混合队列人驾车辆跟驰行为预测方法和装置

1.本发明涉及车辆控制技术领域，具体涉及一种混合队列人驾车辆跟驰行为预测方法和装置。


背景技术：

2.随着世界经济的快速发展，对交通运输事业，特别是公路交通运输的需求不断提升。巨大的交通需求，使得重点区域的公路交通长期处于供不应求的状态，道路流量长时间接近最大通行能力运行。在此状态下，任何微小的扰动都极易导致交通震荡和传播，造成交通拥堵。随着车联网和智能网联车技术的不断发展，路侧与车载设备的实时感知能力、数据共享与精确控制能力的不断提高，智能网联车的队列控制技术基于实时共享的感知数据进行协同控制，保证了队列和交通流的高效稳定运行，提高了道路交通系统的整体效率、安全性和舒适性。
3.但由于传统汽车的巨大保有量，在车联网和智能网联车技术普及过程中，必然长期存在智能网联车与传统人驾车辆的共存时期。在车联网环境下的混合交通流中，智能网联车(cav，connected-automatedvehicle)与传统人驾车辆(hdv，human-drivenvehicle)分散在队列中，将长队列分割成多个智能网联车子队列和人驾车辆子队列。在路侧设备不能做到全息感知的条件下，基于智能网联车和部分路侧设备组成的感知网络，只能对人驾车辆进行有限感知。同时前/后车为智能网联车时，驾驶员的跟驰行为及其不确定性也可能受到影响。这种情况下，人类行为的不确定性可能导致控制过程中出现大量的不确定和随机扰动，致使传统手段控制效率下降，难以保证交通流的稳定性。因此面向人驾车辆与智能网联车混合队列，预测人驾车辆的短期跟驰行为以及在队列中的不确定性，是提高交通系统效能的必然要求。因此，如何准确的预测混合队列中人驾车辆的跟驰行为是亟待解决的技术问题。


技术实现要素：

4.本发明主要解决的技术问题是如何准确的预测混合队列中人驾车辆的跟驰行为。
5.一方面，本发明提供一种混合队列人驾车辆跟驰行为预测方法,包括：
6.获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；
7.将所述第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到所述待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息。
8.在一种实施例中，所述车辆跟驰行为预测模型通过以下方法训练获取：
9.获取多个人驾车辆子队列；
10.针对各个所述人驾车辆子队列，执行以下处理：
11.获取所述人驾车辆子队列中第一辆人驾车辆和最后一辆人驾车辆在上一个时间
段内的行驶状态信息作为输入样本数据；
12.获取所述人驾车辆子队列中最后一辆车在下一个时间段内的行驶状态信息作为输出样本数据；
13.采用所述输入样本数据和输出样本数据训练初始车辆跟驰行为预测模型，以得到所述训练好的车辆跟驰行为预测模型。
14.在一种实施例中，在获取所述多个人驾车辆子队列之后，还包括：
15.对所述多个人驾车辆子队列进行处理，去除样本量小于预设值的人驾车辆子队列以及不符合跟驰状况的人驾车辆子队列。
16.在一种实施例中，所述获取多个人驾车辆子队列，包括：
17.在获取人驾车辆子队列时，去除具有换道、车道进出口或车道过短情况的人驾车辆子队列。
18.在一种实施例中，所述车辆跟驰行为预测模型包括编码器和解码器；
19.所述将所述第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到所述待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息，包括：
20.所述编码器将输入的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息转编码成定长的状态向量；
21.所述解码器将所述定长的状态向量解码为所述预测行驶状态信息。
22.在一种实施例中，采用所述输入样本数据和输出样本数据训练初始车辆跟驰行为预测模型，以得到所述训练好的车辆跟驰行为预测模型，包括：
23.设置损失函数为：
[0024][0025]
其中，loss表示训练函数，t2表示预测时间步，t表示当前时刻，表示预测加速度，表示车辆的实际加速度，||ω||2表示正则化项；
[0026]
确定所述损失函数的值是否小于预设值，若是，则确定训练完成，得到所述训练好的车辆跟驰行为预测模型。
[0027]
在一种实施例中，所述车辆跟驰行为预测模型为多层lstm模型；
[0028]
在两层lstm层中包括dropout层，所述lstm层的设置值为0.5。
[0029]
