CN107958269B - 一种基于隐马尔可夫模型的行车危险度预测方法 - Google Patents

一种基于隐马尔可夫模型的行车危险度预测方法 Download PDF

Info

Publication number
CN107958269B
CN107958269B CN201711215460.6A CN201711215460A CN107958269B CN 107958269 B CN107958269 B CN 107958269B CN 201711215460 A CN201711215460 A CN 201711215460A CN 107958269 B CN107958269 B CN 107958269B
Authority
CN
China
Prior art keywords
state
time
risk
model
driving
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711215460.6A
Other languages
English (en)
Other versions
CN107958269A (zh
Inventor
熊晓夏
陈龙
梁军
蔡英凤
马世典
曹富贵
陈建锋
江晓明
陈小波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201711215460.6A priority Critical patent/CN107958269B/zh
Publication of CN107958269A publication Critical patent/CN107958269A/zh
Application granted granted Critical
Publication of CN107958269B publication Critical patent/CN107958269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于隐马尔可夫模型的行车危险度预测方法，一、基于车辆运行特征通过聚类分析方法对行车风险状态进行划分；二、对于不同的行车风险状态，通过多项logistic模型估计驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响；三、以风险状态为隐含状态，以实际观测的车辆运动变量为状态输出值，以多项logistic模型参数为状态转移概率矩阵的参数初始值，建立反映行车状态演变规律的隐马尔可夫链模型；四、实时获取车辆运行特征，并以隐马尔可夫链模型为基础，实时预测未来风险状态。本发明建立了可反映以上特征实时变化的具有可变状态转移概率的隐马尔可夫模型，提高了行车风险模型的准确性和预测精度，并可满足防碰撞预警实时性要求。

