CN116028884A - 一种小样本下基于原型网络的车辆换道风险评估方法 - Google Patents

Abstract

本发明公开了一种小样本下基于原型网络的车辆换道风险评估方法。该方法将车辆换道风险以场强的形式表述，并将其与基于元学习的原型网络结合。其核心是将基于风险场的车辆特征参数进行编码映射以学习车辆各风险状态下的类原型，并带入原型网络进行训练，实现小样本条件下的车辆换道风险态势辨识。本发明的目的是解决小样本环境下的车辆换道风险态势辨识。实验结果证明：本发明提出的方法有效解决了小样本环境下的车辆换道风险态势辨识。

Description

一种小样本下基于原型网络的车辆换道风险评估方法

技术领域

本发明属于车辆换道风险状态辨识技术领域，特别是涉及一种小样本下基于原型网络的车辆换道风险评估方法。

背景技术

近年来，信息融合和态势感知理论被引入到交通安全领域，用于监测复杂道路交通环境下的行车安全状态。国内外有关科研机构的专家学者对该领域展开了研究工作并取得了一些的成果。Schubert 设计了一种汽车辅助驾驶系统，该系统基于机器视觉技术来感知被试汽车周围的环境信息，并应用贝叶斯网络模型提出了动态道路交通环境下的汽车避碰决策算法，用于辅助驾驶人执行换道策略。Polychronopoulos 等将 JDL 态势评估体系引入到汽车安全辅助驾驶中，根据车载多传感器的技术特点对 JDL 模型结构和组成进行了改进，并提出了用于行车安全态势感知的 Pro Fusion2（PF2）模型。 Rendon-Velez 对行车安全状态评估方法和汽车冲突风险预测方法的研究现状和发展趋势进行了总结，并提出了基于“人-车-路”多源信息的行车安全态势感知模型构架。国内的学者针对多元因素下的汽车碰撞危险辨识方法也进行了相关研究。彭理群等基于变精度粗糙集方法综合考虑了驾驶意图、车辆运动状态信息和道路交通环境，提出了汽车碰撞危险态势辨识模型。王发智基于贝叶斯网络模型提出了交通突发事件态势评估方法，综合考虑多种因素提出交通冲突事件的危险程度评估方法。一些研究人员从场景中提取交通参与者之间的时空关系作为评价特征，采用无监督学习的方式进行风险水平的聚类，建立风险分类模型进行风险评估。但由于在实际环境中很多车辆风险场景难以采集足够多的数据来训练模型，复杂交通环境下的车辆风险评估仍存在许多待解决的问题，因此如何在小样本条件下准确辨识车辆风险态势至关重要。

针对小样本条件下的学习与分类主要为元学习，实现元学习的方法多种多样，根据采用的元知识形式不同，可以分为基于权重、优化器、损失函数、度量、注意力机制、超参数、网络架构、黑盒模型等方式。在元学习过程中，元学习器是学习过程的重要环节，承接着元测试与元训练两个阶段，针对元学习器的搭建，近年来主流的方法模型包括基于度量的元学习，基于优化的元学习及基于模型的元学习。小样本元学习广泛运用于分类、目标检测、人脸识别 、医学可视化问答、视频合成等场景。在这些场景内，很多新增类别的样本可能天生就比较稀缺，或它们的注释标签难以获取。另外，实际场景往往比实验环境复杂得多，实际获取的待测数据具有多变性，会出现待测数据和训练集分布不一致的情况。

当前基于元学习算法的小样本分析主要基于图像处理，在数据领域的分析少之又少，利强针对雷达工作模式开展基于知识原型网络的小样本多功能雷达工作模式识别，并将算法与传统机器学习算法进行对比，准确率有所提高。同时有研究学者利用原型网络针对故障诊断系统进行分析，通过比较查询实例与各类原型的距离,将查询实例归入距离最近的类别,从而达到分类的目的。相比生成式对抗网络和深度半监督网络的小样本故障诊断方法,原型网络无需通过随机噪声或者无标签样本扩充数据集,也不存在模型崩溃、生成器模型梯度消失、无标签样本数量是否存在不平衡等问题。因此本发明借鉴以上思路将原型网络运用到车辆风险辨识领域，在车辆风险场强辨识的基础上采用原型网络对数据进行训练与测试，实现小样本环境下的车辆换道风险态势辨识。