另一方面，本发明还提供一种混合队列人驾车辆跟驰行为预测装置,其特征在于，包括：
[0030]
获取单元，用于获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；
[0031]
预测单元，用于将所述第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到所述待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的预测行驶状态信息。
[0032]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述混合队列人驾车辆跟驰行为预
测方法。
[0033]
另一方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述混合队列人驾车辆跟驰行为预测方法。
[0034]
依据本技术提供的混合队列人驾车辆跟驰行为预测方法，首先获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；然后将第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的预测行驶状态信息。可以看出，本技术采用车辆跟驰行为预测模型可以准确且快速的预测人驾车辆在未来时间段内的行驶状态信息，为交通系统控制提供了可靠的数据依据，保证了道路交通控制的安全性和高效性。
附图说明
[0035]
图1为本发明实施例提供的混合队列人驾车辆跟驰行为预测方法流程图；
[0036]
图2为本发明实施例提供的混合队列模型示意图；
[0037]
图3为本发明实施例提供的混合交通流下人驾车辆子队列建立过程示意图；
[0038]
图4为本发明实施例提供的人驾车辆预测示意图；
[0039]
图5为本发明实施例提供的车辆跟驰行为预测模型结构示意图；
[0040]
图6为本发明实施例提供的预测值和真实值的对比示意；
[0041]
图7为本发明实施例提供的混合队列人驾车辆跟驰行为预测装置结构示意图；
[0042]
图8为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
[0043]
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本技术能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本技术相关的一些操作并没有在说明书中显示或者描述，这是为了避免本技术的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
[0044]
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
[0045]
在车联网环境下的混合交通流中，智能网联车和人驾车辆将长队列分割为多个智能网联车子队列和人驾车辆子队列。智能网联车之间通过车载传感器可以相互感知，了解感知范围内车辆的跟驰行为。但人驾车辆不存在传感器，无法得知相邻人驾车辆的跟驰行为和人驾车辆子队列中车辆的数目，仅能得到紧邻cav的hdv的运行状态。
[0046]
近年来随着人工智能技术的发展，机器学习和深度学习算法的不断丰富，数据驱动类跟驰模型迅速发展。本技术利用循环神经网络(rnn，recurrent neural network)、门
控循环单元(gru，gate recurrent unit)、长短时记忆神经网络(lstm，long short-term memory)等深度学习网络模型，构建具有复杂隐含层的模型，着重挖掘真实车辆行驶数据中隐藏的内在规律，从而提高跟驰行为预测的准确性。
[0047]
具体的，基于深度学习算法，本技术提供一种混合队列人驾车辆跟驰行为预测方法,首先获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；然后将第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息。
[0048]
进一步的，为了使得预测结果具有较好的鲁棒性，以对人驾车辆子队列中人驾车辆的预测更加准确，本技术考虑了车辆跟驰行为预测模型的不确定性，即在车辆跟驰行为预测模型中增加了dropout层，从而使得车辆跟驰行为预测模型不再对某些特定的特征过于敏感，增加模型鲁棒性，同时可以实现对预测结果的不确定性分析。
[0049]