Description

一种基于隐马尔可夫模型的行车危险度预测方法
技术领域
本发明涉及交通安全评价和智能交通系统主动安全技术领域，特别是一种基于隐马尔可夫模型的行车危险度预测方法。
背景技术
汽车保有量的增加和公路运输业的飞速发展，在繁荣经济和方便人们生活的同时，对公路交通安全环境带来了日益严重的压力。我国平均年发生交通事故死亡人数居世界首位，道路交通事故已经成为中国安全生产中死亡人数最多的领域。据多项研究报告表明，若驾驶员能提早0.5s意识到有事故危险并采取相应的正确措施，则可以避免50％的事故；若提早至1s则可以避免90％的事故。因此，车辆主动安全技术和系统研发已成为智能车辆开发的重要研究领域。
行车危险度预测作为实现智能车辆主动安全系统的关键部分，通过有机结合感知、通信和控制等相关技术，减少驾驶员的负担和避免驾驶员的判断错误，可以有效减少道路交通事故伤亡率，对于提高道路交通安全将起到重要作用。目前行车危险度预测主要通过实时计算选定的预警变量并与预设的不同风险等级阈值进行比较判断，进而建立不同的控制策略。现有应用较广的预警变量主要包括车间时间THW，碰撞时间TTC和车间距离等。而实际上，从行车风险形成开始到发生危险冲突的整个过程很难用单一的预警参数进行描述，需要采用更复杂的算法和模型进行研究。同时，目前现有预警模型算法通常仅考虑车辆的运行特征(如速度特征和加速度特征)，而忽略了实时的驾驶员行为、道路和环境变化对行车风险状态的影响，不能全面刻画行车状态之间的内在演变规律，不利于行车风险模型的准确性和预测精度。因此，有必要研究充分考虑驾驶员行为、道路和环境特征的行车危险度预测方法。
目前，正在快速发展的车联网将先进的传感器技术、通信技术、数据处理技术、网络技术、自动控制技术、信息发布技术等有机地运用于整个交通运输管理体系，可以实现在交通运行过程中参与各方之间行驶信息的实时交互，为实现满足上述条件的行车危险度预测奠定了技术基础。
发明内容
针对现有技术中存在不足，本发明提供了一种基于隐马尔可夫模型的行车危险度预测方法，包括如下步骤：
S1：基于车辆运行特征通过聚类分析方法对行车风险状态进行划分；
S2：对于不同的行车风险状态，通过多项logistic模型估计驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响；
S3：以S1得到的风险状态为隐含状态，以实际观测的车辆运动变量为状态输出值，以S2得到的多项logistic模型参数为状态转移概率矩阵的参数初始值，建立反映行车状态演变规律的隐马尔可夫链模型；
S4：实时获取S1中的车辆运行特征，并以隐马尔可夫链模型为基础，实时预测未来风险状态。
进一步，所述车辆运行特征包括车辆行驶信息、驾驶员信息、道路信息及环境信息。
进一步，所述车辆行驶信息包括本车速度，本车加速度，本车与前车之间距离和本车与前车之间的距离变化率；所述驾驶员信息包括事故或邻近事故发生前驾驶员操纵行为，驾驶员注意力区域，驾驶员非驾驶任务数目，驾驶员非驾驶任务等级及驾驶员方向盘使用情况；所述道路信息包括车道数，交通流密度，道路线形及道路纵坡；所述环境信息包括照明情况，天气状况及路面状况。
进一步，所述S1中通过聚类分析方法对行车风险状态进行划分实现方法如下：
S1.1：获取事故数据样本及邻近事故数据样本，其中每个样本为事故发生前车辆运行特征时间序列；
S1.2：采用滚动时间窗对时间序列数据样本进行分割，对每个样本分别计算分割后的滚动时间窗内车辆行驶信息变量的期望值和方差值；
S1.3：对车辆行驶信息变量的期望值和方差值进行聚类分析，计算每个类别中所有样本的平均碰撞时间TTC及平均车间时间THW，对TTC和THW的大小进行排序，得到行车过程的风险类别。
进一步，所述S2中驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响估计方法如下：利用滚动时间窗在每一个样本时间序列中，以时刻t时间窗的起始时刻t′观测得到的驾驶员、道路和环境信息变量为自变量，以下一个时间窗t+1的行车风险类别qt+1为因变量，得到Nr组自变量-因变量回归样本，建立驾驶员行为和周围交通环境特征与行车风险状态类别的多项logistic回归模型为：
Figure BDA0001485452300000031
其中aij(Zt)＝P(qt+1＝Sj|qt＝Si)表示风险状态由时刻t的Si状态转移至时刻t+1的Sj状态的概率，即状态间转移概率，其大小与时刻t时间窗内的自变量Zt有关，
Figure BDA0001485452300000032
表示属于风险类别i的自变量样本，
Figure BDA0001485452300000033
表示在风险类别i条件下多项logistic回归中第j风险类别项的回归系数，
Figure BDA0001485452300000034
表示在风险类别i条件下多项logistic回归中第k风险类别项的回归系数，K为风险类别数。
进一步，所述S3中建立反映行车状态演变规律的隐马尔可夫链模型的方法为：
S3.1：以S1得到的风险状态为隐含状态，以实际观测的车辆运动变量向量为状态输出值，定义具有连续观测值的基于高斯混合的隐马尔可夫链模型；
S3.2：以S2得到的多项logistic模型参数作为状态转移概率矩阵参数的初始值，其余初始模型参数根据实际样本统计特征确定，通过Baum-Welch算法迭代得到模型参数的最优解。
进一步，考虑驾驶员、道路和环境信息后修正的状态转移概率矩阵参数A＝{aij(Zt)}的迭代方法为：
S3.2.1：根据前向和后向算法，得到在给定观测值序列O＝(o1，o2，...，oT)和模型参数λ的条件下，模型时刻t处于Si状态且时刻t+1处于Sj状态的联合概率为：
Figure BDA0001485452300000035
其中aij(Zt)为S2中获取的与时刻t时间窗内行车风险类别、驾驶员、道路和环境信息相关的基于多项logistic回归模型的状态转移概率；为提高算法收敛速度，可由
