CN106740457A - 基于bp神经网络模型的车辆换道决策方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络模型的车辆换道决策方法，利用BP神经网络模型给驾驶员进行车辆换道时提供决策指导，并在换道危险发生时及时地发出警报提醒。所述方法能够有效地为驾驶员进行车辆换道时提供正确可靠的决策指导，可极大地减少因换道决策失误导致的道路交通事故。本发明包括步骤1：通过多普勒测速雷达传感器获取样本数据；步骤2：构建基于BP神经网络模型的车辆换道决策模块；步骤3：决策判断，将获取的六个样本数据实时地导入到车辆换道决策模块中，并通过基于weka平台下换道BP神经网络模型中的输出节点类别形成车辆换道的决策判断。

Description

基于BP神经网络模型的车辆换道决策方法

技术领域

本发明涉及一种基于BP神经网络模型的车辆换道决策方法，属于机动车辆驾驶主动安全技术领域。

背景技术

车辆换道是道路行车现象中最为常见的行为之一，而车辆换道决策失误一直是导致道路交通事故发生的重要原因之一。研究表明，在所有的换道事故中，由于驾驶人决策失误而引发的事故约占事故总量的75％。因此，车辆换道时，给驾驶人提供准确的换道决策意义重大，对减少道路交通事故的发生，提高道路交通安全水平有着十分重要的意义。

车辆换道是一种比较复杂的驾驶行为。换道过程中驾驶人需要对本车的前方区域、后方区域以及侧向区域进行仔细观察，判断这些区域中是否存在其他车辆、周围车辆与自车的相对运动关系、以及自车与周围车辆发生冲突的可能性。然而，驾驶人通过后视镜对后方区域、侧向区域地观察通常不如对前方区域地观察那么直接，在分析换道冲突可能性的过程中容易出现失误。

目前，现有技术已有用于辅助车辆进行换道的危险预警系统。目前常见的换道预警系统分为两类，第一类主要针对后视镜的视觉盲区问题，通过采用超声波传感器对本车侧向、后方临近区域内的车辆进行监控；第二类系统主要针对换道目标车道后方存在高速接近车辆的情况，通过使用测距雷达对换道过程中本车与其他车辆的相对距离、相对速度进行实时监控，分析换道过程中引发碰撞事故的风险程度，在风险程度较高情况下对驾驶人进行预警提示。然而，现有车辆换道危险预警系统运行所需装置多，预警算法复杂，可靠性不高，误报率不能控制在较低的水平，难以确保在任何条件下的换道安全。因此，需要研制一种算法简单、误报率低的车辆换道决策方法。

发明内容

本发明的目的在于提供一种基于BP神经网络模型的车辆换道决策方法，利用BP神经网络模型给驾驶员进行车辆换道时提供决策指导，并在换道危险发生时及时地发出警报提醒。所述方法能够有效地为驾驶员进行车辆换道时提供正确可靠的决策指导，可极大地减少因换道决策失误导致的道路交通事故。

本发明的目的通过以下技术方案予以实现：

一种基于BP神经网络模型的车辆换道决策方法，包括：

步骤1：通过多普勒测速雷达传感器获取样本数据，具体是对换道车辆与目标车道前方车辆的速度差V1、换道车辆与目标车道后方车辆的速度差V2、换道车辆与本车道前方车辆的速度差V3、换道车辆与目标车道前方车辆的距离D1、换道车辆与目标车道后方车辆的距离D2、换道车辆与本车道前方车辆的距离D3六个样本数据实时的获取；

步骤2：构建基于BP神经网络模型的车辆换道决策模块，分别通过训练与测试样本数据的选取与处理、网络结构的确定、学习算法的选取和训练参数的确定、基于weka平台的换道BP神经网络模型建立、BP神经网络模型的精确度验证这五个环节来构建车辆换道决策模块；

步骤3：决策判断，将获取的六个样本数据实时地导入到车辆换道决策模块中，并通过基于weka平台下换道BP神经网络模型中的输出节点类别形成车辆换道的决策判断。

本发明的目的还可以通过以下技术措施来进一步实现：

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中，训练与测试样本数据的选取与处理环节中的交通数据是由美国联邦高速公路管理局Next GenerationSimulation(下一代仿真)项目提供，该项目中的数据集提供了详细的车辆轨迹数据，包括每辆车的横/纵向坐标、瞬时速度、瞬时加速度、车头时距、车道号、车辆类型和车辆编号信息，采样频率为10Hz；从项目数据集中筛选得到333组观测值，其中包含142次换道事件，191次非换道事件，每一组观测值都包括了步骤1中所述的6个参数，对所有观测值进行划分，80％观测值用于模型训练，20％观测值用于模型测试。

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中的网络结构的确定，包括以下步骤：

1)对于输入的原始数据需要进行归一化的处理，将输入数据处理成[0,1]之间无单位的数值；

2)确定隐含层层数为1；

3)选取隐含层节点数目为4个节点，BP神经网络的拓扑结构为6-4-2；

4)神经元之间的初始连接权值采用零附近的随机值；

5)BP神经网络各层的激活函数采用Sigmoid函数：

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中的学习算法的选取，本方法建立BP神经网络的训练算法采用梯度下降法(Gradient Descent)，通常也称为最速下降法。

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中的训练参数的确中BP神经网络模型的学习速率与动量系数分别取值为0.05和0.2，收敛误差为0.001。

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中的基于weka平台的换道BP神经网络模型建立环节，BP神经网络结构中的6个输入节点位于模型左侧，2个输出节点位于模型右侧，4个隐含层节点位于模型中间，在输出节点旁标记类标签；模型是一个三层网络，网络相邻层之间通过连接权重相连，隐含层与输出层各个节点都有相应阈值；对于不同的输入值，通过神经网络的BP学习算法都能得到相应输出节点的对应值，从而完成决策分类。

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中的BP神经网络模型的精确度验证环节，使用分类模型对测试数据进行识别，并将识别结果与实际换道情况进行对比，用识别的准确性来验证模型的有效性。

与现有技术相比，本发明的有益效果是：

1.搭建了基于BP神经网络模型的车辆换道决策的方法框架，为多种不同方式的车辆换道决策分析奠定了基础；

2.为了提高模型决策判断的准确率，使用weka数据挖掘平台对决策模型进行了数据优化；

3.减少了预警算法复杂、决策判断规则过多对判断结果的影响，提高了车辆换道时决策判断的准确度和可靠性，降低了误报率。

附图说明

图1为基于BP神经网络模型的车辆换道决策方法流程图；

图2为换道情况表示图；

图3为通过weka学习后的换道BP神经网络。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示，本发明的基于BP神经网络模型的车辆换道决策方法，包括以下步骤：

步骤1：通过多普勒测速雷达传感器获取样本数据，具体是对换道车辆与目标车道前方车辆的速度差V₁、换道车辆与目标车道后方车辆的速度差V₂、换道车辆与本车道前方车辆的速度差V₃、换道车辆与目标车道前方车辆的距离D₁、换道车辆与目标车道后方车辆的距离D₂和换道车辆与本车道前方车辆的距离D₃六个样本数据实时的获取；

步骤2：构建基于BP神经网络模型的车辆换道决策模块，分别通过训练与测试样本数据的选取与处理、网络结构的确定、学习算法的选取和训练参数的确定、基于weka平台的换道BP神经网络模型建立、BP神经网络模型的精确度验证这五个环节来构建车辆换道决策模块；

步骤3：决策判断，将获取的六个样本数据实时地导入到车辆换道决策模块中，并通过基于weka平台下换道BP神经网络模型中的输出节点类别形成车辆换道的决策判断。

下面对上述三个步骤进行进一步阐述。

如图1、2所示，步骤1中所述车辆换道是指面对前车速度低于本车期望车速时，车辆横向坐标开始改变，向相邻目标车道方向改变并且没有发生振荡。车辆换道实时读取的数据也就是影响驾驶人换道决策的主要影响因素数据，主要包括换道车辆与目标车道前方车辆的速度差V₁、换道车辆与目标车道后方车辆的速度差V₂、换道车辆与本车道前方车辆的速度差V₃、换道车辆与目标车道前方车辆的距离D₁、换道车辆与目标车道后方车辆的距离D₂和换道车辆与本车道前方车辆的距离D₃等数据。在上述6个数据中，三个车间距指标D₁、D₂和D₃反映换道时目标车道与本车道是否具有合适的换道空间，三个速度差指标V₁、V₂和V₃反映换道时的潜在危险性。如图2所示，V₁＝V_F-V_O；V₂＝V_L-V_O；V₃＝V_Q-V_O；D₁、D₂、D₃(其中：V_F为目标车道前方车辆速度、V_L为目标车道后方车辆速度、V_Q为本车道前方车辆速度、V_O为本换道车辆速度)；换道影响因素数据的符号含义见表1所示。

表1换道影响因素数据的符号含义

步骤2中所述基于BP神经网络模型的车辆换道决策模块构建，分为五个环节，其具体步骤如下：

第一步：训练与测试样本数据的选取与处理

本方法中的训练与测试样本交通数据由美国联邦高速公路管理局NextGeneration Simulation(下一代仿真)项目提供，用于BP神经网络模型的学习与验证，该项目中的数据集提供了详细的车辆轨迹数据，包括每辆车的横/纵向坐标、瞬时速度、瞬时加速度、车头时距、车道号、车辆类型和车辆编号等信息，采样频率为10Hz。

研究运行车辆轨迹数据获得333次观测值，其中包括191次非换道事件，142次换道事件。对数据集进一步进行划分，其中80％用于模型训练，20％用于模型测试，部分训练数据如表2所示，部分测试数据如表3所示。

表2部分训练数据

表3部分测试数据

第二步：网络结构的确定

(1)输入数据的预处理

因为BP神经网络的输入属性一般差异较大，为了避免不同属性的数级和量纲对最终结果产生的影响，对于输入的原始数据需要进行归一化的处理，将输入数据处理成[0,1]之间无单位的数值。本方法中，由于模型输入属性值有正负之分，所以正数数值按式(1)处理，负数数值由式(2)处理。

其中：x_i为某属性未归一化的值；x_i'为该属性归一化后的数值；x_min为该属性输入数据中的最小值；x_max为该属性输入数据中的最大值。

(2)隐含层层数的确定

输入层与输出层之间的部分是隐含层，隐含层是神经网络最核心的部分，直接反映网络的性能。网络可以是一层的隐含层，也可以是两层的或多层的，这都需要根据研究的内容和具体情况而定。通常认为，隐含层层数如果过多，可以提高网络性能，降低网络的误差，但同时也会让网络变得复杂，增加迭代非收敛的概率。随之而来在训练网络的进程中，经常因为隐含层层数的过多，造成网络不能摆脱陷入最小误差，权值不能调整到合适的位置。

Kolmogorov定理表明：所有的n维到m维的映射使用三层BP神经网络实现即可；一个隐含层既实用，也受到提倡。故针对本方法研究的内容，网络最终确定为一个隐含层。

(3)隐含层节点数的选取

使用BP神经网络建模，需要着重考虑隐含层节点的数目，它影响神经网络的预测性能，如果设计的不好，会出现训练数据“过度拟合”的现象，但并没有统一权威的方法来求解。隐含层节点数通常是根据经验以及输入与输出层节点数确定的，在具体设计时，一般是通过多次尝试：先由经验公式(3～5)算出初始隐含层节点数，再不断地改变数值，用同样的训练样本集训练网络，最后选择网络误差最小的模型对应的节点数作为最终隐含层的节点数。

l＝2n+1 (5)

其中：l：隐含层节点数，n：输入层节点数，m：输出层节点数。

总上，本方法使用公式(4)：来计算初始隐含层节点数，然后分别建立不同隐含层节点数对应的模型，比较模型性能，最后隐含层选用4个节点，所以本方法BP神经网络的拓扑结构为6-4-2。

(4)初始权值的确定

BP神经网络是非线性系统，初试权值决定了模型训练时间，网络学习能否收敛等重要问题。选择初始权值需要遵循以下原则：在每个神经元第一次加权之后，它们的输出值都要接近于零。如果采用足够小的随机数来对节点权值进行赋值，那么可以满足上述原则，所以本方法中神经元之间的初始连接权值都采用零附近的随机值。

(5)各层激活函数的确定

S型的激活函数可以让BP神经网络具有非线性逼近特性，隐含层中激活函数多数选择S型，输出层的激活函数也可以使用S型，不过输出的值域有限，如果网络的输出要求较高，可以使用线性激活函数，这样保证了网络可以输出任何值。依据S型函数的非线性放大功能，可以把任何输入转换成0到1之间的输出，所以非线性的输入、输出关系可以用S型函数来处理。根据本方法的研究内容，BP神经网络各层的激活函数采用Sigmoid函数：

第三步：训练算法的选择

本方法建立BP神经网络的训练算法采用梯度下降法(Gradient Descent)，通常也称为最速下降法。BP神经网络的学习包含了向网络前方传递信息和向网络后方传递误差两个部分。正向过程中，输入值向输出层传递，途中受到各层神经元的处理，本层的神经元只受上一层神经元影响；当输出的结果不满足要求时，就会计算输出层的误差，转而进入反向过程，将输出的误差向输入层传递，这个过程中修改各个连接权值，然后再进入正向过程。以此循环，网络的输出越来越满足期望，当达到要求时，网络会停止循环，此时学习完成。

可以假设，网络的输入值为X＝(x₁,x₂,…,x_n)^T(n＝1,2,3,…)，隐含层的输出值为O_j＝(o_j1,o_j2,…,o_jl)^T(j＝1,2,3,…)，输出层的输出值为O_k＝(o_k1,o_k2,…,o_km)^T(k＝1,2,3,…)，输入层与隐含层之间的连接权值为w_ij(i＝1,2,…,n；j＝1,2,…,l)，阈值为θ_j；隐含层与输出层之间的连接权值为w_jk(j＝1,2,…,l；k＝1,2,…,m)，阈值为θ_k。

在信息正向传播的过程中，隐含层中的各神经元节点输出值为：

各输出层神经元节点的输出值为：

BP神经网络各层神经元之间的激活函数为：

f(x)＝1/(1+e^-x) (9)

此外，BP神经网络还需要反方向传递误差的过程。在这个过程当中，网络需要根据提供的训练样本调整连接权值w_ij、w_jk以及阈值θ_j、θ_k的大小，使系统的全局误差E实现最小化，从而最终得到稳定的权值和阈值。

系统全局误差E如下式表示：

其中，t_k(X)为输出节点k对样本X的期望输出，o_k(X)为输出节点k对样本X的实际输出。

略去X，式(10)可简写成

其中，E：目标函数。

在梯度下降法中，权值(以及阈值)的变化项Δw_jk与成正比，即

由式(8)和式(11)可知

记对于隐含层神经元，也可以写成

记因为不能计算出结果，而是以中间变量的形式表示，即

则推导出各权值系数的调整量为

Δw_jk＝η(t_k-o_k)o_k(1-o_k)o_j (16)

Δw_ij＝ηδ_jo_i (17)

其中，η：网络学习速率；δ_k＝(t_k-o_k)o_k(1-o_k)。

网络的学习就是计算输出、比较输出、反向计算误差、调整权值和阈值的循环过程，随着循环次数的增加，网络误差将逐渐减小，最后收敛在一组确定的权值处。

参数学习率η比较难确定，如果数值较大，那么权值跟新量也较大，网络学习速度快，但网络不稳定，如果既要学习速度快，又要保证网络的稳定，那么需要在式(16)和式(17)中增加一个动量项，即

Δw_ij(n+1)＝ηδ_io_i+αΔw_ij(n) (18)

其中，(n+1)：第(n+1)次迭代；α：动量比例系数。

式(18)表明在后一次迭代过程中w_ij的变化与前一次的变化息息相关，表现在具有一些惯性，有了动量部分可以保证网络的稳定，但牺牲的是网络学习速度。

BP神经网络学习训练完成之后，权值与阈值就确定下来了，不再发生变化，而网络对于一般的样本就具有了预测功能。

第四步：训练参数的确定

BP神经网络的训练需要设定几个常规参数：学习速率(Learning Rat)、动量系数(Momentum)以及收敛误差界值(Convergence Error)等，这些参数对网络训练的速度、精度影响很大。

(1)学习速率和动量系数

网络训练过程中，每循环一次，权值就会跟新一次，权值跟新的大小就是由学习速率决定的。学习速率值太大，每次权值变化的值相应变大，会造成系统不稳定；如果值太小，权值变化值也小，那么模型训练时间会很长，难以收敛，降低了模型的性能。通常，系统的稳定性是放在首位的，所以选择的学习速率值较小，取值范围是0.01到0.8之间。

如果没有动量系数，网络训练中可能会无法越过局部的极小值点，而有了动量系数则可以避免这个问题。理论中，需要根据权值跟新的情况来选择动量系数的数值，但实际中选取常量进行简化处理。取值范围是0到1之间，通常比学习速率大。

经过多次反复实验验证，最终本方法BP神经网络模型的学习速率与动量系数分别取值为0.05和0.2。

(2)收敛误差界值

在训练网络之前，需要先设定一个收敛误差界值。如果需要模型的学习效果好，误差界值要选择小的值，这样收敛速度会慢一点，训练的次数会多一点；如果模型只需定性分析，那么误差界值可以稍微大点，模型训练能快速完成。本方法设置收敛误差为0.001，若模型不能达到精度要求，那么会在训练次数达到要求后，停止训练。

综上，本方法建立的BP神经网络是三层结构，共有12个神经元节点，包括6个输入神经元，4个隐含层神经元和2个输出神经元，即网络拓扑结构为6-4-2。隐含层、输出层的激活函数都选择S型函数；学习速率为0.05，动量系数为0.2，训练次数为500次，收敛误差界值为0.001。

第五步：基于weka平台的换道BP神经网络模型建立

本方法的BP神经网络学习算法通过weka平台加以实现，weka是一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法。图3所示的是通过weka学习后的换道BP神经网络模型。模型的训练参数值是：Learning Rat(学习速率)＝0.05、Momentum(动量系数)＝0.2、Num Of Epochs(训练次数)＝500。为了更好的分析模型，对模型中的节点进行了编号，输出节点0表示换道，输出节点1表示不换道，隐含层的四个节点分别编号为2、3、4、5。

模型是一个三层网络，网络相邻层之间通过连接权重相连，隐含层与输出层各个节点都有相应的阈值。模型的连接权重如表4所示，阈值如表5所示。

表4各节点连接权值

表5节点阈值

第六步：BP神经网络模型的精确度验证

使用分类模型对测试数据进行识别，并将识别结果与实际换道情况进行对比，用识别的准确性来验证模型的有效性。表6显示的是模型的精确度情况。

表6 BP神经网络模型的精确度情况

结果显示，BP神经网络模型的测试数据精确度达到88.1％，表明该模型用于车辆换道情况的判断是准确可靠易行的。

步骤3中所述车辆换道时的决策判断实时提醒，主要是将步骤1中获取的相关数据实时地导入到步骤2中的基于BP神经网络模型的车辆换道决策模块中，可实时地为驾驶员车辆换道时决策判断提醒。当判断决策为不能换道时，将实时地发出警报提醒驾驶员注意；具体步骤是将获取的六个样本数据实时地导入到车辆换道决策模块中，并通过基于weka平台下的换道BP神经网络模型中的输出节点类别形成车辆换道的决策判断。

根据图1中的流程，将步骤1中获取的相关数据实时地导入到步骤2的换道决策模块中，可形成车辆换道时的决策判断。当决策判断结果为不能换道时，将实时地发出警报提醒驾驶员不能换道。步骤2中基于BP神经网络模型的车辆换道决策模块的建立在前面已详细阐述过，本实施例不再阐述。本实施例主要将步骤1中的相关数据导入步骤2中的车辆换道决策模块中，验证该方法的可靠性、实用性和准确性。

本次读取了50组数据，但限于篇幅限制，只列了10组具有代表性的数据，如表7所示。

表7传感器实时读取的10组数据

将步骤1中获取的50组相关数据传入到步骤2中的换道决策模块中，得出基于BP神经网络模型的车辆换道决策模块决策判断准确度达到94.0％。该测试结果数据表明基于BP神经网络模型的车辆换道决策方法是可行的和实用的，且决策判断的准确率较高，误报率相对较低。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (7)

1.一种基于BP神经网络模型的车辆换道决策方法，其特征在于，该方法包含下列步骤：

步骤1：通过多普勒测速雷达传感器获取样本数据，具体是对换道车辆与目标车道前方车辆的速度差V1、换道车辆与目标车道后方车辆的速度差V2、换道车辆与本车道前方车辆的速度差V3、换道车辆与目标车道前方车辆的距离D1、换道车辆与目标车道后方车辆的距离D2、换道车辆与本车道前方车辆的距离D3六个样本数据实时的获取；

步骤2：构建基于BP神经网络模型的车辆换道决策模块，分别通过训练与测试样本数据的选取与处理、网络结构的确定、学习算法的选取和训练参数的确定、基于weka平台的换道BP神经网络模型建立、BP神经网络模型的精确度验证这五个环节来构建车辆换道决策模块；

步骤3：决策判断，将获取的六个样本数据实时地导入到车辆换道决策模块中，并通过基于weka平台下换道BP神经网络模型中的输出节点类别形成车辆换道的决策判断。

2.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中，训练与测试样本数据的选取与处理环节中的交通数据是由美国联邦高速公路管理局Next Generation Simulation项目提供，该项目中的数据集提供了详细的车辆轨迹数据，包括每辆车的横/纵向坐标、瞬时速度、瞬时加速度、车头时距、车道号、车辆类型和车辆编号信息，采样频率为10Hz；从项目数据集中筛选得到333组观测值，其中包含142次换道事件，191次非换道事件，每一组观测值都包括了步骤1中所述的6个参数，对所有观测值进行划分，80％观测值用于模型训练，20％观测值用于模型测试。

3.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的网络结构的确定，包括以下步骤：

1)对于输入的原始数据需要进行归一化的处理，将输入数据处理成[0,1]之间无单位的数值；

2)确定隐含层层数为1；

3)选取隐含层节点数目为4个节点，BP神经网络的拓扑结构为6-4-2；

4)神经元之间的初始连接权值采用零附近的随机值；

5)BP神经网络各层的激活函数采用Sigmoid函数：

4.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的学习算法采用梯度下降法。

5.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的训练参数确定BP神经网络模型的学习速率与动量系数分别取值为0.05和0.2，收敛误差为0.001。

6.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的基于weka平台的换道BP神经网络模型建立环节，BP神经网络结构中的6个输入节点位于模型左侧，2个输出节点位于模型右侧，4个隐含层节点位于模型中间，在输出节点旁标记类标签；模型是一个三层网络，网络相邻层之间通过连接权重相连，隐含层与输出层各个节点都有相应阈值；对于不同的输入值，通过神经网络的BP学习算法都能得到相应输出节点的对应值，从而完成决策分类。

7.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的BP神经网络模型的精确度验证环节，使用分类模型对测试数据进行识别，并将识别结果与实际换道情况进行对比，用识别的准确性来验证模型的有效性。