CN108388919B - 车载短距离通信网安全特征的识别和预警方法 - Google Patents

Abstract

本发明提供一种车载短距离通信网安全特征的识别和预警方法，车载节点根据获取的周围节点的心跳信息，经处理得到识别特征数据，以识别特征数据为训练数据构造安全特征分类树，对于安全预警的每个安全特征，构造并集成多个安全特征分类树，形成安全特征分类树集，确定相应的多个弱分类器，对于安全预警的所有安全特征，综合各弱分类器及其所占权重值，构造强分类器，驾驶过程中，以实时的识别特征数据为输入数据，利用强分类器进行安全特征识别与安全预警，并根据预警质量，调整各弱分类器所占权重，更新强分类器。本发明的车载节点通过采集全面而准确的数据，对数据进行分类、判断以及不断的学习过程，能够具备与驾驶环境自适应的安全预警能力。

Description

车载短距离通信网安全特征的识别和预警方法

技术领域

本发明涉及一种车载短距离通信网安全特征的识别和预警方法，属于车载网通信技术领域。

背景技术

车载短距离通信(Vehicle to X：V2X)网络是通过无线通信、GPS/GIS、传感等短距离通信技术实现的车内(CAN-Controller Area Network)、车路(Vehicle-2-RSU)、车间(Vehicle-2-Vehicle)、车外(vehicle-2-Infrastructure)、人车(Vehicle-2-Person)之间的通信。

驾驶车辆过程中，驾驶员可凭经验依据观察到的环境及周围车辆情况进行判断，并采取相应的措施规避可能出现的危险，且随着驾驶经验的积累，做出的判断会愈来愈准确。随着V2X技术的快速发展，车载节点可获得的信息实际上比驾驶员更为全面与准确，但由于车载节点不具备对信息的分类和判断能力及正确的预警能力，也不具备不断的学习能力，因而车载节点不具备安全预警功能。

随着人工智能技术的发展和应用，将机器学习算法应用于V2X技术中，使得车载节点可根据获取的各类信息，对各类信息进行分类、判断和学习成为可能。现有的机器学习算法，如boosting算法，特征分类较为简单，且不对分类结果进行评价，而车载节点用于安全预警的安全特征(如路况、天气、车速、位置等)复杂多变，因而，将现有的机器学习算法应用于车载节点，无法达到理想的安全预警效果。

发明内容

鉴于上述目的，本发明的目的是提供一种车载短距离通信网安全特征的识别和预警方法，结合V2X与人工智能技术，车载节点采集全面而准确的数据，并对数据进行分类、判断以及不断的学习，从而具备与驾驶环境自适应的安全预警能力。

为实现上述目的，本发明采用以下技术方案：

一种车载短距离通信网安全特征的识别和预警方法，包括：

车载节点根据接收的心跳信息，处理得到识别特征数据；

以识别特征数据为训练数据，构造安全特征分类树；

对于每个安全特征，构造并集成多个安全特征分类树，形成安全特征分类树集，并确定相应的弱分类器；

对于所有安全特征，根据各弱分类器及各弱分类器所占权重，构造强分类器。

车载短距离通信网安全特征的识别和预警方法，还包括：

车载节点以实时采集的识别特征数据为输入数据，利用所述强分类器进行安全特征识别与安全预警；

对安全预警质量进行评测；

根据安全预警质量评测结果，调整各弱分类器的权重值，更新所述强分类器。

构造并集成多个安全特征分类树的方法是：

对于安全特征n，设置S_n个安全特征分类树，

安全特征n的目标函数为：

其中，θ_i是第i个安全特征分类树的结构信息，β_i是该安全特征分类树的权重值，x是输入的识别特征数据，n∈N，N是安全特征的数量。

所述强分类器为：

其中，弱分类器h_i对应的权重值为α_i。

调整各弱分类器的权重值的方法是：

设S_w是弱分类器h_i判断错误的状态样本数据e_T的数量，则有：

S_w＝L₀(e_T，e_R) (5)

其中，e_R为结果样本数据；

计算弱分类器h_i的判断错误比例：

ε_i＝S_w/S_T (6)

其中，S_T是状态样本数据e_T的总数量；

计算弱分类器h_i的权重值：

计算弱分类器h_i的综合权重：

η_i＝(λα_i+(1-λ)α′_i) (8)

其中，0≤λ≤1，λ为动态训练结果数据与历史训练结果数据的分配比例。

更新所述强分类器为：

车载短距离通信网安全特征的识别和预警方法，还包括：车载节点通过心跳信息向周围节点广播所述安全特征分类树集与强分类器。

本发明的优点是：

1、本发明的车载短距离通信网安全特征的识别和预警方法，结合安全特征的复杂多变性，将多个安全特征分类树集成为安全特征分类树集，通过调整各个安全特征分类树的权重值，能够获得不同的安全特征识别能力，即可保证系统性能，又可提高安全预警能力；