下面，将通过下述几个具体的实施例对本发明提供的混合队列人驾车辆跟驰行为预测方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0050]
图1为本发明实施例提供的混合队列人驾车辆跟驰行为预测方法流程图，该人驾车辆跟驰行为预测方法可以由软件和/或硬件装置执行。请参考图1，该混合队列人驾车辆跟驰行为预测方法包括：
[0051]
s101、获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息。
[0052]
在一种实施例中，通过交通检测系统可以获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息。
[0053]
在一种实施例中，图2为本发明实施例提供的混合队列模型示意图，请参考图2，将人驾车辆子队列中第一辆人驾车辆(hdv1)和最后一辆人驾车辆(hdvn)的位置、速度和加速度信息作为车辆跟驰行为预测模型的输入数据，将最后一辆人驾车辆的加速度信息作为车辆跟驰行为预测模型输出数据，分析驾驶员的跟驰行为。之后，根据现有车辆状态及分析模型，预测队列中最后一辆人驾车辆短期内的加速度，利用运动学公式将预测加速度转换为位置和速度，得到最后一辆人驾车辆短期内的跟驰状态。
[0054]
在一种实施例中，行驶状态信息一般可以包括当前位置、速度和加速度等。
[0055]
s102、将第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息。
[0056]
在一种实施例中，图4为本发明实施例提供的人驾车辆预测示意图，请参考图4所示，将待预测人驾车辆子队列中的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的位置、速度和加速度输入到训练好的车辆跟驰行为预测模型，得到预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内位置、速度和加速度，为后续混合流环境下队列协同控制提供了数据支撑。
[0057]
在一种实施例中，车辆跟驰行为预测模型通过以下方法训练获取：
[0058]
获取多个人驾车辆子队列；
[0059]
针对各个人驾车辆子队列，执行以下处理：
[0060]
获取人驾车辆子队列中第一辆人驾车辆和最后一辆人驾车辆在上一个时间段内的行驶状态信息作为输入样本数据；
[0061]
获取人驾车辆子队列中最后一辆车在下一个时间段内的行驶状态信息作为输出样本数据；
[0062]
采用输入样本数据和输出样本数据训练初始车辆跟驰行为预测模型，以得到训练好的车辆跟驰行为预测模型。
[0063]
其中，在一种实施例中，获取多个人驾车辆子队列的数据时，图3为本发明实施例提供的混合交通流下人驾车辆子队列建立过程示意图，请参考图3所示，可以在混合交通流中建立多个多个人驾车辆子队列。
[0064]
请参考图3，在图3所示的混合队列中，由于传统的人驾车辆hdv本身不具备车载传感器和车车通讯设备，,因此传统的人驾车辆hdv无法获取周边hdv的运行状态，因此传统的人驾车辆hdv也无法获知当前子队列中到底有多少辆hdv。
[0065]
但是在混合队列中，对智能网联车的控制(如图2中的cav子队列)会受到上游人驾车辆(即图3中的hdvn)运行状态的影响，所以在这个场景中需要对人驾车辆子队列最后一辆人驾车辆的运行状态进行预测。
[0066]
同时，在实际预测过程中，由此并无法获取hdv子队列中包括有几辆人驾车辆，因此一般只能通过混合队列中智能网联车的感知功能，获取hdv子队列第一辆人驾车辆和最后一辆人驾车辆的运动状态，因此本实施例输入只有这两辆车的运动状态信息。采用本实施例的预测方法时不需要考虑hdv子队列中车辆的具体数目，只需要通过感知到的第一辆人驾车辆和最后一辆人驾车辆之间的运动关系，预测到最后一辆人驾车辆的轨迹和运动状态即可。
[0067]
其中，在一种实施例中，获取多个人驾车辆子队列的数据时，采用ngsim(next generation simulation)数据集中的i-80数据集作为车辆跟驰行为预测模型构建与验证数据，然后对数据集进行处理，去除样本量较小以及不符合跟驰状况的子队列数据，构成训练车辆跟驰行为预测模型的初始数据。ngsim数据集描述了多式联运旅客、车辆和公路系统之间的相互作用，以及交通控制向他们提供的相互作用设备、轮廓、拥塞和其他环境特征。i-80数据集是ngsim努力下收集的相对高质量且详细的数据集，能够在微观级别上支持开发驾驶员行为的算法。本发明分析的是人驾车辆相对普遍的跟驰行为，在数据集选取上，尽可能避免换道、车道进出口、车道过短等情况引起的数据集动荡。所以，以i-80数据集trajectories-0400-0415时间段、车道2中的vehicle_id(当前车辆的id)、preceding(当前车辆的前车id)、frame_id(采样时间)、local_y(车辆位置)、v_vel(车辆速度)、v_acc(车辆加速度)数据，作为本实施例的初始数据集(即训练数据集)进行处理。
