一种基于机器学习的车辆驾驶行为预测方法

1.本技术涉及车辆控制技术领域，尤其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：

2.随着城市化进程的加速和交通工具的普及，城市交通拥堵已经成为一个全球性的难题。交通拥堵不仅仅影响了城市交通的正常运行，也直接影响了人们的出行和生活质量。目前，城市交通拥堵的解决方案主要包括扩大道路规模、增加公共交通系统和优化交通管理等方面。但是这些方案都存在一些问题，例如扩大道路规模的代价昂贵，建设周期长，而且容易引起环境污染等问题；增加公共交通系统需要大量资金投入，而且需要建立完善的路网和车站设施等，难以在短期内见效；优化交通管理需要依靠大量人工智能技术和数据分析手段，而且需要大量数据支撑，可靠性和效果也有待提高。
3.在这种情况下，基于机器学习的智能交通控制技术逐渐成为了一个备受关注的领域。通过利用大量的历史数据和实时数据，基于机器学习的智能交通控制技术可以预测交通流量、预测交通拥堵、调整交通信号灯、优化路线等，从而提高城市交通的效率和质量。
4.目前，已经有很多相关的专利文献公开了基于机器学习的智能交通控制技术。例如，美国专利us20190377550a1公开了一种基于深度强化学习的交通拥堵控制方法，该方法使用深度强化学习算法来预测交通拥堵情况，从而实现交通拥堵控制。该方法采用的是无监督学习的方式，即自动学习路段的交通拥堵情况，从而调整信号灯的配时，以优化交通流量。
5.然而，目前的智能交通控制技术还存在一些问题。首先，现有的技术往往仅仅依赖于车辆和路网等实时数据，而对于驾驶人员的行为和状态等信息并没有充分利用。这样会导致控制系统无法全面准确地理解和预测交通状况，限制了智能交通控制的效果。其次，现有的技术通常只能实现单一的功能，例如调整信号灯配时、优化路线等。
6.为了解决这些限制，研究人员提出了基于机器学习的驾驶行为预测方法。例如，美国专利申请20190355862a1介绍了一种基于深度学习的驾驶行为预测系统和方法，该方法利用神经网络学习驾驶行为的模式，并根据驾驶环境、车辆状态和路况等动态因素预测驾驶行为。类似地，美国专利申请20190110392a1介绍了一种基于深度学习的车辆驾驶行为识别系统和方法，该方法利用神经网络学习驾驶行为的特征，并根据行为特征对驾驶行为进行分类和识别。
7.然而，该现有技术中仍然存在着一些问题。例如，有些方法只关注单一的驾驶行为，而忽略了驾驶行为之间的相互关系和影响，因此无法准确预测整个驾驶过程中的驾驶行为；有些方法在训练和预测中只考虑了少量的因素，例如车速和加速度等，而未考虑其他可能影响驾驶行为的因素，例如驾驶者的心理状态和行为习惯等。此外，现有技术中的一些方法可能需要大量的数据来训练模型，且训练和预测的时间较长，不适用于实时应用场景。
8.因此，需要一种新的、基于多个因素和驾驶行为之间的相互作用的驾驶行为预测
方法，该方法能够准确预测驾驶者的驾驶行为，并提供给智能交通控制系统，以实现更安全、高效和智能的交通管理。