发明内容

本发明的目的在于克服小样本条件下准确辨识车辆风险态势技术的缺陷，提供一种小样本下原型网络的车辆换道风险评估方法。具体来说，本发明将车辆换道风险以场强的形式表述，并将其与基于元学习的原型网络集合。该方法核心是将风险场的车辆特征参数进行编码映射以学习车辆各风险状态下的类原型，并带入原型网络训练，实现小样本条件下的车辆换道风险态势辨识。本发明的目的是解决小样本环境下的车辆换道风险态势辨识。

为实现上述方法，本发明公开了如下的技术内容：

一种小样本下原型网络的车辆换道风险评估方法，其特征在于按如下的步骤进行：

（1）数据预处理：

采用移动平均滤波法对数据进行平滑处理，通过设置滤波器的滑动窗口为20个数据，其原理如公式所示，其中表示移动滑动窗口的长度，表示需滤波的数据，包括车辆的速度，加速度，车头时距等变量；

（2）指标选取及量化：

根据车辆间的时空关系表征风险的大小，分析不同车辆换道状态下的风险特性，汽车碰撞危险态势要素集合分为条件属性集合：驾驶人因素{C1}、车辆因素{C2}、环境因素{C3}和决策属性集合：换道危险态势{d}。其中驾驶人因素{C1}包括向左换道与向右换道，由于正常驾驶中向左换道行为风险低于向右换道，因此将换道行为进行量化，向左量化为1，向右量化为2。车辆因素{C2}包括本车速度，本车加速度，横纵向位移变量。环境因素{C3}包括1/TTC、车头时距与车头间距三个变量。换道危险态势{d}划分为高风险、中风险、低风险三个风险等级。通过阈值划分对相关指标进行风险等级量化。

（3）熵值法赋权：

用熵值来判断某个指标的离散程度，利用信息熵计算出各个指标的权重，为多指标综合评价提供依据；首先将选取的5个特征参数进行归一化处理，将车辆速度与车辆加速度两个变量作为负向指标，其余三个作为正向指标带入熵权法中进行赋权，利用熵权法确定车辆风险评价指标的客观权重计算公式如下：

其中信息熵计算公式为

用于计算第项指标的熵值，表示样本数量，表示车辆特征指标，表示第项指标下第个样本值占该指标的比重，为第项指标的第个样本

根据正向指标与负向指标的不同，对指标做不同的变换如下所示

若为正向指标，

若为负向指标，

其中为车辆特征指标，为指标的最大值，为指标的最小值。通过向左换道与向右换道分别赋权后，将每个变量的权值求平均作为最终变量的权值。

（4）基于风险场理论的车辆换道风险等级评估：

根据场强的特性将行车风险场Es划分为动能场Ev与轨迹场Er，驾驶过程中的车辆碰撞风险影响因素包括驾驶员因素，车辆因素，道路因素，环境因素等，结合汽车碰撞危险态势要素集合，将其融入风险场理论从而获取动能场的要素为车辆因素{C2}、环境因素{C3}组合，包括车头时距，加速度，车速，TTC倒数。轨迹场要素包括驾驶人因素{C1}，即向左换道与向右换道，因此本发明基于风险场理论提出了行车安全场的通用数学模型表达式为：

其中表示各场的权重值, 为车辆的速度, 为车辆的车头时距，为碰撞时间的倒数，为车辆的加速度，为车辆的车头间距，为左换道车辆，为右换道车辆，为计算各变量赋权后的权重函数，其中每个要素的值根据步骤2介绍的量化标准进行量化后作为风险场的输入。