[0068]
在混合流队列中，由于人驾车辆不存在传感器，无法感知相关数据，只能通过cav车载传感器，得到紧邻cav的人驾车辆hdv实时感知数据(位置、速度、加速度)。但智能网联车所配置的短程通讯设备具有一定的通讯范围，进行车车通讯的车辆距离应保持在通讯范围内，则两个cav队列中间的hdv子队列的位置间距应该小于通信范围。本实施例计算当前车辆与前车的位置差，将位置差小于传感器感知范围的当前车辆与前车构成hdv子队列的最后一辆人驾车辆和第一辆人驾车辆，迭代计算车辆位置差以建立所有可能的hdv子队列。
[0069]
在一种实施例中，在获取多个人驾车辆子队列之后，还要对多个人驾车辆子队列进行处理，去除样本量小于预设值的人驾车辆子队列以及不符合跟驰状况的人驾车辆子队列。例如，统计每个“hdvn-hdv1”数据对的数目，去除数目小于150和变化较大的数据对，例如去除车头时距大于4秒的数据对，车头时距指的是按照设定的速度行驶两个车的车头相距的距离所需的时间，避免数据量过小或车辆脱离跟驰行为导致的预测误差。
[0070]
经过预处理后的人驾车辆子队列数据是一个简单的时间序列数据，需要将其转换为具有输入和输出分量的监督学习的数据。本实施例中，将当前时刻前10s(即前100个采样时间，采样间隔为0.1秒)hdv第一辆人驾车辆和hdv最后一辆人驾车辆的位置、速度、加速度作为输入样本数据入，将后3s(即后30个采样时间)hdv最后一辆人驾车辆的加速度作为预测的输出样本数据。采用输入样本数据和输出样本数据训练初始车辆跟驰行为预测模型，以得到训练好的车辆跟驰行为预测模型。
[0071]
其中，在训练车辆跟驰行为预测模型时，由于跟驰行为预测是一个回归问题，拟合车辆跟驰行为预测模型的过程中采用均方误差作为模型的损失函数。为了防止过拟合，在损失函数中加入l2正则化项，有效实现模型训练中的权值衰减。添加l2正则化项后的损失函数如下：
[0072][0073]
其中，loss表示训练函数，t2表示预测时间步，t表示当前时刻，表示预测加速度，表示车辆的实际加速度，||ω||2表示正则化项。
[0074]
在一种实施例中，以70％的样本数据作为训练集，30％的样本数据作为验证集拟合和训练车辆跟驰行为预测模型。直到训练集和验证集的损失值都很小，在可接受范围内，则确定训练完成，得到训练好的车辆跟驰行为预测模型。
[0075]
在一种实施例中，图5为本发明实施例提供的车辆跟驰行为预测模型结构示意图，如图5所示，车辆跟驰行为预测模型为decoder-encoder lstm模型，该模型以tensorflow和keras框架作为基础，利用keras中的sequential模型，通过.add()接口将一些网络层堆叠起来，按照堆叠顺序构建完整的车辆跟驰行为预测模型。
[0076]
在一种实施例中，车辆跟驰行为预测模型包括编码器和解码器；hdv队列中第一辆人驾车辆和最后一辆人驾车辆的位置速度和加速度数据作为待预测输入的当前时间段内的行驶状态信息，编码器将输入的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息转编码成定长的状态向量；(即编码器将输入序列处理为状态向量和隐层状态，提供定长的输出向量)，解码器将定长的状态向量解码为最后一辆人驾车辆在未来时间段内的行驶状态信息，具体的，最后一辆人驾车辆在未来时间段内的行驶状态信息可以为加速度
[0077]
在一种实施例中，车辆跟驰行为预测模型可以为多层lstm模型，并且在两层lstm层中包括dropout层，lstm层的设置值为0.5。
[0078]
具体的，本实施例的车辆跟驰行为预测模型设计如下：
[0079]
(1)encoder lstm。lstm需要显式设置input_shape属性，设置输入时间步长为采
样时间100，特征维度为6。在第一个隐藏层设置了128个神经元，采用tanh作为激活函数，并设置权重衰减率为0.0002。lstm编码器的每一个时间步都会输出一个隐藏的向量，但是只输出最后一个隐藏状态传递给下一层，供解码器解码。
[0080]
(2)repeatvector层(将输入重复n次)。设置该层的参数值为输出时间步数30，将从lstm接收到的隐藏向量重复30次，使每个时间步都具有相同的向量。
[0081]
