CN113920780B - 基于联邦学习的云雾协同个性化前向碰撞风险预警方法 - Google Patents

基于联邦学习的云雾协同个性化前向碰撞风险预警方法 Download PDF

Info

Publication number
CN113920780B
CN113920780B CN202111021806.5A CN202111021806A CN113920780B CN 113920780 B CN113920780 B CN 113920780B CN 202111021806 A CN202111021806 A CN 202111021806A CN 113920780 B CN113920780 B CN 113920780B
Authority
CN
China
Prior art keywords
early warning
cloud
collision risk
risk early
model
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
CN202111021806.5A
Other languages
English (en)
Other versions
CN113920780A (zh
Inventor
余荣杰
章锐辞
艾浩安
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202111021806.5A priority Critical patent/CN113920780B/zh
Publication of CN113920780A publication Critical patent/CN113920780A/zh
Application granted granted Critical
Publication of CN113920780B publication Critical patent/CN113920780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Signal Processing (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明涉及一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，具体包括以下步骤：S1、云端根据时序特征数值数据，通过长短时记忆神经网络，训练生成初始车辆行驶前向碰撞风险预警模型并下传至雾端；S2、雾端获取驾驶员累计行驶的本地数据，通过梯度下降算法对初始车辆行驶前向碰撞风险预警模型进行更新，模型参数更新后上传至云端；S3、云端对回传的模型参数进行聚合，更新初始车辆行驶前向碰撞风险预警模型并下传至雾端；S4、雾端通过迁移学习算法对驾驶员特性进行调参，形成个性化前向碰撞风险预警模型。与现有技术相比，本发明针对前向碰撞进行个性化高精度预警，具有提高高级驾驶辅助系统(ADAS)的利用率，降低追尾事故发生率等优点。

Description

基于联邦学习的云雾协同个性化前向碰撞风险预警方法
技术领域
本发明涉及驾驶风险预测技术领域，尤其是涉及一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法。
背景技术
频发的交通事故是交通系统发展过程中的首要痛点与难点。据世界卫生组织发布的《2018年全球道路安全状况报告》，每年全世界约有135万人死于道路交通事故，另有2000万至5000万人因道路交通事故引发的碰撞而受伤或致残。其中，追尾事故是最常见的交通事故。2017年美国发生追尾事故456万起，占比47.1％；在日本，追尾事故约占所有事故的35％；在中国上海，追尾事故约占事故总数的20％，但在快速路中和隧道中，占比高达49％和67％。当前，在车辆智能化、网联化发展的背景下，应用高级驾驶辅助系统(AdvancedDriving Assistance System，ADAS)及逐步成熟的自动驾驶技术为驾驶员提供车辆前向碰撞风险预警提醒，是降低追尾事故发生的主要解决方案。
当前，高级驾驶辅助系统的渗透率不断提升。据《计算机行业深度研究报告》和《车联网(智能网联汽车)产业发展行动计划》，“2020年ADAS系统渗透率超过50％，到2025年全球生产的全部8000万辆新车上面都将搭载ADAS系统”。然而，由于目前的ADAS系统中的碰撞风险预警机制较为固定，无法拟合异质性驾驶员的行为习惯，常常在驾驶员认为十分安全的场景下发出告警，导致现实场景中ADAS系统使用率低下，产生了“拥有而不使用”的现象，研究表明，约47％的用户并不经常使用ADAS系统。因此，ADAS中预警算法的普适性和驾驶员群体的异质性间的矛盾问题亟待解决。
联邦学习、迁移学习技术及空中下载技术(OTA)为针对异质性驾驶员的个性化预警算法研究提供了可能。传统的个性化预警算法基于个体驾驶员的数据建模，受到个体用户数据量限制往往无法达到较好的效果，而利用所有驾驶员数据联合建模，需要将雾端的驾驶员行驶数据直接上传至云端，存在上述的忽略驾驶员群体异质性的问题，且涉及用户的隐私保护问题及海量数据传输的高额成本问题。联邦学习是一种新兴的人工智能基础技术，可有效保护用户隐私；迁移学习是机器学习的重要分支之一，其主要目的是将已经学习过的知识迁移应用于新的问题中，可尝试用于不同用户特征分布的迁移以达到个性化效果；OTA技术作为一种网络升级软件，近年来正被逐步应用在汽车厂商中，其通过云端(云平台)和雾端(车载端)的信息交互，能完成对车载系统的升级。因此，可基于联邦学习框架，结合迁移学习技术和OTA技术，研究云雾协同的个性化前向碰撞风险预警方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的ADAS中预警算法的普适性较低和驾驶员群体的异质性间的矛盾问题的缺陷而提供一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法。
本发明的目的可以通过以下技术方案来实现：
一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，具体包括以下步骤：
S1、云端根据时序特征数值数据，通过长短时记忆神经网络，训练生成云端的初始车辆行驶前向碰撞风险预警模型，并下传至雾端；
S2、雾端获取驾驶员累计行驶的本地数据，通过梯度下降算法对初始车辆行驶前向碰撞风险预警模型进行更新，并将更新后的模型参数上传至云端；
S3、云端对雾端回传的模型参数进行聚合，更新初始车辆行驶前向碰撞风险预警模型并下传至雾端；
S4、雾端通过迁移学习算法针对驾驶员特性进行自适应调参，最终形成个性化前向碰撞风险预警模型。
所述云端的数据和雾端的本地数据包括海量驾驶员的车载视频数据。
所述步骤S1具体包括以下步骤：
S11、云端获取于时序图片数据，根据所述时序图片数据处理得到时序特征数值数据；
S12、基于长短时记忆神经网络网络，生成云端的初始车辆行驶前向碰撞风险预警模型；
S13、将所述初始车辆行驶前向碰撞风险预警模型下传至雾端。
所述时序特征数值数据包括前车水平距离、前车垂直距离、本车速度、本车加速度和本车加加速度。
所述步骤S2具体包括以下步骤：
S21、将雾端采集的本地数据输入云端下传的初始车辆行驶前向碰撞风险预警模型，通过梯度下降算法对初始车辆行驶前向碰撞风险预警模型进行更新；
S22、将更新后的模型参数传回云端。
所述梯度下降算法的公式如下所示：
Figure BDA0003242193040000031
其中，
Figure BDA0003242193040000032
为雾端通过第k个驾驶员的本地数据更新得到的模型参数，wt为初始车辆行驶前向碰撞风险预警模型的模型参数，xk和yk为雾端的第k个驾驶员的本地数据，α为学习率，
Figure BDA0003242193040000033
为动作行为值函数，
Figure BDA0003242193040000034
为动作行为值函数对应的梯度。
所述步骤S3具体包括以下步骤：
S31、云端通过聚合雾端传回的参数更新初始车辆行驶前向碰撞风险预警模型；
S32、将云端更新后的模型下传到雾端。
所述步骤S3中聚合的公式如下所示：
Figure BDA0003242193040000035
其中，wt+1为云端模型更新后的参数，
Figure BDA0003242193040000036
为雾端通过第k个驾驶员数据更新得到的模型参数，nk和n分别为雾端的第k个驾驶员的数据量和总的数据量。
所述步骤S4中迁移学习算法的具体过程为在模型的原始特征输出与全连接层之间增加批量归一化层，生成个性化前向碰撞风险预警模型，用于车载端的前向碰撞分析预警。
进一步地，所述批量归一化层的公式具体如下所示：
Figure BDA0003242193040000037
其中，x和y分别为批量归一化层的输入值和输出值，γ为可训练的放缩系数，β为可训练的偏移值，mean()为均值函数，Var()为方差函数，∈为过程参数。
与现有技术相比，本发明具有以下有益效果：
1.本发明综合考虑本车状态、前车位置等多种前向碰撞风险影响因素，考虑全面，对前向碰撞进行高精度预警，有效降低了追尾事故发生率，提高了行车过程中的交通安全。
2.本发明考虑了驾驶员的异质性，由于不同驾驶员的驾驶行为规律是有差异的，对不同驾驶员模型进行个性化优化可以适应不同驾驶员的异质性行为，有助于高级驾驶辅助系统的改善。
3.本发明采用联邦学习框架，在保护用户隐私的前提下，达到了与直接使用所有驾驶员数据建模接近的效果，同时大大减少了数据传输的工作。
4.本发明对每个驾驶员模型进行了个性化优化，得到个性化前向碰撞风险预警模型，进一步提高了雾端模型的精度。
附图说明
图1为本发明的结构示意图；
图2为本发明的框架示意图；
图3为本发明实例中云端通过聚合雾端的回传参数来更新云端模型的训练、测试曲线的模型损失值的示意图；
图4为本发明实例中云端通过聚合雾端的回传参数来更新云端模型的训练、测试曲线的模型精准度的示意图；
图5为本发明实例中雾端个性化模型与云端模型的训练、测试曲线的模型损失值的对比示意图；
图6为本发明实例中雾端个性化模型与云端模型的训练、测试曲线的模型精准度的对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1和图2所示，一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，基于海量驾驶员的车载视频数据，在保证个体用户行驶数据隐私、有限流量数据回传的前提下构建了自适应式个性化前向碰撞预警模型，实现个性化的前向碰撞风险预警，为追尾事故发生率的降低、高级驾驶辅助系统的改善及应用等提供了理论支持，具体包括以下步骤：
S1、云端根据时序特征数值数据，通过长短时记忆神经网络，训练生成云端的初始车辆行驶前向碰撞风险预警模型，并下传至雾端；
S2、雾端获取驾驶员累计行驶的本地数据，通过梯度下降算法对初始车辆行驶前向碰撞风险预警模型进行更新，并将更新后的模型参数上传至云端；
S3、云端对雾端回传的模型参数进行聚合，更新初始车辆行驶前向碰撞风险预警模型并下传至雾端；
S4、雾端通过迁移学习算法针对驾驶员特性进行自适应调参，最终形成个性化前向碰撞风险预警模型。
云端的数据和雾端的本地数据包括海量驾驶员的车载视频数据。
步骤S1具体包括以下步骤：
S11、云端获取于时序图片数据，根据时序图片数据处理得到时序特征数值数据；
S12、基于长短时记忆神经网络网络，生成云端的初始车辆行驶前向碰撞风险预警模型；
S13、将初始车辆行驶前向碰撞风险预警模型下传至雾端。
本实施例中，时序图片数据基于车载摄像头，通过获取海量驾驶员的车载视频数据，每段视频长度为12秒，基于视频切割技术(1秒4帧)，将每一段视频转化为49张时序图片数据。
时序特征数值数据包括前车水平距离、前车垂直距离、本车速度、本车加速度和本车加加速度。
步骤S2具体包括以下步骤：
S21、将雾端采集的本地数据输入云端下传的初始车辆行驶前向碰撞风险预警模型，通过梯度下降算法对初始车辆行驶前向碰撞风险预警模型进行更新；
S22、将更新后的模型参数传回云端。
梯度下降算法的公式如下所示：
Figure BDA0003242193040000051
其中，
Figure BDA0003242193040000052
为雾端通过第k个驾驶员的本地数据更新得到的模型参数，wt为初始车辆行驶前向碰撞风险预警模型的模型参数，xk和yk为雾端的第k个驾驶员的本地数据，α为学习率，
Figure BDA0003242193040000061
为动作行为值函数，
Figure BDA0003242193040000062
为动作行为值函数对应的梯度。
本实施例中，雾端采集的本地数据包括三个驾驶员的336个数据作为个性化驾驶员数据，训练集：测试集＝3:1。各驾驶员的数据量如表1所示：
表1驾驶员数据量
Figure BDA0003242193040000063
步骤S3具体包括以下步骤：
S31、云端通过聚合雾端传回的参数更新初始车辆行驶前向碰撞风险预警模型；
S32、将云端更新后的模型下传到雾端。
步骤S3中聚合的公式如下所示：
Figure BDA0003242193040000064
其中，wt+1为云端模型更新后的参数，
Figure BDA0003242193040000065
为雾端通过第k个驾驶员数据更新得到的模型参数，nk和n分别为雾端的第k个驾驶员的数据量和总的数据量。
步骤S4中迁移学习算法的具体过程为在模型的原始特征输出与全连接层之间增加批量归一化层，生成个性化前向碰撞风险预警模型，用于车载端的前向碰撞分析预警。
批量归一化层的公式具体如下所示：
Figure BDA0003242193040000066
其中，x和y分别为批量归一化层的输入值和输出值，γ为可训练的放缩系数，β为可训练的偏移值，mean()为均值函数，Var()为方差函数，∈为过程参数。
具体实施时，在步骤S3中，需要确定在聚合参数或梯度时各驾驶员的权重，具体如表2所示：
表2驾驶员聚合权重
Figure BDA0003242193040000067
根据雾端传回的信息类别选择相应的模型更新公式，对云端模型进行更新，传参数或者梯度条件下，云端模型在雾端各驾驶员测试集的准确率总和均为86.05％。
如图3～图6所示，车辆行驶前向碰撞风险预警模型在云端训练后，模型损失值和精准度得到优化，而且在最终经迁徙学习后的个性化前向碰撞风险预警模型中，不仅模型的损失值较低，而且具有最高的精准度，个性化模型在各自测试集上的准确率总和为88.37％，相较个性化之前提高了约2％。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，其特征在于，具体包括以下步骤：
S1、云端根据时序特征数值数据，通过长短时记忆神经网络，训练生成云端的初始车辆行驶前向碰撞风险预警模型，并下传至雾端；
S2、雾端获取驾驶员累计行驶的本地数据，通过梯度下降算法对初始车辆行驶前向碰撞风险预警模型进行更新，并将更新后的模型参数上传至云端；
S3、云端对雾端回传的模型参数进行聚合，更新初始车辆行驶前向碰撞风险预警模型并下传至雾端；
S4、雾端通过迁移学习算法针对驾驶员特性进行自适应调参，最终形成个性化前向碰撞风险预警模型；
所述云端的数据和雾端的本地数据包括海量驾驶员的车载视频数据；
所述步骤S1具体包括以下步骤：
S11、云端获取于时序图片数据，根据所述时序图片数据处理得到时序特征数值数据；
S12、基于长短时记忆神经网络，生成云端的初始车辆行驶前向碰撞风险预警模型；
S13、将所述初始车辆行驶前向碰撞风险预警模型下传至雾端；
所述步骤S4中迁移学习算法的具体过程为在模型的原始特征输出与全连接层之间增加批量归一化层，生成个性化前向碰撞风险预警模型；
所述批量归一化层的公式具体如下所示：
Figure FDA0003891039000000011
其中，x和y分别为批量归一化层的输入值和输出值，γ为可训练的放缩系数，β为可训练的偏移值，mean()为均值函数，Var()为方差函数，∈为过程参数。
2.根据权利要求1所述的一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，其特征在于，所述时序特征数值数据包括前车水平距离、前车垂直距离、本车速度、本车加速度和本车加加速度。
3.根据权利要求1所述的一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、将雾端采集的本地数据输入云端下传的初始车辆行驶前向碰撞风险预警模型，通过梯度下降算法对初始车辆行驶前向碰撞风险预警模型进行更新；
S22、将更新后的模型参数传回云端。
4.根据权利要求1所述的一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，其特征在于，所述梯度下降算法的公式如下所示：
Figure FDA0003891039000000021
其中，
Figure FDA0003891039000000022
为雾端通过第k个驾驶员的本地数据更新得到的模型参数，wt为初始车辆行驶前向碰撞风险预警模型的模型参数，xk和yk为雾端的第k个驾驶员的本地数据，α为学习率，
Figure FDA0003891039000000023
为动作行为值函数，
Figure FDA0003891039000000024
为动作行为值函数对应的梯度。
5.根据权利要求1所述的一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、云端通过聚合雾端传回的参数更新初始车辆行驶前向碰撞风险预警模型；
S32、将云端更新后的模型下传到雾端。
6.根据权利要求1所述的一种基于联邦学习的云雾协同个性化前向碰撞风险预警方法，其特征在于，所述步骤S3中聚合的公式如下所示：
Figure FDA0003891039000000025
其中，wt+1为云端模型更新后的参数，
Figure FDA0003891039000000026
为雾端通过第k个驾驶员数据更新得到的模型参数，nk和n分别为雾端的第k个驾驶员的数据量和总的数据量。
CN202111021806.5A 2021-09-01 2021-09-01 基于联邦学习的云雾协同个性化前向碰撞风险预警方法 Active CN113920780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111021806.5A CN113920780B (zh) 2021-09-01 2021-09-01 基于联邦学习的云雾协同个性化前向碰撞风险预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111021806.5A CN113920780B (zh) 2021-09-01 2021-09-01 基于联邦学习的云雾协同个性化前向碰撞风险预警方法

Publications (2)

Publication Number Publication Date
CN113920780A CN113920780A (zh) 2022-01-11
CN113920780B true CN113920780B (zh) 2022-12-16

Family

ID=79233716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111021806.5A Active CN113920780B (zh) 2021-09-01 2021-09-01 基于联邦学习的云雾协同个性化前向碰撞风险预警方法

Country Status (1)

Country Link
CN (1) CN113920780B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114863680B (zh) * 2022-04-27 2023-04-18 腾讯科技（深圳）有限公司 预测处理方法、装置、计算机设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110329249B (zh) * 2019-07-02 2020-08-07 武汉理工大学 一种循环神经网络的汽车前向碰撞预警控制系统及方法
WO2021108438A1 (en) * 2019-11-27 2021-06-03 B&H Licensing Inc. Method and system for pedestrian-to-vehicle collision avoidance based on emitted wavelength
CN111104969B (zh) * 2019-12-04 2023-09-19 东北大学 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
CN111476139B (zh) * 2020-04-01 2023-05-02 同济大学 基于联邦迁移学习的驾驶员行为云边协同学习系统
CN112052959B (zh) * 2020-09-04 2023-08-25 深圳前海微众银行股份有限公司 基于联邦学习的自动驾驶训练方法、设备及介质
CN112465151A (zh) * 2020-12-17 2021-03-09 电子科技大学长三角研究院(衢州) 一种基于深度强化学习的多智能体联邦协作方法
CN113313264B (zh) * 2021-06-02 2022-08-12 河南大学 车联网场景下的高效联邦学习方法

Also Published As

Publication number Publication date
CN113920780A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN108256714A (zh) 一种基于车联网大数据的行车轨迹实时风险评估模型
EP3674920A1 (en) Method and device for constructing map data
CN113642633A (zh) 用于对驾驶场景数据进行分类的方法、装置、设备和介质
CN107742430A (zh) 一种驾驶行为监控方法、存储介质及车载终端
CN105868860A (zh) 基于聚类的区域出行意愿强度分析方法、装置及选址方法
CN113920780B (zh) 基于联邦学习的云雾协同个性化前向碰撞风险预警方法
CN112201033B (zh) 一种道路交通运行主动管控策略选择方法
CN109278758B (zh) 一种基于智能手机的智能车个性化驾驶学习系统
CN111128398A (zh) 一种基于人口迁徙大数据的流行病感染人数估算方法
CN112925309A (zh) 智能网联汽车数据交互方法及交互系统
CN111915885A (zh) 一种城市道路交通仿真实验方法及系统
CN110763483A (zh) 一种安全等级测试场景库的自动生成方法及装置
CN114897312A (zh) 驾驶行为评分方法、装置、设备及存储介质
CN112801181B (zh) 城市信令交通流用户分类、预测方法、存储介质及系统
CN111696347B (zh) 一种自动化分析交通事件信息的方法和装置
CN117765177A (zh) 一种基于大模型知识库的预案三维实战演练方法及系统
CN115544900B (zh) 一种基于Shap算法分析电动车续航里程影响因素的方法
CN116645849A (zh) 一种自动驾驶的复杂路况模拟系统
CN109191851A (zh) 一种交通灯冗余时间计算方法及装置
CN114296944A (zh) 数据处理方法、装置、电子设备、程序产品及存储介质
CN109693675B (zh) 一种车辆扭矩故障的诊断方法、装置及服务器
CN113506012A (zh) 一种基于手机车联网数据的驾驶行为风险指数判定方法
CN112308171A (zh) 一种基于模拟驾驶器的车辆位置预测建模方法
CN112862276A (zh) 一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台及方法
CN114169371B (zh) 车辆换道工况下考虑风险势场分布的驾驶风格分类方法

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