（5）基于原型网络的换道风险态势辨识模型：

通过测量查询实例嵌入与关系原型之间的距离，对查询实例中提到的实体对之间的关系进行分类，每个集包含一个支持集，具有个不同的类和每个类个标记数据，以及具有相同类的查询集，每个类有个未标记数据；我们称这个问题为设置n-way k-shot，在元测试阶段，利用具有少数类和数据的新类模型测试性能，支持集采样，模型的目的是对每个未标记的查询数据进行分类；将其表示为：

其中为输入的车辆风险特征参数向量表示，为分类标签，数据中同时加入生理数据与分神类别数据作为额外实例，共同构成实验所需数据集，对于每一个类别生成的类原型表示为：

其中类别的原型表示是对支持集中的所有特征向量数据取均值获取，表示类样本的数量，为样本特征向量与标签，为嵌入函数，目的是通过此函数将低维数据映射到高维空间上，为嵌入函数中的参数；得到支撑集与查询集的类原型后，利用查询集类原型数据计算当前实例属于每一个分类的概率,公式如下所示:

其中为样本特征向量，为训练样本真实标签，用于计算样本到每个类的距离，归一化操作后得到属于每一个分类样本中的概率，为样本对应的真实类别为的类原型，样本对应的真实类别为的类原型，为欧几里得距离函数；

其中损失函数为：，通过最大化实例正确分类的概率，最小化损失函数，进而优化最初的特征映射嵌入网络。

本发明进一步公开了辆换道风险评估方法在用于车辆换道风险状态辨别方面的应用。实验结果证明：本发明提出的方法大大提升了仅单一变量或多变量组合的特征风险态势评估指标，细化了的风险态势辨别特征的代表性和可辨别性。同时利用熵权法获取更重要的属性特征作为原型网络的输入数据。将基于元学习的原型网络应用于车辆风险辨识领域，实验结果显示在得到的分类准确率最高；在中，得到的分类准确率最高，得到的分类准确率最高。

本发明的技术特征如下：

（1）本发明利用由自车内容与周围车辆相关内容提取的特征与车辆风险场共享车辆风险阈值空间。大大提升了仅单一变量或多变量组合的特征风险态势评估指标，细化了的风险态势辨别特征的代表性和可辨别性。

（2）本发明提出了一种将车辆风险场与原型网络结合的风险分类机制。该机制通过匹配不同风险场的属性，从而获取更重要的属性特征作为原型网络的输入数据。

（3）本发明将原型网络应用于车辆风险辨识领域，为小样本下的车辆风险辨识全新思路。

本发明主要考察了自然驾驶数据中的换道风险态势辨识，重点是解决小样本下的换道风险危险态势辨识，发明的难点在于如何将风险场理论与原型网络进行结合，如何获取有效的表征车辆风险的特征参数。

本发明的创新点在于：

1.本发明利用由自车内容与周围车辆相关内容提取的特征与车辆风险场共享车辆风险阈值空间。大大提升了仅单一变量或多变量组合的特征风险态势评估指标，细化了的风险态势辨别特征的代表性和可辨别性。

2.本发明提出了一种将车辆风险场与原型网络结合的风险分类机制。该机制通过匹配不同风险场的属性，从而获取更重要的属性特征作为原型网络的输入数据。

3.本发明将原型网络应用于车辆风险辨识领域，为小样本下的车辆风险辨识提供全新思路。

本发明公开的小样本下基于原型网络的车辆换道风险评估方法与现有技术相比所具有的积极效果在于本发明提出了一种基于自然驾驶数据的车辆换道风险态势辨识方法，结合风险场理论对特征参数进行阈值划分，通过皮尔逊相关性分析获取5个有效表征风险的特征参数，并基于熵值法对车辆碰撞风险因素进行赋权。

本发明更加详细的包括试验方法、实验结果如下：

 步骤1：数据预处理

采用移动平均滤波法对数据进行平滑处理，通过设置滤波器的滑动窗口为20个数据，其原理如公式所示，其中表示移动滑动窗口的长度，表示需滤波的数据，包括车辆的速度，加速度，车头时距等变量，对车辆速度与加速度过滤前后对比图如图1所示