(3)dropout层。设置dropout层参数值为0.5。在训练模型阶段，每个神经元有50％的概率终止工作，即设置激活函数值有50％的概率会变成0，在这种情况下，任意两个神经元不一定每次都可以出现在同一个dropout网络中，从而使得权值的更新不再依赖于有固定关系的隐含节点的共同作用，神经网络不再对某些特定的特征过于敏感，增加模型鲁棒性。
[0082]
(4)decoder lstm。解码器中继续使用lstm层构建，但是和编码层的不同之处是，设置return_sequences属性值为true，使每一个时间步都有一个输出向量，并将其传递给下一层，以便在下一层全连接层中进行预测。
[0083]
(5)全连接层。全连接层设置神经元数为输出向量的特征维度1，即hdv最后一辆人驾车辆的加速度。lstm解码器中每个时间步都会输出一个向量，该层在每个时间步使用全连接层，使得每个时间步只预测一个加速度量。调用keras开发的timedistributed层，将相同的全连接层应用到每一个输出时间步，得到多时间步预测结果的输出。
[0084]
其中，本实施例的车辆跟驰行为预测模型的各层参数如以下表1所示：
[0085]
表1车辆跟驰行为预测模型各层参数情况
[0086][0087]
本实施例提供的混合队列人驾车辆跟驰行为预测方法考虑了短期不确定预测分析。基本的lstm模型没有实际考虑预测不确定性的具体数值，在本实施例中弥补了该技术缺陷。对于深度学习的模型不确定性，模型的初始值、权重等参数都是固定的，不确定性主要来源于预测结果的不确定性，即预测值与真实值之间的存在的误差。本实施例采用gal等人提出的理论框架，且该框架已经在rnn模型中得到了验证。
[0088]
现有理论框架提供了dropout作为从现有神经网络模型中提取信息的工具建模不确定性的理论证明，不改变神经网络模型本身的形式，只是通过收集多次随机正向遍历神经网络的结果，估计计算预测结果的平均值和预测结果的不确定(即方差)，公式如下所示：
[0089]
[0090][0091]
其中，上述公式中，x
*
表示实际样本值，y
*
表示预测值，表示第i层神经网络权重，t表示预测时长。
[0092]
在本实施例中，利用现有的dropout理论基础，创新性地将dropout层引入构建的多层lstm模型中，得到lstm预测的不确定性，是为了得到预测结果的不确定性，使得模型预测更加贴近真实场景，以使得预测的结果更加准确。在两层lstm层中间，引入dropout，设置参数值为一般为0-1之间的定值，使模型中的神经元以一定的概率停止工作，使模型泛化性更强。例如设置参数值为0.5，表示神经元的激活值以50％的概率停止工作，使得预测具有不确定性。在模型预测过程中，设置training属性值为true，即设置预测过程中打开dropout，去除不同的隐藏神经元就相当于使用不同的神经网络结构，多次预测对多个训练好的神经网络的预测结果求平均值和方差，得到短期行为预测的不确定性。
[0093]
进一步的，使用训练好的车辆跟驰行为预测模型预测hdv队列最后一辆人驾车辆的加速度，再通过运动学方程v＝v0+at和将预测得到的加速度转换为速度和位置信息。
[0094]
图6为本发明实施例提供的预测值和真实值的对比示意图，该图6展示了一组随机样本的未来3秒预测值和真实值的对比情况，从上到下依次表示hdv最后一辆人驾车辆的加速度、速度和位置情况。通过大量预测分析可知，加速度的误差一般在0.6m/s2以内，速度误差在0.15m/s以内，位置误差在0.3m以内。可见，预测值与真实值几乎拟合，可以看出本实施例提供的车辆跟驰行为预测模型的准确性较高，验证了模型的可行性。
[0095]
可以看出，通过本实施例提供的混合队列人驾车辆跟驰行为预测方法，可以准确且快速的预测人驾车辆在未来时间段内的行驶状态信息，为交通系统控制提供了可靠的数据依据，保证了道路交通控制的安全性和高效性。
[0096]
另外，本实施例提供的混合队列人驾车辆跟驰行为预测方法和现有技术相比还具有以下有益效果：
[0097]
1、本发明在有限感知和信息共享的环境下，探索了人驾车辆在新交通流环境下的跟驰行为，构建了短期车辆跟驰行为预测模型，为未来车联网环境下面向混合流中的人驾车辆应用开发提供依据。
[0098]
2.本发明在车辆跟驰行为预测模型中引入了不确定性分析，分析人驾车辆驾驶行为的不确定性及其在人驾车辆子队列中的传播状态；估测驾驶员的跟驰行为习惯及其不确定性的最优分布拟合结果，为后续混合流环境下队列协同控制提供了数据支撑。
[0099]
下面对本发明提供的混合队列人驾车辆跟驰行为预测装置进行描述，下文描述的混合队列人驾车辆跟驰行为预测装置与上文描述的混合队列人驾车辆跟驰行为预测方法可相互对应参照。
