[发明专利]一种基于GRU神经网络的不同风格驾驶员车速预测方法

权利要求书

1.一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，包括以下步骤：

S1、基于预先构建的驾驶风格分类模型对驾驶数据库进行划分，得到对应不同驾驶风格的多个驾驶子数据库；

S2、分别构建对应不同驾驶风格的GRU车速预测模型；

S3、分别从各个所述驾驶子数据库中提取出训练数据，进行预处理，并按照时间序列逐时间步滑动生成训练样本序列数据库；

S4、利用所述训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行训练；

S5、每间隔一定时间，采用所述驾驶风格辨识模型对当前驾驶风格进行判定，并在预设时间段内持续不变时，引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。

2.根据权利要求1所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，还包括：

S6、将预测过程中出现的误差较大的实际车速信息及其历史信息更新至所述训练样本序列数据库中，并在预设时间间隔后，利用更新后的训练样本序列数据库对各GRU车速预测模型进行重新训练和参数调整。

3.根据权利要求1所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，S1包括以下步骤：

S11、基于自组织映射神经网络和K-means聚类方法构建驾驶风格分类模型；

S12、利用自组织映射神经网络对所述驾驶数据库中的特征数据进行初步聚类；

S13、利用K-means聚类方法对初步聚类结果进行再次聚类簇集，得到对应不同驾驶风格的多个驾驶子数据库；所述驾驶子数据库包括激进型驾驶数据库、中庸型驾驶数据库和保守型驾驶数据库。

4.根据权利要求3所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，S12包括以下步骤：

S1201、将所述驾驶数据库中的特征数据进行归一化处理，得到无量纲的纯量；

S1202、引入SOM模型，设置所述SOM模型中的几何形状为矩形；

S1203、随机初始化SOM模型的权重，将节点权重初始化为较小的随机数；

S1204、设置初始邻域半径σ，根据邻域半径σ确定优胜邻域将包含的节点；

S1205、设定邻近函数类型，通过邻近函数计算每个节点各自更新的幅度；

S1206、设置初始学习率α，确定每次迭代权重更新的幅度大小；

S1207、随机取一个输入样本X_i，进行第一次迭代；遍历竞争层中每一个节点，计算X_i与节点之间的相似度，选取距离最小的节点作为优胜节点；

S1208、更新优胜邻域内，以优胜节点为中心、σ为半径范围内的节点的Weight；

S1209、每次迭代完成后将σ和α进行衰减处理；

S1210：完成一轮迭代后，返回S1207，直到满足设定的迭代次数，得到初步聚类结果。

5.根据权利要求4所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，S13包括：

S1301、在所述初步聚类结果中随机选取3个样本{μ₁，μ₂，μ₃}作为初始质心；

S1302、计算每个样本Y_i与质心μ_j之间的距离:dis＝||Y_j-μ_j||²，将样本Y_j与最近的质心μ_j归为一类；

S1303、更新质心其中ci为本次迭代过程中的聚类簇集，i∈{1,2,3}；

S1304、返回S1302，直到达到最大迭代次数或质心更新幅度小于阈值，最终得到三种驾驶风格的驾驶子数据库。