Figure BDA0001485452300000036
项代替时变的aij(Zt)项，其中
Figure BDA0001485452300000041
表示风险类别i下所有观测样本中多项logistic回归自变量向量的均值；bj(ot+1)表示风险状态j下观测到ot+1的概率：
Figure BDA0001485452300000042
其中cjm是风险状态Sj下第m个高斯分布的权值，N(ot+1，μjm，∑jm)为第m个高斯分布下观测值ot+1的概率，μjm和∑jm分别是风险状态Sj下第m个高斯分布的均值向量和协方差矩阵；αt(i)为前向变量，表示给定模型参数λ的条件下，从初始时刻到时刻t的部分观测值序列o1，o2，…，ot和时刻t模型处于状态Si的联合概率，即：αt(i)＝P(o1，o2，…，ot，qt＝Si|λ其大小可由前向算法递推过程计算获取；βt+1(j)为后向变量，表示给定模型参数λ和时刻t+1模型处于状态Sj的条件下，从时刻t+2时刻到最终时刻模型的部分观测值序列ot+2，ot+3，...，oT的联合概率，即：βt+1(j)＝P(ot+2，ot+3，...，oT|，qt+1＝Sj，λ)其大小可由后向算法递推过程计算获取；
S3.2.2：根据前向和后向算法，得到在给定观测值序列O＝(o1，o2，...，oT)和模型参数λ的条件下，模型时刻t处于Si状态的概率为：
Figure BDA0001485452300000043
S3.2.3：对ξt(i，j)按时间维度进行求和获得从状态Si转移至状态Sj的期望次数为
Figure BDA0001485452300000044
同理对γt(i)按时间维度进行求和获得从状态Si发生状态转移的期望次数为
Figure BDA0001485452300000045
则从状态Si转移至状态Sj的期望概率为：
Figure BDA0001485452300000046
同时由S2中多项logistic模型估计的转移概率
Figure BDA0001485452300000047
为：
Figure BDA0001485452300000052
其中定义狄拉克函数
Figure BDA0001485452300000054
表示风险类别i下所有观测样本中多项logistic回归自变量向量的均值；则对于风险状态Si，其下一时刻转移至各风险状态的概率比值为：
Figure BDA0001485452300000055
根据前向算法和后向算法的递推结果
Figure BDA0001485452300000056
更新多项logistic模型参数，即令等于
Figure BDA0001485452300000058
等价于令以下等式成立：
Figure BDA0001485452300000059
其中
Figure BDA00014854523000000510
表示修正后的模型参数，等式两边同时取对数：
Figure BDA00014854523000000511
假设每个类别项参数向量
Figure BDA00014854523000000512
内的各元素以相同比例进行调整修正，则修正后的回归系数应满足如下迭代等式：
Figure BDA00014854523000000514
根据多项logistic模型效用值的相对性性质可令
Figure BDA00014854523000000515
进而迭代求解上述等式，获得修正后的第k项回归系数
S3.2.4：不断迭代更新模型参数及其他模型参数，直到连续两次重估的模型参数对应的概率的增量小于给定的收敛阈值，最终得到的模型参数
Figure BDA00014854523000000519
即为给定观测样本下最优的隐马尔可夫模型，相应的由模型参数
Figure BDA0001485452300000061
即为最终求得的可以反映驾驶员、道路和环境特征的行车风险状态转移概率矩阵。
进一步，所述S4中实时预测未来风险状态的方法为：
S4.1：在车联网环境下，信息采集设备实时采集车辆运行特征，将当前时刻设为第T个时间窗的起始时刻，结合由存储设备存储的前T-1个滚动时间窗起始时刻的车辆行驶信息变量向量ot和驾驶员、道路和环境信息变量向量Zt，获得时长均为T的观测样本O＝(o1，o2，...，oT)和Z＝(Z1，Z2，...，ZT)；
S4.2：根据S3得到的隐马尔可夫模型以及观测样本O和Z，通过Viterbi算法获得与观测样本O对应的最优隐含状态序列为Q＝(q1，q2，...，qT)，则预测得到以当前时刻为起始时刻的第T个时间窗内的行车风险状态为qT，即从当前时刻开始至未来时间窗时长内的行车风险状态预测为qT；
S4.3：根据S4.2得到的未来时间窗时长内行车风险状态为qT，可制定相应的车辆预警策略。
本发明的有益效果在于：
1.本发明充分考虑了实时的驾驶员行为、道路和环境特征对行车风险状态的影响，建立了可反映以上特征实时变化的具有可变状态转移概率的隐马尔可夫模型，揭示了行车状态之间的内在演变规律，提高了行车风险模型的准确性和预测精度；
2.本发明利用滚动时间窗形式对实时行车历史观测数据进行分割，在此基础上利用Viterbi算法实现了未来时间窗时长内的行车状态风险预测，可以满足防碰撞预警实时性要求；
3.本发明实现实时行车风险预测所需参数在车联网条件下通过信息采集和传输设备即可获取，可实施性强。
附图说明
图1为本发明的基于隐马尔可夫模型的行车危险度预测流程框图；
图2为本发明的实现行车风险状态预测所需观测向量、相应隐含状态和时间序列的概念示意图。
具体实施方式
下面结合具体实施例对本发明做进一步的说明，但本发明的保护范围并不限于此。
如图1所示，一种基于隐马尔可夫模型的行车危险度预测方法，包括步骤：
步骤一：基于车辆运行特征通过聚类分析方法对行车风险状态进行划分；
通过k-means聚类分析方法对行车风险状态进行划分实现方法如下：
步骤1：获取自然驾驶数据库中的事故数据样本及邻近事故数据样本共N组{X1，X2，...，XN}，其中每个样本Xi(i＝1，2，...，N)为时长为Ti时间序列，包括如下车辆、驾驶员、道路和环境信息共16个变量维度：
