[发明专利]一种基于隐马尔可夫模型的行车危险度预测方法

权利要求书

1.一种基于隐马尔可夫模型的行车危险度预测方法，其特征在于，包括如下步骤：

S1：基于车辆运行特征通过聚类分析方法对行车风险状态进行划分；

S2：对于不同的行车风险状态，通过多项logistic模型估计驾驶员行为和周围交通环境特征对行车风险状态之间转移概率的影响；

S3：以S1得到的风险状态为隐含状态，以实际观测的车辆运动变量为状态输出值，以S2得到的多项logistic模型参数为状态转移概率矩阵的参数初始值，建立反映行车状态演变规律的隐马尔可夫链模型；

建立反映行车状态演变规律的隐马尔可夫链模型的方法为：

S3.1：以S1得到的风险状态为隐含状态，以实际观测的车辆运动变量向量为状态输出值，定义具有连续观测值的基于高斯混合的隐马尔可夫链模型；

S3.2：以S2得到的多项logistic模型参数作为状态转移概率矩阵参数的初始值，其余初始模型参数根据实际样本统计特征确定，通过Baum-Welch算法迭代得到模型参数的最优解；

考虑驾驶员、道路和环境信息后修正的状态转移概率矩阵参数A＝{a_ij(Z_t)}的迭代方法为：

S3.2.1：根据前向和后向算法，得到在给定观测值序列O＝(o₁，o₂，...，o_T)和模型参数λ的条件下，模型时刻t处于S_i状态且时刻t+1处于S_j状态的联合概率为：其中q_t为时间窗t的行车风险类别，Z_t为t时间窗内的自变量，a_ij(Zt)为S2中获取的与时刻t时间窗内行车风险类别、驾驶员、道路和环境信息相关的基于多项logistic回归模型的状态转移概率；为提高算法收敛速度，可由项代替时变的a_ij(Z_t)项，其中表示风险类别i下所有观测样本中多项logistic回归自变量向量的均值；b_j(o_t+1)表示风险状态S_j下观测到o_t+1的概率：其中c_jm是风险状态S_j下第m个高斯分布的权值，N(o_t+1，μ_jm，∑_jm)为第m个高斯分布下观测值o_t+1的概率，μ_jm和∑_jm分别是风险状态S_j下第m个高斯分布的均值向量和协方差矩阵；α_t(i)为前向变量，表示给定模型参数λ的条件下，从初始时刻到时刻t的部分观测值序列o₁，o₂，...，o_t和时刻t模型处于状态S_i的联合概率，即：α_t(i)＝P(o₁，o₂，...，o_t，q_t＝S_i|λ)其大小可由前向算法递推过程计算获取；β_t+1(j)为后向变量，表示给定模型参数λ和时刻t+1模型处于状态S_j的条件下，从时刻t+2时刻到最终时刻模型的部分观测值序列o_t+2，o_t+3，...，o_T的联合概率，即：β_t+1(j)＝P(o_t+2，o_t+3，...，o_T|，q_t+1＝S_j，λ)其大小可由后向算法递推过程计算获取；

S3.2.2：根据前向和后向算法，得到在给定观测值序列O＝(o₁，o₂，...，o_T)和模型参数λ的条件下，模型时刻t处于S_i状态的概率为：

S3.2.3：对ξ_t(i，j)按时间维度进行求和获得从状态S_i转移至状态S_j的期望次数为同理对γ_t(i)按时间维度进行求和获得从状态S_i发生状态转移的期望次数为则从状态S_i转移至状态S_j的期望概率为：同时由S2中多项logistic模型估计的转移概率为：

其中表示在风险类别i条件下多项logistic回归中第j风险类别项的回归系数，定义狄拉克函数表示风险类别i下所有观测样本中多项logistic回归自变量向量的均值；则对于风险状态S_i，其下一时刻转移至各风险状态的概率比值为：根据前向算法和后向算法的递推结果更新多项logistic模型参数，即令等于等价于令以下等式成立：其中表示修正后的模型参数，等式两边同时取对数：假设每个类别项参数向量内的各元素以相同比例进行调整修正，则修正后的回归系数应满足如下迭代等式：

根据多项logistic模型效用值的相对性性质可令进而迭代求解上述等式，获得修正后的第k项回归系数

S3.2.4：不断迭代更新模型参数及其他模型参数，直到连续两次重估的模型参数对应的概率的增量小于给定的收敛阈值，最终得到的模型参数即为给定观测样本下最优的隐马尔可夫模型，相应的由模型参数即为最终求得的可以反映驾驶员、道路和环境特征的行车风险状态转移概率矩阵；

S4：实时获取S1中的车辆运行特征，并以隐马尔可夫链模型为基础，实时预测未来风险状态。