[0100]
图7为本发明实施例提供的混合队列人驾车辆跟驰行为预测装置结构示意图，请
参考图7所示，该人驾车辆跟驰行为预测装置70可以包括：
[0101]
获取单元701，用于获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；
[0102]
预测单元702，用于将第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的预测行驶状态信息。
[0103]
在一种实施例中，该人驾车辆跟驰行为预测装置70可以包括训练单元，该训练单元，具体用于：
[0104]
获取多个人驾车辆子队列；
[0105]
针对各个人驾车辆子队列，执行以下处理：
[0106]
获取人驾车辆子队列中第一辆人驾车辆和最后一辆人驾车辆在上一个时间段内的行驶状态信息作为输入样本数据；
[0107]
获取人驾车辆子队列中最后一辆车在下一个时间段内的行驶状态信息作为输出样本数据；
[0108]
采用输入样本数据和输出样本数据训练初始车辆跟驰行为预测模型，以得到训练好的车辆跟驰行为预测模型。
[0109]
在一种实施例中，该训练单元，具体用于：
[0110]
设置损失函数为：
[0111][0112]
其中，loss表示训练函数，t2表示预测时间步，t表示当前时刻，表示预测加速度，表示车辆的实际加速度，||ω||2表示正则化项；
[0113]
确定损失函数的值是否小于预设值，若是，则确定训练完成，得到训练好的车辆跟驰行为预测模型。
[0114]
在一种实施例中，获取单元70，还用于：
[0115]
在获取所述多个人驾车辆子队列之后，对多个人驾车辆子队列进行处理，去除样本量小于预设值的人驾车辆子队列以及不符合跟驰状况的人驾车辆子队列。
[0116]
在一种实施例中，获取单元70，还用于：
[0117]
在获取人驾车辆子队列时，去除具有换道、车道进出口或车道过短情况的人驾车辆子队列。
[0118]
在一种实施例中，车辆跟驰行为预测模型包括编码器和解码器。
[0119]
预测单元702，具体用于：
[0120]
通过编码器将输入的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息转编码成定长的状态向量；通过解码器将定长的状态向量解码为预测行驶状态信息。
[0121]
图8为本发明实施例提供的一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线
840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行混合队列人驾车辆跟驰行为预测方法，该方法包括：获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；将第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息。
[0122]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0123]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的混合队列人驾车辆跟驰行为预测方法，该方法包括：获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；将第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息。
[0124]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的混合队列人驾车辆跟驰行为预测方法，该方法包括：获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；将第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息。
