CN113096411A - 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法 - Google Patents

一种基于车联网环境系统的交叉路口处车辆碰撞预警方法 Download PDF

Info

Publication number
CN113096411A
CN113096411A CN202110285852.XA CN202110285852A CN113096411A CN 113096411 A CN113096411 A CN 113096411A CN 202110285852 A CN202110285852 A CN 202110285852A CN 113096411 A CN113096411 A CN 113096411A
Authority
CN
China
Prior art keywords
vehicle
neural network
batch
lstm neural
hidden layer
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.)
Pending
Application number
CN202110285852.XA
Other languages
English (en)
Inventor
吴黎兵
樊浩南
夏有华
曹书琴
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110285852.XA priority Critical patent/CN113096411A/zh
Publication of CN113096411A publication Critical patent/CN113096411A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种基于车联网环境系统的交叉路口处车辆碰撞预警方法。远程服务中心首先判断当前时刻第一车辆、第二车辆是否均在同一路口范围内且均驶向路口；若是则远程服务中心通过优化后第一车辆LSTM神经网络预测得到当前时刻第一车辆预测批次样本，通过优化后第二车辆LSTM神经网络预测得到当前时刻第二车辆预测批次样本，并据此结合碰撞风险计算模型计算得到碰撞风险时间序列，然后将碰撞风险时间序列每个序列值与风险阈值比较，若碰撞风险大于风险阈值，则远程服务中心控制第一车辆和第二车辆减速行驶以规避碰撞风险。本发明与现有技术相比具有车辆行驶状态预测时延长，不需要人工设定车辆行驶参数，风险评估方式科学，预警精度高的优点。