步骤2：指标选取及量化

根据车辆间的时空关系可以表征风险的大小，分析不同车辆换道状态下的风险特性。汽车碰撞危险态势要素集合可以分为条件属性集合：驾驶人因素{C1}、车辆因素 {C2}、环境因素{C3}和决策属性集合：换道危险态势{d}。其中驾驶人因素{C1}包括向左换道与向右换道，由于正常驾驶中向左换道行为风险低于向右换道，因此将换道行为进行量化，向左量化为1，向右量化为2。车辆因素{C2}包括本车速度，本车加速度，横纵向位移等变量。环境因素{C3}包括1/TTC、车头时距与车头间距三个变量。换道危险态势{d}划分为高风险，中风险，低风险三个风险等级。本发明首先对预处理后的数据进行数据提取，获取本车的速度、加速度，本车道前车的速度、加速度，目标车道前车速度、加速度，目标车道后车的速度、加速度等信息，进而提取用于换道风险评估的相关指标。

为了选取模型的有效指标，进而对特征数据间的相关性和冗余性进行分析，本发明采用相关性分析对采集的数据进行数据特征的筛选与降维。通过上文介绍，共获取了9个车辆相关变量，对无风险数据与有风险数据进行数据Pearson相关性分析得到结果显示如表1所示。通过相关性分析可得到6个相关性较高的变量，所有P值均小于0.05，呈显著相关。通过删除车辆相对速度这个强相关变量，保留5个车辆参数作为风险预测模型的输入特征参数：

表1:车辆换道风险各指标变量相关性分析

本发明重点关注换道风险评估，通过对NGSIM的数据集进行数据处理，获取换道数据TTC倒数，车头时距，加速度，相对加速度等特征参量，利用Pearson相关性分析去除强相关变量后获取5个因素表征车辆碰撞危险态势要素，具体量化及风险阈值划分如表2所示：

表2:车辆换道风险等级及阈值量化的关系

步骤3：熵值法赋权

在信息论中，熵是对不确定性信息的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性就越大，熵也越大。对于某项指标，可以用熵值来判断某个指标的离散程度，其信息熵值越小，指标值的离散程度越大，提供的信息信息量越多，该指标对综合评价的影响（即权重）就越大，如果某项指标的值全部相等，则该指标在综合评价中不起作用。因此，利用信息熵计算出各个指标的权重，为多指标综合评价提供依据。

首先将选取的5个特征参数进行归一化处理，将车辆速度与车辆加速度两个变量作为负向指标，其余三个作为正向指标带入熵权法中进行赋权，利用熵权法确定车辆风险评价指标的客观权重计算公式如下：

其中信息熵计算公式为：

用于计算第项指标的熵值，表示样本数量，表示车辆特征指标，表示第项指标下第个样本值占该指标的比重，为第项指标的第个样本

根据正向指标与负向指标的不同，对指标做不同的变换如下所示：

若为正向指标，

若为负向指标，

其中为车辆特征指标，为指标的最大值，为指标的最小值。

通过向左换道与向右换道分别赋权后，将每个变量的权值求平均作为最终变量的权值。向左换道与向右换道中每个变量的赋权结果如图2所示，其中wU1指的是US-101第一个时段的数据，wI1为I80第一个时间段的数据。

步骤4：基于风险场理论的车辆换道风险等级评估

本发明在辨识车辆换道风险的基础上，综合考虑驾驶行为与车辆风险等因素，以场强来描述各要素对行车风险的影响，物理学中将某个物理量在空间区域内的分布称为场，场是物质存在的一种基本形式，具有能量、质量和动量的属性。文献认为，场景与风险具有相似的特性，因此本发明借鉴场强和行车风险场的基本内容，从场强的角度对换道风险中的关键因素开展研究与分析。根据场强的特性将行车风险场Es划分为动能场Ev，行为场Ed，环境场Ee，轨迹场Er。由于本发明重点研究的是NGSIM公开数据集，因此只考虑动能场Ev与轨迹场Er。驾驶过程中的车辆碰撞风险影响因素包括驾驶员因素，车辆因素，道路因素，环境因素等，结合上文介绍的汽车碰撞危险态势要素集合，将其融入风险场理论从而获取动能场的要素为车辆因素 {C2}、环境因素 {C3 }组合，包括车头时距，加速度，车速，TTCD。轨迹场要素包括驾驶人因素{C1}，即向左换道与向右换道，因此本发明基于风险场理论提出了行车安全场的通用数学模型表达式如下所示，各变量与风险场强对应关系如图3所示：