[0125]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0126]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0127]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种混合队列人驾车辆跟驰行为预测方法,其特征在于，包括：获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；将所述第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到所述待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息。2.如权利要求1所述的混合队列人驾车辆跟驰行为预测方法,其特征在于，所述车辆跟驰行为预测模型通过以下方法训练获取：获取多个人驾车辆子队列；针对各个所述人驾车辆子队列，执行以下处理：获取所述人驾车辆子队列中第一辆人驾车辆和最后一辆人驾车辆在上一个时间段内的行驶状态信息作为输入样本数据；获取所述人驾车辆子队列中最后一辆车在下一个时间段内的行驶状态信息作为输出样本数据；采用所述输入样本数据和输出样本数据训练初始车辆跟驰行为预测模型，以得到所述训练好的车辆跟驰行为预测模型。3.如权利要求2所述的混合队列人驾车辆跟驰行为预测方法,其特征在于，在获取所述多个人驾车辆子队列之后，还包括：对所述多个人驾车辆子队列进行处理，去除样本量小于预设值的人驾车辆子队列以及不符合跟驰状况的人驾车辆子队列。4.如权利要求1-3任一项所述的混合队列人驾车辆跟驰行为预测方法,其特征在于，所述获取多个人驾车辆子队列，包括：在获取人驾车辆子队列时，去除具有换道、车道进出口或车道过短情况的人驾车辆子队列。5.如权利要求1-4任一项所述的混合队列人驾车辆跟驰行为预测方法,其特征在于，所述车辆跟驰行为预测模型包括编码器和解码器；所述将所述第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到所述待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的行驶状态信息，包括：所述编码器将输入的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息转编码成定长的状态向量；所述解码器将所述定长的状态向量解码为所述预测行驶状态信息。6.如权利要求2所述的混合队列人驾车辆跟驰行为预测方法,其特征在于，采用所述输入样本数据和输出样本数据训练初始车辆跟驰行为预测模型，以得到所述训练好的车辆跟驰行为预测模型，包括：设置损失函数为：
其中，loss表示训练函数，t2表示预测时间步，t表示当前时刻，表示预测加速度，表示车辆的实际加速度，||ω||2表示正则化项；确定所述损失函数的值是否小于预设值，若是，则确定训练完成，得到所述训练好的车辆跟驰行为预测模型。7.如权利要求2所述的混合队列人驾车辆跟驰行为预测方法,其特征在于，所述车辆跟驰行为预测模型为多层lstm模型；在两层lstm层中包括dropout层，所述lstm层的设置值为0-1之间的定值。8.一种混合队列人驾车辆跟驰行为预测装置,其特征在于，包括：获取单元，用于获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；预测单元，用于将所述第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到所述待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的预测行驶状态信息。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述混合队列人驾车辆跟驰行为预测方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述混合队列人驾车辆跟驰行为预测方法。

技术总结
本发明涉及车辆控制技术领域，具体涉及一种混合队列人驾车辆跟驰行为预测方法和装置。首先获取混合队列中待预测人驾车辆子队列的第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息；然后将第一辆人驾车辆和最后一辆人驾车辆在当前时间段内的行驶状态信息输入到训练好的车辆跟驰行为预测模型中，得到待预测人驾车辆子队列的最后一辆人驾车辆在未来时间段内的预测行驶状态信息。可以看出，本申请采用车辆跟驰行为预测模型可以准确且快速的预测人驾车辆在未来时间段内的行驶状态信息，为交通系统控制提供了可靠的数据依据，保证了道路交通控制的安全性和高效性。保证了道路交通控制的安全性和高效性。保证了道路交通控制的安全性和高效性。


技术研发人员：龚思远 丁毓琨 赵祥模 孙康 吴霞 王文静 李泽 张聪丽 畅宏达 尹佳凯
受保护的技术使用者：长安大学
技术研发日：2023.04.19
技术公布日：2023/7/6