①车辆行驶信息：本车速度x1，本车加速度x2，本车与前车之间距离x3，本车与前车之间的距离变化率x4；
②驾驶员信息：(邻近)事故发生前驾驶员操纵行为x5，驾驶员注意力区域x6，驾驶员非驾驶任务数目x7，驾驶员非驾驶任务等级x8，驾驶员方向盘使用情况x9；
③道路信息：车道数x10，交通流密度x11，道路线形x12，道路纵坡x13；
④环境信息：照明情况x14，天气状况x15，路面状况x16。
步骤2：采用滚动时间窗的方式对时间序列数据样本进行分割，滚动时间窗长度为w，时间窗滚动间隔δ为自然驾驶数据库中采样间隔的整数倍，为提高预测模型的实时性和准确性，滚动时间窗参数的推荐值为w＝5秒，δ＝1秒；对每个样本Xi(i＝1，2，...，N)时间序列进行时间窗划分，获得共
Figure BDA0001485452300000071
个时间窗；对每个样本Xi(i＝1，2，...，N)分别计算每个滚动时间窗内车辆行驶信息变量x1-x4的期望值E和方差值σ，得到共N′组统计值向量，每组统计值向量包括[E(x1),σ(x1)，E(x2),σ(x2)，E(x3),σ(x3)，E(x4),σ(x4)]共8个维度；
步骤3：对步骤2中得到的具有8个维度的N′组统计值向量进行k-means聚类分析，推荐类别数K＝5，计算每个类别中所有样本的平均碰撞时间TTC(可由x3和x4的比值计算获取)及平均车间时间THW(可由x3和x1的比值计算获取)，对TTC和THW大小进行排序，得到行车过程的K＝5个等级的风险类别，分别定义为S1＝安全状态，S2＝低风险状态，S3＝中风险状态，S4＝高风险状态，S5＝事故状态。
步骤二：对于不同的行车风险状态，通过多项logistic模型估计驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响；
驾驶员行为和周围交通环境(道路和环境)特征对行车风险状态之间转移概率的影响估计方法如下：
与步骤一中的滚动时间窗定义一致，在每一个样本时间序列中，以时刻t时间窗的起始时刻t′观测得到的驾驶员、道路和环境信息变量x5-x16为自变量，自变量表示为Zt＝[x5t′，x6t′，...，x16t′]，以下一个时间窗t+1的行车风险类别qt+1为因变量，最后得到共
Figure BDA0001485452300000081
组自变量-因变量回归样本(Nr为回归样本的个数)，建立驾驶员行为和周围交通环境特征与行车风险状态类别的多项logistic回归模型如下：
Figure BDA0001485452300000082
其中：aij(Zt)＝P(qt+1＝Sj|qt＝Si)表示风险状态由时刻t的Si状态转移至时刻t+1的Sj状态的概率，即状态间转移概率，其大小与时刻t时间窗内的自变量Zt有关，
Figure BDA0001485452300000083
表示属于风险类别i的自变量样本，表示在风险类别i条件下多项logistic回归中第j风险类别项的回归系数，
Figure BDA0001485452300000085
表示在风险类别i条件下多项logistic回归中第k风险类别项的回归系数，K＝5为步骤一划分的风险类别数。
步骤三：以步骤一得到的风险状态为隐含状态，以实际观测的车辆运动变量为状态输出值，以步骤二得到的多项logistic模型参数为状态转移概率矩阵的参数初始值，建立反映行车状态演变规律的隐马尔可夫链模型(图2)；
建立反映行车状态演变规律的隐马尔可夫链模型的方法为：
步骤1：以步骤一得到的风险状态为隐含状态，以实际观测的车辆运动变量O＝(o1，o2，...，oT)为状态输出值(其中每一个观测值是时刻t时间窗的起始时刻t′观测得到的由步骤一中x1-x4组成的d＝4维车辆行驶信息变量向量[x1t′，x2t′，x3t′，x4t′]，t＝1…T)，定义具有连续观测值的基于高斯混合的隐马尔可夫链模型λ＝{Π，A，C，M，U}，其中Π＝{πi}，i＝1，2，...，K为隐含状态{S1，S2，...，SK}(即由步骤一划分的K＝5个行车风险状态)的概率分布，其中，A＝{aij(Zt)}，i，j＝1，2，...，5为状态转移概率矩阵，其中Zt＝[x5t′，x6t′，…，x16t′]与步骤二中定义一致，x5t′，x6t′，...，x16t′为时刻t时间窗的起始时刻t′观测得到的驾驶员、道路和环境信息变量，c＝{cjm}为高斯混合系数(权重)，其中j表示风险状态等级，cjm是风险状态Sj下第m个高斯分布的权值，m＝1，...，nj表示风险状态Sj下的高斯混合数，M＝{μjm}表示高斯混合均值向量，U＝{∑jm}表示高斯混合协方差矩阵，μjm和∑jm分别是风险状态Sj下第m个高斯分布的均值向量和协方差矩阵；
步骤2：以步骤二得到的多项logistic模型参数作为状态转移概率矩阵参数的初始值,其余初始模型参数根据实际样本统计特征确定，通过Baum-Welch算法迭代得到模型λ参数的最优解；考虑驾驶员、道路和环境信息后修正的状态转移概率矩阵参数A＝{aij(Zt)}的迭代方法如下，其余参数迭代方法与标准Baum-Welch算法相同，在此不予冗述；
a)根据前向和后向算法，得到在给定状态输出值序列O＝(o1，o2，…，oT)和模型参数λ的条件下，模型时刻t处于Si状态且时刻t+1处于Sj状态的联合概率为：
Figure BDA0001485452300000092
其中：aij(Zt)为步骤二中获取的与时刻t时间窗内行车风险类别、驾驶员、道路和环境信息相关的基于多项logistic回归模型的状态转移概率，为提高算法收敛速度，可由
Figure BDA0001485452300000101
项代替时变的aij(Zt)项，其中
Figure BDA0001485452300000102
表示风险类别i下所有观测样本中多项logistic回归自变量向量的均值；bj(ot+1)表示风险状态j下观测到ot+1的概率：