Description

一种基于车联网环境系统的交叉路口处车辆碰撞预警方法
技术领域
本发明属于车联网和深度学习技术领域，尤其涉及一种基于车联网环境系统的交叉路口处车辆碰撞预警方法。
背景技术
随着经济与社会的快速发展，人民生活水平的日益提高，我国机动车保有量正在迅速增加。根据最新数据，截至2018年底，我国机动车保有量已达3.27亿，机动车驾驶人数首次突破4亿，达到4.09亿。伴随着机动车数量的快速增长，交通事故的发生也愈加频繁。仅2018年我国就发生交通事故24.5万起，死亡63194人，造成直接财产损失为13.8亿元。其中，发生在交叉路口处的交通事故约占交通事故总数的50％。因此，如何及时发现车辆在交叉路口处的碰撞风险并预警，成为了当前智能交通领域亟需解决的一个热点问题。
车联网技术是物联网在智能交通领域的应用，是以车内网、车际网和车载自组网为基础，依照约定的通信协议和数据交互标准，通过完成车与车、车与网络间的无线通信和信息交互，实现对交通的智能管理和控制的一体化网络。其特征可以总结为全面感知、可靠传输和智能处理。车辆通过车载传感器感知运行状态信息，并通过车与车、车与路侧设备之间的链接通路将信息传递给其它车辆，使得每辆车都能实时收到周围车辆的信息。相比于通过雷达、红外线进行感知的传统探测技术，基于车联网的感知技术具有性能稳定，不易受天气，电磁等外部环境影响的特点。车联网技术的出现，为解决交叉路口处的车辆碰撞问题提供了新的解决思路。
针对车辆在交叉路口处的碰撞预警通常分为两步：第一步是对车辆的行驶轨迹和状态进行预测，第二步是根据先前的预测结果判断车辆之间的碰撞风险并做出相应的决策。现有的车辆行驶轨迹预测方法主要分为基于运动学模型和基于机器学习两大类。基于运动学模型的轨迹预测方法可以在短期预测中取得了较高的精度，但由于车辆行驶受诸如驾驶员特性、交通状况等不确定因素影响，并呈现出复杂且不规则的曲线形态，单一的运动学模型很难达到理想的预测效果。所以，基于运动学的轨迹预测方法只能进行短期预测，其预测时间范围不超过1s。一旦超过这个时间范围，轨迹预测便会产生较大的误差。同时，基于机器学习的车辆轨迹预测方法计算复杂度高，无法综合考虑多种组合因素的影响且需要人工设定部分运算参数，一旦参数设置不当则会影响轨迹预测精度。因此，无论是基于运动学模型的车辆轨迹预测还是基于机器学习的车辆轨迹预测，交通场景的复杂性和驾驶员驾驶风格的多样性都使得轨迹预测充满不确定因素，进而会影响到碰撞预警系统的性能。
考虑到神经网络在处理非线性问题所表现出来的优异性能，深度学习技术中的递归神经网络被广泛运用于时序问题的预测领域，并显示出了其强大的信息挖掘能力和深度表征能力。作为递归神经网络的典型代表，标准RNN神经网络可以有效的处理非线性时序问题，但依然存在梯度消失和梯度爆炸问题，导致不能处理时延过长的时序问题。因此，LSTM神经网络应运而生。LSTM神经网络的主体结构与RNN神经网络相同。针对RNN的梯度消失和梯度爆炸问题，LSTM神经网络对RNN的隐藏层结构进行了一些改进。相比于RNN神经网络，LSTM神经网络除了有隐藏层序列ht外，还增加了一个序列ct作为细胞状态。除此之外，LSTM神经网络还在隐藏层中增加了3个门控结构，分别为遗忘门、输入门和输出门。这三个门控结构用来保护和控制细胞状态。基于此，本发明使用LSTM神经网络进行车辆在交叉路口处的行驶轨迹和速度预测。
发明内容
本发明的目的是从辅助驾驶员安全驾驶的角度出发，解决现有技术中的缺陷，提出一种基于车联网环境系统的交叉路口处车辆碰撞预警方法，并且该方法具有较高的可靠性和预警精度。
本发明车联网环境系统的技术方案包括：
第一速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一微处理器、第一无线通信模块、第二速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二微处理器、第二无线通信模块、第一车辆、第二车辆、远程服务中心；
所述的第一速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一微处理器、第一无线通信模块均放置于所述第一车辆上；
所述的第二速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二微处理器、第二无线通信模块均放置于所述第二车辆上；
所述第一微处理器分别与第一所述的速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一无线通信模块通过有线方式依次连接；所述第一无线通信模块与所述远程服务中心通过无线方式连接；
所述第二微处理器分别与第二所述的速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二无线通信模块通过有线方式依次连接；所述第二无线通信模块与所述远程服务中心通过无线方式连接；
所述第一速度传感器用于实时采集第一车辆速度并传输至所述第一微处理器；
所述第一位置传感器用于实时采集第一车辆位置并传输至所述第一微处理器；
所述第一行驶方向传感器用于实时采集第一车辆行驶方向并传输至所述第一微处理器；
所述第一微处理器将第一车辆速度、第一车辆位置、第一车辆行驶方向通过所述第一无线通信模块无线传输至所述远程服务中心；
所述第二速度传感器用于实时采集第二车辆速度并传输至所述第二微处理器；
所述第二位置传感器用于实时采集第二车辆位置并传输至所述第二微处理器；
所述第二行驶方向传感器用于实时采集第二车辆行驶方向并传输至所述第二微处理器；
所述第二微处理器将第二车辆速度、第二车辆位置、第二车辆行驶方向通过所述第二无线通信模块无线传输至所述远程服务中心；
所述远程服务中心结合实时采集的第一车辆速度、第一车辆位置、第一车辆行驶方向、第二车辆速度、第二车辆位置、第二车辆行驶方向实现所述的车联网环境下基于LSTM神经网络的车辆碰撞预警方法。
本发明所提出交叉路口处车辆碰撞预警方法，具体步骤如下
步骤1：远程服务中心分别构建第一车辆LSTM神经网络训练集、第二车辆LSTM神经网络训练集，进一步通过第一车辆LSTM神经网络训练集构建第一车辆LSTM神经网络批次训练集，进一步通过第二车辆LSTM神经网络训练集构建第二车辆LSTM神经网络批次训练集；
步骤2：远程服务中心构建第一车辆LSTM神经网络，将第一车辆LSTM神经网络批次训练集每批次样本依次输入至第一车辆LSTM神经网络进行预测，得到第一车辆LSTM 神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息，进一步结合第一车辆LSTM 神经网络批次训练集中每个批次的标签构建第一车辆LSTM神经网络损失函数模型，通过优化训练得到优化后第一车辆LSTM神经网络；
步骤3：远程服务中心构建第二车辆LSTM神经网络，将第二车辆LSTM神经网络批次训练集每批次样本依次输入至第二车辆LSTM神经网络进行预测，得到第二车辆LSTM 神经网络批次训练集每批次样本的下一时刻第二车辆行驶信息，进一步结合第二车辆LSTM 神经网络批次训练集中每个批次的标签构建第二车辆LSTM神经网络损失函数模型，通过优化训练得到优化后第二车辆LSTM神经网络；
步骤4：远程服务中心判断当前时刻第一车辆、第二车辆是否均在同一交叉路口范围内，若当前时刻第一车辆、第二车辆均在同一路口内，则远程服务中心进一步判断当前时刻第一车辆、第二车辆行驶方向是否均朝向路口；
步骤5：若第一车辆行驶方向、第二车辆行驶方向均为朝向路口，远程服务中心根据优化后第一车辆LSTM神经网络预测得到当前时刻第一车辆预测批次样本，根据优化后第二车辆LSTM神经网络预测得到当前时刻第二车辆预测批次样本；
步骤6：远程服务中心根据当前时刻第一车辆预测批次样本、当前时刻第二车辆预测批次样本，结合碰撞风险计算模型计算得到碰撞风险时间序列；
步骤7：远程服务中心将碰撞风险时间序列每个碰撞风险值与风险阈值比较，若存在碰撞风险值大于风险阈值，则远程服务中心将风险制动控制指令分别通过无线方式传输至第一无线传输模块、第二无线传输模块；第一微处理器接收第一无线传输模块的风险制动控制指令，进一步通过第一车辆制动系统控制第一车辆减速行驶；第二微处理器接收第二无线传输模块的风险制动控制指令，进一步通过第二车辆制动系统控制第二车辆减速行驶。反之则说明当前车辆处于安全状态，算法结束。
作为优选，步骤1所述构建第一车辆LSTM神经网络训练集为：
所述第一速度传感器采集多个时刻的第一车辆速度并传输至所述第一微处理器；
所述第一位置传感器采集多个时刻的第一车辆位置并传输至所述第一微处理器；
所述第一行驶方向传感器采集多个时刻的第一车辆行驶方向并传输至所述第一微处理器；
所述第一微处理器将多个时刻的第一车辆速度、多个时刻的第一车辆位置、多个时刻的第一车辆行驶方向通过所述第一无线通信模块无线传输至所述远程服务中心；
所述多个时刻的第一车辆速度具体定义为：
VA,k，k∈[1,K]
其中，VA,k为第k个时刻的第一车辆速度，K为采集时刻的数量；
所述多个时刻的第一车辆位置具体定义为：
(xA,k,yA,k)，k∈[1,K]
其中，(xA,k,yA,k)为第k个时刻的第一车辆位置，xA,k为第k个时刻的第一车辆横坐标，yA,k为第k个时刻的第一车辆纵坐标，K为采集时刻的数量；
所述多个时刻的第一车辆行驶方向具体定义为：
θA,k，k∈[1,K]
其中，θA,k为第k个时刻的第一车辆行驶方向，K为采集时刻的数量；
根据多个时刻的第一车辆速度、多个时刻的第一车辆行驶方向得到多个时刻的第一车辆在水平方向上的分速度、多个时刻的第一车辆在垂直方向上的分速度，具体为：
vA,k,x＝VA,k*cosθA,k
vA,k,y＝VA,k*sinθA,k
k∈[1,K]
其中，vA,k,x为第k个时刻的第一车辆在水平方向上的分速度，vA,k,y为第k个时刻的第一车辆在垂直方向上的分速度，K为采集时刻的数量；
步骤1所述第一车辆LSTM神经网络训练集的每个样本为：
TA,k＝[xA,k,yA,k,vA,k,x,vA,k,y]，k∈[1,K]
其中，TA,k第一车辆LSTM神经网络的训练集中第k个时刻的第一车辆样本，xA,k为第k个时刻的第一车辆横坐标，yA,k为第k个时刻的第一车辆纵坐标，vA,k,x为第k个时刻的第一车辆在水平方向上的分速度，vA,k,y为第k个时刻的第一车辆在垂直方向上的分速度， K为采集时刻的数量；
步骤1所述第一车辆LSTM神经网络批次训练集的批次样本为：
trainA,p＝{TA,(p-1)*L+1,TA,(p-1)*L+2,...,TA,(p-1)*L+L}
p∈[1,P]
其中，trainA,p表示第一车辆LSTM神经网络批次训练集中第p个批次样本，P为批次的数量，L表示第一车辆LSTM神经网络批次训练集中每个批次样本中第一车辆样本的数量，TA,(p-1)*L+q表示第一车辆LSTM神经网络批次训练集中第p个批次样本中第q个第一车辆样本；
步骤1所述第一车辆LSTM神经网络批次训练集中每个批次的标签为：
TA,p*L+1
p∈[1,P]
其中，TA,p*L+1表示第一车辆LSTM神经网络批次训练集中第p个批次样本的标签，即第一车辆LSTM神经网络批次训练集中第p+1个批次样本中第L个第一车辆样本；
步骤1所述第二车辆LSTM神经网络的训练集为：
所述第二速度传感器采集多个时刻的第二车辆速度并传输至所述第二微处理器；
所述第二位置传感器采集多个时刻的第二车辆位置并传输至所述第二微处理器；
所述第二行驶方向传感器采集多个时刻的第二车辆行驶方向并传输至所述第二微处理器；
所述第二微处理器将多个时刻的第二车辆速度、多个时刻的第二车辆位置、多个时刻的第二车辆行驶方向通过所述第二无线通信模块无线传输至所述远程服务中心；
所述多个时刻的第二车辆速度具体定义为：
VB,k，k∈[1,K]
其中，VB,k为第k个时刻的第二车辆速度，K为采集时刻的数量；
所述多个时刻的第二车辆位置具体定义为：
(xB,k,yB,k)，k∈[1,K]
其中，(xB,k,yB,k)为第k个时刻的第二车辆位置，xB,k为第k个时刻的第二车辆横坐标，yB,k为第k个时刻的第二车辆纵坐标，K为采集时刻的数量；
所述多个时刻的第二车辆行驶方向具体定义为：
θB,k，k∈[1,K]
其中，θB,k为第k个时刻的第二车辆行驶方向，K为采集时刻的数量；
根据多个时刻的第二车辆速度、多个时刻的第二车辆行驶方向得到多个时刻的第二车辆在水平方向上的分速度、多个时刻的第二车辆在垂直方向上的分速度，具体为：
vB,k,x＝VB,k*cosθB,k
vB,k,y＝VB,k*sinθB,k
k∈[1,K]
其中，vB,k,x为第k个时刻的第二车辆在水平方向上的分速度，vB,k,y为第k个时刻的第二车辆在垂直方向上的分速度，K为采集时刻的数量；
步骤1所述第二车辆LSTM神经网络训练集的每个样本为：
TB,k＝[xB,k,yB,k,vB,k,x,vB,k,y]，k∈[1,K]
其中，TB,k第二车辆LSTM神经网络的训练集中第k个时刻的第二车辆样本，xB,k为第k个时刻的第二车辆横坐标，yB,k为第k个时刻的第二车辆纵坐标，vB,k,x为第k个时刻的第二车辆在水平方向上的分速度，vB,k,y为第k个时刻的第二车辆在垂直方向上的分速度， K为采集时刻的数量；
步骤1所述第二车辆LSTM神经网络批次训练集的批次样本为：
trainB,p＝{TB,(p-1)*L+1,TB,(p-1)*L+2,...,TB,(p-1)*L+L}
p∈[1,P]
其中，trainB,p表示第二车辆LSTM神经网络批次训练集中第p个批次样本，P为批次的数量，L表示第二车辆LSTM神经网络批次训练集中每个批次样本中第二车辆样本的数量，TB,(p-1)*L+q表示第二车辆LSTM神经网络批次训练集中第p个批次样本中第q个第二车辆样本；
