CN116246492B - 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 - Google Patents
一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 Download PDFInfo
- Publication number
- CN116246492B CN116246492B CN202310253961.2A CN202310253961A CN116246492B CN 116246492 B CN116246492 B CN 116246492B CN 202310253961 A CN202310253961 A CN 202310253961A CN 116246492 B CN116246492 B CN 116246492B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- track
- threshold
- time
- 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
Links
- 230000008859 change Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法,通过ALPR设备采集原始的车辆轨迹数据并重构不完整轨迹,使用基于时空注意力机制的LSTM算法来预测未来的车辆轨迹,提取车辆换道的间隙时间数据作为车辆冲突的度量,基于广义帕累托分布建立车辆碰撞‑冲突的超阈值模型,使用平均剩余寿命图等方法确定阈值范围,添加驾驶行为作为协变量,从而预测车辆发生碰撞的风险。本发明采用基于时空注意力LSTM预测车辆轨迹,并对预测结果使用基于广义帕累托分布的超阈值模型预测车辆碰撞风险,实现对未来交通流中车辆碰撞风险的预测,从而为道路车辆行驶安全提供可靠的预警信息,提升公路交通安全水平。
Description
技术领域
本发明涉及交通安全分析技术领域,尤其涉及一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法。
背景技术
随着交通运输业的发展,城市交通的运营压力不断增加,交通安全也面临着越来越严峻的挑战。在换道过程中,驾驶员需要使自己的速度与附近车辆相匹配,在相邻车道中识别合适的间隙,与当前车道中的领先车辆保持安全距离,确保周围交通识别驾驶员自己的移动,以及监测加速车道中的剩余距离,由于驾驶员同时需要考虑所有这些因素才能成功变道,这增加了驾驶员的不确定性、工作量和压力,从而使换道决策过程变得危险且容易发生碰撞,因此对城市交通车辆在换道过程中的车辆碰撞风险进行准确的预测有着重要的现实意义。
对于车辆轨迹数据的预测,传统的方法如概率统计模型等等,并不能考虑到相邻车辆对目标车辆的影响、历史序列对未来数据的影响等,预测精度较低,鲁棒性较差。目前碰撞风险分析通常使用交管部门提供的碰撞数据进行,这类数据的质量较差并且会遗漏部分碰撞记录,因此使用此类数据开发的安全模型通常无法准确表示微观驾驶行为和车辆碰撞机制。
发明内容
技术问题:本发明的目的在于提供一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法,通过ALPR设备采集原始的车辆轨迹数据,使用基于时空注意力机制的LSTM算法来预测未来的车辆轨迹,提取车辆换道的间隙时间数据作为车辆冲突的度量,基于广义帕累托分布建立车辆碰撞-冲突的超阈值模型,使用阈值稳定性图确定阈值范围,添加驾驶行为作为协变量,从而预测车辆发生碰撞的风险,实现对未来交通流中车辆碰撞风险的预测,从而为道路车辆行驶安全提供可靠的预警信息,提升公路交通安全水平。
技术方案:为了解决上述技术问题,本发明提出一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法,该方法包括以下步骤:
S1,车辆轨迹数据采集,在所需采集车辆轨迹数据的城市交通区域范围内的固定路口节点安装ALPR设备,采集原始的车辆轨迹数据,并对轨迹数据中的不完整轨迹进行重构,得到完整的车辆轨迹数据;
S2,车辆轨迹数据预测,将目标车辆周围的空间离散化为网格,将轨迹数据中车辆的位置映射至对应的网格,并选取车辆T步的轨迹数据作为模型输入;将T步轨迹数据经过LSTM单元生成隐藏状态计算时间注意力权重,并将时间注意力权重与/>结合得到与车辆v相关的张量单元值/>根据t时刻网格单元n有无车辆生成张量单元值/>计算空间注意力权重,并将空间注意力权重与/>结合得到t时刻目标车辆的位置信息Vt,将Vt输入LSTM的前馈层以预测目标车辆未来的轨迹;