其中表示各场的权重值, 为车辆的速度, 为车辆的车头时距，为碰撞时间的倒数，为车辆的加速度，为车辆的车头间距，为左换道车辆，为右换道车辆，为计算各变量赋权后的权重函数，其中每个要素的值根据步骤2介绍的量化标准进行量化后作为风险场的输入。

步骤5：基于原型网络的换道风险态势辨识模型：

本发明采用神经网络将所有实例嵌入到一个支持集中，并通过这些实例嵌入为每个关系计算一个特征向量（类原型）。通过测量查询实例嵌入与关系原型之间的距离，对查询实例中提到的实体对之间的关系进行分类。

本发明首先对处理的车辆风险数据进行数据集的创建。具体来说，通过测量查询实例嵌入与关系原型之间的距离，对查询实例中提到的实体对之间的关系进行分类；每个集包含一个支持集，具有个不同的类和每个类个标记数据，以及具有相同类的查询集，每个类有个未标记数据。我们称这个问题为设置。在元测试阶段，利用具有少数类和数据的新类进行模型测试性能。支持集采样，模型的目的是对每个未标记的查询数据进行分类，

将其表示为

其中为输入的车辆风险特征参数向量表示，为分类标签，数据中同时加入生理数据与分神类别数据作为额外实例，共同构成实验所需数据集，对于每一个类别生成的类原型表示为：

其中类别的原型表示是对支持集中的所有特征向量数据取均值获取，表示类样本的数量，为样本特征向量与标签，为嵌入函数，目的是通过此函数将低维数据映射到高维空间上，为嵌入函数中的参数。

得到支撑集与查询集的类原型后，利用查询集类原型数据计算当前实例属于每一个分类的概率,公式如下所示:

其中为样本特征向量，为训练样本真实标签，用于计算样本到每个类的距离，归一化操作后得到属于每一个分类样本中的概率，为样本对应的真实类别为j的类原型，样本对应的真实类别为的类原型，为欧几里得距离函数；其中损失函数为

 通过最大化实例正确分类的概率，最小化损失函数，进而优化最初的特征映射嵌入网络。

在本步骤中，提出了一种将风险场强与基于元学习的原型网络结合的方法。原型网络主要包括两个模型，特征嵌入模型与距离度量模型，其核心是通过度量学习将数据通过特征嵌入模型映射到高维特征空间，使得类内样本在高维空间中尽可能聚集，同时类间样本尽可能远离。在识别过程中，以待测样本在特征嵌入模型中的特征向量与各类原型中心之间的距离差值为依据实现分类。结合风险场模型，针对车辆换道识别提出的原型网络架构如图4所示。

试验结论

本发明首先根据NGSIM高速公路换道数据提取出车辆自身速度，加速度，车头时距，车头间距，相对位移，相对速度，相对加速度，TTC，TTC倒数共9个变量。根据皮尔逊相关性分析获取用于驾驶风险场评估的特征参数，通过相关系数及显著水平获取6个特征变量，去除1个最强相关变量，获取5个特征参数作为风险态势评估模型的输入变量。本发明通过熵值法确定每个变量的权重，同时根据风险场模型计算风险场强，并根据左右换道的不同分布确定风险阈值。通过原型网络将车辆风险特征信号映射到风险场特征度量空间，学习车辆各风险状态下的度量原型，然后通过原型网络对风险态势进行评估，实现小样本条件下的车辆风险等级划分与评估。

本发明将NGSIM US101 和I80共6个时段的高速公路数据分别带入风险场公式中计算出场强的均值与85百分位数作为划分风险场等级标准，其中低风险阈值Es小于1.769，高风险阈值Es大于2.1007，其他则划分为中风险。根据风险场理论的车辆换道风险等级评估模型可知，为输出的风险场作用强度，强度越大风险越高。

本发明样本类别有6类，每个类别设计有5、10、20个样本，进而计算样本的类原型中心。对于样本,将其代入中计算它到每个类的距离，进行归一化处理后得到概率，即属于类的概率，其中距离函数采用欧式距离，目标函数为损失函数 ，通过梯度下降法求其最小值，并其中根据原型网络中的不同学习率与迭代次数对实验进行分析，通过最大化实例正确分类的概率，最小化损失函数，进而优化最初的特征映射嵌入网络。

实验结果显示在得到的分类准确率最高；在得到的分类准确率最高，中，得到的分类准确率最高。

附图说明

图1为基于移动滤波处理的车辆参数前后对比图，（1）为换道车辆速度滤波前后对比图，（2）为换道车辆加速度滤波前后对比图；

图2为换道车辆不同变量的风险场分布图，其中（1）为车辆速度风险场分布，（2）为车辆加速度风险场分布，（3）为车头时距风险场分布，（4）为车头间距风险场分布，（5）为TTC倒数风险场分布；

图3为换道车辆的5个特征变量权重值，其中（1）为向左换道车辆对应5个特征变量权重值，（2）为向右换道车辆对应5个特征变量权重值；

图4为小样本下基于原型网络的车辆换道风险场模型。

具体实施方式

下面通过具体的实施方案叙述本发明。除非特别说明，本发明中所用的技术手段均为本领域技术人员所公知的方法。另外，实施方案应理解为说明性的，而非限制本发明的范围，本发明的实质和范围仅由权利要求书所限定。对于本领域技术人员而言，在不背离本发明实质和范围的前提下，对这些实施方案中的物料成分和用量进行的各种改变或改动也属于本发明的保护范围。

实施例1

本发明首先对数据进行预处理，采用移动平均滤波法对数据进行平滑处理，原理如公式所示。通过设置滤波器的滑动窗口为20个数据，其中表示移动滑动窗口的长度，表示需滤波的数据，包括车辆的速度，加速度，车头时距等变量；

实施例2

根据车辆间的时空关系可以表征风险的大小，分析不同车辆换道状态下的风险特性。汽车碰撞危险态势要素集合可以分为条件属性集合：驾驶人因素{C1}、车辆因素 {C2}、环境因素{C3}和决策属性集合：换道危险态势{d}。其中驾驶人因素{C1}包括向左换道与向右换道，由于正常驾驶中向左换道行为风险低于向右换道，因此将换道行为进行量化，向左量化为1，向右量化为2。车辆因素{C2}包括本车速度，本车加速度，横纵向位移等变量。环境因素{C3}包括1/TTC、车头时距与车头间距三个变量。换道危险态势{d}划分为高风险，中风险，低风险三个风险等级。本发明首先对预处理后的数据进行数据提取，获取本车的速度、加速度，本车道前车的速度、加速度，目标车道前车速度、加速度，目标车道后车的速度、加速度等信息，进而提取用于换道风险评估的相关指标。

为了选取模型的有效指标，进而对特征数据间的相关性和冗余性进行分析，本发明采用相关性分析对采集的数据进行数据特征的筛选与降维。本发明共获取了9个车辆相关变量，对无风险数据与有风险数据进行数据Pearson相关性分析得到结果显示如表3所示。通过相关性分析可得到6个相关性较高的变量，所有P值均小于0.05，呈显著相关。通过删除车辆相对速度这个强相关变量，保留5个车辆参数作为风险预测模型的输入特征参数：

表1:车辆换道风险各指标变量相关性分析：

本发明重点关注换道风险评估，通过对NGSIM的数据集进行数据处理，获取换道数据TTC倒数，车头时距，加速度，相对加速度等特征参量，利用Pearson相关性分析去除强相关变量后获取5个因素表征车辆碰撞危险态势要素，具体量化及风险阈值划分如表4所示：

表2:车辆换道风险等级及阈值量化的关系

实施例3

将选取的5个特征参数进行归一化处理，将车辆速度与车辆加速度两个变量作为负向指标，其余三个作为正向指标带入熵权法中进行赋权，利用熵权法确定车辆风险评价指标的客观权重计算公式如下：

其中信息熵计算公式为

用于计算第项指标的熵值，表示样本数量，表示车辆特征指标，表示第项指标下第个样本值占该指标的比重，为第项指标的第个样本。

实施例4

本发明在辨识车辆换道风险的基础上，综合考虑驾驶行为与车辆风险等因素，以场强来描述各要素对行车风险的影响，物理学中将某个物理量在空间区域内的分布称为场，场是物质存在的一种基本形式，具有能量、质量和动量的属性。本发明借鉴场强和行车风险场的基本内容，从场强的角度对换道风险中的关键因素开展研究与分析。根据场强的特性将行车风险场Es划分为动能场Ev，行为场Ed，环境场Ee，轨迹场Er。由于本发明重点研究的是NGSIM公开数据集，因此只考虑动能场Ev与轨迹场Er。驾驶过程中的车辆碰撞风险影响因素包括驾驶员因素，车辆因素，道路因素，环境因素等，结合上文介绍的汽车碰撞危险态势要素集合，将其融入风险场理论从而获取动能场的要素为车辆因素{C2}、环境因素{C3}组合，包括车头时距，加速度，车速，TTCD。轨迹场要素包括驾驶人因素{C1}，即向左换道与向右换道，因此本发明基于风险场理论提出了行车安全场的通用数学模型表达式为：

其中表示各场的权重值, 为车辆的速度, 为车辆的车头时距，为碰撞时间的倒数，为车辆的加速度，为车辆的车头间距，为左换道车辆，为右换道车辆，为计算各变量赋权后的权重函数，其中每个要素的值根据步骤2介绍的量化标准进行量化后作为风险场的输入。

实施例5

本发明采用神经网络将所有实例嵌入到一个支持集中，并通过这些实例嵌入为每个关系计算一个特征向量（类原型）。通过测量查询实例嵌入与关系原型之间的距离，对查询实例中提到的实体对之间的关系进行分类。

本发明首先对处理的车辆风险数据进行数据集的创建。具体来说，通过测量查询实例嵌入与关系原型之间的距离，对查询实例中提到的实体对之间的关系进行分类；每个集包含一个支持集，具有个不同的类和每个类个标记数据，以及具有相同类的查询集，每个类有个未标记数据。我们称这个问题为设置n-way k-shot。在元测试阶段，利用具有少数类和数据的新类模型测试性能。支持集采样，模型的目的是对每个未标记的查询数据进行分类,将其表示为，其中为输入的车辆风险特征参数向量表示，为分类标签，数据中同时加入生理数据与分神类别数据作为额外实例，共同构成实验所需数据集，对于每一个类别生成的类原型表示为：

其中类别的原型表示是对支持集中的所有特征向量数据取均值获取，表示类样本的数量，为样本特征向量与标签，为嵌入函数，目的是通过此函数将低维数据映射到高维空间上， 为嵌入函数中的参数。

得到支撑集与查询集的类原型后，利用查询集类原型数据计算当前实例属于每一个分类的概率, 公式如下所示:

其中为样本特征向量，为训练样本真实标签，用于计算样本到每个类的距离，归一化操作后得到属于每一个分类样本中的概率，为样本对应的真实类别为j的类原型，样本对应的真实类别为的类原型，为欧几里得距离函数

其中损失函数为

通过最大化实例正确分类的概率，最小化损失函数，进而优化最初的特征映射嵌入网络。

Claims (2)

1.一种小样本下基于原型网络的车辆换道风险评估方法，其特征在于按如下的步骤进行：

（1）数据预处理：

采用移动平均滤波法对数据进行平滑处理，其原理如公式所示，设置滤波器的滑动窗口为20个数据，其中表示移动滑动窗口的长度，表示需滤波的数据，包括车辆的速度，加速度，车头时距等变量；

