发明内容
本发明的目的在于提供一种基于车载短距离通信网络的安全驾驶K最近邻预测方法,其采用人工智能的K最近邻分类算法的基本原理,并结合V2X网络的特点提出。
为了实现上述目的,本发明采用了以下技术方案:
一种基于车载短距离通信网络的安全驾驶K最近邻预测方法,其特征在于,它包括步骤:
1)通过车载短距离通信网络将最新的各类交通事故的事发前数据集合与本次下发数据的时间戳一起下发给各路侧节点;
2)当前车载节点行驶到路侧节点的广播覆盖范围内后,接收到从该路侧节点广播的事发前数据集合,并利用时间戳同自身存储的事发前数据集合进行比较,其中:如果本地不存在接收的事发前数据集合,则存储到本地的事故数据库中;如果本地存在接收的事发前数据集合,则忽略并删除接收的事发前数据集合;
3)当前车载节点通过车载短距离通信网络基于心跳信息接收周围各车载节点的位置数据,并通过自身和周围各车载节点的位置数据计算出周围各车载节点的实时数据,其中:实时数据具有与事发前数据集合所具有的特征类型相同的特征类型;
4)按照欧氏空间的距离公式,计算周围各车载节点的实时数据中的特征类型数据与各条事发前数据中的特征类型数据之间的距离,其中:事发前数据集合具有m条事发前数据,每条事发前数据具有一组特征类型数据;
5)对于周围每个车载节点,对其实时数据与事发前数据通过4)计算出的m个距离进行排序,基于排序结果对危险种类和危险等级做出判断;
6)预测结束。
本发明的优点是:
本发明采用人工智能的K最近邻分类算法的基本原理,并结合V2X网络的特点提出,在行驶过程中可实时预测危险类型和危险等级,预测速度快,预测结果准确可靠,大大提高了车辆行驶的安全性。
具体实施方式
如图1,本发明基于车载短距离通信网络的安全驾驶K最近邻预测方法包括如下步骤:
1)诸如交通控制台等这类控制中心通过车载短距离通信网络(即V2X网络)将最新的各类交通事故的事发前数据集合,即最新事故发生之前的数据集合,与本次下发数据的时间戳一起下发给各路侧节点;
2)当前车载节点行驶到路侧节点的广播覆盖范围内后,接收到从该路侧节点广播的最新的各类交通事故的事发前数据集合,并利用时间戳同自身存储的事发前数据集合进行比较,其中:如果本地不存在接收的事发前数据集合,则将该事发前数据集合存储到本地的事故数据库中;反之,如果本地存在接收的事发前数据集合,则忽略不存储并删除接收的事发前数据集合;
3)当前车载节点通过车载短距离通信网络(即V2X网络)基于心跳信息(已知技术)接收周围各车载节点的位置数据,并通过自身,即当前车载节点和周围各车载节点的位置数据计算出预测所需的周围各车载节点的实时数据,其中:实时数据具有与事发前数据集合所具有的特征类型相同的特征类型;
4)按照n维欧氏空间的距离公式(已知公式),计算周围各车载节点的实时数据中的特征类型数据与各条事发前数据中的特征类型数据之间的距离,其中:事发前数据集合具有m条事发前数据,每条事发前数据具有一组特征类型数据,因此,换句话说,事发前数据集合中的m组特征类型数据需要分别与周围各车载节点的实时数据中的特征类型数据计算一遍距离;
5)对于周围每个车载节点,对其实时数据与事发前数据通过4)计算出的m个距离进行排序,基于排序结果对危险种类和危险等级做出判断;
6)预测结束,给出诸如声光及图像提示。
在本发明中,路侧节点即为安装在道路一侧的智能装置,车载节点即为安装有智能装置的车辆。路侧节点、车载节点具有无线方式接收、发送数据的功能,并且车载节点具有对数据进行计算、处理与分析的功能。
在本发明中,路侧节点的广播覆盖范围根据车载短距离通信网络的传输距离来合理设定,通常传输距离在1000米之内。
在本发明中,事故车辆在发生事故前的一段数据,即事发前数据是对其它车辆进行安全预警的重要数据来源,但是这些数据需要整理成合适的向量形式,这样,下发到当前车载节点中的这些数据才能用于K最近邻算法,因此,本发明采取如下措施:
在步骤1)中,各类交通事故的事发前数据集合按照{T,A}的格式下发给各路侧节点,其中:
T为本次下发数据的时间戳,用于标识不同时间下发的数据;
A为各类交通事故的事发前数据集合;
各类交通事故的事发前数据集合A整理成下式1)所示的向量形式:
在式1)中:
u为事发前数据的序号,用于标识记录的数据,u=1,2,……,m,m为大于0的正整数,
r为车辆类型数据,车辆类型例如为小型乘用车、中型乘用车、大型乘用车、载重卡车等,r为大于0的正整数,车辆类型用1位或2位或更多位数字表示,每位上的数字为0至9的正整数,
k为道路类型数据,用于标识事故发生所在的道路类型,道路类型例如为高速公路、郊区道路、市区环线道路、市区普通道路等,k为大于0的正整数,道路类型用1位或2位或更多位数字表示,每位上的数字为0至9的正整数,a1,a2,a3,...,an分别为发生事故的两车辆的n个特征类型数据,特征类型例如为:a1表示两车间距离,a2表示两车间相对速度,a3表示两车间加速度,a4表示两车间前后方位,……等,a1,a2,a3,...,an均为大于0的正整数,各特征类型用1位或2位或更多位数字表示,每位上的数字为0至9的正整数,
y为事故类型数据,事故类型例如为直行事故、追尾事故、超车事故、左转弯事故、右转弯事故、停车事故等,y为大于0的正整数,事故类型用1位或2位或更多位数字表示,每位上的数字为0至9的正整数。
在本发明中,通过当前车载节点和周围各车载节点的位置数据(地理位置数据)计算实时数据的过程,如如何通过两点位置计算出两车间距离、相对速度、加速度、前后方位等,为本领域的熟知技术,故在这里不加以详述。
在步骤3)中,实时数据用公式B={b1,b2,b3...,bn}表示,其中:b1,b2,b3...,bn为n个特征类型数据,实时数据B的特征类型与事发前数据的特征类型相同,实时数据的特征类型例如为两车间距离、相对速度、加速度、前后方位等;
周围一车载节点的实时数据中的特征类型数据与事发前数据集合中的第j组特征类型数据之间的距离
通过下式2)计算得到:
在式2)中:
n为特征类型数据的维度,此n即为事发前数据集合A中每组特征类型数据的特征类型数量n,j表示第j条事发前数据,j=1,2,……,m。
为调整某些特征类型的重要性,在实际实施时,可对各特征类型数据进行加权计算,具体措施为:上式2)用下式3)代替来计算距离:
在式3)中:
pi为第i个特征类型的权重值。
在步骤3)中,若当前车载节点基于心跳信息没有接收到周围车载节点的位置数据,则表示当前车载节点周围没有车辆,直接给出无危险的预测结果,跳至步骤6),预测结束。
在实际设计中,步骤5)具体包括步骤:
5-1)对周围一车载节点通过步骤4)计算出的m个距离按照从小到大的递增顺序排序;
5-2)从最小的距离开始,连续选取q个距离,其中,q为大于1的正整数,q值由系统设定;
5-3)确定在计算5-2)中选出的上述q个距离时用到的各组特征类型数据(即q组特征类型数据)在各自所在事发前数据中记录的事故类型y;
5-4)找到出现次数最多的事故类型y作为危险种类;
5-5)根据最小的距离判定出危险等级,即危险严重程度,例如:非常严重、严重、危险、一般风险等;
5-6)重复执行5-1)至5-5),直至周围所有车载节点的危险种类和危险等级全部判断完毕。
进一步来说,步骤5-5)的判定根据系统设定的各危险等级距离范围来确定,例如,如果求得的最小的距离非常小,处于非常严重的危险等级距离范围内,则应判断为非常严重。
在实际实施中,各路侧节点实时接收最新的各类交通事故的事发前数据集合,以提升预测精准度。
另外,当当前车载节点行驶到下一个路侧节点时,重复执行步骤2)-5),即可实现下一个周期的预测。
本发明采用人工智能中的K最近邻(k-Nearest Neighbor,KNN)分类算法的基本原理,并结合V2X网络的特点提出,从路侧节点提供的事发前数据中学习,对邻近的各车载节点进行实时预测,自动做出危险类型和危险等级判断,大大提高了车辆行驶的安全性,向“零交通事故”迈进了一步。
本发明基于人工智能(AI:Artificial Intelligence)实现,人工智能有效地应用于V2X网络可以为安全驾驶这类问题提供一条有效的途径。
本发明是基于交叉路口安全预警为例来说明的,当然也可应用于其他领域的安全预警,不受局限。
以上所述是本发明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。