Figure BDA0001485452300000103
其中；N(ot+1，μjm，∑jm)为第m个高斯分布下观测值ot+1的概率，αt(i)为前向变量，表示给定模型参数λ的条件下，从初始时刻到时刻t的部分观测值序列o1，o2，...，ot和时刻t模型处于状态Si的联合概率，即：
αt(i)＝P(o1，o2，…ot，qt＝Si|λ) (4)
αt(i)的大小可由前向算法递推过程计算获取；βt+1(j)为后向变量，表示给定模型参数λ和时刻t+1模型处于状态Sj的条件下，从时刻t+2时刻到最终时刻模型的部分观测值序列(ot+2，ot+3，...，oT)的联合概率，即：
βt+1(j)＝P(ot+2，ot+3，...，oT|，qt+1＝Sj，λ) (5)
βt+1(j)的大小可由后向算法递推过程计算获取；
b)根据前向和后向算法，得到在给定观测值序列O＝(o1，o2，...，oT)和模型参数λ的条件下，模型时刻t处于Si状态的概率为：
Figure BDA0001485452300000104
c)对ξt(i，j)按时间维度进行求和获得从状态Si转移至状态Sj的期望次数为
Figure BDA0001485452300000105
同理对γt(i)按时间维度进行求和获得从状态Si发生状态转移的期望次数为
Figure BDA0001485452300000111
则从状态Si转移至状态Sj的期望概率为：
Figure BDA0001485452300000112
同时由步骤二中多项logistic模型估计的转移概率
Figure BDA0001485452300000113
为：
Figure BDA0001485452300000114
其中：定义狄拉克函数
Figure BDA0001485452300000115
表示风险类别i下所有观测样本中多项logistic回归自变量向量的均值；
则对于风险状态Si，其下一时刻转移至各风险状态的概率比值为：
Figure BDA0001485452300000117
根据前向算法和后向算法的递推结果
Figure BDA0001485452300000118
更新多项logistic模型参数，即令
Figure BDA0001485452300000119
等于
Figure BDA00014854523000001110
等价于令以下等式成立：
Figure BDA00014854523000001111
其中：
Figure BDA00014854523000001112
表示修正后的模型参数，公式(10)两边同时取对数：
Figure BDA00014854523000001113
假设每个类别项参数向量
Figure BDA00014854523000001114
内的各元素以相同比例
Figure BDA00014854523000001115
进行调整修正，则修正后的回归系数应满足如下迭代等式：
根据多项logistic模型效用值的相对性性质可令进而迭代求解式(12)，获得修正后的第k项回归系数
Figure BDA0001485452300000123
d)不断迭代更新模型参数
Figure BDA0001485452300000124
及其他模型参数(按Baum-Welch标准算法)，直到连续两次重估的模型参数对应的概率
Figure BDA0001485452300000125
的增量小于给定的收敛阈值，最终得到的模型参数
Figure BDA0001485452300000126
即为给定观测样本下最优的隐马尔可夫模型，相应的由模型参数
Figure BDA0001485452300000127
即为最终求得的可以反映驾驶员、道路和环境特征的行车风险状态转移概率矩阵。
步骤四：实时获取步骤一中列出的车辆、驾驶员、道路和环境信息数据，并以步骤三得到的反映行车状态演变规律的隐马尔可夫链模型为基础，实时预测未来风险状态；
实时预测未来风险状态的方法为：
步骤1:在车联网环境下，信息采集设备实时采集步骤一中列出的车辆、驾驶员、道路和环境信息变量x1-x16，将当前时刻设为第T个时间窗的起始时刻，结合由存储设备存储的前T-1个滚动时间窗起始时刻的车辆行驶信息变量向量(即步骤三定义的隐马尔可夫实际观测的车辆运动变量ot＝[x1t′，x2t′，x3t′，x4t′]，其中t′为时刻t时间窗的起始时刻)和驾驶员、道路和环境信息变量向量(即步骤二定义的多项logistic回归模型自变量Zt＝[x5t′，x6t′，...，x16t′]，其中t′为时刻t时间窗的起始时刻)，获得时长均为T的观测样本O＝(o1，o2，...，oT)和Z＝(Z1，Z2，...，ZT)；
步骤2：根据步骤三得到的隐马尔可夫模型
Figure BDA0001485452300000128
以及步骤1中的观测样本O＝(o1，o2，...，oT)和Z＝(Z1，Z2，...，ZT)，通过Viterbi算法获得与观测样本O对应的最优隐含状态序列为Q＝(q1，q2，...，qT)，则预测得到以当前时刻为起始时刻的第T个时间窗内的行车风险状态为qT，即从当前时刻开始至未来w(滚动时间窗时长)时长内的行车风险状态预测为qT；
步骤3：根据步骤2得到的未来时间窗时长w内行车风险状态为qT，制定相应的车辆预警策略：当qT＝{S1，S2}时，车辆处于低风险状态，此时驾驶员无需采取任何处理措施；qT＝S3时，车辆处于临近碰撞风险状态，此时驾驶员应采取减速或转向避让措施；当qT＝{S4，S5}，两车处于紧急碰撞风险状态，此时驾驶员或车辆应采取紧急制动或紧急转向避让措施。以上三级策略分别对应的风险状态最终取值应由驾驶员行为特性和用户接受度特性决定，可通过设计不同车速和车头时距条件下的同车道双车跟车实验最终确定。
以上所述对本发明进行了简单说明，并不受上述工作范围限值，只要采取本发明思路和工作方法进行简单修改运用到其他设备，或在不改变本发明主要构思原理下做出改进和润饰的等行为，均在本发明的保护范围之内。