2、本发明的车载短距离通信网安全特征的识别和预警方法，在驾驶过程中，能够输入实时的识别特征数据进行不断的学习，通过对安全预警质量进行评测，调整强分类器，不断提高强分类器的性能，从而提高车辆的安全特征识别与预警能力；

3、本发明的车载短距离通信网安全特征的识别和预警方法，充分结合V2X与人工智能技术，车载节点采集全面而准确的数据，并对数据进行分类、判断以及不断的学习，从而具备与驾驶环境自适应的安全预警能力。

附图说明

图1是本发明的方法流程示意图。

具体实施方式

以下结合附图和实施例对本发明做进一步详细的描述。

如图1所示，本发明公开的一种车载短距离通信网安全特征的识别和预警方法，包括以下步骤：

S1：构造用于安全预警的安全特征分类树；

在V2X网络中，车载节点定期向周期节点(车载节点、路侧节点)广播包括车辆唯一标识和车辆位置等信息的心跳信息，同时接收周围节点发送的心跳信息。车载节点根据接收的心跳信息，结合本车的位置信息，以及保存的历史心跳信息，经计算处理得到周围车辆的方位、实时速度、速度变化、位置变化、相对本车速度等识别特征数据。根据所应用的安全预警机制及学习算法的需要，也可以计算处理得到其他的识别特征数据。

以生成的识别特征数据作为训练数据，构造安全特征分类树。即，基于训练数据，采用分类与回归树方法进行分类构造出树形结构。对于树形结构的每个节点，根据训练数据在该节点的纯度最小的方法进行二叉树分类，按此方法进行逐级分类，最终得到安全特征分类树。其中：

第m个节点的纯度按照式(1)计算：

其中，p_m(k)是训练数据属于节点k的比例，计算公式为：

其中，I(A)是判断函数，表示当A成立时I(A)＝1，当A不成立时I(A)＝0，y_i是训练数据的样本类型，用于将训练数据进行分类，例如将车辆之间的距离数据分类为{远，近}。k＝1，2，…，K，K是训练数据的样本类型的类型总数，N_m是训练数据的数量。根据公式(1)、(2)，第m个节点的分类依据是min(i(m))。

S2：对于每个安全特征，构造并集成多个安全特征分类树，确定相应的弱分类器；

由于车辆安全预警涉及的安全特征复杂多变，每个安全特征的影响因素也较为复杂，单一的安全特征分类树难以实现准确的分类，因而，对于每个安全特征，构造多个安全特征分类树，并将多个安全特征分类树集成形成安全特征分类树集，确定相应的弱分类器，提高分类树的性能。

具体的说，设有N个安全特征，依据不同的复杂度、精细度，对每个安全特征构造多个安全特征分类树。即，对于安全特征n，n∈N，设置S_n个安全特征分类树。

安全特征n的目标函数为：

其中，θ_i是第i个安全特征分类树的结构信息，β_i是该安全特征分类树的权重值，x是输入的识别特征数据。通过调整各个安全特征分类树的权重值，能够获得不同的安全特征识别能力。

例如，安全特征为两车距离，设置两个安全特征分类树，即分类方式较简单而粗略的第一分类树{远，近}，及分类方式较复杂而精细的第二分类树{0-1米，1-2米，2-4米，4-7米，7-11米，...}。应用于实际的安全预警过程时，两车距离较远时，提高第一分类树所占权重，即仅需获知相邻车辆的大致距离与方位，而无需关心两车的实际距离及车距变化，可降低系统运算量；而两车距离较近时，通过提高第二分类树所占权重，通过监测两车的实际距离及车距变化，及时监测安全风险。这样，通过调整两个安全特征分类树的权重值，能够获得远距离不太精细，近距离较为精细的安全特征识别能力，既可保证系统性能，又可提高安全预警能力。

S3：对于所有安全特征，构造强分类器；

对于用于车辆安全预警的所有安全特征，将各安全特征对应的各弱分类器加权得到强分类器，用于安全预警评测。

利用公式(3)可获得N个安全特征所对应的N个目标函数，采用w(w大于N，根据不同的目标函数，由系统设定一个目标函数采用几个弱分类器进行评测)个弱分类器h_i对各目标函数进行评测，设弱分类器h_i对应的权重值为α_i，则，得到强分类器H为：

其中，i∈{1，2，…，w}。

S4：利用强分类器进行安全特征识别与安全预警；

车载节点根据接收的周围车载节点的心跳信息，结合本车的位置信息，通过计算处理获得识别特征数据，将实时的识别特征数据输入安全特征分类树集，根据公式(3)，获得关于本车和周围车载节点的N个安全特征，利用弱分类器h_i对识别的安全特征进行评测，然后，利用强分类器H获得最终的评测结果。