（2）指标选取及量化：

根据车辆间的时空关系表征风险的大小，分析不同车辆换道状态下的风险特性，汽车碰撞危险态势要素集合分为条件属性集合：驾驶人因素{C1}、车辆因素{C2}、环境因素{C3}和决策属性集合：换道危险态势{d}；其中驾驶人因素{C1}包括向左换道与向右换道，由于正常驾驶中向左换道行为风险低于向右换道，因此将换道行为进行量化，向左量化为1，向右量化为2，车辆因素{C2}包括本车速度，本车加速度，横纵向位移变量；环境因素{C3}包括TTC倒数、车头时距与车头间距三个变量，换道危险态势{d}划分为高风险、中风险、低风险三个风险等级，通过阈值划分对相关指标进行风险等级量化；

（3）熵值法赋权：用熵值来判断某个指标的离散程度，利用信息熵计算出各个指标的权重，为多指标综合评价提供依据；

首先将选取的5个特征参数进行归一化处理，将车辆速度与车辆加速度两个变量作为负向指标，车头时距，车头间距，TTC倒数三个变量作为正向指标带入熵权法中进行赋权，利用熵权法确定车辆风险评价指标的客观权重计算公式如下：

其中信息熵计算公式为

用于计算第项指标的熵值，表示样本数量，表示车辆特征指标，表示第项指标下第个样本值占该指标的比重，为第项指标的第个样本

根据正向指标与负向指标的不同，对指标做不同的变换如下所示；

若为正向指标， 

若为负向指标， 

其中为车辆特征指标，为指标的最大值，为指标的最小值，通过向左换道与向右换道分别赋权后，将每个变量的权值求平均作为最终变量的权值；

（4）基于风险场理论的车辆换道风险等级评估：

根据场强的特性将行车风险场Es划分为动能场Ev与轨迹场Er，驾驶过程中的车辆碰撞风险影响因素包括驾驶员因素，车辆因素，道路因素，环境因素等，结合汽车碰撞危险态势要素集合，将其融入风险场理论从而获取动能场的要素为车辆因素{C2}、环境因素{C3}组合，包括车头时距，加速度，车速，TTC倒数；轨迹场要素包括驾驶人因素{C1}，即向左换道与向右换道，因此本发明基于风险场理论提出了行车安全场的通用数学模型表达式为：

其中表示各场的权重值, 为车辆的速度, 为车辆的车头时距，为碰撞时间的倒数，为车辆的加速度， 为车辆的车头间距，为左换道车辆，为右换道车辆，为计算各变量赋权后的权重函数，其中每个要素的值根据步骤2介绍的量化标准进行量化后作为风险场的输入；

（5）基于原型网络的换道风险态势辨识模型：

通过测量查询实例嵌入与关系原型之间的距离，对查询实例中提到的实体对之间的关系进行分类，每个集包含一个支持集，具有个不同的类和每个类个标记数据，以及具有相同类的查询集，每个类有个未标记数据；我们称这个问题为设置n-way k-shot，在元测试阶段，利用具有少数类和数据的新类模型测试性能，支持集采样，模型的目的是对每个未标记的查询数据进行分类；将其表示为：

其中为输入的车辆风险特征参数向量表示，为分类标签，数据中同时加入生理数据与分神类别数据作为额外实例，共同构成实验所需数据集，对于每一个类别生成的类原型表示为：

其中类别的原型表示是对支持集中的所有特征向量数据取均值获取，表示类样本的数量，为样本特征向量与标签，为嵌入函数，目的是通过此函数将低维数据映射到高维空间上，为嵌入函数中的参数；得到支撑集与查询集的类原型后，利用查询集类原型数据计算当前实例属于每一个分类的概率,公式如下所示:

其中为样本特征向量，为训练样本真实标签，用于计算样本到每个类的距离，归一化操作后得到属于每一个分类样本中的概率，为样本对应的真实类别为的类原型，样本对应的真实类别为的类原型，为欧几里得距离函数；其中损失函数为：，通过最大化实例正确分类的概率，最小化损失函数，进而优化最初的特征映射嵌入网络。

2.权利要求1所述小样本下原型网络的车辆换道风险评估方法在用于车辆换道风险状态辨别方面的应用。

Images