Claims (6)

1.一种基于隐马尔可夫模型的行车危险度预测方法，其特征在于，包括如下步骤：
S1：基于车辆运行特征通过聚类分析方法对行车风险状态进行划分；
S2：对于不同的行车风险状态，通过多项logistic模型估计驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响；
S3：以S1得到的风险状态为隐含状态，以实际观测的车辆运动变量为状态输出值，以S2得到的多项logistic模型参数为状态转移概率矩阵的参数初始值，建立反映行车状态演变规律的隐马尔可夫链模型；
建立反映行车状态演变规律的隐马尔可夫链模型的方法为：
S3.1：以S1得到的风险状态为隐含状态，以实际观测的车辆运动变量向量为状态输出值，定义具有连续观测值的基于高斯混合的隐马尔可夫链模型；
S3.2：以S2得到的多项logistic模型参数作为状态转移概率矩阵参数的初始值，其余初始模型参数根据实际样本统计特征确定，通过Baum-Welch算法迭代得到模型参数的最优解；
考虑驾驶员、道路和环境信息后修正的状态转移概率矩阵参数A＝{aij(Zt)}的迭代方法为：
S3.2.1：根据前向和后向算法，得到在给定观测值序列O＝(o1，o2，...，oT)和模型参数λ的条件下，模型时刻t处于Si状态且时刻t+1处于Sj状态的联合概率为：
Figure FDA0002172315450000011
其中qt为时间窗t的行车风险类别，Zt为t时间窗内的自变量，aij(Zt)为S2中获取的与时刻t时间窗内行车风险类别、驾驶员、道路和环境信息相关的基于多项logistic回归模型的状态转移概率；为提高算法收敛速度，可由
Figure FDA0002172315450000012
项代替时变的aij(Zt)项，其中表示风险类别i下所有观测样本中多项logistic回归自变量向量的均值；bj(ot+1)表示风险状态Sj下观测到ot+1的概率：
Figure FDA0002172315450000021
其中cjm是风险状态Sj下第m个高斯分布的权值，N(ot+1，μjm，∑jm)为第m个高斯分布下观测值ot+1的概率，μjm和∑jm分别是风险状态Sj下第m个高斯分布的均值向量和协方差矩阵；αt(i)为前向变量，表示给定模型参数λ的条件下，从初始时刻到时刻t的部分观测值序列o1，o2，...，ot和时刻t模型处于状态Si的联合概率，即：αt(i)＝P(o1，o2，...，ot，qt＝Si|λ)其大小可由前向算法递推过程计算获取；βt+1(j)为后向变量，表示给定模型参数λ和时刻t+1模型处于状态Sj的条件下，从时刻t+2时刻到最终时刻模型的部分观测值序列ot+2，ot+3，...，oT的联合概率，即：βt+1(j)＝P(ot+2，ot+3，...，oT|，qt+1＝Sj，λ)其大小可由后向算法递推过程计算获取；
S3.2.2：根据前向和后向算法，得到在给定观测值序列O＝(o1，o2，...，oT)和模型参数λ的条件下，模型时刻t处于Si状态的概率为：
Figure FDA0002172315450000022
S3.2.3：对ξt(i，j)按时间维度进行求和获得从状态Si转移至状态Sj的期望次数为
Figure FDA0002172315450000023
同理对γt(i)按时间维度进行求和获得从状态Si发生状态转移的期望次数为
Figure FDA0002172315450000024
则从状态Si转移至状态Sj的期望概率为：
Figure FDA0002172315450000025
同时由S2中多项logistic模型估计的转移概率
Figure FDA0002172315450000026
为：
其中
Figure FDA0002172315450000032
表示在风险类别i条件下多项logistic回归中第j风险类别项的回归系数，定义狄拉克函数 表示风险类别i下所有观测样本中多项logistic回归自变量向量的均值；则对于风险状态Si，其下一时刻转移至各风险状态的概率比值为：
Figure FDA0002172315450000035
根据前向算法和后向算法的递推结果
Figure FDA0002172315450000036
更新多项logistic模型参数，即令
Figure FDA0002172315450000037
等于
Figure FDA0002172315450000038
等价于令以下等式成立：其中
Figure FDA00021723154500000310
表示修正后的模型参数，等式两边同时取对数：
Figure FDA00021723154500000311
假设每个类别项参数向量
Figure FDA00021723154500000312
内的各元素以相同比例
Figure FDA00021723154500000313
进行调整修正，则修正后的回归系数应满足如下迭代等式：
Figure FDA00021723154500000314
根据多项logistic模型效用值的相对性性质可令
Figure FDA00021723154500000315
进而迭代求解上述等式，获得修正后的第k项回归系数
Figure FDA00021723154500000316
S3.2.4：不断迭代更新模型参数
Figure FDA00021723154500000317
及其他模型参数，直到连续两次重估的模型参数对应的概率
Figure FDA00021723154500000318
的增量小于给定的收敛阈值，最终得到的模型参数
Figure FDA00021723154500000319
即为给定观测样本下最优的隐马尔可夫模型，相应的由模型参数
Figure FDA00021723154500000320
即为最终求得的可以反映驾驶员、道路和环境特征的行车风险状态转移概率矩阵；
S4：实时获取S1中的车辆运行特征，并以隐马尔可夫链模型为基础，实时预测未来风险状态。
2.根据权利要求1所述的一种基于隐马尔可夫模型的行车危险度预测方法，其特征在于，所述车辆运行特征包括车辆行驶信息、驾驶员信息、道路信息及环境信息。
3.根据权利要求2所述的一种基于隐马尔可夫模型的行车危险度预测方法，其特征在于，所述车辆行驶信息包括本车速度，本车加速度，本车与前车之间距离和本车与前车之间的距离变化率；所述驾驶员信息包括事故或邻近事故发生前驾驶员操纵行为，驾驶员注意力区域，驾驶员非驾驶任务数目，驾驶员非驾驶任务等级及驾驶员方向盘使用情况；所述道路信息包括车道数，交通流密度，道路线形及道路纵坡；所述环境信息包括照明情况，天气状况及路面状况。
4.根据权利要求1所述的一种基于隐马尔可夫模型的行车危险度预测方法，其特征在于，所述S1中通过聚类分析方法对行车风险状态进行划分实现方法如下：
S1.1：获取事故数据样本及邻近事故数据样本，其中每个样本为事故发生前车辆运行特征时间序列；
S1.2：采用滚动时间窗对时间序列数据样本进行分割，对每个样本分别计算分割后的滚动时间窗内车辆行驶信息变量的期望值和方差值；
S1.3：对车辆行驶信息变量的期望值和方差值进行聚类分析，计算每个类别中所有样本的平均碰撞时间TTC及平均车间时间THW，对TTC和THW的大小进行排序，得到行车过程的风险类别。
5.根据权利要求2所述的一种基于隐马尔可夫模型的行车危险度预测方法，其特征在于，所述S2中驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响估计方法如下：利用滚动时间窗在每一个样本时间序列中，以时刻t时间窗的起始时刻t′观测得到的驾驶员、道路和环境信息变量为自变量，以下一个时间窗t+1的行车风险类别qt+1为因变量，得到Nr组自变量-因变量回归样本，建立驾驶员行为和周围交通环境特征与行车风险状态类别的多项logistic回归模型为：
Figure FDA0002172315450000041
其中aij(Zt)＝P(qt+1＝Sj|qt＝Si)表示风险状态由时刻t的Si状态转移至时刻t+1的Sj状态的概率，即状态间转移概率，其大小与时刻t时间窗内的自变量Zt有关，
Figure FDA0002172315450000051
表示属于风险类别i的自变量样本，
Figure FDA0002172315450000052
表示在风险类别i条件下多项logistic回归中第j风险类别项的回归系数，
Figure FDA0002172315450000053
表示在风险类别i条件下多项logistic回归中第k风险类别项的回归系数，K为风险类别数。
6.根据权利要求1所述的一种基于隐马尔可夫模型的行车危险度预测方法，其特征在于，所述S4中实时预测未来风险状态的方法为：
S4.1：在车联网环境下，信息采集设备实时采集车辆运行特征，将当前时刻设为第T个时间窗的起始时刻，结合由存储设备存储的前T-1个滚动时间窗起始时刻的车辆行驶信息变量向量ot和驾驶员、道路和环境信息变量向量Zt，获得时长均为T的观测样本O＝(o1，o2，...，oT)和Z＝(Z1，Z2，...，ZT)；
S4.2：根据S3得到的隐马尔可夫模型
Figure FDA0002172315450000054
以及观测样本O和Z，通过Viterbi算法获得与观测样本O对应的最优隐含状态序列为Q＝(q1，q2，...，qT)，则预测得到以当前时刻为起始时刻的第T个时间窗内的行车风险状态为qT，即从当前时刻开始至未来时间窗时长内的行车风险状态预测为qT；
S4.3：根据S4.2得到的未来时间窗时长内行车风险状态为qT，可制定相应的车辆预警策略。
CN201711215460.6A 2017-11-28 2017-11-28 一种基于隐马尔可夫模型的行车危险度预测方法 Active CN107958269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711215460.6A CN107958269B (zh) 2017-11-28 2017-11-28 一种基于隐马尔可夫模型的行车危险度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711215460.6A CN107958269B (zh) 2017-11-28 2017-11-28 一种基于隐马尔可夫模型的行车危险度预测方法