S5：安全预警质量评测；

强分类器的评测结果可分为极度危险、危险、预警等预警等级，若强分类器的评测结果达到危险预警等级，则在车载节点的屏幕显示危险特征源和危险因素，以及危险车辆，同时进行声音报警。

车载节点通过本车的状态变化(包括紧急动作、非紧急动作、无动作、人工停止报警等)，对本次安全预警的预警质量进行评测，评测结果包括非常有效、有效、无效、失误。

S6：根据安全预警质量评测结果，调整各弱分类器所占权重，更新强分类器；

具体包括：

根据安全预警质量评测结果，对弱分类器h_i的动态训练结果数据进行评价，评价方法为：

设S_w是弱分类器h_i判断错误的状态样本数据e_T的数量，则有：

S_w＝L₀(e_T，e_R) (5)

其中，e_R为结果样本数据。

计算弱分类器h_i的判断错误比例：

ε_i＝S_w/S_T (6)

其中，S_T是状态样本数据e_T的总数量。

基于弱分类器h_i的动态训练结果数据，计算弱分类器h_i的权重值：

计算弱分类器h_i的综合权重：

η_i＝(λα_i+(1-λ)α′_i) (8)

其中，0≤λ≤1，λ为动态训练结果数据与历史训练结果数据的分配比例，用于平衡动态训练结果和历史训练结果的比例。

根据调整后的各弱分类器所占权重值，更新强分类器H为：

S7：安全特征分类树集与强分类器分享。

车载节点通过心跳信息向周围节点广播构造的安全特征分类树集与强分类器。

本发明的车载短距离通信网安全特征的识别和预警方法，车载节点根据获取的周围节点的心跳信息，经处理得到识别特征数据，以识别特征数据为训练数据构造安全特征分类树，对于安全预警的每个安全特征，构造并集成多个安全特征分类树，形成安全特征分类树集，确定相应的多个弱分类器，对于安全预警的所有安全特征，综合各弱分类器及其所占权重值，构造强分类器，车辆在驾驶过程中，以实时的识别特征数据为输入数据，利用强分类器进行安全特征识别与安全预警，并根据预警质量，调整各弱分类器所占权重，更新强分类器。本发明是将V2X技术与人工智能相结合，车载节点通过采集全面而准确的数据，对数据进行分类、判断以及不断的学习过程，能够具有与驾驶环境自适应的安全预警能力。

以上所述是本发明的较佳实施例及其所运用的技术原理，对于本领域的技术人员来说，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变，均属于本发明保护范围之内。

Claims (6)

1.一种车载短距离通信网安全特征的识别和预警方法，其特征在于，包括：

车载节点根据接收的心跳信息，处理得到识别特征数据，其中，心跳信息包括车辆唯一标识和车辆位置信息；

以识别特征数据为训练数据，构造安全特征分类树；

对于每个安全特征，依据不同的复杂度、精细度，构造多个安全特征分类树，并将多个安全特征分类树集成形成安全特征分类树集，以及确定相应至少一个弱分类器，其中，安全特征包括路况、天气、车速、位置和两车距离；

对于所有安全特征，根据各弱分类器及各弱分类器所占权重，构造强分类器；

车载节点以识别特征数据为输入数据，利用强分类器进行安全特征识别与安全预警；

对安全预警质量进行评测；

根据安全预警质量评测结果，调整各弱分类器的权重值，更新强分类器。

2.根据权利要求1所述的车载短距离通信网安全特征的识别和预警方法，其特征在于，构造并集成多个安全特征分类树的方法是：

对于安全特征n，设置S_n个安全特征分类树，

安全特征n的目标函数为：

其中，θ_i是第i个安全特征分类树的结构信息，β_i是该安全特征分类树的权重值，x是输入的识别特征数据，n∈N，N是安全特征的数量。

3.根据权利要求2所述的车载短距离通信网安全特征的识别和预警方法，其特征在于，所述强分类器为：

其中，弱分类器h_i对应的权重值为α_i。

4.根据权利要求3所述的车载短距离通信网安全特征的识别和预警方法，其特征在于，调整各弱分类器的权重值的方法是：

设S_w是弱分类器h_i判断错误的状态样本数据e_T的数量，则有：

S_w＝L₀(e_T,e_R) (5)

其中，e_R为结果样本数据；

计算弱分类器h_i的判断错误比例：

ε_i＝S_w/S_T (6)

其中，S_T是状态样本数据e_T的总数量；

计算弱分类器h_i的权重值：

计算弱分类器h_i的综合权重：

η_i＝(λα_i+(1-λ)α_i') (8)

其中，0≤λ≤1，λ为动态训练结果数据与历史训练结果数据的分配比例。

5.根据权利要求4所述的车载短距离通信网安全特征的识别和预警方法，其特征在于，更新所述强分类器为：

6.根据权利要求1所述的车载短距离通信网安全特征的识别和预警方法，其特征在于，还包括：车载节点通过心跳信息向周围节点广播所述安全特征分类树集与强分类器。

Images