱藏層、激活層、輸出層組成，其中激活函數為sigmoid函數，其目標公式如下：

其中G為生成器，D為分類器，P_data(x)為真實樣本，P_z(z)為生成器產生的樣本；

S3-4、下列訓練算法使用兩組訓練集分別對生成對抗網絡進行訓練，并設置每次從訓練集采樣條數為7000，并且每次都是使用線性同余器進行隨機取樣；設置批量數據樣本數為200；生成器與判別器的學習率設置為1e-4；定義每訓練12次保存一次模型參數；

訓練算法如下所示：

算法輸入：訓練集數據分布P_data(x)；隨機噪聲分布P_g(z)；總的訓練次數epochs；判別器的迭代次數k；判別器的學習率s₁；生成器的學習率s₂；每一批訓練數據量n；

算法輸出：判別器的網絡參數θ_d；生成器的網絡參數θ_g；

S3-5、持續進行C組訓練集訓練，當判別器的損失函數和生成器的損失函數趨于一致，此時P_g(z)和P_data(x)已經近似相等，使用最后一次訓練后的生成器生成的數據作為決策庫E，同理用D組訓練集做同樣的訓練，最終生成的數據作為決策庫F；

S4、與駕駛員反應時間模型以及下列決策庫檢索算法s_su共同構建跟馳模型，跟馳模型函數如下所示：

其中x為輸入的特征向量，x₁為前后車速度差，x₂為后車速度，x₃為前后車距，x₄為后車駕駛員駕駛時長，x₅為前車加速度；

決策庫檢索算法s_su如下：

算法輸入：決策庫F；待查找特征向量x；決策庫大小n；

算法輸出：最相似變量的第四個特征y₄；

S4-1:求和特征向量x的前三個特征，記為sum；

S4-2:記c為決策指標計算的距離值，初始化為10000；

S4-3:利用折半查找法找到F中與sum最為接近的y₅的位置，記為h；S4-4:對從h-3n/165到h+3n/165的位置j進行S4-5到S4-7的操作；S4-5:從F中取位置為j的向量

S4-6:并利用決策指標算法計算x與的距離

S4-7:當cc₁，則令c＝c₁。