Publications (2)

Publication Number Publication Date
CN107958269A CN107958269A (zh) 2018-04-24
CN107958269B true CN107958269B (zh) 2020-01-24

Family

ID=61962215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711215460.6A Active CN107958269B (zh) 2017-11-28 2017-11-28 一种基于隐马尔可夫模型的行车危险度预测方法

Country Status (1)

Country Link
CN (1) CN107958269B (zh)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648447B (zh) * 2018-05-08 2019-04-05 清华大学 基于行车安全场的车辆智能安全决策方法
CN109376892B (zh) * 2018-06-12 2021-11-02 电子科技大学 一种基于设备所处生命周期阶段的设备状态预测方法
CN110633597B (zh) * 2018-06-21 2022-09-30 北京京东尚科信息技术有限公司 一种可行驶区域检测方法和装置
CN109409207B (zh) * 2018-09-10 2022-04-12 阿波罗智能技术(北京)有限公司 无人车内乘客状态的识别方法、装置、设备及存储介质
CN109177982B (zh) * 2018-10-31 2020-05-08 吉林大学 考虑驾驶风格的车辆行驶危险度评价方法
CN109542081B (zh) * 2018-11-14 2021-06-22 江苏大学 一种基于线下车辆减速度曲线的线上行车危险估计方法
CN109377761A (zh) * 2018-12-10 2019-02-22 南京理工大学 基于马尔可夫链模型的交通因子网络构建方法
CN109685273A (zh) * 2018-12-25 2019-04-26 江苏满运软件科技有限公司 车辆的刹车失灵预警方法、装置、电子设备、存储介质
CN111383362B (zh) * 2018-12-29 2022-07-29 北京骑胜科技有限公司 一种安全监测方法及装置
CN109686125B (zh) * 2019-01-11 2021-05-18 重庆邮电大学 一种基于hmm的v2x车联网车辆防撞预警系统
CN109978395B (zh) * 2019-03-29 2022-12-13 长安大学 一种智能车间加工任务自治分配模型的创成方法
CN109993983B (zh) * 2019-04-09 2020-10-27 西安交通大学 一种基于马尔科夫链的智能交通车辆自适应诱导方法
CN110143202A (zh) * 2019-04-09 2019-08-20 南京交通职业技术学院 一种危险驾驶识别与预警方法及系统
CN110379203B (zh) * 2019-06-21 2021-08-03 江苏大学 一种行车转向碰撞预警方法
CN110288835B (zh) * 2019-06-28 2021-08-17 江苏大学 一种基于运动学预测补偿机制的周边车辆行为实时识别方法
CN110490275B (zh) * 2019-06-28 2020-07-07 北京理工大学 一种基于迁移学习的驾驶行为预测方法
CN110588658B (zh) * 2019-09-26 2020-12-29 长安大学 一种基于综合模型检测驾驶员风险等级的方法
CN110562261B (zh) * 2019-09-26 2021-07-23 长安大学 一种基于马尔可夫模型检测驾驶员风险等级的方法
CN110705628B (zh) * 2019-09-26 2022-07-19 长安大学 一种基于隐马尔可夫模型检测驾驶员风险等级的方法
CN110753382B (zh) * 2019-10-23 2021-08-17 中南大学 一种基于车辆位置预测的车载网络路由设置方法
CN110803203B (zh) * 2019-11-06 2021-11-26 中国铁道科学研究院集团有限公司通信信号研究所 一种高速铁路行车轨迹的演进预测方法及系统
CN111008238B (zh) * 2019-11-15 2023-10-10 武汉楚誉科技股份有限公司 基于关联演化大数据的关键模式自动定位与预警方法
CN111079827B (zh) * 2019-12-13 2023-04-07 中国铁道科学研究院集团有限公司电子计算技术研究所 一种铁路数据状态评估方法及系统
CN111027633B (zh) * 2019-12-16 2020-12-08 乐清市芮易经济信息咨询有限公司 基于大数据的自动驾驶车辆碰撞分析系统的碰撞分析方法
CN110936954B (zh) * 2020-01-02 2020-12-01 南京航空航天大学 一种考虑车辆双向交互的智能车预测决策融合方法
CN111332362B (zh) * 2020-03-10 2021-06-25 吉林大学 一种融合驾驶员个性的智能线控转向控制方法
CN111532339B (zh) * 2020-04-20 2021-11-12 合肥工业大学 一种智能车辆个性化侧向辅助驾驶方法及其系统
JP7451821B2 (ja) * 2020-07-09 2024-03-18 トヨタ モーター ノース アメリカ，インコーポレイティド 動的に適応させる運転モードセキュリティ制御
CN111983480B (zh) * 2020-08-19 2023-02-28 华晟（青岛）智能装备科技有限公司 一种基于马氏过程的agv电量状态预测方法及系统
US11577732B2 (en) 2020-10-28 2023-02-14 Argo AI, LLC Methods and systems for tracking a mover's lane over time
CN112466158B (zh) * 2020-11-26 2022-04-29 东南大学 一种面向平面交叉口的车辆碰撞风险评估及预测方法
CN113158859B (zh) * 2021-04-12 2024-08-23 浙江工业大学 一种基于pomdp和面部行为分析的驾驶培训辅助方法
CN112966885B (zh) * 2021-05-12 2021-07-13 西南交通大学 坡面破坏模式概率预测方法、装置、设备及可读存储介质
CN113096405B (zh) * 2021-06-10 2021-09-03 天津所托瑞安汽车科技有限公司 预测模型的构建方法、车辆事故预测方法及装置
CN113505935B (zh) * 2021-07-26 2022-06-28 上海东方低碳科技产业股份有限公司 基于集成算法的电力异常波动检测和预测计算方法
CN113934930B (zh) * 2021-10-08 2023-04-18 宜兴市旭航电子有限公司 基于概率和隐马尔可夫模型的用户喜好预测系统及方法
CN114148321B (zh) * 2021-11-22 2023-06-20 长安大学 一种考虑碰撞风险的自动紧急制动及安全评价方法
CN114566051A (zh) * 2022-03-18 2022-05-31 武汉理工大学 基于logistic模型的高速公路转换区严重冲突识别方法
CN114771575A (zh) * 2022-05-16 2022-07-22 天津大学 基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法
CN115376316B (zh) * 2022-08-19 2023-05-30 北京航空航天大学 一种基于隐式马尔可夫链的危险跟驰行为识别方法
CN116226787B (zh) * 2023-05-04 2023-08-01 中汽信息科技(天津)有限公司 商用车出险概率预测方法、设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568200A (zh) * 2011-12-21 2012-07-11 辽宁师范大学 车辆行驶状态实时判别的方法
CN106740864A (zh) * 2017-01-12 2017-05-31 北京交通大学 一种驾驶行为意图判断与预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9177549B2 (en) * 2013-11-01 2015-11-03 Google Inc. Method and system for cross-lingual voice conversion