步骤1所述第二车辆LSTM神经网络批次训练集中每个批次的标签为：
TB,p*L+1
p∈[1,P]
其中，TB,p*L+1表示第二车辆LSTM神经网络批次训练集中第p个批次样本的标签，即第二车辆LSTM神经网络批次训练集中第p+1个批次样本中第L个第二车辆样本；
作为优选，步骤2所述第一车辆LSTM神经网络由输入层、隐藏层、输出层依次级联构成；
所述输入层，用于将第一车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述隐藏层，包括：细胞单元ct、遗忘门ft、输入门it和输出门ot；
所述隐藏层用于通过各个门控单元和细胞单元之间连接权值和阈值的计算，将输入数据的特征抽象到另一个维度空间，来提取第一车辆行驶的时空变化特征，从而使得第一车辆的时空变化特征能更好的进行线性划分；最终隐藏层计算得到的结果作为输出层的输入值；
所述隐藏层的待寻优参数为：
输入层和隐藏层中输入门的连接权值Wx,i；
输入层和隐藏层中输出门的连接权值Wx,o；
输入层和隐藏层中细胞单元的连接权值Wx,c；
隐藏层中输出门和隐藏层中遗忘门的连接权值Wh,f；
隐藏层中输出门和隐藏层中输入门的连接权值Wh,i；
隐藏层中输出门和隐藏层中细胞单元的连接权值Wh,c；
隐藏层中遗忘门的阈值bf；
隐藏层中输入门的阈值bi；
隐藏层中输出门的阈值bo；
隐藏层中细胞单元的阈值bc。
所述输出层，将隐藏层计算得到的结果使用tanh激励函数处理,tanh激励函数计算公式为：
Figure RE-GDA0003051404490000061
然后得到第一车辆LSTM神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息YA,p*L+1,p∈[1,P]；
所述第一车辆LSTM神经网络通过输入第一车辆LSTM神经网络批次训练集中第p批次样本，预测得到第一车辆LSTM神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息YA,p*L+1,p∈[1,P]；
结合第一车辆LSTM神经网络批次训练集中每个批次的标签即TA,p*L+1，构建步骤2中所述第一车辆LSTM神经网络损失函数模型为：
Figure RE-GDA0003051404490000062
其中，TA,p*L+1为第一车辆LSTM神经网络训练集中同一批次的训练样本标签，YA,p*L+1为第一车辆LSTM神经网络预测得到的下一时刻第一车辆行驶信息，P为第一车辆LSTM 神经网络训练样本集批次数；
步骤2所述通过优化训练得到优化后第一车辆LSTM神经网络为：
计算得到第一车辆LSTM神经网络第一轮训练的训练误差后，使用梯度下降法进行神经网络的反向传播以修正隐藏层中各门控单元和细胞单元的连接权值和阈值；
隐藏层对应的寻优后参数为：
输入层和隐藏层中输入门的优化后连接权值Wx,i *；
输入层和隐藏层中输出门的优化后连接权值Wx,o *；
输入层和隐藏层中细胞单元的优化后连接权值Wx,c *；
隐藏层中输出门和隐藏层中遗忘门的优化后连接权值Wh,f *；
隐藏层中输出门和隐藏层中输入门的优化后连接权值Wh,i *；
隐藏层中输出门和隐藏层中细胞单元的优化后连接权值Wh,c *；
隐藏层中遗忘门的优化后阈值bf *；
隐藏层中输入门的优化后阈值bi *；
隐藏层中输出门的优化后阈值bo *；
隐藏层中细胞单元的优化后阈值bc *；
通过隐藏层对应的寻优后参数构建步骤2中所述优化后第一车辆LSTM神经网络；
作为优选，步骤3所述第二车辆LSTM神经网络由输入层、隐藏层、输出层依次级联构成；
所述输入层，用于将第二车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述输入层，用于将第二车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述隐藏层包括：细胞单元c’t、遗忘门f’t、输入门i’t和输出门o’t；
所述隐藏层用于通过各个门控单元和细胞单元之间连接权值和阈值的计算，将输入数据的特征抽象到另一个维度空间，来展现其更抽象化的特征，从而使得这些特征能更好的进行线性划分；最终隐藏层计算得到的结果作为输出层的输入值；
所述隐藏层的待寻优参数为：
输入层神经元节点和隐藏层中输入门的连接权值W’x,i；
输入层神经元节点和隐藏层中输出门的连接权值W’x,o；
输入层神经元节点和隐藏层中细胞单元的连接权值W’x,c；
隐藏层中输出门和隐藏层中遗忘门的连接权值W’h,f；
隐藏层中输出门和隐藏层中输入门的连接权值W’h,i；
隐藏层中输出门和隐藏层中细胞单元的连接权值W’h,c；
隐藏层中遗忘门的阈值b’f；
隐藏层中输入门的阈值b’i；
隐藏层中输出门的阈值b’o；
隐藏层中细胞单元的阈值b’c。
所述输出层，将隐藏层计算得到的结果使用tanh激励函数处理，tanh激励函数计算公式为：
Figure RE-GDA0003051404490000071
然后得到最终的输出结果。
通过输入第二车辆LSTM神经网络批次训练集中第p批次样本至第二车辆LSTM神经网络得到车辆二在下一采样时刻的行驶信息预测值YB,p*L+1,p∈[1,P]；
结合预测的结果构建第二车辆LSTM神经网络损失函数模型MSEB，其计算公式为：
Figure RE-GDA0003051404490000072
其中，TB,p*L+1为第二车辆LSTM神经网络训练集中同一批次的训练样本标签，YB,p*L+1为第二车辆LSTM神经网络预测得到的下一时刻第二车辆行驶信息，P为第二车辆LSTM 神经网络训练样本集批次数。
步骤3所述通过优化训练得到优化后第二车辆LSTM神经网络为：
计算得到第二车辆LSTM神经网络第一轮训练的训练误差后，使用梯度下降法进行神经网络的反向传播以修正隐藏层中各门控单元和细胞单元的连接权值和阈值；
隐藏层对应的寻优后参数为：
输入层神经元节点和隐藏层中输入门的优化后连接权值W’x,i *；
输入层神经元节点和隐藏层中输出门的优化后连接权值W’x,o *；
输入层神经元节点和隐藏层中细胞单元的优化后连接权值W’x,c *；
隐藏层中输出门和隐藏层中遗忘门的优化后连接权值W’h,f *；
隐藏层中输出门和隐藏层中输入门的优化后连接权值W’h,i *；
隐藏层中输出门和隐藏层中细胞单元的优化后连接权值W’h,c *；
隐藏层中遗忘门的优化后阈值b’f *；
隐藏层中输入门的优化后阈值b’i *；
隐藏层中输出门的优化后阈值b’o *；
隐藏层中细胞单元的优化后阈值b’c *；
通过隐藏层对应的寻优后参数构建步骤3中所述优化后第二车辆LSTM神经网络；
作为优选，步骤4所述判断当前时刻第一车辆、第二车辆是否均在同一交叉路口范围内，具体为：
通过第一车辆的第一位置传感器采集得到第一车辆在当前时刻的行驶位置并传输至第一微处理器中，第一微处理器再通过第一无线通信模块将车辆位置无线传输至远程服务中心；
远程服务中心结合交叉路口中心点的坐标计算得到当前时刻第一车辆距离交叉路口中心点的距离；
所述当前时刻第一车辆距离交叉路口中心点的距离的计算公式为：
Figure RE-GDA0003051404490000081
其中，(xC,t,yC,t)表示交叉路口中心点的坐标，(x2,A,t,y2,A,t)表示第一车辆在第t时刻的行驶位置，xC,t为交叉路口横坐标，yC,t为交叉路口纵坐标，x2,A,t为第t个时刻的第一车辆横坐标，y2,A,t为第t个时刻的第一车辆纵坐标，t为采集时刻的数量；
远程服务中心将当前时刻第一车辆距离交叉路口中心点的距离同阈值distance相比较，如果LA,t小于distance则可以判定第一车辆在路口内；
通过第二车辆的第二位置传感器采集得到第二车辆在当前时刻的行驶坐标并传输至第二微处理器中；
第二微处理器再通过第二无线通信模块将第二车辆位置无线传输至远程服务中心；
远程服务中心结合交叉路口中心点的坐标计算得到当前时刻第二车辆距离交叉路口中心点的距离；
所述当前时刻第二车辆距离交叉路口中心点的距离的计算公式为：
Figure RE-GDA0003051404490000082
其中，(xC,t,yC,t)表示交叉路口中心点的坐标，(x2,B,t,y2,B,t)表示第二车辆在第t时刻的行驶位置，xC,t为交叉路口横坐标，yC,t为交叉路口纵坐标，x2,B,t为第t个时刻的第二车辆横坐标，y2,B,t为第t个时刻的第二车辆纵坐标，t为采集时刻的数量；
远程服务中心将当前时刻第二车辆距离交叉路口中心点的距离LB,t同阈值distance相比较，如果LB,t小于distance则可以判定车辆二在路口内；
步骤4所述进一步判断远程服务中心判断当前时刻第一车辆、第二车辆行驶方向是否均朝向路口，具体为：
远程服务中心将当前时刻第一车辆距离交叉路口中心点的距离LA,t与上一采样时刻第一车辆距离交叉路口中心点的距离LA,t-1相比较，如果LA,t小于LA,t-1则判定第一车辆正驶向路口；
远程服务中心将当前时刻第二车辆距离交叉路口中心点的距离LB,t与上一采样时刻第二车辆距离交叉路口中心点的距离LB,t-1相比较，如果LB,t小于LB,t-1则判定第二车辆正驶向路口；
如果判定第一车辆正驶向路口且第二车辆正驶向路口，则表示当前时刻第一车辆和第二车辆均处于驶向路口状态，
作为优选，步骤5所述根据优化后第一车辆LSTM神经网络预测得到当前时刻第一车辆预测批次样本为：
采集第一车辆的行驶信息序列：
TrajectoryA,t＝{TA,t-p,TA,t-p+1,...,TA,t}
其中，t表示当前时刻，TrajectoryA,t表示第一车辆在t-p至t时刻内的车辆行驶信息序列；
第一车辆的行驶信息序列中样本的定义为：
TA,t＝[x4,A,t,y4,A,t,vA,t,x,vA,t,y]
其中，t表示当前时刻，TA,t第一车辆第t个时刻的行驶信息样本，x4,A,t为第t个时刻的第一车辆横坐标，y4,A,t为第t个时刻的第一车辆纵坐标，vA,t,x为第t个时刻的第一车辆在水平方向上的分速度，vA,t,y为第t个时刻的第一车辆在垂直方向上的分速度；
步骤5.1：将TrajectoryA,t输入优化后第一车辆LSTM神经网络，得到下一时刻的第一车辆行驶样本即TA,t+1；
步骤5.2：利用TA,t+1得到第一车辆在t-p+1至t+1时刻内的车辆行驶信息序列即TrajectoryA,t+1＝{TA,t-p+1,TA,t-p+2,...,TA,t+1}；再将TrajectoryA,t+1输入优化后第一车辆LSTM神经网络，得到下一时刻的第一车辆行驶样本即TA,t+2；
步骤5.3：重复执行步骤5.1、步骤5.2直至重复执行次数达到p次，从而得到当前时刻第一车辆预测批次样本；
所述当前时刻第一车辆预测批次样本为：
TrajectoryA,t+p＝{TA,t+1,TA,t+2,...,TA,t+p}
第一车辆的预测批次样本的定义为：
TA,t＝[x4,A,t *,y4,A,t *,vA,t,x *,vA,t,y *]
其中，t表示当前时刻，TA,t为第一车辆预测批次样本中第一车辆第t个时刻的行驶信息样本，x4,A,t *为第一车辆预测批次样本中第t个时刻的第一车辆横坐标，y4,A,t *为第一车辆预测批次样本中第t个时刻的第一车辆纵坐标，vA,t,x *为第一车辆预测批次样本中第t个时刻的第一车辆在水平方向上的分速度，vA,t,y *为第一车辆预测批次样本中第t个时刻的第一车辆在垂直方向上的分速度；
步骤5所述根据优化后第二车辆LSTM神经网络预测得到当前时刻第二车辆预测批次样本为：
采集第二车辆的行驶信息序列：
TrajectoryB,t＝{TB,t-p,TB,t-p+1,...,TB,t}
其中，t表示当前时刻，TrajectoryB,t表示第二车辆在t-p至t时刻内的车辆行驶信息序列；
第二车辆的行驶信息序列中样本的定义为：
TB,t＝[x4,B,t,y4,B,t,vB,t,x,vB,t,y]
其中，t表示当前时刻，TB,t第二车辆第t个时刻的行驶信息样本，x4,B,t为第t个时刻的第二车辆横坐标，y4,B,t为第t个时刻的第二车辆纵坐标，vB,t,x为第t个时刻的第二车辆在水平方向上的分速度，vB,t,y为第t个时刻的第二车辆在垂直方向上的分速度；
步骤5.4：将TrajectoryB,t输入优化后第二车辆LSTM神经网络，得到下一时刻的第二车辆行驶样本即TB,t+1；
步骤5.5：利用TB,t+1得到第二车辆在t-p+1至t+1时刻内的车辆行驶信息序列即TrajectoryB,t+1＝{TB,t-p+1,TB,t-p+2,...,TB,t+1}；再将TrajectoryB,t+1输入优化后第二车辆LSTM神经网络，得到下一时刻的第二车辆行驶样本即TB,t+2；
步骤5.6：重复执行步骤5.4、步骤5.5直至重复执行次数达到p次，从而得到当前时刻第二车辆预测批次样本；
所述当前时刻第二车辆预测批次样本为：
TrajectoryB,t+p＝{TB,t+1,TB,t+2,...,TB,t+p}
第二车辆的预测批次样本的定义为：
TB,t＝[x4,B,t *,y4,B,t *,vB,t,x *,vB,t,y *]
其中，t表示当前时刻，TB,t为第二车辆预测批次样本中第二车辆第t个时刻的行驶信息样本，x4,B,t *为第二车辆预测批次样本中第t个时刻的第二车辆横坐标，y4,B,t *为第二车辆预测批次样本中第t个时刻的第二车辆纵坐标，vB,t,x *为第二车辆预测批次样本中第t个时刻的第二车辆在水平方向上的分速度，vB,t,y *为第二车辆预测批次样本中第t个时刻的第二车辆在垂直方向上的分速度；
作为优选，步骤6所述结合碰撞风险计算模型计算得到碰撞风险时间序列，具体计算公式如下：
Figure RE-GDA0003051404490000111
将当前时刻第一车辆预测批次样本TrajectoryA,t+p＝{TA,t+1,TA,t+2,...,TA,t+p}、当前时刻第二车辆预测批次样本TrajectoryB,t+p＝{TB,t+1,TB,t+2,...,TB,t+p}中的各序列项依次输入碰撞风险计算模型得到碰撞风险时间序列样本值。其中dt为计算得到的第t个时刻的碰撞风险时间序列样本值。最终得到的碰撞风险时间序列为Dt,t+p＝{dt,dt+1,...,dt+p}。
本发明与现有技术相比具有如下优点和有益效果：
与现有基于运动学模型的交叉路口处碰撞预警方法相比，本发明使用的LSTM神经网络计算模型可以有效处理诸如车辆轨迹预测等非线性时序问题，能够考虑多种组合因素对车辆行驶的影响，对车辆行驶状态的预测时间更长，预测结果更加精准，进而提升了预警方法的可靠性和精度。
与现有基于机器学习的交叉路口碰撞预警方法相比，本发明使用的LSTM神经网络计算模型在对车辆行驶状态进行预测时不需要设置任何参数，最大限度的排除了参数设置不当对系统造成的干扰，进而提升了预警方法的可靠性和预警精度。
与现有碰撞预警方法相比，本发明所使用的碰撞风险量化计算模型同时将两车的相对距离和相对速度纳入风险评估范围，相比于现有技术所使用的基于单一相对距离或碰撞时间的碰撞风险评估方式，本发明所使用的碰撞风险计算量化模型更为科学可靠。
附图说明
图1为本发明方法流程图；
图2为LSTM神经网络隐藏层结构示意图；
图3为交通场景示意图；
图4为实施示例一无预警情况下两车间距速度图；
图5为实施示例一无预警情况下两车行驶仿真图；
图6为第一车辆真实轨迹和神经网络输出轨迹对比图；
图7为第二车辆真实轨迹和神经网络输出轨迹对比图；
图8为碰撞风险走势图；
图9为实施示例一有预警情况下两车间距速度图；
图10为实施示例一有预警情况下两车行驶仿真图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。本说明通过使用Sumo+Python车联网环境交通仿真平台对本发明进行验证。
下面结合图1至图10介绍本发明的具体实施方式。
如图1所示，一种基于车联网环境系统的交叉路口处车辆碰撞预警方法，并且该方法具有较高的可靠性和预警精度。
本发明车联网环境系统的技术方案包括：
第一速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一微处理器、第一无线通信模块、第二速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二微处理器、第二无线通信模块、第一车辆、第二车辆、远程服务中心；
所述的第一速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一微处理器、第一无线通信模块均放置于所述第一车辆上；
所述的第二速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二微处理器、第二无线通信模块均放置于所述第二车辆上；
所述第一微处理器分别与第一所述的速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一无线通信模块通过有线方式依次连接；所述第一无线通信模块与所述远程服务中心通过无线方式连接；
所述第二微处理器分别与第二所述的速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二无线通信模块通过有线方式依次连接；所述第二无线通信模块与所述远程服务中心通过无线方式连接；
所述第一速度传感器用于实时采集第一车辆速度并传输至所述第一微处理器；
所述第一位置传感器用于实时采集第一车辆位置并传输至所述第一微处理器；
所述第一行驶方向传感器用于实时采集第一车辆行驶方向并传输至所述第一微处理器；
所述第一微处理器将第一车辆速度、第一车辆位置、第一车辆行驶方向通过所述第一无线通信模块无线传输至所述远程服务中心；
所述第二速度传感器用于实时采集第二车辆速度并传输至所述第二微处理器；
所述第二位置传感器用于实时采集第二车辆位置并传输至所述第二微处理器；
所述第二行驶方向传感器用于实时采集第二车辆行驶方向并传输至所述第二微处理器；
所述第二微处理器将第二车辆速度、第二车辆位置、第二车辆行驶方向通过所述第二无线通信模块无线传输至所述远程服务中心；
所述远程服务中心结合实时采集的第一车辆速度、第一车辆位置、第一车辆行驶方向、第二车辆速度、第二车辆位置、第二车辆行驶方向实现所述的车联网环境下基于LSTM神经网络的车辆碰撞预警方法。
所述第一速度传感器选型为IAM-20680；
所述第一位置传感器选型为IAM-20680；
所述第一行驶方向传感器选型为IAM-20680；
所述第一车辆制动系统选型为ABS防抱死车辆制动系统；
所述第一微处理器选型为大唐高鸿车载终端VBOX；
所述第一无线通信模块选型为DMD3A通信模组；
所述第二速度传感器选型为IAM-20680；
所述第二位置传感器选型为IAM-20680；
所述第二行驶方向传感器选型为IAM-20680；
所述第二车辆制动系统选型为ABS防抱死车辆制动系统；
所述第二微处理器选型为大唐高鸿车载终端VBOX；
所述第二无线通信模块选型为DMD3A通信模组；
所述第一车辆选型为长度3m宽度2m普通小型车辆；
所述第二车辆选型为长度3m宽度2m普通小型车辆；
所述远程服务中心选型为大唐高鸿车路协同云控平台；
本发明所提出交叉路口处车辆碰撞预警方法，具体步骤如下
步骤1：远程服务中心分别构建第一车辆LSTM神经网络训练集、第二车辆LSTM神经网络训练集，进一步通过第一车辆LSTM神经网络训练集构建第一车辆LSTM神经网络批次训练集，进一步通过第二车辆LSTM神经网络训练集构建第二车辆LSTM神经网络批次训练集；
步骤1所述构建第一车辆LSTM神经网络训练集为：
所述第一速度传感器采集多个时刻的第一车辆速度并传输至所述第一微处理器；
所述第一位置传感器采集多个时刻的第一车辆位置并传输至所述第一微处理器；
所述第一行驶方向传感器采集多个时刻的第一车辆行驶方向并传输至所述第一微处理器；
所述第一微处理器将多个时刻的第一车辆速度、多个时刻的第一车辆位置、多个时刻的第一车辆行驶方向通过所述第一无线通信模块无线传输至所述远程服务中心；
所述多个时刻的第一车辆速度具体定义为：
VA,k，k∈[1,K]
其中，VA,k为第k个时刻的第一车辆速度，K＝80为采集时刻的数量；
所述多个时刻的第一车辆位置具体定义为：
(xA,k,yA,k)，k∈[1,K]
其中，(xA,k,yA,k)为第k个时刻的第一车辆位置，xA,k为第k个时刻的第一车辆横坐标，yA,k为第k个时刻的第一车辆纵坐标，K＝80为采集时刻的数量；
所述多个时刻的第一车辆行驶方向具体定义为：
θA,k，k∈[1,K]
其中，θA,k为第k个时刻的第一车辆行驶方向，K＝80为采集时刻的数量；
根据多个时刻的第一车辆速度、多个时刻的第一车辆行驶方向得到多个时刻的第一车辆在水平方向上的分速度、多个时刻的第一车辆在垂直方向上的分速度，具体为：
vA,k,x＝VA,k*cosθA,k
vA,k,y＝VA,k*sinθA,k
k∈[1,K]
其中，vA,k,x为第k个时刻的第一车辆在水平方向上的分速度，vA,k,y为第k个时刻的第一车辆在垂直方向上的分速度，K＝80为采集时刻的数量；
步骤1所述第一车辆LSTM神经网络训练集的每个样本为：
TA,k＝[xA,k,yA,k,vA,k,x,vA,k,y]，k∈[1,K]
其中，TA,k第一车辆LSTM神经网络的训练集中第k个时刻的第一车辆样本，xA,k为第k个时刻的第一车辆横坐标，yA,k为第k个时刻的第一车辆纵坐标，vA,k,x为第k个时刻的第一车辆在水平方向上的分速度，vA,k,y为第k个时刻的第一车辆在垂直方向上的分速度， K＝80为采集时刻的数量；
步骤1所述第一车辆LSTM神经网络批次训练集的批次样本为：
trainA,p＝{TA,(p-1)*L+1,TA,(p-1)*L+2,...,TA,(p-1)*L+L}
p∈[1,P]
其中，trainA,p表示第一车辆LSTM神经网络批次训练集中第p个批次样本，P＝80为批次的数量，L＝20表示第一车辆LSTM神经网络批次训练集中每个批次样本中第一车辆样本的数量，TA,(p-1)*L+q表示第一车辆LSTM神经网络批次训练集中第p个批次样本中第q个第一车辆样本；
步骤1所述第一车辆LSTM神经网络批次训练集中每个批次的标签为：
TA,p*L+1
p∈[1,P]
其中，TA,p*L+1表示第一车辆LSTM神经网络批次训练集中第p个批次样本的标签，即第一车辆LSTM神经网络批次训练集中第p+1个批次样本中第L个第一车辆样本；
步骤1所述第二车辆LSTM神经网络的训练集为：
所述第二速度传感器采集多个时刻的第二车辆速度并传输至所述第二微处理器；
所述第二位置传感器采集多个时刻的第二车辆位置并传输至所述第二微处理器；
所述第二行驶方向传感器采集多个时刻的第二车辆行驶方向并传输至所述第二微处理器；
所述第二微处理器将多个时刻的第二车辆速度、多个时刻的第二车辆位置、多个时刻的第二车辆行驶方向通过所述第二无线通信模块无线传输至所述远程服务中心；
所述多个时刻的第二车辆速度具体定义为：
VB,k，k∈[1,K]
其中，VB,k为第k个时刻的第二车辆速度，K＝80为采集时刻的数量；
所述多个时刻的第二车辆位置具体定义为：
(xB,k,yB,k)，k∈[1,K]
其中，(xB,k,yB,k)为第k个时刻的第二车辆位置，xB,k为第k个时刻的第二车辆横坐标，yB,k为第k个时刻的第二车辆纵坐标，K＝80为采集时刻的数量；
所述多个时刻的第二车辆行驶方向具体定义为：
θB,k，k∈[1,K]
其中，θB,k为第k个时刻的第二车辆行驶方向，K＝80为采集时刻的数量；
根据多个时刻的第二车辆速度、多个时刻的第二车辆行驶方向得到多个时刻的第二车辆在水平方向上的分速度、多个时刻的第二车辆在垂直方向上的分速度，具体为：
vB,k,x＝VB,k*cosθB,k
vB,k,y＝VB,k*sinθB,k
k∈[1,K]
其中，vB,k,x为第k个时刻的第二车辆在水平方向上的分速度，vB,k,y为第k个时刻的第二车辆在垂直方向上的分速度，K＝80为采集时刻的数量；
步骤1所述第二车辆LSTM神经网络训练集的每个样本为：
TB,k＝[xB,k,yB,k,vB,k,x,vB,k,y]，k∈[1,K]
其中，TB,k第二车辆LSTM神经网络的训练集中第k个时刻的第二车辆样本，xB,k为第k个时刻的第二车辆横坐标，yB,k为第k个时刻的第二车辆纵坐标，vB,k,x为第k个时刻的第二车辆在水平方向上的分速度，vB,k,y为第k个时刻的第二车辆在垂直方向上的分速度， K为采集时刻的数量；
步骤1所述第二车辆LSTM神经网络批次训练集的批次样本为：
trainB,p＝{TB,(p-1)*L+1,TB,(p-1)*L+2,...,TB,(p-1)*L+L}
p∈[1,P]
其中，trainB,p表示第二车辆LSTM神经网络批次训练集中第p个批次样本，P＝80为批次的数量，L＝20表示第二车辆LSTM神经网络批次训练集中每个批次样本中第二车辆样本的数量，TB,(p-1)*L+q表示第二车辆LSTM神经网络批次训练集中第p个批次样本中第q个第二车辆样本；
步骤1所述第二车辆LSTM神经网络批次训练集中每个批次的标签为：
TB,p*L+1
p∈[1,P]
其中，TB,p*L+1表示第二车辆LSTM神经网络批次训练集中第p个批次样本的标签，即第二车辆LSTM神经网络批次训练集中第p+1个批次样本中第L个第二车辆样本；
步骤2：远程服务中心构建第一车辆LSTM神经网络，将第一车辆LSTM神经网络批次训练集每批次样本依次输入至第一车辆LSTM神经网络进行预测，得到第一车辆LSTM 神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息，进一步结合第一车辆LSTM 神经网络批次训练集中每个批次的标签构建第一车辆LSTM神经网络损失函数模型，通过优化训练得到优化后第一车辆LSTM神经网络；
步骤2所述第一车辆LSTM神经网络由输入层、隐藏层、输出层依次级联构成；
所述输入层，用于将第一车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述隐藏层，结构如图2所示，包括：细胞单元ct、遗忘门ft、输入门it和输出门ot；
所述隐藏层用于通过各个门控单元和细胞单元之间连接权值和阈值的计算，将输入数据的特征抽象到另一个维度空间，来提取第一车辆行驶的时空变化特征，从而使得第一车辆的时空变化特征能更好的进行线性划分；最终隐藏层计算得到的结果作为输出层的输入值；
所述隐藏层的待寻优参数为：
输入层和隐藏层中输入门的连接权值Wx,i；
输入层和隐藏层中输出门的连接权值Wx,o；
输入层和隐藏层中细胞单元的连接权值Wx,c；
隐藏层中输出门和隐藏层中遗忘门的连接权值Wh,f；
隐藏层中输出门和隐藏层中输入门的连接权值Wh,i；
隐藏层中输出门和隐藏层中细胞单元的连接权值Wh,c；
隐藏层中遗忘门的阈值bf；
隐藏层中输入门的阈值bi；
隐藏层中输出门的阈值bo；
隐藏层中细胞单元的阈值bc。
所述输出层，将隐藏层计算得到的结果使用tanh激励函数处理,tanh激励函数计算公式为：
Figure RE-GDA0003051404490000161
然后得到第一车辆LSTM神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息YA,p*L+1,p∈[1,P]；
所述第一车辆LSTM神经网络通过输入第一车辆LSTM神经网络批次训练集中第p批次样本至第一车辆LSTM神经网络预测得到第一车辆LSTM神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息YA,p*L+1,p∈[1,P]；
结合第一车辆LSTM神经网络批次训练集中每个批次的标签即TA,p*L+1，构建步骤2中所述第一车辆LSTM神经网络损失函数模型为：
Figure RE-GDA0003051404490000162
其中，TA,p*L+1为第一车辆LSTM神经网络训练集中同一批次的训练样本标签，YA,p*L+1为第一车辆LSTM神经网络预测得到的下一时刻第一车辆行驶信息，P为第一车辆LSTM 神经网络训练样本集批次数；
步骤2所述通过优化训练得到优化后第一车辆LSTM神经网络为：
计算得到第一车辆LSTM神经网络第一轮训练的训练误差后，使用梯度下降法进行神经网络的反向传播以修正隐藏层中各门控单元和细胞单元的连接权值和阈值；
隐藏层对应的寻优后参数为：
输入层和隐藏层中输入门的优化后连接权值Wx,i *；
输入层和隐藏层中输出门的优化后连接权值Wx,o *；
输入层和隐藏层中细胞单元的优化后连接权值Wx,c *；
隐藏层中输出门和隐藏层中遗忘门的优化后连接权值Wh,f *；
隐藏层中输出门和隐藏层中输入门的优化后连接权值Wh,i *；
隐藏层中输出门和隐藏层中细胞单元的优化后连接权值Wh,c *；
隐藏层中遗忘门的优化后阈值bf *；
隐藏层中输入门的优化后阈值bi *；
隐藏层中输出门的优化后阈值bo *；
隐藏层中细胞单元的优化后阈值bc *；
通过隐藏层对应的寻优后参数构建步骤2中所述优化后第一车辆LSTM神经网络；
步骤3：远程服务中心构建第二车辆LSTM神经网络，将第二车辆LSTM神经网络批次训练集每批次样本依次输入至第二车辆LSTM神经网络进行预测，得到第二车辆LSTM 神经网络批次训练集每批次样本的下一时刻第二车辆行驶信息，进一步结合第二车辆LSTM 神经网络批次训练集中每个批次的标签构建第二车辆LSTM神经网络损失函数模型，通过优化训练得到优化后第二车辆LSTM神经网络；
所述输入层，用于将第二车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述输入层，用于将第二车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述隐藏层，结构如图2所示，包括：细胞单元c’t、遗忘门f’t、输入门i’t和输出门o’t；
所述隐藏层用于通过各个门控单元和细胞单元之间连接权值和阈值的计算，将输入数据的特征抽象到另一个维度空间，来展现其更抽象化的特征，从而使得这些特征能更好的进行线性划分；最终隐藏层计算得到的结果作为输出层的输入值；
所述隐藏层的待寻优参数为：
输入层神经元节点和隐藏层中输入门的连接权值W’x,i；
输入层神经元节点和隐藏层中输出门的连接权值W’x,o；
输入层神经元节点和隐藏层中细胞单元的连接权值W’x,c；
隐藏层中输出门和隐藏层中遗忘门的连接权值W’h,f；
隐藏层中输出门和隐藏层中输入门的连接权值W’h,i；
隐藏层中输出门和隐藏层中细胞单元的连接权值W’h,c；
隐藏层中遗忘门的阈值b’f；
隐藏层中输入门的阈值b’i；
隐藏层中输出门的阈值b’o；
隐藏层中细胞单元的阈值b’c。
所述输出层，将隐藏层计算得到的结果使用tanh激励函数处理，tanh激励函数计算公式为：
Figure RE-GDA0003051404490000181
然后得到最终的输出结果。
通过输入第二车辆LSTM神经网络批次训练集中第p批次样本至第二车辆LSTM神经网络得到车辆二在下一采样时刻的行驶信息预测值YB,p*L+1,p∈[1,P]；
结合预测的结果构建第二车辆LSTM神经网络损失函数模型MSEB，其计算公式为：
Figure RE-GDA0003051404490000182
其中，TB,p*L+1为第二车辆LSTM神经网络训练集中同一批次的训练样本标签，YB,p*L+1为第二车辆LSTM神经网络预测得到的下一时刻第二车辆行驶信息，P为第二车辆LSTM 神经网络训练样本集批次数。
步骤3所述通过优化训练得到优化后第二车辆LSTM神经网络为：
计算得到第二车辆LSTM神经网络第一轮训练的训练误差后，使用梯度下降法进行神经网络的反向传播以修正隐藏层中各门控单元和细胞单元的连接权值和阈值；
隐藏层对应的寻优后参数为：
输入层神经元节点和隐藏层中输入门的优化后连接权值W’x,i *；
输入层神经元节点和隐藏层中输出门的优化后连接权值W’x,o *；
输入层神经元节点和隐藏层中细胞单元的优化后连接权值W’x,c *；
隐藏层中输出门和隐藏层中遗忘门的优化后连接权值W’h,f *；
隐藏层中输出门和隐藏层中输入门的优化后连接权值W’h,i *；
隐藏层中输出门和隐藏层中细胞单元的优化后连接权值W’h,c *；
隐藏层中遗忘门的优化后阈值b’f *；
隐藏层中输入门的优化后阈值b’i *；
隐藏层中输出门的优化后阈值b’o *；
隐藏层中细胞单元的优化后阈值b’c *；
通过隐藏层对应的寻优后参数构建步骤3中所述优化后第二车辆LSTM神经网络；
步骤4：远程服务中心判断当前时刻第一车辆、第二车辆是否均在同一交叉路口范围内，若当前时刻第一车辆、第二车辆均在同一路口内，则进一步判断远程服务中心判断当前时刻第一车辆、第二车辆行驶方向是否均朝向路口；
步骤4所述判断当前时刻第一车辆、第二车辆是否均在同一交叉路口范围内，具体为：
通过第一车辆的第一位置传感器采集得到第一车辆在当前时刻的行驶位置并传输至第一微处理器中，第一微处理器再通过第一无线通信模块将车辆位置无线传输至远程服务中心；
远程服务中心结合交叉路口中心点的坐标计算得到当前时刻第一车辆距离交叉路口中心点的距离；
所述当前时刻第一车辆距离交叉路口中心点的距离的计算公式为：
Figure RE-GDA0003051404490000183
其中，t＝40为采集时刻，(xC,t,yC,t)表示交叉路口中心点的坐标，(x2,A,t,y2,A,t)表示第一车辆在第t时刻的行驶位置，xC,t为交叉路口横坐标，yC,t为交叉路口纵坐标，x2,A,t为第t个时刻的第一车辆横坐标，y2,A,t为第t个时刻的第一车辆纵坐标；
远程服务中心将当前时刻第一车辆距离交叉路口中心点的距离同阈值distance＝45相比较，如果LA,t小于distance则可以判定第一车辆在路口内；
通过第二车辆的第二位置传感器采集得到第二车辆在当前时刻的行驶坐标并传输至第二微处理器中；
第二微处理器再通过第二无线通信模块将第二车辆位置无线传输至远程服务中心；
远程服务中心结合交叉路口中心点的坐标计算得到当前时刻第二车辆距离交叉路口中心点的距离；
所述当前时刻第二车辆距离交叉路口中心点的距离的计算公式为：
Figure RE-GDA0003051404490000191
其中，t＝40为采集时刻，(xC,t,yC,t)表示交叉路口中心点的坐标，(x2,B,t,y2,B,t)表示第二车辆在第t时刻的行驶位置，xC,t为交叉路口横坐标，yC,t为交叉路口纵坐标，x2,B,t为第t个时刻的第二车辆横坐标，y2,B,t为第t个时刻的第二车辆纵坐标；
远程服务中心将当前时刻第二车辆距离交叉路口中心点的距离LB,t同阈值distance＝45 相比较，如果LB,t小于distance则可以判定第二车辆在路口内；
步骤4所述进一步判断远程服务中心判断当前时刻第一车辆、第二车辆行驶方向是否均朝向路口，具体为：
远程服务中心将当前时刻第一车辆距离交叉路口中心点的距离LA,t与上一采样时刻第一车辆距离交叉路口中心点的距离LA,t-1相比较，如果LA,t小于LA,t-1则判定第一车辆正驶向路口；
远程服务中心将当前时刻第二车辆距离交叉路口中心点的距离LB,t与上一采样时刻第二车辆距离交叉路口中心点的距离LB,t-1相比较，如果LB,t小于LB,t-1则判定第二车辆正驶向路口；
如果判定第一车辆正驶向路口且第二车辆正驶向路口，则表示当前时刻第一车辆和第二车辆均处于驶向路口状态，
步骤5：若第一车辆行驶方向、第二车辆行驶方向均为朝向路口方向，远程服务中心根据优化后第一车辆LSTM神经网络预测得到当前时刻第一车辆预测批次样本，根据优化后第二车辆LSTM神经网络预测得到当前时刻第二车辆预测批次样本；
步骤5所述根据优化后第一车辆LSTM神经网络预测得到当前时刻第一车辆预测批次样本为：
采集第一车辆的行驶信息序列：
TrajectoryA,t＝{TA,t-p,TA,t-p+1,...,TA,t}t∈[40,100]
其中，t表示当前时刻，p＝20表示行驶信息序列长度，TrajectoryA,t表示第一车辆在t-p 至t时刻内的车辆行驶信息序列；
第一车辆的行驶信息序列中样本的定义为：
TA,t＝[x4,A,t,y4,A,t,vA,t,x,vA,t,y]
其中，t表示当前时刻，TA,t第一车辆第t个时刻的行驶信息样本，x4,A,t为第t个时刻的第一车辆横坐标，y4,A,t为第t个时刻的第一车辆纵坐标，vA,t,x为第t个时刻的第一车辆在水平方向上的分速度，vA,t,y为第t个时刻的第一车辆在垂直方向上的分速度；
步骤5.1：将TrajectoryA,t输入优化后第一车辆LSTM神经网络，得到下一时刻的第一车辆行驶样本即TA,t+1；
步骤5.2：利用TA,t+1得到第一车辆在t-p+1至t+1时刻内的车辆行驶信息序列即TrajectoryA,t+1＝{TA,t-p+1,TA,t-p+2,...,TA,t+1}；再将TrajectoryA,t+1输入优化后第一车辆LSTM神经网络，得到下一时刻的第一车辆行驶样本即TA,t+2；
步骤5.3：重复执行步骤5.1、步骤5.2直至重复执行次数达到p次，从而得到当前时刻第一车辆预测批次样本；
所述当前时刻第一车辆预测批次样本为：
TrajectoryA,t+p＝{TA,t+1,TA,t+2,...,TA,t+p}
第一车辆的预测批次样本的定义为：
TA,t＝[x4,A,t *,y4,A,t *,vA,t,x *,vA,t,y *]
其中，t表示当前时刻，TA,t为第一车辆预测批次样本中第一车辆第t个时刻的行驶信息样本，x4,A,t *为第一车辆预测批次样本中第t个时刻的第一车辆横坐标，y4,A,t *为第一车辆预测批次样本中第t个时刻的第一车辆纵坐标，vA,t,x *为第一车辆预测批次样本中第t个时刻的第一车辆在水平方向上的分速度，vA,t,y *为第一车辆预测批次样本中第t个时刻的第一车辆在垂直方向上的分速度；
步骤5所述根据优化后第二车辆LSTM神经网络预测得到当前时刻第二车辆预测批次样本为：
采集第二车辆的行驶信息序列：
TrajectoryB,t＝{TB,t-p,TB,t-p+1,...,TB,t}t∈[40,100]
其中，t表示当前时刻，p＝20表示行驶信息序列长度，TrajectoryB,t表示第二车辆在t-p 至t时刻内的车辆行驶信息序列；
第二车辆的行驶信息序列中样本的定义为：
TB,t＝[x4,B,t,y4,B,t,vB,t,x,vB,t,y]
其中，t表示当前时刻，TB,t第二车辆第t个时刻的行驶信息样本，x4,B,t为第t个时刻的第二车辆横坐标，y4,B,t为第t个时刻的第二车辆纵坐标，vB,t,x为第t个时刻的第二车辆在水平方向上的分速度，vB,t,y为第t个时刻的第二车辆在垂直方向上的分速度；
步骤5.4：将TrajectoryB,t输入优化后第二车辆LSTM神经网络，得到下一时刻的第二车辆行驶样本即TB,t+1；
步骤5.5：利用TB,t+1得到第二车辆在t-p+1至t+1时刻内的车辆行驶信息序列即TrajectoryB,t+1＝{TB,t-p+1,TB,t-p+2,...,TB,t+1}；再将TrajectoryB,t+1输入优化后第二车辆LSTM神经网络，得到下一时刻的第二车辆行驶样本即TB,t+2；
步骤5.6：重复执行步骤5.4、步骤5.5直至重复执行次数达到p次，从而得到当前时刻第二车辆预测批次样本；
所述当前时刻第二车辆预测批次样本为：
TrajectoryB,t+p＝{TB,t+1,TB,t+2,...,TB,t+p}
第二车辆的预测批次样本的定义为：
TB,t＝[x4,B,t *,y4,B,t *,vB,t,x *,vB,t,y *]
其中，t表示当前时刻，TB,t为第二车辆预测批次样本中第二车辆第t个时刻的行驶信息样本，x4,B,t *为第二车辆预测批次样本中第t个时刻的第二车辆横坐标，y4,B,t *为第二车辆预测批次样本中第t个时刻的第二车辆纵坐标，vB,t,x *为第二车辆预测批次样本中第t个时刻的第二车辆在水平方向上的分速度，vB,t,y *为第二车辆预测批次样本中第t个时刻的第二车辆在垂直方向上的分速度；
步骤6：远程服务中心根据当前时刻第一车辆预测批次样本
TrajectoryA,t+p＝{TA,t+1,TA,t+2,...,TA,t+p}、当前时刻第二车辆预测批次样本
TrajectoryB,t+p＝{TB,t+1,TB,t+2,...,TB,t+p}，结合碰撞风险计算模型计算得到碰撞风险时间序列；
步骤6所述结合碰撞风险计算模型计算得到碰撞风险时间序列，具体计算公式如下：
Figure RE-GDA0003051404490000221
将当前时刻第一车辆预测批次样本TrajectoryA,t+p＝{TA,t+1,TA,t+2,...,TA,t+p}、当前时刻第二车辆预测批次样本TrajectoryB,t+p＝{TB,t+1,TB,t+2,...,TB,t+p}中的各序列项依次输入碰撞风险计算模型得到碰撞风险时间序列样本值。其中dt为计算得到的第t个时刻的碰撞风险时间序列样本值。最终得到的碰撞风险时间序列为Dt,t+p＝{dt,dt+1,...,dt+p}t∈[40,100]， p＝20代表碰撞风险时间序列的长度。
步骤7：远程服务中心将碰撞风险时间序列每个碰撞风险与风险阈值比较，若碰撞风险大于风险阈值，则远程服务中心将风险制动控制指令分别通过无线方式传输至第一无线传输模块、第二无线传输模块；第一微处理器接收第一无线传输模块的风险制动控制指令，进一步通过第一车辆制动系统控制第一车辆减速行驶；第二微处理器接收第二无线传输模块的风险制动控制指令，进一步通过第二车辆制动系统控制第二车辆减速行驶。反之则说明当前车辆处于安全状态，算法结束。
实施示例一：如图3所示的交通场景，第一车辆自西向东以10m/s的速度匀速行驶，在通过十字路口时向北转弯。第二车辆自东向西以10m/s的速度匀速行驶并直行通过十字路口。在没有预警措施的情况下两车将会在进入十字路口后2.8s发生碰撞。两车的间距和车速如图4所示。Sumo仿真结果如图5所示。在有预警的情况下，首先对第一车辆LSTM神经网络和第二车辆LSTM神经网络进行训练，最终实验中两车所对应的神经网络的训练结果如图6和图7所示。第一车辆对应神经网络最终训练结果误差为3.39e-06，第二车辆对应神经网络最终训练结果误差为5.49e-08。然后预警系统利用训练好的LSTM神经网络根据两车先前轨迹速度实时的对两车未来2s的轨迹和行驶速度进行预测。随后使用碰撞风险计算模型对风险进行计算。计算所得到的碰撞风险走势如图8所示，因为两车首先呈持续靠近的运动趋势，所以在进入路口1s内碰撞风险持续增加，在0.7s时预测得到的碰撞风险达到10，说明在未来2s内的某一时刻存在碰撞风险。预警系统控制车辆采取制动措施，第一车辆从0.8s 开始减速使得其在与第二车辆发生碰撞前停止。待第二车辆安全通过路口后第一车辆再行启动，此时由于两车的间距逐渐加大故系统预测所得碰撞风险呈下降趋势。两车在采取预警措施之后的间距和速度如图9所示。Sumo仿真结果如图10所示。
本发明提出了一种基于LSTM神经网络的交叉路口处车辆碰撞预警方法，具有可靠性强、准确性高的优点。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于车联网环境系统的交叉路口处车辆碰撞预警方法，其特征在于，
本发明车联网环境系统的技术方案包括：
第一速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一微处理器、第一无线通信模块、第二速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二微处理器、第二无线通信模块、第一车辆、第二车辆、远程服务中心；
所述的第一速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一微处理器、第一无线通信模块均放置于所述第一车辆上；
所述的第二速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二微处理器、第二无线通信模块均放置于所述第二车辆上；
所述第一微处理器分别与第一所述的速度传感器、第一位置传感器、第一行驶方向传感器、第一车辆制动系统、第一无线通信模块通过有线方式依次连接；所述第一无线通信模块与所述远程服务中心通过无线方式连接；
所述第二微处理器分别与第二所述的速度传感器、第二位置传感器、第二行驶方向传感器、第二车辆制动系统、第二无线通信模块通过有线方式依次连接；所述第二无线通信模块与所述远程服务中心通过无线方式连接；
所述第一速度传感器用于实时采集第一车辆速度并传输至所述第一微处理器；
所述第一位置传感器用于实时采集第一车辆位置并传输至所述第一微处理器；
所述第一行驶方向传感器用于实时采集第一车辆行驶方向并传输至所述第一微处理器；
所述第一微处理器将第一车辆速度、第一车辆位置、第一车辆行驶方向通过所述第一无线通信模块无线传输至所述远程服务中心；
所述第二速度传感器用于实时采集第二车辆速度并传输至所述第二微处理器；
所述第二位置传感器用于实时采集第二车辆位置并传输至所述第二微处理器；
所述第二行驶方向传感器用于实时采集第二车辆行驶方向并传输至所述第二微处理器；
所述第二微处理器将第二车辆速度、第二车辆位置、第二车辆行驶方向通过所述第二无线通信模块无线传输至所述远程服务中心；
所述远程服务中心结合实时采集的第一车辆速度、第一车辆位置、第一车辆行驶方向、第二车辆速度、第二车辆位置、第二车辆行驶方向实现所述的车联网环境下基于LSTM神经网络的车辆碰撞预警方法；
本发明所提出交叉路口处车辆碰撞预警方法，具体步骤如下
步骤1：远程服务中心分别构建第一车辆LSTM神经网络训练集、第二车辆LSTM神经网络训练集，进一步通过第一车辆LSTM神经网络训练集构建第一车辆LSTM神经网络批次训练集，进一步通过第二车辆LSTM神经网络训练集构建第二车辆LSTM神经网络批次训练集；
步骤2：远程服务中心构建第一车辆LSTM神经网络，将第一车辆LSTM神经网络批次训练集每批次样本依次输入至第一车辆LSTM神经网络进行预测，得到第一车辆LSTM神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息，进一步结合第一车辆LSTM神经网络批次训练集中每个批次的标签构建第一车辆LSTM神经网络损失函数模型，通过优化训练得到优化后第一车辆LSTM神经网络；
步骤3：远程服务中心构建第二车辆LSTM神经网络，将第二车辆LSTM神经网络批次训练集每批次样本依次输入至第二车辆LSTM神经网络进行预测，得到第二车辆LSTM神经网络批次训练集每批次样本的下一时刻第二车辆行驶信息，进一步结合第二车辆LSTM神经网络批次训练集中每个批次的标签构建第二车辆LSTM神经网络损失函数模型，通过优化训练得到优化后第二车辆LSTM神经网络；
步骤4：远程服务中心判断当前时刻第一车辆、第二车辆是否均在同一交叉路口范围内，若当前时刻第一车辆、第二车辆均在同一路口内，则远程服务中心进一步判断当前时刻第一车辆、第二车辆行驶方向是否均朝向路口；
步骤5：若第一车辆行驶方向、第二车辆行驶方向均为朝向路口，远程服务中心根据优化后第一车辆LSTM神经网络预测得到当前时刻第一车辆预测批次样本，根据优化后第二车辆LSTM神经网络预测得到当前时刻第二车辆预测批次样本；
步骤6：远程服务中心根据当前时刻第一车辆预测批次样本、当前时刻第二车辆预测批次样本，结合碰撞风险计算模型计算得到碰撞风险时间序列；
步骤7：远程服务中心将碰撞风险时间序列每个碰撞风险值与风险阈值比较，若存在碰撞风险值大于风险阈值，则远程服务中心将风险制动控制指令分别通过无线方式传输至第一无线传输模块、第二无线传输模块；第一微处理器接收第一无线传输模块的风险制动控制指令，进一步通过第一车辆制动系统控制第一车辆减速行驶；第二微处理器接收第二无线传输模块的风险制动控制指令，进一步通过第二车辆制动系统控制第二车辆减速行驶；反之则说明当前车辆处于安全状态。
2.权利要求1所述的基于车联网环境系统的交叉路口处车辆碰撞预警方法，其特征在于，
步骤1所述构建第一车辆LSTM神经网络训练集为：
所述第一速度传感器采集多个时刻的第一车辆速度并传输至所述第一微处理器；
所述第一位置传感器采集多个时刻的第一车辆位置并传输至所述第一微处理器；
所述第一行驶方向传感器采集多个时刻的第一车辆行驶方向并传输至所述第一微处理器；
所述第一微处理器将多个时刻的第一车辆速度、多个时刻的第一车辆位置、多个时刻的第一车辆行驶方向通过所述第一无线通信模块无线传输至所述远程服务中心；
所述多个时刻的第一车辆速度具体定义为：
VA,k，k∈[1,K]
其中，VA,k为第k个时刻的第一车辆速度，K为采集时刻的数量；
所述多个时刻的第一车辆位置具体定义为：
(xA,k,yA,k)，k∈[1,K]
其中，(xA,k,yA,k)为第k个时刻的第一车辆位置，xA,k为第k个时刻的第一车辆横坐标，yA,k为第k个时刻的第一车辆纵坐标，K为采集时刻的数量；
所述多个时刻的第一车辆行驶方向具体定义为：
θA,k，k∈[1,K]
其中，θA,k为第k个时刻的第一车辆行驶方向，K为采集时刻的数量；
根据多个时刻的第一车辆速度、多个时刻的第一车辆行驶方向得到多个时刻的第一车辆在水平方向上的分速度、多个时刻的第一车辆在垂直方向上的分速度，具体为：
vA,k,x＝VA,k*cosθA,k
vA,k,y＝VA,k*sinθA,k
k∈[1,K]
其中，vA,k,x为第k个时刻的第一车辆在水平方向上的分速度，vA,k,y为第k个时刻的第一车辆在垂直方向上的分速度，K为采集时刻的数量；
步骤1所述第一车辆LSTM神经网络训练集的每个样本为：
TA,k＝[xA,k,yA,k,vA,k,x,vA,k,y]，k∈[1,K]
其中，TA,k第一车辆LSTM神经网络的训练集中第k个时刻的第一车辆样本，xA,k为第k个时刻的第一车辆横坐标，yA,k为第k个时刻的第一车辆纵坐标，vA,k,x为第k个时刻的第一车辆在水平方向上的分速度，vA,k,y为第k个时刻的第一车辆在垂直方向上的分速度，K为采集时刻的数量；
步骤1所述第一车辆LSTM神经网络批次训练集的批次样本为：
trainA,p＝{TA,(p-1)*L+1,TA,(p-1)*L+2,...,TA,(p-1)*L+L}
p∈[1,P]
其中，trainA,p表示第一车辆LSTM神经网络批次训练集中第p个批次样本，P为批次的数量，L表示第一车辆LSTM神经网络批次训练集中每个批次样本中第一车辆样本的数量，TA,(p-1)*L+q表示第一车辆LSTM神经网络批次训练集中第p个批次样本中第q个第一车辆样本；
步骤1所述第一车辆LSTM神经网络批次训练集中每个批次的标签为：
TA,p*L+1
p∈[1,P]
其中，TA,p*L+1表示第一车辆LSTM神经网络批次训练集中第p个批次样本的标签，即第一车辆LSTM神经网络批次训练集中第p+1个批次样本中第L个第一车辆样本；
步骤1所述第二车辆LSTM神经网络的训练集为：
所述第二速度传感器采集多个时刻的第二车辆速度并传输至所述第二微处理器；
所述第二位置传感器采集多个时刻的第二车辆位置并传输至所述第二微处理器；
所述第二行驶方向传感器采集多个时刻的第二车辆行驶方向并传输至所述第二微处理器；
所述第二微处理器将多个时刻的第二车辆速度、多个时刻的第二车辆位置、多个时刻的第二车辆行驶方向通过所述第二无线通信模块无线传输至所述远程服务中心；
所述多个时刻的第二车辆速度具体定义为：
VB,k，k∈[1,K]
其中，VB,k为第k个时刻的第二车辆速度，K为采集时刻的数量；
所述多个时刻的第二车辆位置具体定义为：
(xB,k,yB,k)，k∈[1,K]
其中，(xB,k,yB,k)为第k个时刻的第二车辆位置，xB,k为第k个时刻的第二车辆横坐标，yB,k为第k个时刻的第二车辆纵坐标，K为采集时刻的数量；
所述多个时刻的第二车辆行驶方向具体定义为：
θB,k，k∈[1,K]
其中，θB,k为第k个时刻的第二车辆行驶方向，K为采集时刻的数量；
根据多个时刻的第二车辆速度、多个时刻的第二车辆行驶方向得到多个时刻的第二车辆在水平方向上的分速度、多个时刻的第二车辆在垂直方向上的分速度，具体为：
vB,k,x＝VB,k*cosθB,k
vB,k,y＝VB,k*sinθB,k
k∈[1,K]
其中，vB,k,x为第k个时刻的第二车辆在水平方向上的分速度，vB,k,y为第k个时刻的第二车辆在垂直方向上的分速度，K为采集时刻的数量；
步骤1所述第二车辆LSTM神经网络训练集的每个样本为：
TB,k＝[xB,k,yB,k,vB,k,x,vB,k,y]，k∈[1,K]
其中，TB,k第二车辆LSTM神经网络的训练集中第k个时刻的第二车辆样本，xB,k为第k个时刻的第二车辆横坐标，yB,k为第k个时刻的第二车辆纵坐标，vB,k,x为第k个时刻的第二车辆在水平方向上的分速度，vB,k,y为第k个时刻的第二车辆在垂直方向上的分速度，K为采集时刻的数量；
步骤1所述第二车辆LSTM神经网络批次训练集的批次样本为：
trainB,p＝{TB,(p-1)*L+1,TB,(p-1)*L+2,...,TB,(p-1)*L+L}
p∈[1,P]
其中，trainB,p表示第二车辆LSTM神经网络批次训练集中第p个批次样本，P为批次的数量，L表示第二车辆LSTM神经网络批次训练集中每个批次样本中第二车辆样本的数量，TB,(p-1)*L+q表示第二车辆LSTM神经网络批次训练集中第p个批次样本中第q个第二车辆样本；
步骤1所述第二车辆LSTM神经网络批次训练集中每个批次的标签为：
TB,p*L+1
p∈[1,P]
其中，TB,p*L+1表示第二车辆LSTM神经网络批次训练集中第p个批次样本的标签，即第二车辆LSTM神经网络批次训练集中第p+1个批次样本中第L个第二车辆样本。
3.权利要求1所述的基于车联网环境系统的交叉路口处车辆碰撞预警方法，其特征在于，
步骤2所述第一车辆LSTM神经网络由输入层、隐藏层、输出层依次级联构成；
所述输入层，用于将第一车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述隐藏层，包括：细胞单元ct、遗忘门ft、输入门it和输出门ot；
所述隐藏层用于通过各个门控单元和细胞单元之间连接权值和阈值的计算，将输入数据的特征抽象到另一个维度空间，来提取第一车辆行驶的时空变化特征，从而使得第一车辆的时空变化特征能更好的进行线性划分；最终隐藏层计算得到的结果作为输出层的输入值；
所述隐藏层的待寻优参数为：
输入层和隐藏层中输入门的连接权值Wx,i；
输入层和隐藏层中输出门的连接权值Wx,o；
输入层和隐藏层中细胞单元的连接权值Wx,c；
隐藏层中输出门和隐藏层中遗忘门的连接权值Wh,f；
隐藏层中输出门和隐藏层中输入门的连接权值Wh,i；
隐藏层中输出门和隐藏层中细胞单元的连接权值Wh,c；
隐藏层中遗忘门的阈值bf；
隐藏层中输入门的阈值bi；
隐藏层中输出门的阈值bo；
隐藏层中细胞单元的阈值bc；
所述输出层，将隐藏层计算得到的结果使用tanh激励函数处理,tanh激励函数计算公式为：
Figure FDA0002980431150000051
然后得到第一车辆LSTM神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息YA,p*L+1,p∈[1,P]；
所述第一车辆LSTM神经网络通过输入第一车辆LSTM神经网络批次训练集中第p批次样本，预测得到第一车辆LSTM神经网络批次训练集每批次样本的下一时刻第一车辆行驶信息YA,p*L+1,p∈[1,P]；
结合第一车辆LSTM神经网络批次训练集中每个批次的标签即TA,p*L+1，构建步骤2中所述第一车辆LSTM神经网络损失函数模型为：
Figure FDA0002980431150000052
其中，TA,p*L+1为第一车辆LSTM神经网络训练集中同一批次的训练样本标签，YA,p*L+1为第一车辆LSTM神经网络预测得到的下一时刻第一车辆行驶信息，P为第一车辆LSTM神经网络训练样本集批次数；
步骤2所述通过优化训练得到优化后第一车辆LSTM神经网络为：
计算得到第一车辆LSTM神经网络第一轮训练的训练误差后，使用梯度下降法进行神经网络的反向传播以修正隐藏层中各门控单元和细胞单元的连接权值和阈值；
隐藏层对应的寻优后参数为：
输入层和隐藏层中输入门的优化后连接权值Wx,i *；
输入层和隐藏层中输出门的优化后连接权值Wx,o *；
输入层和隐藏层中细胞单元的优化后连接权值Wx,c *；
隐藏层中输出门和隐藏层中遗忘门的优化后连接权值Wh,f *；
隐藏层中输出门和隐藏层中输入门的优化后连接权值Wh,i *；
隐藏层中输出门和隐藏层中细胞单元的优化后连接权值Wh,c *；
隐藏层中遗忘门的优化后阈值bf *；
隐藏层中输入门的优化后阈值bi *；
隐藏层中输出门的优化后阈值bo *；
隐藏层中细胞单元的优化后阈值bc *；
通过隐藏层对应的寻优后参数构建步骤2中所述优化后第一车辆LSTM神经网络。
4.权利要求1所述的基于车联网环境系统的交叉路口处车辆碰撞预警方法，其特征在于，
步骤3所述第二车辆LSTM神经网络由输入层、隐藏层、输出层依次级联构成；
所述输入层，用于将第二车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述输入层，用于将第二车辆LSTM神经网络批次训练集每批次样本输出至所述隐藏层；
所述隐藏层包括：细胞单元c’t、遗忘门f’t、输入门i’t和输出门o’t；
所述隐藏层用于通过各个门控单元和细胞单元之间连接权值和阈值的计算，将输入数据的特征抽象到另一个维度空间，来展现其更抽象化的特征，从而使得这些特征能更好的进行线性划分；最终隐藏层计算得到的结果作为输出层的输入值；
所述隐藏层的待寻优参数为：
输入层神经元节点和隐藏层中输入门的连接权值W’x,i；
输入层神经元节点和隐藏层中输出门的连接权值W’x,o；
输入层神经元节点和隐藏层中细胞单元的连接权值W’x,c；
隐藏层中输出门和隐藏层中遗忘门的连接权值W’h,f；
隐藏层中输出门和隐藏层中输入门的连接权值W’h,i；
隐藏层中输出门和隐藏层中细胞单元的连接权值W’h,c；
隐藏层中遗忘门的阈值b’f；
隐藏层中输入门的阈值b’i；
隐藏层中输出门的阈值b’o；
隐藏层中细胞单元的阈值b’c；
所述输出层，将隐藏层计算得到的结果使用tanh激励函数处理，tanh激励函数计算公式为：
Figure FDA0002980431150000061
然后得到最终的输出结果；
通过输入第二车辆LSTM神经网络批次训练集中第p批次样本至第二车辆LSTM神经网络得到车辆二在下一采样时刻的行驶信息预测值YB,p*L+1,p∈[1,P]；
结合预测的结果构建第二车辆LSTM神经网络损失函数模型MSEB，其计算公式为：
Figure FDA0002980431150000062
其中，TB,p*L+1为第二车辆LSTM神经网络训练集中同一批次的训练样本标签，YB,p*L+1为第二车辆LSTM神经网络预测得到的下一时刻第二车辆行驶信息，P为第二车辆LSTM神经网络训练样本集批次数；
步骤3所述通过优化训练得到优化后第二车辆LSTM神经网络为：
计算得到第二车辆LSTM神经网络第一轮训练的训练误差后，使用梯度下降法进行神经网络的反向传播以修正隐藏层中各门控单元和细胞单元的连接权值和阈值；
隐藏层对应的寻优后参数为：
输入层神经元节点和隐藏层中输入门的优化后连接权值W’x,i *；
输入层神经元节点和隐藏层中输出门的优化后连接权值W’x,o *；
输入层神经元节点和隐藏层中细胞单元的优化后连接权值W’x,c *；
隐藏层中输出门和隐藏层中遗忘门的优化后连接权值W’h,f *；
隐藏层中输出门和隐藏层中输入门的优化后连接权值W’h,i *；
隐藏层中输出门和隐藏层中细胞单元的优化后连接权值W’h,c *；
隐藏层中遗忘门的优化后阈值b’f *；
隐藏层中输入门的优化后阈值b’i *；
隐藏层中输出门的优化后阈值b’o *；
隐藏层中细胞单元的优化后阈值b’c *；
通过隐藏层对应的寻优后参数构建步骤3中所述优化后第二车辆LSTM神经网络。
5.权利要求1所述的基于车联网环境系统的交叉路口处车辆碰撞预警方法，其特征在于，
步骤4所述判断当前时刻第一车辆、第二车辆是否均在同一交叉路口范围内，具体为：
通过第一车辆的第一位置传感器采集得到第一车辆在当前时刻的行驶位置并传输至第一微处理器中，第一微处理器再通过第一无线通信模块将车辆位置无线传输至远程服务中心；
远程服务中心结合交叉路口中心点的坐标计算得到当前时刻第一车辆距离交叉路口中心点的距离；
所述当前时刻第一车辆距离交叉路口中心点的距离的计算公式为：
Figure FDA0002980431150000071
其中，(xC,t,yC,t)表示交叉路口中心点的坐标，(x2,A,t,y2,A,t)表示第一车辆在第t时刻的行驶位置，xC,t为交叉路口横坐标，yC,t为交叉路口纵坐标，x2,A,t为第t个时刻的第一车辆横坐标，y2,A,t为第t个时刻的第一车辆纵坐标，t为采集时刻的数量；
远程服务中心将当前时刻第一车辆距离交叉路口中心点的距离同阈值distance相比较，如果LA,t小于distance则可以判定第一车辆在路口内；
通过第二车辆的第二位置传感器采集得到第二车辆在当前时刻的行驶坐标并传输至第二微处理器中；
第二微处理器再通过第二无线通信模块将第二车辆位置无线传输至远程服务中心；
远程服务中心结合交叉路口中心点的坐标计算得到当前时刻第二车辆距离交叉路口中心点的距离；
所述当前时刻第二车辆距离交叉路口中心点的距离的计算公式为：
Figure FDA0002980431150000081
其中，(xC,t,yC,t)表示交叉路口中心点的坐标，(x2,B,t,y2,B,t)表示第二车辆在第t时刻的行驶位置，xC,t为交叉路口横坐标，yC,t为交叉路口纵坐标，x2,B,t为第t个时刻的第二车辆横坐标，y2,B,t为第t个时刻的第二车辆纵坐标，t为采集时刻的数量；
远程服务中心将当前时刻第二车辆距离交叉路口中心点的距离LB,t同阈值distance相比较，如果LB,t小于distance则可以判定车辆二在路口内；
步骤4所述进一步判断远程服务中心判断当前时刻第一车辆、第二车辆行驶方向是否均朝向路口，具体为：
远程服务中心将当前时刻第一车辆距离交叉路口中心点的距离LA,t与上一采样时刻第一车辆距离交叉路口中心点的距离LA,t-1相比较，如果LA,t小于LA,t-1则判定第一车辆正驶向路口；
远程服务中心将当前时刻第二车辆距离交叉路口中心点的距离LB,t与上一采样时刻第二车辆距离交叉路口中心点的距离LB,t-1相比较，如果LB,t小于LB,t-1则判定第二车辆正驶向路口；
如果判定第一车辆正驶向路口且第二车辆正驶向路口，则表示当前时刻第一车辆和第二车辆均处于驶向路口状态。
6.权利要求1所述的基于车联网环境系统的交叉路口处车辆碰撞预警方法，其特征在于，
步骤5所述根据优化后第一车辆LSTM神经网络预测得到当前时刻第一车辆预测批次样本为：
采集第一车辆的行驶信息序列：
TrajectoryA,t＝{TA,t-p,TA,t-p+1,...,TA,t}
其中，t表示当前时刻，TrajectoryA,t表示第一车辆在t-p至t时刻内的车辆行驶信息序列；
第一车辆的行驶信息序列中样本的定义为：
TA,t＝[x4,A,t,y4,A,t,vA,t,x,vA,t,y]
其中，t表示当前时刻，TA,t第一车辆第t个时刻的行驶信息样本，x4,A,t为第t个时刻的第一车辆横坐标，y4,A,t为第t个时刻的第一车辆纵坐标，vA,t,x为第t个时刻的第一车辆在水平方向上的分速度，vA,t,y为第t个时刻的第一车辆在垂直方向上的分速度；
步骤5.1：将
TrajectoryA,t输入优化后第一车辆LSTM神经网络，得到下一时刻的第一车辆行驶样本即TA,t+1；
步骤5.2：利用TA,t+1得到第一车辆在t-p+1至t+1时刻内的车辆行驶信息序列即TrajectoryA,t+1＝{TA,t-p+1,TA,t-p+2,...,TA,t+1}；
再将TrajectoryA,t+1输入优化后第一车辆LSTM神经网络，得到下一时刻的第一车辆行驶样本即TA,t+2；
步骤5.3：重复执行步骤5.1、步骤5.2直至重复执行次数达到p次，从而得到当前时刻第一车辆预测批次样本；
所述当前时刻第一车辆预测批次样本为：
TrajectoryA,t+p＝{TA,t+1,TA,t+2,...,TA,t+p}
第一车辆的预测批次样本的定义为：
TA,t＝[x4,A,t *,y4,A,t *,vA,t,x *,vA,t,y *]
其中，t表示当前时刻，TA,t为第一车辆预测批次样本中第一车辆第t个时刻的行驶信息样本，x4,A,t *为第一车辆预测批次样本中第t个时刻的第一车辆横坐标，y4,A,t *为第一车辆预测批次样本中第t个时刻的第一车辆纵坐标，vA,t,x *为第一车辆预测批次样本中第t个时刻的第一车辆在水平方向上的分速度，vA,t,y *为第一车辆预测批次样本中第t个时刻的第一车辆在垂直方向上的分速度；
步骤5所述根据优化后第二车辆LSTM神经网络预测得到当前时刻第二车辆预测批次样本为：
采集第二车辆的行驶信息序列：
TrajectoryB,t＝{TB,t-p,TB,t-p+1,...,TB,t}
其中，t表示当前时刻，TrajectoryB,t表示第二车辆在t-p至t时刻内的车辆行驶信息序列；
第二车辆的行驶信息序列中样本的定义为：
TB,t＝[x4,B,t,y4,B,t,vB,t,x,vB,t,y]
其中，t表示当前时刻，TB,t第二车辆第t个时刻的行驶信息样本，x4,B,t为第t个时刻的第二车辆横坐标，y4,B,t为第t个时刻的第二车辆纵坐标，vB,t,x为第t个时刻的第二车辆在水平方向上的分速度，vB,t,y为第t个时刻的第二车辆在垂直方向上的分速度；
步骤5.4：将
TrajectoryB,t输入优化后第二车辆LSTM神经网络，得到下一时刻的第二车辆行驶样本即TB,t+1；
步骤5.5：利用TB,t+1得到第二车辆在t-p+1至t+1时刻内的车辆行驶信息序列即TrajectoryB,t+1＝{TB,t-p+1,TB,t-p+2,...,TB,t+1}；
再将TrajectoryB,t+1输入优化后第二车辆LSTM神经网络，得到下一时刻的第二车辆行驶样本即TB,t+2；
步骤5.6：重复执行步骤5.4、步骤5.5直至重复执行次数达到p次，从而得到当前时刻第二车辆预测批次样本；
所述当前时刻第二车辆预测批次样本为：
TrajectoryB,t+p＝{TB,t+1,TB,t+2,...,TB,t+p}
第二车辆的预测批次样本的定义为：
TB,t＝[x4,B,t *,y4,B,t *,vB,t,x *,vB,t,y *]
其中，t表示当前时刻，TB,t为第二车辆预测批次样本中第二车辆第t个时刻的行驶信息样本，x4,B,t *为第二车辆预测批次样本中第t个时刻的第二车辆横坐标，y4,B,t *为第二车辆预测批次样本中第t个时刻的第二车辆纵坐标，vB,t,x *为第二车辆预测批次样本中第t个时刻的第二车辆在水平方向上的分速度，vB,t,y *为第二车辆预测批次样本中第t个时刻的第二车辆在垂直方向上的分速度。
7.权利要求1所述的基于车联网环境系统的交叉路口处车辆碰撞预警方法，其特征在于，
步骤6所述结合碰撞风险计算模型计算得到碰撞风险时间序列，具体计算公式如下：
Figure FDA0002980431150000101
将当前时刻第一车辆预测批次样本TrajectoryA,t+p＝{TA,t+1,TA,t+2,...,TA,t+p}、当前时刻第二车辆预测批次样本TrajectoryB,t+p＝{TB,t+1,TB,t+2,...,TB,t+p}中的各序列项依次输入碰撞风险计算模型得到碰撞风险时间序列样本值；其中dt为计算得到的第t个时刻的碰撞风险时间序列样本值；最终得到的碰撞风险时间序列为Dt,t+p＝{dt,dt+1,...,dt+p}。
CN202110285852.XA 2021-03-17 2021-03-17 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法 Pending CN113096411A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110285852.XA CN113096411A (zh) 2021-03-17 2021-03-17 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110285852.XA CN113096411A (zh) 2021-03-17 2021-03-17 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法

Publications (1)

Publication Number Publication Date
CN113096411A true CN113096411A (zh) 2021-07-09

Family

ID=76668304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110285852.XA Pending CN113096411A (zh) 2021-03-17 2021-03-17 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法

Country Status (1)

Country Link
CN (1) CN113096411A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333416A (zh) * 2021-12-24 2022-04-12 阿波罗智能技术(北京)有限公司 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆
CN114354216A (zh) * 2021-12-31 2022-04-15 信通院车联网创新中心(成都)有限公司 基于高精度定位的v2x碰撞预警实车测试系统及方法
US20220405517A1 (en) * 2021-06-17 2022-12-22 Guangzhou Automobile Group Co., Ltd. System, method, and vehicle for recognition of traffic signs
CN116466644A (zh) * 2023-03-28 2023-07-21 索提斯云智控科技(上海)有限公司 一种基于plc控制的车辆性能监管系统及方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105280024A (zh) * 2015-11-17 2016-01-27 南京信息工程大学 基于车辆速度和距离的交叉路口碰撞可能性的评估方法
CN105761548A (zh) * 2016-04-14 2016-07-13 西安电子科技大学 基于动态贝叶斯网络的交叉路口碰撞避免方法
CN107103185A (zh) * 2017-03-31 2017-08-29 江苏大学 基于灰色预测模型的智能车辆主动避撞方法
CN107274699A (zh) * 2017-06-30 2017-10-20 重庆交通大学 基于位置共享的无信控交叉口车辆自协同通行方法
CN108597251A (zh) * 2018-04-02 2018-09-28 昆明理工大学 一种基于车联网的交通路口分布式车辆碰撞预警方法
CN110310481A (zh) * 2019-06-28 2019-10-08 浙江吉利控股集团有限公司 一种车辆碰撞预警方法、装置及设备
CN110533959A (zh) * 2019-08-07 2019-12-03 北京交通大学 基于车路协同的无控交叉口冲突车辆避撞预警方法及系统
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法
DE102018219760A1 (de) * 2018-11-19 2020-05-20 Zf Friedrichshafen Ag Kollisionsprädiktionssystem
CN112002144A (zh) * 2020-09-02 2020-11-27 中国科学技术大学 无信号交叉路口行车风险态势评估方法及系统
CN112015843A (zh) * 2020-09-02 2020-12-01 中国科学技术大学 基于多车意图交互结果的行车风险态势评估方法及系统
CN112265546A (zh) * 2020-10-26 2021-01-26 吉林大学 基于时空序列信息的网联汽车车速预测方法
CN112466158A (zh) * 2020-11-26 2021-03-09 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

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105280024A (zh) * 2015-11-17 2016-01-27 南京信息工程大学 基于车辆速度和距离的交叉路口碰撞可能性的评估方法
CN105761548A (zh) * 2016-04-14 2016-07-13 西安电子科技大学 基于动态贝叶斯网络的交叉路口碰撞避免方法
CN107103185A (zh) * 2017-03-31 2017-08-29 江苏大学 基于灰色预测模型的智能车辆主动避撞方法
CN107274699A (zh) * 2017-06-30 2017-10-20 重庆交通大学 基于位置共享的无信控交叉口车辆自协同通行方法
CN108597251A (zh) * 2018-04-02 2018-09-28 昆明理工大学 一种基于车联网的交通路口分布式车辆碰撞预警方法
DE102018219760A1 (de) * 2018-11-19 2020-05-20 Zf Friedrichshafen Ag Kollisionsprädiktionssystem
CN110310481A (zh) * 2019-06-28 2019-10-08 浙江吉利控股集团有限公司 一种车辆碰撞预警方法、装置及设备
CN110533959A (zh) * 2019-08-07 2019-12-03 北京交通大学 基于车路协同的无控交叉口冲突车辆避撞预警方法及系统
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法
CN112002144A (zh) * 2020-09-02 2020-11-27 中国科学技术大学 无信号交叉路口行车风险态势评估方法及系统
CN112015843A (zh) * 2020-09-02 2020-12-01 中国科学技术大学 基于多车意图交互结果的行车风险态势评估方法及系统
CN112265546A (zh) * 2020-10-26 2021-01-26 吉林大学 基于时空序列信息的网联汽车车速预测方法
CN112466158A (zh) * 2020-11-26 2021-03-09 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙影 等: "基于时间序列的目标车辆轨迹预测算法", 《智能网联汽车》 *
张良力等: "基于ARMA预测模型的交叉口车辆碰撞风险评估", 《交通运输系统工程与信息》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220405517A1 (en) * 2021-06-17 2022-12-22 Guangzhou Automobile Group Co., Ltd. System, method, and vehicle for recognition of traffic signs
CN114333416A (zh) * 2021-12-24 2022-04-12 阿波罗智能技术(北京)有限公司 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆
CN114354216A (zh) * 2021-12-31 2022-04-15 信通院车联网创新中心(成都)有限公司 基于高精度定位的v2x碰撞预警实车测试系统及方法
CN116466644A (zh) * 2023-03-28 2023-07-21 索提斯云智控科技(上海)有限公司 一种基于plc控制的车辆性能监管系统及方法
CN116466644B (zh) * 2023-03-28 2023-11-28 索提斯云智控科技(上海)有限公司 一种基于plc控制的车辆性能监管系统及方法

Similar Documents

Publication Publication Date Title
CN113096411A (zh) 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法
US10235881B2 (en) Autonomous operation capability configuration for a vehicle
Yan et al. Deep learning for vehicle speed prediction
CN109727490B (zh) 一种基于行车预测场的周边车辆行为自适应矫正预测方法
CN107346612A (zh) 一种基于车联网的车辆防碰撞方法和系统
CN110288835B (zh) 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
WO2021243710A1 (zh) 一种基于智能交通系统的自动驾驶方法、装置和智能交通系统
CN107958269A (zh) 一种基于隐马尔可夫模型的行车危险度预测方法
CN108595823A (zh) 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法
CN109272745B (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN111145552B (zh) 基于5g网络的车辆动态换道轨迹的规划方法
CN109118787B (zh) 一种基于深度神经网络的车辆速度预测方法
CN103921743A (zh) 汽车行驶工况判别系统及其判别方法
Mo et al. Simulation and analysis on overtaking safety assistance system based on vehicle-to-vehicle communication
CN111332283A (zh) 用于控制机动车的方法和系统
CN111081067B (zh) 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法
CN110749455A (zh) 一种无人车汇入车流通行能力测试系统及测试方法
CN115662166B (zh) 一种自动驾驶数据处理方法及自动驾驶交通系统
CN112373483B (zh) 一种基于前向神经网络的车辆速度和转向预测方法
Hao et al. Reducing CACC platoon disturbances caused by state jitters by combining two stages driving state recognition with multiple platoons’ strategies and risk prediction
CN105869402A (zh) 基于多类型浮动车数据的高速公路路段速度修正方法
CN108312957A (zh) 一种基于道路信息的自适应车辆弯道照明系统及方法
CN114354216A (zh) 基于高精度定位的v2x碰撞预警实车测试系统及方法
Yang et al. Driver distraction detection for vehicular monitoring
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

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210709

RJ01 Rejection of invention patent application after publication