CN114724121A - 一种驾驶行为预测方法 - Google Patents
一种驾驶行为预测方法 Download PDFInfo
- Publication number
- CN114724121A CN114724121A CN202210295111.4A CN202210295111A CN114724121A CN 114724121 A CN114724121 A CN 114724121A CN 202210295111 A CN202210295111 A CN 202210295111A CN 114724121 A CN114724121 A CN 114724121A
- Authority
- CN
- China
- Prior art keywords
- poi
- information
- vehicle
- driving
- prediction
- 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
Links
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种驾驶行为预测方法,包括以下步骤:S1:采集车辆行驶数据,进行预处理,并将其划分为训练集和测试集;S2:基于训练集和测试集,利用深度自编码器提取行为特征向量;S3:提取车辆行驶的POI特征向量;S4:根据行为特征向量与POI特征向量,进行驾驶行为预测。在本发明中,首先利用车辆轨迹进行了驾驶行为偏好特征的提取,然后在融合多源地理空间信息的基础上,实现了基于MC‑Dropout的短时驾驶行为(速度)预测以及针对预测结果的不确定性分析。
Description
技术领域
本发明属于交通预测技术领域,具体涉及一种驾驶行为预测方法。
背景技术
相关报道表明,疲劳驾驶、超速行驶、违法停车是导致道路交通事故的主要因素,而营运车辆由于其车辆特殊性,是造成重大交通事故(死亡10人以上)的主要车型。因此,从营运车辆行驶安全的角度出发,本发明拟在借助大数据与人工智能技术手段的基础上,通过对驾驶行为特征进行提取与分析,实现基于货运车辆的危险驾驶行为的短时预测与预警(仅速度),致力将当前简单事故发生后的信息采集方式向事故发生前的短时预测与预警方式转变,保障道路行驶安全,促进我国智能交通系统的健康向前发展。
发明内容
本发明为了解决上述问题,提出了一种驾驶行为预测方法。
本发明的技术方案是:一种驾驶行为预测方法包括以下步骤:
S1:采集车辆行驶数据,进行预处理,并将其划分为训练集和测试集;
S2:基于训练集和测试集,利用深度自编码器提取行为特征向量;
S3:提取车辆行驶的POI特征向量;
S4:根据行为特征向量与POI特征向量,进行驾驶行为预测。
进一步地,步骤S1中,车辆行驶数据包括行驶车辆的轨迹信息和基于路端的关联性信息;所述轨迹信息包括行驶车辆的空间位置、轨迹时刻和方向角;所述关联性信息包括功能性建筑、交通基础设施和交通规则;
步骤S1中,对车辆驾驶数据划分训练集和测试集的具体方法为:基于与处理后的车辆驾驶数据,通过滑动窗口构建训练样本,并将训练样本划分为训练集和测试集。
进一步地,步骤S2包括以下子步骤:
S21:提取车辆行驶的当前轨迹点的空间位置信息;
S22:以当前轨迹点为圆心,并设定半径,形成地理缓冲区;
S23:提取地理缓冲区内的POI信息,根据轨迹点的经纬度坐标得到POI 信息与当前轨迹点的距离,并进行排序;
S24:根据设定的POI分类信息,对POI信息进行归类;
S25:在各个类别中,分别提取前5个POI信息对应的空间位置信息;
S26:将不同类别的POI信息对应的空间位置信息进行拼接,并计算其与当前轨迹点的相对位置,得到单个轨迹点的POI特征向量;
S27:重复步骤S21-S26,直至得到车辆行驶的整条轨迹序列的POI特征向量。
进一步地,步骤S25中,若各个类别的中的POI信息数量小于5个,则用 0补位。
进一步地,步骤S4中,将行为特征向量和POI特征向量进行信息融合,并利用全感知网络对信息融合后的特征向量进行深度学习,得到预测的驾驶速度,完成驾驶行为预测。
本发明的有益效果是:在本发明中,首先利用车辆轨迹进行了驾驶行为偏好特征的提取,然后在融合多源地理空间信息的基础上,实现了基于 MC-Dropout的短时驾驶行为(速度)预测以及针对预测结果的不确定性分析。本发明中的特征提取器能够较好地从轨迹片段中提取驾驶行为相关的主要特征,而后端的预测模型在速度预测上也取得了较好的精度,与插值的计算方式相比,可实现精度成倍的提升,表明本发明所构建的模型方法并非是数值计算方法的简单运用,而是在对驾驶行为分析进行深度挖掘与分析的基础上进行的合理推断。
附图说明
图1为驾驶行为预测方法的流程图;
图2为基于插值方法的速度预测误差分布图;
图3(a)为基于MC-Dropout的速度预测误差的模型预测误差分布图;
图3(b)为基于MC-Dropout的速度预测误差的插值预测误差分布图;
图4为预测方差直方分布图;
图5为速度误差高于2倍标准差数值的方差分布图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种驾驶行为预测方法,包括以下步骤:
S1:采集车辆行驶数据,进行预处理,并将其划分为训练集和测试集;
S2:基于训练集和测试集,利用深度自编码器提取行为特征向量;
S3:提取车辆行驶的POI特征向量;
S4:根据行为特征向量与POI特征向量,进行驾驶行为预测。
在本发明实施例中,步骤S1中,车辆行驶数据包括行驶车辆的轨迹信息和基于路端的关联性信息;所述轨迹信息包括行驶车辆的空间位置、轨迹时刻和方向角;所述关联性信息包括功能性建筑(学校、商场和政府机构等)、交通基础设施(红绿灯和道路口等)和交通规则(限速、限时和交通管制等);
步骤S1中,对车辆驾驶数据划分训练集和测试集的具体方法为:基于与处理后的车辆驾驶数据,通过滑动窗口构建训练样本,并将训练样本划分为训练集和测试集。
在本发明实施例中,步骤S2包括以下子步骤:
S21:提取车辆行驶的当前轨迹点的空间位置信息;
S22:以当前轨迹点为圆心,并设定半径,形成地理缓冲区;
S23:提取地理缓冲区内的POI信息,根据轨迹点的经纬度坐标得到POI 信息与当前轨迹点的距离,并进行排序;
S24:根据设定的POI分类信息,对POI信息进行归类;
S25:在各个类别中,分别提取前5个POI信息对应的空间位置信息;
S26:将不同类别的POI信息对应的空间位置信息进行拼接,并计算其与当前轨迹点的相对位置,得到单个轨迹点的POI特征向量;
S27:重复步骤S21-S26,直至得到车辆行驶的整条轨迹序列的POI特征向量。
在本发明实施例中,步骤S25中,若各个类别的中的POI信息数量小于5 个,则用0补位。
在本发明实施例中,POI分类的具体信息如表1所示。
表1
在本发明实施例中,步骤S4中,将行为特征向量和POI特征向量进行信息融合,并利用全感知网络对信息融合后的特征向量进行深度学习,得到预测的驾驶速度,完成驾驶行为预测。
在本发明实施例中,在训练样本的准备上,采取了与自动编码器相同的增强策略,即利用滑动观测窗口的方式增加样本数量,并同样采取8:2的样本切割策略。最终,共得到训练样本50148个,测试样本12537个。
经测试,本研究所构建的预测模型在不同数据集上的损失函数情况如下:训练样本:Loss=0.0045,测试样本:Loss=0.0045。
从Loss的数值来看,本发明的预测模型在测试样本上的精度与训练样本基本一致,说明所训练的模型具有较好的泛化能力。经对测试样本的速度预测结果进行统计后,得到其预测的标准差约为1.57公里/小时,偏差约为-0.57公里/小时。此处给出了采用数学插值预测方法的计算结果,具体如图2所示。
对比模型预测和插值预测的误差情况可以明显的看出,本发明所提出预测模型的预测结果要更加贴近真实速度,其均方根误差仅约为插值预测方法的 1/15,且在偏差误差上也有超过45公里/小时的提升,显示出了巨大优势。另一方面,从上述的误差分布中也可以发现,在预测结果中存在着一定数量的大误差轨迹点,其最大误差超过20公里/小时,因此,针对这一部轨迹进行了进一步的分析并最终得到表2。
表2
从表2可知,具有显著误差的轨迹点通常伴有较高的行进速度,参照我国公路货车的限速标准,其数值上甚至达到了严重超速的水平。从上述轨迹的速度特征来看,造成模型预测精度显著下降的主要原因可能是:1)轨迹点的有效性还待进一步商榷,存在记录误差的可能;2)高速轨迹点,尤其是高于120 公里/小时的轨迹点在训练样本中的存在比例十分有限,导致模型更加倾向于预测一个相对常见的速度数值,从而造成较大的预测误差。
虽然从实验结果上看,本发明所构建模型对高速轨迹的预测精度欠佳,但考虑到此类轨迹点的比例也十分有限,例如,在本研究所选的上万训练样本,超20万车辆轨迹点中,仅发现8个轨迹点的预误差度超过20公里/小时。换句话说,本发明模型无论是精度还是稳定性均能够在整体上取到较好的效果,达到了预期。
本发明中,考虑到交通事故通常是由异常驾驶行为造成的,而上述的研究结果表明,当所预测的轨迹速度超出训练样本的学习范围时,会造成预测结果存在较大的不确定性,因此,为了提升模型在实际应用中的使用价值,借助 MC-Dropout理论,在对速度进行预测的同时,也对预测结果提供不确定性的量化参考。具体来说,在模型的使用过程中,通过打开模型内部的Dropout参数设置并进行多次预测的方式来近似得到预测结果的概率分布情况,然后将其预测的均值作为最终预测结果、将其方差作为不确定性程度的判别参数。基于 MC-Dropout的不确定性分析方法的实质是对贝叶斯推理的近似,虽然其不能完全的定量评价预测结果的不确定性问题,但是其仍具有一定的参考意义。
另一方面,在对预测结果进行具体分析时,采用了与原500辆轨迹不同的数据样本,即在原来的基础上增补采集了100辆货运车辆的轨迹信息。使用新增加数据的好处在于其能够有效的评测模型的泛化能力,避免因过拟合等模型训练问题造成的虚假预测精度。最终,得到如图3的预测结果。
上述结果表明,本发明所提出的预测模型在未经学习的样本集上同样保持了较高的预测精度,其标准差约为1.51公里/小时,偏差约为-0.57公里/小时。同样给出了基于插值的预测方法,对比可以发现,采用本发明的预测模型可以实现超过6倍的精度提升。图3的结果在证明本发明模型较好泛化能力的同时,也证实了模型的可行性。此外,从图3中同样发现了一些大误差的轨迹点,是在较大速度的轨迹点处存在较显著的预测误差,然而,与之前不同的是,在此处使用了基于MC-Dropout方法的预测策略,即可同步计算得到关于预测结果的方差分布情况,具体如图4所示。从图4可以发现,本发明所构建的预测模型在整体上具有较好的预测稳定性,其方差基本可以控制在100公里/小时以内,约10公里/小时的标准差。对于较大的方差来说,通常意味着其预测结果的置信度较低,为了进一步说明这一问题,在图5中给出了预测误差高于2倍标准差数值(3公里/小时)的方差分布情况:
通过对比图4和图5可以发现,预测结果较差的轨迹点的方差通常也会较大,这在一定程度上证明了可以用方差作为预测结果的不确定性参考,从而对预测结果进行量化的分析。
本发明的有益效果为:在本发明中,首先利用车辆轨迹进行了驾驶行为偏好特征的提取,然后在融合多源地理空间信息的基础上,实现了基于MC-Dropout 的短时驾驶行为(速度)预测以及针对预测结果的不确定性分析。本发明中的特征提取器能够较好地从轨迹片段中提取驾驶行为相关的主要特征,而后端的预测模型在速度预测上也取得了较好的精度,与插值的计算方式相比,可实现精度成倍的提升,表明本发明所构建的模型方法并非是数值计算方法的简单运用,而是在对驾驶行为分析进行深度挖掘与分析的基础上进行的合理推断。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种驾驶行为预测方法,其特征在于,包括以下步骤:
S1:采集车辆行驶数据,进行预处理,并将其划分为训练集和测试集;
S2:基于训练集和测试集,利用深度自编码器提取行为特征向量;
S3:提取车辆行驶的POI特征向量;
S4:根据行为特征向量与POI特征向量,进行驾驶行为预测。
2.根据权利要求1所述的驾驶行为预测方法,其特征在于,所述步骤S1中,车辆行驶数据包括行驶车辆的轨迹信息和基于路端的关联性信息;所述轨迹信息包括行驶车辆的空间位置、轨迹时刻和方向角;所述关联性信息包括功能性建筑(学校、商场和政府机构等)、交通基础设施(红绿灯和道路口等)和交通规则(限速、限时和交通管制等);
所述步骤S1中,对车辆驾驶数据划分训练集和测试集的具体方法为:基于与处理后的车辆驾驶数据,通过滑动窗口构建训练样本,并将训练样本划分为训练集和测试集。
3.根据权利要求1所述的驾驶行为预测方法,其特征在于,所述步骤S2包括以下子步骤:
S21:提取车辆行驶的当前轨迹点的空间位置信息;
S22:以当前轨迹点为圆心,并设定半径,形成地理缓冲区;
S23:提取地理缓冲区内的POI信息,根据轨迹点的经纬度坐标得到POI信息与当前轨迹点的距离,并进行排序;
S24:根据设定的POI分类信息,对POI信息进行归类;
S25:在各个类别中,分别提取前5个POI信息对应的空间位置信息;
S26:将不同类别的POI信息对应的空间位置信息进行拼接,并计算其与当前轨迹点的相对位置,得到单个轨迹点的POI特征向量;
S27:重复步骤S21-S26,直至得到车辆行驶的整条轨迹序列的POI特征向量。
4.根据权利要求1所述的驾驶行为预测方法,其特征在于,所述步骤S25中,若各个类别的中的POI信息数量小于5个,则用0补位。
5.根据权利要求1所述的驾驶行为预测方法,其特征在于,所述步骤S4中,将行为特征向量和POI特征向量进行信息融合,并利用全感知网络对信息融合后的特征向量进行深度学习,得到预测的驾驶速度,完成驾驶行为预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295111.4A CN114724121A (zh) | 2022-03-23 | 2022-03-23 | 一种驾驶行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295111.4A CN114724121A (zh) | 2022-03-23 | 2022-03-23 | 一种驾驶行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114724121A true CN114724121A (zh) | 2022-07-08 |
Family
ID=82239338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210295111.4A Pending CN114724121A (zh) | 2022-03-23 | 2022-03-23 | 一种驾驶行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724121A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363801A (zh) * | 2018-02-26 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 一种地图兴趣点的检索方法和装置 |
CN108765231A (zh) * | 2018-04-13 | 2018-11-06 | 宁波市规划局 | 一种基于位置服务的管线管理方法 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
CN111325437A (zh) * | 2019-02-18 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 异常行驶行为的识别方法、装置以及电子设备 |
CN112026781A (zh) * | 2020-06-22 | 2020-12-04 | 心有灵犀科技股份有限公司 | 一种驾驶员行为数据的分析方法及系统 |
CN112749825A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
CN113643542A (zh) * | 2021-10-13 | 2021-11-12 | 北京理工大学 | 基于集成学习的多车交互环境下车辆轨迹预测方法及系统 |
CN113963533A (zh) * | 2021-09-15 | 2022-01-21 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN113990105A (zh) * | 2021-10-22 | 2022-01-28 | 数字广东网络建设有限公司 | 一种车辆轨迹的处理方法、装置、计算机设备和存储介质 |
CN114155711A (zh) * | 2021-11-30 | 2022-03-08 | 交通运输部公路科学研究所 | 一种基于前驾驶行为的驾驶速度预测方法和系统 |
-
2022
- 2022-03-23 CN CN202210295111.4A patent/CN114724121A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363801A (zh) * | 2018-02-26 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 一种地图兴趣点的检索方法和装置 |
CN108765231A (zh) * | 2018-04-13 | 2018-11-06 | 宁波市规划局 | 一种基于位置服务的管线管理方法 |
CN111325437A (zh) * | 2019-02-18 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 异常行驶行为的识别方法、装置以及电子设备 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
CN112749825A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
CN112026781A (zh) * | 2020-06-22 | 2020-12-04 | 心有灵犀科技股份有限公司 | 一种驾驶员行为数据的分析方法及系统 |
CN113963533A (zh) * | 2021-09-15 | 2022-01-21 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN113643542A (zh) * | 2021-10-13 | 2021-11-12 | 北京理工大学 | 基于集成学习的多车交互环境下车辆轨迹预测方法及系统 |
CN113990105A (zh) * | 2021-10-22 | 2022-01-28 | 数字广东网络建设有限公司 | 一种车辆轨迹的处理方法、装置、计算机设备和存储介质 |
CN114155711A (zh) * | 2021-11-30 | 2022-03-08 | 交通运输部公路科学研究所 | 一种基于前驾驶行为的驾驶速度预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
陈杰: "私家车轨迹数据的时空属性挖掘关键技术研究", 《中国博士学位论文全文数据库_工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264721B (zh) | 一种城市交叉口周边车辆轨迹预测方法 | |
Yao et al. | Learning lane change trajectories from on-road driving data | |
CN110188797B (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
Völz et al. | Feature relevance estimation for learning pedestrian behavior at crosswalks | |
CN111695737B (zh) | 一种基于lstm神经网络的群目标行进趋势预测方法 | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
CN115662166B (zh) | 一种自动驾驶数据处理方法及自动驾驶交通系统 | |
CN115294767B (zh) | 一种高速公路车道线实时检测与交通安全预警方法及装置 | |
Xiong et al. | Vehicle driving risk prediction based on Markov chain model | |
CN111627132B (zh) | 一种基于驾驶倾性的汽车行驶特征评价及预警方法 | |
CN112863245B (zh) | 基于深度神经网络的车辆换道轨迹实时预测方法 | |
Platho et al. | Predicting velocity profiles of road users at intersections using configurations | |
CN112373483A (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
CN112990563B (zh) | 一种高速公路追尾事故风险实时预测方法 | |
CN114446046A (zh) | 一种基于lstm模型的弱势交通参与者轨迹预测方法 | |
CN117809458A (zh) | 一种交通事故风险实时评估方法及系统 | |
US20220383736A1 (en) | Method for estimating coverage of the area of traffic scenarios | |
CN114724121A (zh) | 一种驾驶行为预测方法 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
Zhao et al. | Is the cut-in behavior in china dangerous? Research and analysis based on Chinese driving behavior characteristics in highway | |
Emamifar et al. | Modeling and state estimation of autonomous vehicles in signalized intersections | |
Yuan et al. | Real-time long-range road estimation in unknown environments | |
Zhang et al. | V2V Spatiotemporal Interactive Pattern Recognition and Risk Analysis in Lane Changes | |
Tian et al. | Understanding scenarios for cooperative v2p safety applications using connected vehicle datasets |
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 |