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568200A (zh) * 2011-12-21 2012-07-11 辽宁师范大学 车辆行驶状态实时判别的方法
CN106740864A (zh) * 2017-01-12 2017-05-31 北京交通大学 一种驾驶行为意图判断与预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
危险换道驾驶行为预测方法研究;熊晓夏 等;《汽车工程》;20170930;第39卷(第9期);第1040-1046页 *
基于markov转移矩阵预测机场道面使用状态;袁捷 等;《同济大学学报（自然科学版）》;20121130;第40卷(第11期);第1666-1671页 *
考虑人_车_路因素的行车风险评价方法研究;吴剑;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170315;第1-9页 *
面向驾驶辅助系统的换道安全性预测模型研究;倪捷 等;《交通运输系统工程与信息》;20160830;第16卷(第4期);第95-100页 *

Also Published As

Publication number Publication date
CN107958269A (zh) 2018-04-24

Similar Documents

Publication Publication Date Title
CN107958269B (zh) 一种基于隐马尔可夫模型的行车危险度预测方法
CN110949398B (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN111079590B (zh) 一种无人驾驶车辆的周边车辆行为预判方法
CN107742193B (zh) 一种基于时变状态转移概率马尔可夫链的行车风险预测方法
CN107229973B (zh) 一种用于车辆自动驾驶的策略网络模型的生成方法及装置
CN112046489B (zh) 一种基于因子分析和机器学习的驾驶风格辨识算法
Wang et al. A learning-based personalized driver model using bounded generalized Gaussian mixture models
CN111783943B (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
CN111292534A (zh) 一种基于聚类与深度序列学习的交通状态估计方法
Li et al. Development and evaluation of two learning-based personalized driver models for pure pursuit path-tracking behaviors
Yen et al. Proactive car-following using deep-reinforcement learning
CN111159642B (zh) 一种基于粒子滤波的在线轨迹预测方法
CN108491859A (zh) 基于自动编码机的驾驶行为异质性特征的识别方法
CN116383685A (zh) 一种基于时空交互图注意力网络的车辆变道检测方法
CN111907523B (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
Chu et al. A review of driving style recognition methods from short-term and long-term perspectives
CN112985830A (zh) 一种abs结果自动判定算法
CN118238847B (zh) 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统
CN115774942A (zh) 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法
CN113033902B (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN115186594A (zh) 一种人-车-路耦合影响下的节能速度优化方法
CN112596388B (zh) 一种基于驾驶员数据的lstm神经网络aeb系统控制方法
McNew Predicting cruising speed through data-driven driver modeling
CN111160089B (zh) 一种基于不同车辆类型的轨迹预测系统及方法
CN114613131B (zh) 一种基于安全裕度的个性化前向碰撞预警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant