一种不同天气状况下机动车驾驶行为预测方法

1.本发明属于车辆轨迹预测技术领域，具体涉及一种不同天气状况下机动车驾驶行为预测方法。


背景技术：

2.智能交通道路安全对于驾驶员驾驶行为的检测与预测有较高要求。辅助驾驶系统是为了帮助驾驶员更好、更安全驾驶而开发的系统。辅助驾驶系统一般侧重于预测危险场景并发出警告信息从而避免交通事故发生。现有驾驶行为预测技术多数会因为不同天气状况而造成路况复杂、周围环境对比不明显，从而使得驾驶行为预测精度和拟合情况不够理想。在驾驶行为分析系统和碰撞预警中，不同天气下的驾驶行为预测是一项基础且必需的功能，在一定程度上可有效避免交通事故，提高道路行驶安全。
3.车辆行驶过程中，驾驶员通常会受到相邻车辆驾驶的影响，由相邻车辆的驾驶行为作为自身车辆驾驶的依据，需要参考前车以及周边车辆的驾驶情况，从而完成加速、减速、变道等行为，驾驶员需要在几秒内做出相对的反应。如附图1所示，a车的行驶需要相邻车辆提供依据，当a车需要超车或者变道时，需要预测b车c车以及e车等车辆未来至少三秒内的驾驶行为，在预测到相邻车辆的驾驶行为后，即可根据预测结果来完成自己的驾驶。
4.在不同的天气下，例如雪天雾天这样让驾驶路况恶劣，能见度降低的情况时，能够提前预测相邻车辆的驾驶行为及其重要。


技术实现要素：

5.为解决上述现有技术存在的技术问题，本发明提出了一种不同天气状况下机动车驾驶行为预测方法，目的是针对传统的驾驶行为预测模型普遍未考虑时空特征之间的关联性以及不同天气状态等复杂外部因素，并且时间特征捕获能力低等问题，提出驾驶行为预测模型，提高模型的预测精度，为相邻车辆提供实时的驾驶行为依据和规划决策。
6.本发明为实现上述发明目的，采取的技术方案如下：
7.一种不同天气状况下机动车驾驶行为预测方法，包括以下步骤：
8.s1：构建catboost回归预测模型；
9.s2：从前车车载电脑设备中获取车辆行驶速度以及行车加速度的数据，得到数据data1；数据为当前的行车速度和行车加速度，每3秒采集一次，得到数据speed和acceleration；结合车辆行驶时间的天气状况，将晴天、雨天、雪天、雾天四种天气变量列为标签，合并进数据data1，命名为数据data2；
10.s3：使用pandas工具的info()方法统计特征缺失情况；使用pandas工具的describe()方法统计变量的平均值，标准差，最大值，最小值，分位数信息；确认数据无异常情况，对数据进行计算，得到数据data3；
11.s4：标签建立，将数据集data3拆分，分为训练集和测试集，70％训练集和20％测试集；
12.s5：构建调优模型；catboost采用了完全对称树作为基模型，嵌入了自动将类别型特征处理为数值型特征的算法；
13.s6：减免预测实验模型梯度消失，深层网络拟合同等函数需要用到resnet，潜在的恒等映射函数为：h(x)＝x，将网络设计成h(x)＝f(x)+x，利用1*1的卷积改变通道数目，转化为残差函数：f(x)＝h(x)＝x；
14.s7：将预测概率data3的训练集和测试集通过catboost回归预测模型，所得结果概率data_pred，将data_pred返还hmm模型，得到输出的预测结果predicted speed和predictedacceleration。
15.进一步的作为本发明的优选技术方案，所述s1的具体步骤包括：s1.1：进行参数设置，迭代次数为100，树的深度为4，采用0.03的学习率，随机数种子设置为99；s1.2：建立特征数据和标签数据，y为标签数据，除y之外的为特征数据(x＝data.drop(columns＝[
‘
y’])y＝data[
‘
y’])，训练模型。
[0016]
进一步的作为本发明的优选技术方案，所述s3的对数据进行计算具体步骤包括：
[0017]
s3.1、计算初始状态矩阵：统计数据中speed和acceleration的变换，序列标记分别为加速，减速，匀加速，匀减速，匀速的次数，即得到了初始状态矩阵a；
[0018]
s3.2、状态转移矩阵b：
[0019]
b＝[b
ij
]
n*n
[0020]
其中，b
ij
是在时刻t处于状态si的条件下时刻t+1转移到状态sj的概率b
ij
＝p(q
t
＝0|i
t
＝s
t
)；
[0021]
s3.3、计算预测序列的概率，得到数据data3。
[0022]
进一步的作为本发明的优选技术方案，所述s5的具体步骤包括：
[0023]
s5.1：对分类特征进行统计，计算特征出现的频率；
[0024]
s5.2：加上超参数，生成新的数值型特征；
[0025]
s5.3：在对模型调优时使用超参数自动化框架optuna单次执行，负责管理优化，记录实验结果。
[0026]
进一步的作为本发明的优选技术方案，所述s7的具体步骤包括：s7.1：分别输入晴天、雨天、雪天、雾天四种天气变量；s7.2：其他车辆的驾驶行为预测结果作为本车辆行驶依据；s7.3：模型评价，使用平均绝对误差mae、均方根误差rmse和平均绝对百分比误差mape和决定系数r2来测试模型训练效果
[0027]
本发明所述的一种不同天气状况下机动车驾驶行为预测方法，采用以上技术方案与现有技术相比，具有以下技术效果：
[0028]
本发明基于改进hmm模型可以通过观察状态推断出不可观察的状态，可以有效解决时间相关性变换的最优路径问题，预测性能得到改进。catboost模型将打乱的样本预测结果的一阶和二阶梯度，构建树结构，有效缓解预测偏移。本发明能够有效提高不同天气状态下的驾驶行为预测的准确性。
附图说明
[0029]
图1为本发明实施例预设交通场景示意图；
[0030]
图2为本发明实施例的方法流程示意图；
[0031]
图3为本发明实施例使用pandas工具的info()方法统计特征缺失情况示意图；
[0032]
图4为本发明实施例在晴天加速度预测示意图；
[0033]
图5为本发明实施例在晴天速度预测示意图；
[0034]
图6为本发明实施例在雨天加速度预测示意图；
[0035]
图7为本发明实施例在雨天速度预测示意图；
[0036]
图8为本发明实施例在雪天加速度预测示意图；
[0037]
图9为本发明实施例在雪天速度预测示意图；
[0038]
图10为本发明实施例在雾天加速度预测示意图；
[0039]
图11为本发明实施例在雾天速度预测示意图。
具体实施方式
[0040]
下面结合附图详细的描述本发明的作进一步的解释说明，以使本领域的技术人员可以更深入地理解本发明并能够实施，但下面通过参考实例仅用于解释本发明，不作为本发明的限定。
[0041]
本发明提出了一种不同天气状况下机动车驾驶行为预测方法，如附图2所示，包括以下步骤：s1：构建catboost回归预测模型；
[0042]
s1.1：首先进行参数设置，迭代次数为100，树的深度为4，采用0.03的学习率，随机数种子设置为99；s1.2：其次建立特征数据和标签数据，y为标签数据，除y之外的为特征数据(x＝data.drop(columns＝[
‘
y’])y＝data[
‘
y’])，训练模型；
[0043]
s2：通过从b车车载设备中获取实时数据，数据为当前的行车速度和行车加速度，每3秒采集一次，得到数据speed和acceleration，本发明仅考虑晴天、雨天、雪天、雾天四种天气。结合车辆行驶时间的天气状况，将晴天、雨天、雪天、雾天四种天气变量列为标签，合并进数据。
[0044]
s3：数据时长为2019年8月至2020年1月，使用pandas工具的info()方法统计特征缺失情况，所得结果如附图3所示。使用pandas工具的describe()方法统计变量的平均值，标准差，最大值，最小值，分位数等信息，所得结果如表格1所示。
[0045]
表格1.数据统计变量信息
[0046] speedaccelerationcount993600.000993600.000mean38.6095-0.0000std10.96391.0763min1.0540-16.928025％31.8360-0.502750％38.98800.006775％46.10300.5067max93.825017.3320
[0047]
确认数据无异常情况，对数据进行计算，本步骤具体方法为：
[0048]
s3.1：计算初始状态矩阵：
[0049]
统计数据中speed和acceleration的变换，序列标记分别为加速，减速，匀加速，匀
减速，匀速的次数，即得到了初始状态矩阵；
[0050]
s3.2：计算状态转移矩阵：
[0051]
hmm描述了两个随机过程之间的关系：一个由一组未观察到的(隐藏的)状态s＝{s1，s2，...，sn}，其中n为无法直接测量的隐藏状态的数量。另一个随机过程由一组m个可观察符号v＝{v1，v2，...，vm}。隐藏状态和观察符号位于，时间t分别被定义为q
t
和o
t
。因此，隐藏状态序列是q＝{q1，q2，...，q
t
}，观察序列是o＝{o1，o2，...，o
t
}，其中t是序列的长度。使用hmm参数的序列可以通过分析观察序列来确定未观察到的状态。由数据speed和acceleration得到状态转移矩阵b；
[0052]
s3.3：计算预测序列的概率：
[0053]
定义概率函数forward(self,obs_seq,mode:("loop","vector")＝"loop")，前向递推求解预测序列的概率，a＝self.transition_prob b＝self.observation_prob，对参数进行初始化，n_states＝self.n_states。遍历n_states，使用向量和矩阵乘法进行计算alpha_forward[:,0]＝pi*b[:,0]，得到输出的预测概率序列data。
[0054]
s4：标签建立，将数据集data拆分，分为训练集和测试集，70％训练集和20％测试集，代码为(train_x,test_x,train_y,test_y＝train_test_split(x,y,test_size＝0.3,random_state＝42))。
[0055]
s5：构建调优模型。catboost采用了完全对称树作为基模型，嵌入了自动将类别型特征处理为数值型特征的创新算法：
[0056]
s5.1：对分类特征进行统计，计算特征出现的频率；
[0057]
s5.2：加上超参数，生成新的数值型特征；
[0058]
s5.3：使用超参数自动化框架optuna单次执行，管理优化。
[0059]
s6：catboost使用了组合类别特征，可以利用到特征之间的联系，可以解决梯度偏差以及预测偏移的问题，从而减少过拟合的发生。深层网络拟合同等函数需要用到resnet，潜在的恒等映射函数为：h(x)＝x，将网络设计成h(x)＝f(x)+x，利用1*1的卷积改变通道数目，转化为残差函数：f(x)＝h(x)＝x。
[0060]
s7：将预测概率data的训练集和测试集通过catboost回归预测模型，所得结果概率data_pred，将data_pred返还hmm模型，得到输出的预测结果predicted speed和predicted acceleration：
[0061]
s7.1：分别输入晴天、雨天、雪天、雾天四种天气变量，得到结果如附图4-附图11所示；
[0062]
s7.2：b车的驾驶行为预测结果作为a车行驶依据，同理，a车相邻其它车辆也是如此。此结果建立在本发明搜集的数据集之上，模型完成后，输入待预测车辆的历史数据即可进行预测；
[0063]
s7.3：模型评价，使用平均绝对误差(mae)、均方根误差(rmse)和平均绝对百分比误差(mape)和决定系数r2来测试模型训练效果，公式为：
[0064]
[0065][0066][0067][0068]
模型评价结果为：r2:0.9598408534632157；
[0069]
mae:0.2761063913292059；
[0070]
mape:0.16236830473962827；
[0071]
rmse:0.10294950643924143。
[0072]
本发明利用catboost模型提升排序，一方面可以减少过拟合，另一方面使用全部数据来训练，避免梯度估计的偏差，解决预测偏移的问题。隐藏状态仅考虑车速以及行车加速度，由于需要严格的应用时间相关性模型进行状态序列解码，引入时间相关性变换，hmm的解码问题也随之变换。
[0073]
经典hmm模型中每个时刻的输出分布只与当前状态有关，在经典hmm模型中引入递推公式计算出时刻t状态i的最优积累距离
[0074]
记录该时刻该状态的回溯路径在最终t时刻具有最优积累距离的状态就是最优路径的结束状态。根据该状态此时的回溯路径就可以得到整个最优路径，即最优状态序列。每个节点(i,j)的状态输出概率与历史路径无关，因此不影响当前的最优路径搜索。
[0075]
本发明随着回归层数的增多，训练集上的效果会出现偏差，网络的优化很难，通过一维残差网络减免梯度消失的情况，残差网络越深，训练集的效果会越好。
[0076]
以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

技术特征：
1.一种不同天气状况下机动车驾驶行为预测方法，其特征在于，包括以下步骤：s1：构建catboost回归预测模型；s2：从前车车载电脑设备中获取车辆行驶速度以及行车加速度的数据，得到数据data1；数据为当前的行车速度和行车加速度，每3秒采集一次，得到数据speed和acceleration；结合车辆行驶时间的天气状况，将晴天、雨天、雪天、雾天四种天气变量列为标签，合并进数据data1，命名为数据data2；s3：使用pandas工具的info()方法统计特征缺失情况；使用pandas工具的describe()方法统计变量的平均值，标准差，最大值，最小值，分位数信息；确认数据无异常情况，对数据进行计算，得到数据data3；s4：标签建立，将数据集data3拆分，分为训练集和测试集，70％训练集和20％测试集；s5：构建调优模型；catboost采用了完全对称树作为基模型，嵌入了自动将类别型特征处理为数值型特征的算法；s6：减免预测实验模型梯度消失，深层网络拟合同等函数需要用到resnet，潜在的恒等映射函数为：h(x)＝x，将网络设计成h(x)＝f(x)+x，利用1*1的卷积改变通道数目，转化为残差函数：f(x)＝h(x)＝x；s7：将预测概率data3的训练集和测试集通过catboost回归预测模型，所得结果概率data_pred，将data_pred返还hmm模型，得到输出的预测结果predicted speed和predicted acceleration。2.根据权利要求1所述的一种不同天气状况下机动车驾驶行为预测方法，其特征在于，所述s1的具体步骤包括：s1.1：进行参数设置，迭代次数为100，树的深度为4，采用0.03的学习率，随机数种子设置为99；s1.2：建立特征数据和标签数据，y为标签数据，除y之外的为特征数据(x＝data.drop(columns＝[
‘
y’])y＝data[
‘
y’])，训练模型。3.根据权利要求2所述的一种不同天气状况下机动车驾驶行为预测方法，其特征在于，所述s3的对数据进行计算具体步骤包括：s3.1、计算初始状态矩阵：统计数据中speed和acceleration的变换，序列标记分别为加速，减速，匀加速，匀减速，匀速的次数，即得到了初始状态矩阵a；s3.2、状态转移矩阵b：b＝[b
ij
]
n*n
其中，b
ij
是在时刻t处于状态s
i
的条件下时刻t+1转移到状态s
j
的概率b
ij
＝p(q
t
＝0|i
t
＝s
t
)；s3.3、计算预测序列的概率，得到数据data3。4.根据权利要求3所述的一种不同天气状况下机动车驾驶行为预测方法，其特征在于，所述s5的具体步骤包括：s5.1：对分类特征进行统计，计算特征出现的频率；s5.2：加上超参数，生成新的数值型特征；s5.3：在对模型调优时使用超参数自动化框架optuna单次执行，负责管理优化，记录实验结果。5.根据权利要求4所述的一种不同天气状况下机动车驾驶行为预测方法，其特征在于，所述s7的具体步骤包括：s7.1：分别输入晴天、雨天、雪天、雾天四种天气变量；
s7.2：其他车辆的驾驶行为预测结果作为本车辆行驶依据；s7.3：模型评价，使用平均绝对误差mae、均方根误差rmse和平均绝对百分比误差mape和决定系数r2来测试模型训练效果。

技术总结
本发明属于车辆轨迹预测技术领域，具体涉及一种不同天气状况下机动车驾驶行为预测方法。本发明目的是针对传统的驾驶行为预测模型普遍未考虑时空特征之间的关联性以及不同天气状态等复杂外部因素，并且时间特征捕获能力低等问题，提出驾驶行为预测模型，提高模型的预测精度，为相邻车辆提供实时的驾驶行为依据和规划决策。本发明基于改进HMM模型可以通过观察状态推断出不可观察的状态，可以有效解决时间相关性变换的最优路径问题，预测性能得到改进。Catboost模型将打乱的样本预测结果的一阶和二阶梯度，构建树结构，有效缓解预测偏移。本发明能够有效提高不同天气状态下的驾驶行为预测的准确性。为预测的准确性。为预测的准确性。


技术研发人员：钱聪 顾翔 程邓阳 杜超楠 张一迪 王进
受保护的技术使用者：南通大学
技术研发日：2023.03.28
技术公布日：2023/6/27