[发明专利]基于机器学习的车辆驾驶行为预测方法

说明书

基于机器学习的车辆驾驶行为预测方法，涉及车联网领域，意在利用机器学习技术，挖掘车辆属性、道路信息以及行驶环境信息与车辆驾驶行为之间的关系，提高车辆驾驶行为预测的准确性。具体步骤包括：步骤1，定义特征集：车辆特征定义，道路特征定义，车辆行驶环境定义；步骤2，车辆位移预测模型：特征提取与数据预处理：车辆与前方路口距离特征提取，路口允许转向动作特征提取，标签提取；车辆位移预测模型：训练样本集定义，车辆位移预测模型训练；步骤3，车辆驾驶行为预测模型：高斯分量定义；步骤4，车辆驾驶行为预测。

技术领域

本发明涉及车联网领域，具体涉及一种基于机器学习的车辆驾驶行为预测方法。

背景技术

车辆驾驶行为预测主要服务于车联网安全相关的应用，如十字路口车辆防碰撞监测等。现有关于车辆驾驶行为预测的研究，主要考虑车辆的历史行为轨迹以及车辆行驶的路况信息。这些研究对车辆与所在路况信息的建模较为理想化，忽略了车辆自身属性(如车身长宽)，车辆到路口距离，交通信号与车道转向允许标志等影响车辆驾驶行为的重要因素，从而导致在现实城市道路中对驾驶行为的预测结果与实际情况有较大偏差。

本发明综合考虑上述影响车辆驾驶行为的多种因素，利用机器学习技术，挖掘车辆属性、道路信息以及行驶环境信息与车辆驾驶行为之间的关系，提高车辆驾驶行为预测的准确性。

发明内容

针对现有车辆驾驶行为预测模型对车身属性，道路信息，以及行驶环境与驾驶行为之间关系挖掘不足的问题，本发明综合考虑车辆属性、道路信息以及行驶环境等重要影响因素，提出一种基于机器学习的车辆驾驶行为预测方法。

本发明技术方案为：

一种基于机器学习的车辆驾驶行为预测方法，其特征在于，采用全连接神经网络预测车辆位移，根据预测的位移，采用高斯混合模型对驾驶行为进行聚类。具体方法包括如下步骤：

步骤1，定义特征集，包括车辆特征定义、道路特征定义、车辆行驶环境特征定义。

步骤11，车辆特征定义

车辆特征包括车身长度L，车身宽度W，车辆速度、加速度，当前行驶方向，路口转向动作，其中t时刻车辆速度、加速如分别标记为v(t)和a(t)，其余特征分别定义如下：

定义1车辆行驶方向vDir(t)，表示t时刻车辆运动方向，用与正北方向之间顺时针夹角表示，满足：

0≤vDir(t)＜360° (4)

定义2车辆路口转向vMov(t)，表示t时刻车辆在经过十字路口时的驾驶行为，以向量的形式表征，由于十字路口均不允许调头，目前考虑车辆直行、左转弯、右转弯的情况，如公式(2)。

定义3车辆当前位置P(t)，表示t时刻车辆在CA State Plane III in NAD83坐标系中的二维坐标向量，向量各项单位为英尺(ft)。位置信息定义如下：

P(t)＝(x(t)，y(t)) (3)

CA State Plane III in NAD83坐标系为1983北美洲基准面(NAD)坐标系。

综上，t时刻车辆的特征集feature_v(t)定义如下：

feature_v(t)＝{L，W，v(t)，a(t)，vDir(t)，vMov(t)，P(t)} (4)

步骤12，道路特征定义

将十字路口或丁字路口抽象为四边形，以其四个顶点坐标从西北方向的角开始按照顺时针方向依次标识，标记如下：