S3,车辆轨迹相关数据提取,提取车辆换道的间隙时间的负值作为车辆冲突数据GT,根据预测的车辆轨迹数据中车辆位置信息随时间的变化,对换道车辆的轨迹数据进行分析处理以提取车辆驾驶行为数据;
S4,车辆碰撞风险预测,根据车辆冲突数据GT建立基于广义帕累托分布的车辆碰撞-冲突的超阈值模型,通过平均剩余寿命图方法确定模型的阈值范围,并从车辆冲突数据GT中获取极值ET;将驾驶行为数据作为协变量包含在比例参数中,根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计;根据拟合的超阈值模型预测车辆未来发生碰撞的风险。
进一步的,步骤S1中的具体方法如下:
首先进行中断点识别,将不连续的路径链信息提取,通过k则最短路算法搜索断点间可能的轨迹,并将其作为候选轨迹,通过粒子滤波模型将候选轨迹进行校正,在经过一定次数的重采样过程后,将粒子聚集数最多的轨迹数据作为最优重构轨迹数据。
进一步的,步骤S2中的具体方法如下:
将目标车辆周围的空间离散化为网格,将轨迹数据中车辆的位置映射至对应的网格,将位于网格内的目标车辆以外的车辆定义为相邻车辆,在时间t将车辆v的T步历史轨迹作为LSTM模型的输入,生成LSTM模型的隐藏状态/> 表示车辆v在j时刻的隐藏状态,d表示隐藏状态的长度,计算与车辆v对应的时间注意力权重/> 表示车辆v在j时刻的时间注意力权重,计算公式如下:/>其中,Wα表示学习权重,结合隐藏状态/>和时间注意力权重/>以得到与v相关的张量单元值/> 根据t时刻网格单元n有无车辆生成张量单元值Gt:/>其中,N是所有张量单元的总体数量,/>的计算公式如下:
计算与t时刻所有车辆对应的空间注意力权重 表示在t时刻第n个张量单元的空间注意力权重,计算公式如下:/>其中,Wβ表示学习权重,将目标车辆和相邻车辆的空间注意力权重与/>结合得到t时刻目标车辆的位置信息Vt,计算公式如下:/>将Vt输入至LSTM的前馈网络层中以预测目标车辆未来的轨迹。
进一步的,步骤S3中的车辆轨迹相关数据提取方法如下:
提取在行驶过程中车道序号发生改变的车辆轨迹数据得到换道车辆的轨迹数据,将换道车辆车道横向偏移曲线上的最低点作为车辆换道的开始,并通过计算目标车辆换道的完成时间t1与后续车辆到达换道点的时间t2之间的经过时间得到换道间隙时间,将车辆换道间隙时间的负值作为车辆冲突数据;计算换道车辆在换道5s间隔内沿车道方向的单位时间位移得到换道瞬时速度,提取目标车辆前后车辆的位置信息并得到与前后车辆的距离,将换道事件期间换道车辆的瞬时速度、当前车道上换道车辆与前方车辆之间的距离、换道车辆与当前车道上终点之间的距离、目标车道上换道车辆与后方车辆之间的距离作为车辆驾驶行为数据。
进一步的,步骤S4中构建了基于广义帕累托分布的超阈值模型,设{X1,X2,…,Xn}是一组车辆冲突数据GT的观测值,阈值为u,阈值超出量y=X-u,当X>u时模型如下:
其中,H(·)表示广义帕累托分布,σ表示比例参数,ξ表示形状参数。
进一步的,步骤S4中,首先通过平均剩余寿命图方法确定模型的阈值范围,并从车辆冲突数据GT中获取极值ET,具体步骤如下:
对于一组车辆冲突数据GT={X1,X2,…,Xn},设定阈值为u0,则对于大于u0的阈值u,平均超阈值E(X-u|X>u0)通过以下公式计算:
其中,σu表示与阈值u对应的比例参数,σu0表示与阈值u0对应的比例参数,通过平均超阈值E(X-u|X>u0)与阈值u的比例关系,根据点集 生成平均剩余寿命图,其中,X1,…,/>表示nu个超过阈值u的观测值,Xmax表示Xi的最大值;通过调整阈值u的大小,选择使得平均剩余寿命图近似线性的阈值u,并将车辆冲突数据GT中大于阈值u的提取为极值ET。
进一步的,步骤S4中,将驾驶行为数据作为协变量包含在比例参数中,具体的协变量模型公式如下:
ln(σ)=σ0+βγ
其中,σ0表示截距项,β和γ分别表示驾驶行为因素的估计参数和协变量的向量,根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计,具体步骤如下:
对于极值ET数据ET={X1,X2,…,Xm}得到对数似然函数为:
其中,Xi满足定义域的限制:
Xi∈D(σ,ξ)
基于σ的协变量模型,将对数似然函数进行求解得到σ和ξ的估计值,m为极值ET的个数。
进一步的,步骤S4中,根据选择的参数值对广义帕累托分布进行拟合,并通过广义帕累托分布的尾部得到车辆未来的换道碰撞风险R,具体公式如下:
其中,当车辆冲突数据GT大于等于0时,车辆换道间隙时间为负,换道车辆的轨迹将与目标车道中后续车辆的轨迹发生重叠,即发生碰撞。
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:
1)在车辆轨迹数据采集中,通过在固定路口节点安装ALPR设备,采集原始的车辆轨迹数据,并通过改进的粒子滤波模型对原始数据中不完整轨迹进行重构,得到完整的车辆轨迹数据,能够准确地捕捉车辆的完整行驶轨迹数据,具有高精度、鲁棒性强的优点。
2)在车辆轨迹数据预测中,使用基于时空注意力机制的LSTM算法来进行预测,使用时间注意力机制来识别重要的历史轨迹以确定目标车辆的未来行为,使用空间注意力机制来根据相邻车辆对目标车辆的影响对其进行排序,对交通场景中学习到的注意力权重进行分析,通过学习的注意力权重分析目标车辆的特定驾驶行为,不仅可以实现高精度的轨迹预测,还能够考虑到历史轨迹和相邻车辆对目标车辆的影响。
3)在车辆碰撞风险预测中,基于广义帕累托分布来建立车辆碰撞-冲突的超阈值模型,从而对车辆碰撞风险进行预测。通过平均剩余寿命图等方法,获得超阈值模型的阈值范围,对超阈值模型的形状参数和比例参数进行估计,基于驾驶行为因素建立协变量模型,并在比例参数中包含协变量模型,根据选择的参数值对广义帕累托分布进行拟合,并通过分布的尾部得到车辆换道的碰撞风险,可以有效处理现实交通冲突的非平稳性,使得预测的结果具有更好的准确性和真实性。
附图说明
图1为实施例中基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法的流程图;
图2为实施例中基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法的LSTM算法结构示意图。
具体实施方式
下面的具体实施例将对本发明进行详细的描述,但不以任何方式限制本发明。
在换道过程中,驾驶员需要使自己的速度与附近车辆相匹配,在相邻车道中识别合适的间隙,与当前车道中的领先车辆保持安全距离,确保周围交通识别驾驶员自己的移动,以及监测加速车道中的剩余距离,由于驾驶员同时需要考虑所有这些因素才能成功变道,这增加了驾驶员的不确定性、工作量和压力,从而使换道决策过程变得危险且容易发生碰撞,因此对城市交通车辆在换道过程中的车辆碰撞风险进行准确的预测有着重要的现实意义。
对于车辆轨迹数据的预测,传统的方法如概率统计模型等等,并不能考虑到相邻车辆对目标车辆的影响、历史序列对未来数据的影响等,预测精度较低,鲁棒性较差。目前碰撞风险分析通常使用交管部门提供的碰撞数据进行,这类数据的质量较差并且会遗漏部分碰撞记录,因此使用此类数据开发的安全模型通常无法准确表示微观驾驶行为和车辆碰撞机制。
为了解决上述问题,本发明提供一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法,方法的流程图如图1所示,首先通过ALPR设备采集原始的车辆轨迹数据并重构不完整轨迹,随后使用基于时空注意力机制的LSTM算法来预测未来的车辆轨迹,提取车辆换道的间隙时间数据作为车辆冲突的度量,最后基于广义帕累托分布建立车辆碰撞-冲突的超阈值模型,使用阈值稳定性图确定阈值范围,添加驾驶行为作为协变量,从而预测车辆发生碰撞的风险。
如图1所示,本发明提出一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法,该方法包括以下步骤:
S1,车辆轨迹数据采集,在所需采集车辆轨迹数据的城市交通区域范围内的固定路口节点安装ALPR设备,采集原始的车辆轨迹数据,并对轨迹数据中的不完整轨迹进行重构,得到完整的车辆轨迹数据;
S2,车辆轨迹数据预测,将目标车辆周围的空间离散化为网格,将轨迹数据中车辆的位置映射至对应的网格,并选取车辆T步的轨迹数据作为模型输入;将T步轨迹数据经过LSTM单元生成隐藏状态计算时间注意力权重,并将时间注意力权重与/>结合得到与车辆v相关的张量单元值/>根据t时刻网格单元n有无车辆生成张量单元值/>计算空间注意力权重,并将空间注意力权重与/>结合得到t时刻目标车辆的位置信息Vt,将Vt输入LSTM的前馈层以预测目标车辆未来的轨迹;
S3,车辆轨迹相关数据提取,提取车辆换道的间隙时间的负值作为车辆冲突数据GT,根据预测的车辆轨迹数据中车辆位置信息随时间的变化,对换道车辆的轨迹数据进行分析处理以提取车辆驾驶行为数据;
S4,车辆碰撞风险预测,根据车辆冲突数据GT建立基于广义帕累托分布的车辆碰撞-冲突的超阈值模型,通过平均剩余寿命图方法确定模型的阈值范围,并从车辆冲突数据GT中获取极值ET;将驾驶行为数据作为协变量包含在比例参数中,根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计;根据拟合的超阈值模型预测车辆未来发生碰撞的风险。
步骤S1中的具体方法如下:
首先进行中断点识别,将不连续的路径链信息提取,通过k则最短路算法搜索断点间可能的轨迹,并将其作为候选轨迹,通过粒子滤波模型将候选轨迹进行校正,在经过一定次数的重采样过程后,将粒子聚集数最多的轨迹数据作为最优重构轨迹数据。
步骤S2中的具体方法如下:
将目标车辆周围的空间离散化为网格,将轨迹数据中车辆的位置映射至对应的网格,将位于网格内的目标车辆以外的车辆定义为相邻车辆,在时间t将车辆v的T步历史轨迹作为LSTM模型的输入,生成LSTM模型的隐藏状态/> 表示车辆v在j时刻的隐藏状态,d表示隐藏状态的长度,计算与车辆v对应的时间注意力权重/> 表示车辆v在j时刻的时间注意力权重,计算公式如下:/>其中,Wα表示学习权重,结合隐藏状态/>和时间注意力权重/>以得到与v相关的张量单元值/> 根据t时刻网格单元n有无车辆生成张量单元值Gt:/>其中,N是所有张量单元的总体数量,/>的计算公式如下:
计算与t时刻所有车辆对应的空间注意力权重 表示在t时刻第n个张量单元的空间注意力权重,计算公式如下:Bt=softmax(tanh(WβGt)),其中,Wβ表示学习权重,将目标车辆和相邻车辆的空间注意力权重与/>结合得到t时刻目标车辆的位置信息Vt,计算公式如下:/>将Vt输入至LSTM的前馈网络层中以预测目标车辆未来的轨迹。
步骤S3中的车辆轨迹相关数据提取方法如下:
提取在行驶过程中车道序号发生改变的车辆轨迹数据得到换道车辆的轨迹数据,将换道车辆车道横向偏移曲线上的最低点作为车辆换道的开始,并通过计算目标车辆换道的完成时间t1与后续车辆到达换道点的时间t2之间的经过时间得到换道间隙时间,将车辆换道间隙时间的负值作为车辆冲突数据;计算换道车辆在换道5s间隔内沿车道方向的单位时间位移得到换道瞬时速度,提取目标车辆前后车辆的位置信息并得到与前后车辆的距离,将换道事件期间换道车辆的瞬时速度、当前车道上换道车辆与前方车辆之间的距离、换道车辆与当前车道上终点之间的距离、目标车道上换道车辆与后方车辆之间的距离作为车辆驾驶行为数据。
步骤S4中构建了基于广义帕累托分布的超阈值模型,设{X1,X2,…,Xn}是一组车辆冲突数据GT的观测值,阈值为u,阈值超出量y=X-u,当X>u时模型如下:
其中,H(·)表示广义帕累托分布,σ表示比例参数,ξ表示形状参数。
步骤S4中,首先通过平均剩余寿命图方法确定模型的阈值范围,并从车辆冲突数据GT中获取极值ET,具体步骤如下:
对于一组车辆冲突数据GT={X1,X2,…,Xn},设定阈值为u0,则对于大于u0的阈值u,平均超阈值E(X-u|X>u0)通过以下公式计算:
其中,σu表示与阈值u对应的比例参数,σu0表示与阈值u0对应的比例参数,通过平均超阈值E(X-u|X>u0)与阈值u的比例关系,根据点集 生成平均剩余寿命图,其中,X1,…,/>表示nu个超过阈值u的观测值,Xmax表示Xi的最大值;通过调整阈值u的大小,选择使得平均剩余寿命图近似线性的阈值u,并将车辆冲突数据GT中大于阈值u的提取为极值ET。
步骤S4中,将驾驶行为数据作为协变量包含在比例参数中,具体的协变量模型公式如下:
ln(σ)=σ0+βγ
其中,σ0表示截距项,β和γ分别表示驾驶行为因素的估计参数和协变量的向量,根据获得的极值ET通过最大似然估计等方法对模型的形状参数和比例参数进行估计,具体步骤如下:
对于极值ET数据ET={X1,X2,…,Xm}得到对数似然函数为:
其中,Xi满足定义域的限制:
Xi∈D(σ,ξ)
基于σ的协变量模型,将对数似然函数进行求解得到σ和ξ的估计值,m为极值ET的个数。
步骤S4中,根据选择的参数值对广义帕累托分布进行拟合,并通过广义帕累托分布的尾部得到车辆未来的换道碰撞风险R,具体公式如下:
其中,当车辆冲突数据GT大于等于0时,车辆换道间隙时间为负,换道车辆的轨迹将与目标车道中后续车辆的轨迹发生重叠,即发生碰撞。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (2)
1.一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法,其特征在于,该方法包括以下步骤:
S1,车辆轨迹数据采集,在所需采集车辆轨迹数据的城市交通区域范围内的固定路口节点安装ALPR设备,采集原始的车辆轨迹数据,并对轨迹数据中的不完整轨迹进行重构,得到完整的车辆轨迹数据;
S2,车辆轨迹数据预测,将目标车辆周围的空间离散化为网格,将轨迹数据中车辆的位置映射至对应的网格,并选取车辆T步的轨迹数据作为模型输入;将T步轨迹数据经过LSTM单元生成隐藏状态计算时间注意力权重,并将时间注意力权重与/>结合得到与车辆v相关的张量单元值/>根据t时刻网格单元n有无车辆生成张量单元值/>计算空间注意力权重,并将空间注意力权重与/>结合得到t时刻目标车辆的位置信息Vt,将Vt输入LSTM的前馈层以预测目标车辆未来的轨迹;
S3,车辆轨迹相关数据提取,提取车辆换道的间隙时间的负值作为车辆冲突数据GT,根据预测的车辆轨迹数据中车辆位置信息随时间的变化,对换道车辆的轨迹数据进行分析处理以提取车辆驾驶行为数据;
S4,车辆碰撞风险预测,根据车辆冲突数据GT建立基于广义帕累托分布的车辆碰撞-冲突的超阈值模型,通过平均剩余寿命图方法确定模型的阈值范围,并从车辆冲突数据GT中获取极值ET;将驾驶行为数据作为协变量包含在比例参数中,根据获得的极值ET通过最大似然估计方法对模型的形状参数和比例参数进行估计;根据拟合的超阈值模型预测车辆未来发生碰撞的风险;
步骤S2中的具体方法如下:
将目标车辆周围的空间离散化为网格,将轨迹数据中车辆的位置映射至对应的网格,将位于网格内的目标车辆以外的车辆定义为相邻车辆,在时间t将车辆v的T步历史轨迹作为LSTM模型的输入,生成LSTM模型的隐藏状态/> 表示车辆v在j时刻的隐藏状态,d表示隐藏状态的长度,计算与车辆v对应的时间注意力权重/>表示车辆v在j时刻的时间注意力权重,计算公式如下:/>其中,Wα表示学习权重,结合隐藏状态/>和时间注意力权重/>以得到与v相关的张量单元值/> 根据t时刻网格单元n有无车辆生成张量单元值Gt:/>其中,N是所有张量单元的总体数量,/>的计算公式如下:
计算与t时刻所有车辆对应的空间注意力权重 表示在t时刻第n个张量单元的空间注意力权重,计算公式如下:Bt=softmax(tanh(WβGt)),/>其中,Wβ表示学习权重,将目标车辆和相邻车辆的空间注意力权重与/>结合得到t时刻目标车辆的位置信息Vt,计算公式如下:/>将Vt输入至LSTM的前馈网络层中以预测目标车辆未来的轨迹;
步骤S3中的车辆轨迹相关数据提取方法如下:
提取在行驶过程中车道序号发生改变的车辆轨迹数据得到换道车辆的轨迹数据,将换道车辆车道横向偏移曲线上的最低点作为车辆换道的开始,并通过计算目标车辆换道的完成时间t1与后续车辆到达换道点的时间t2之间的经过时间得到换道间隙时间,将车辆换道间隙时间的负值作为车辆冲突数据;计算换道车辆在换道5s间隔内沿车道方向的单位时间位移得到换道瞬时速度,提取目标车辆前后车辆的位置信息并得到与前后车辆的距离,将换道事件期间换道车辆的瞬时速度、当前车道上换道车辆与前方车辆之间的距离、换道车辆与当前车道上终点之间的距离、目标车道上换道车辆与后方车辆之间的距离作为车辆驾驶行为数据;
步骤S4中,构建基于广义帕累托分布的超阈值模型,设{X1,X2,…,Xn}是一组车辆冲突数据GT的观测值,阈值为u,阈值超出量y=X-u,当X>u时模型如下:
其中,H(·)表示广义帕累托分布,σ表示比例参数,ξ表示形状参数;
步骤S4中,首先通过平均剩余寿命图方法确定模型的阈值范围,并从车辆冲突数据GT中获取极值ET,具体步骤如下:
对于一组车辆冲突数据GT={X1,X2,…,Xn},设定阈值为u0,则对于大于u0的阈值u,平均超阈值E(X-u|X>u0)通过以下公式计算:
其中,σu表示与阈值u对应的比例参数,σu0表示与阈值u0对应的比例参数,通过平均超阈值E(X-u|X>u0)与阈值u的比例关系,根据点集u<Xmax]生成平均剩余寿命图,其中,X1,…,/>表示nu个超过阈值u的观测值,Xmax表示Xi的最大值;通过调整阈值u的大小,选择使得平均剩余寿命图近似线性的阈值u,并将车辆冲突数据GT中大于阈值u的提取为极值ET;
步骤S4中,将驾驶行为数据作为协变量包含在比例参数中,具体的协变量模型公式如下:
ln(σ)=σ0+βγ
其中,σ0表示截距项,β和γ分别表示驾驶行为因素的估计参数和协变量的向量,根据获得的极值ET通过最大似然估计方法对模型的形状参数和比例参数进行估计,具体步骤如下:
对于极值ET数据ET={X1,X2,...,Xm}得到对数似然函数为:
其中,Xi满足定义域的限制:
Xi∈D(σ,ξ)
基于σ的协变量模型,将对数似然函数进行求解得到σ和ξ的估计值,m为极值ET的个数;
步骤S4中,根据选择的参数值对广义帕累托分布进行拟合,并通过广义帕累托分布的尾部得到车辆未来的换道碰撞风险R,具体公式如下:
其中,当车辆冲突数据GT大于等于0时,车辆换道间隙时间为负,换道车辆的轨迹将与目标车道中后续车辆的轨迹发生重叠,即发生碰撞。
2.根据权利要求1所述的一种基于时空注意力LSTM和超阈值模型的车辆换道碰撞风险预测方法,其特征在于,步骤S1中的具体方法如下:
首先进行中断点识别,将不连续的路径链信息提取,通过k则最短路算法搜索断点间可能的轨迹,并将其作为候选轨迹,通过粒子滤波模型将候选轨迹进行校正,在经过一定次数的重采样过程后,将粒子聚集数最多的轨迹数据作为最优重构轨迹数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310253961.2A CN116246492B (zh) | 2023-03-16 | 2023-03-16 | 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310253961.2A CN116246492B (zh) | 2023-03-16 | 2023-03-16 | 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246492A CN116246492A (zh) | 2023-06-09 |
CN116246492B true CN116246492B (zh) | 2024-01-16 |
Family
ID=86624132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310253961.2A Active CN116246492B (zh) | 2023-03-16 | 2023-03-16 | 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246492B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019127079A1 (en) * | 2017-12-27 | 2019-07-04 | Bayerische Motoren Werke Aktiengesellschaft | Vehicle lane change prediction |
CN111104969A (zh) * | 2019-12-04 | 2020-05-05 | 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 |
CN111243338A (zh) * | 2020-02-12 | 2020-06-05 | 南京理工大学 | 基于车辆加速度的碰撞风险评价方法 |
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
CN113627239A (zh) * | 2021-06-28 | 2021-11-09 | 上海交通大学 | 一种结合驾驶员换道意图的远程驾驶车辆轨迹预测方法 |
CN113674521A (zh) * | 2020-05-13 | 2021-11-19 | 南京东控智能交通研究院有限公司 | 一种车辆换道对交通效率影响的预测方法 |
CN113762473A (zh) * | 2021-08-25 | 2021-12-07 | 江苏大学 | 一种基于多时空图的复杂场景行车风险预测方法 |
CN115050177A (zh) * | 2022-05-11 | 2022-09-13 | 杭州像素元科技有限公司 | 一种基于时空多头注意力机制的高速公路拥堵预测方法 |
CN115179959A (zh) * | 2022-07-18 | 2022-10-14 | 福州大学 | 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法 |
CN115520223A (zh) * | 2022-11-02 | 2022-12-27 | 彭佳力 | 网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法 |
CN115547040A (zh) * | 2022-09-19 | 2022-12-30 | 河南大学 | 安全势场下基于informer神经网络的驾驶行为预测方法 |
-
2023
- 2023-03-16 CN CN202310253961.2A patent/CN116246492B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019127079A1 (en) * | 2017-12-27 | 2019-07-04 | Bayerische Motoren Werke Aktiengesellschaft | Vehicle lane change prediction |
CN111104969A (zh) * | 2019-12-04 | 2020-05-05 | 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 |
CN111243338A (zh) * | 2020-02-12 | 2020-06-05 | 南京理工大学 | 基于车辆加速度的碰撞风险评价方法 |
CN113674521A (zh) * | 2020-05-13 | 2021-11-19 | 南京东控智能交通研究院有限公司 | 一种车辆换道对交通效率影响的预测方法 |
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
CN113627239A (zh) * | 2021-06-28 | 2021-11-09 | 上海交通大学 | 一种结合驾驶员换道意图的远程驾驶车辆轨迹预测方法 |
CN113762473A (zh) * | 2021-08-25 | 2021-12-07 | 江苏大学 | 一种基于多时空图的复杂场景行车风险预测方法 |
CN115050177A (zh) * | 2022-05-11 | 2022-09-13 | 杭州像素元科技有限公司 | 一种基于时空多头注意力机制的高速公路拥堵预测方法 |
CN115179959A (zh) * | 2022-07-18 | 2022-10-14 | 福州大学 | 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法 |
CN115547040A (zh) * | 2022-09-19 | 2022-12-30 | 河南大学 | 安全势场下基于informer神经网络的驾驶行为预测方法 |
CN115520223A (zh) * | 2022-11-02 | 2022-12-27 | 彭佳力 | 网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
基于视觉的车辆异常行为检测综述;黄超;胡志军;徐勇;王耀威;;模式识别与人工智能(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116246492A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085947B (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
CN103235933B (zh) | 一种基于隐马尔科夫模型的车辆异常行为检测方法 | |
CN103259962B (zh) | 一种目标追踪方法和相关装置 | |
CN110781266B (zh) | 一种基于时空因果关系的城市感知数据处理方法 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN106408594A (zh) | 基于多伯努利特征协方差的视频多目标跟踪方法 | |
CN103473540B (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN105654139A (zh) | 一种采用时间动态表观模型的实时在线多目标跟踪方法 | |
CN108710637B (zh) | 基于时空关系的出租车异常轨迹实时检测方法 | |
CN110738247A (zh) | 一种基于选择性稀疏采样的细粒度图像分类方法 | |
CN113159048A (zh) | 一种基于深度学习的弱监督语义分割方法 | |
CN111562571B (zh) | 一种未知新生强度的机动多目标跟踪与航迹维持方法 | |
CN115620518B (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
Jiao et al. | End-to-end uncertainty-based mitigation of adversarial attacks to automated lane centering | |
US20220172485A1 (en) | Method for Determining a Semantic Segmentation of an Environment of a Vehicle | |
CN116246492B (zh) | 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN112767438B (zh) | 结合时空运动的多目标跟踪方法 | |
CN113312976A (zh) | 一种基于图像处理与路面附着系数相结合的制动距离计算方法 | |
CN113378931A (zh) | 一种基于贝叶斯张量分解的智能路侧多源数据融合方法 | |
CN112990563A (zh) | 一种高速公路追尾事故风险实时预测方法 | |
Ku et al. | Toward Directed Spatiotemporal Graph: A New Idea for Heterogeneous Traffic Prediction | |
KR102307373B1 (ko) | 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법 | |
CN115050028B (zh) | 一种恶劣天气下小样本车牌检测方法 |
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 |