技术实现要素：

9.本技术实施例提供一种基于机器学习的车辆驾驶行为预测方法，该方法能够实时获取目标驾驶人员的实时驾驶行为数据，并利用马尔科夫模型进行行为预测和状态预测，以预测目标驾驶人员的未来行为和状态。同时，本发明专利提供了一种基于路线预测模型的智能交通控制方法，该方法能够利用预测路线提前规划和优化交通流，从而提高交通效率和安全性。
10.本技术实施例提供了一种基于机器学习的车辆驾驶行为预测方法，包括：
11.一种基于机器学习的车辆驾驶行为预测方法，所述方法包括：确定预测目标，所述预测目标包括：目标驾驶人员和目标驾驶车辆；获取目标驾驶人员的历史驾驶行为数据和目标驾驶车辆的历史车辆运动状态数据；基于历史驾驶行为数据，构建驾驶行为链；所述驾驶行为链为树状结构，由节点和连接线组成，每个节点表征一个驾驶行为，在驾驶行为链中，从根节点开始到每个末端节点结束，构成了一条完整的单一驾驶行为链，其表征了在一次完整的车辆驾驶结束时，目标驾驶人员进行的所有驾驶行为；基于历史车辆状态数据，构建车辆状态链；所述车辆状态链为树状结构，由节点和连接线组成，每个节点表征一个车辆状态，在车辆状态链中，从根节点开始到每个末端节点结束，构成了一条完整的单一车辆状态链，其表征了在一次完整的车辆驾驶结束时，目标驾驶车辆经历的所有车辆状态；获取目标驾驶人员的实时驾驶行为数据，在驾驶行为链的基础上，对驾驶人员的驾驶行为进行预测，得到行为预测结果，获取目标驾驶车辆的实时车辆运动状态数据，在车辆状态连的基础上，对目标驾驶车辆的车辆状态进行预测，得到状态预测结果；将状态预测结果作为输入变量，输入到预设的路线预测模型，得到目标驾驶车辆的预测路线，提供给远端进行智能交通控制；将行为预测结果，作为输入变量，输入到预设的行为判断模型，得到目标驾驶人员的驾驶安全指数，提供给远端进行智能交通预警。
12.进一步的，所述驾驶行为数据至少包括：安全带佩戴状态、手机使用次数、饮食次数和眨眼次数；所述历史驾驶行为数据为历史的目标驾驶人员的驾驶行为数据；所述实时驾驶行为数据为实时的目标驾驶人员的驾驶行为数据。
13.进一步的，所述车辆运动状态数据至少包括：位置、速度、加速度和转向角度；所述历史车辆运动状态数据为历史的目标驾驶车辆的车辆运动状态数据；所述实时车辆运动状态数据为实时的目标驾驶车辆的车辆运动状态数据。
14.进一步的，所述基于历史驾驶行为数据，构建驾驶行为链的方法包括：将驾驶行为链视为多个驾驶行为序列组成的序列集合；将历史驾驶行为数据中的每个相同时刻对应的所有历史驾驶行为数据视为一个驾驶行为序列；将所述驾驶行为序列中包含的每一项历史驾驶行为数据视为一个驾驶行为的状态，将下一时刻对应的该驾驶行为视为一个驾驶行为的观测值；将驾驶行为序列视为一个状态序列，其中每个驾驶行为的状态表示为一个隐含状态，每个驾驶行为的观测值表示为一个观测状态；使用隐马尔可夫模型推断出所有可能的隐含状态序列，作为驾驶行为链。
15.进一步的，所述获取目标驾驶人员的实时驾驶行为数据，在驾驶行为链的基础上，
对驾驶人员的驾驶行为进行预测，得到行为预测结果的方法包括：在驾驶行为链中，根据当前的驾驶状态和转移矩阵，计算下一个驾驶状态的概率分布；将当前的状态表示成一个概率向量，然后，通过向量乘法，计算下一个状态的概率分布；根据计算得到的下一个状态的概率分布，选择概率最大的状态作为目标驾驶人员的下一步驾驶状态，找到概率分布中概率最大的状态，然后将其作为下一个状态；重复执行上述步骤，直到预测的时间段结束；在这个过程中，记录下目标驾驶人员每个时间点的驾驶状态，从而得到行为序列作为对目标驾驶人员未来行为的预测结果。
16.进一步的，所述基于历史车辆运动状态数据，构建车辆状态链的方法包括：将历史车辆运动状态数据转化为离散化的状态；具体地，将车辆位置、速度、加速度和转向角度等连续的实数值转化为对应的离散状态；将车辆状态序列看作一个隐马尔可夫模型，假设车辆状态序列s1，s2，
…
，s
t
是一个长度为t的一阶马尔可夫链，其中s
t
表示时刻t的车辆状态；估计模型参数a、b和π，其中a是状态转移矩阵，b是观测概率矩阵，π是初始状态概率向量；利用历史车辆运动状态数据来估计模型参数，使得模型在观测状态序列上的似然值最大；利用模型参数和实时车辆运动状态数据，进行车辆状态的预测；利用前向算法计算出在当前时刻观测状态为o1，o2，
…
，o
t
的条件下，驾驶人员状态为i的后验概率p(s
t
＝i|o1，o2，
…
，o
t
，a，b，π)，然后根据最大后验概率准则来确定当前时刻的车辆状态，即：
[0017][0018]
利用预测出的车辆状态序列，将连续的相同状态合并成一个状态节点，从而构建出车辆状态链。
[0019]
进一步的，所述获取目标驾驶车辆的实时车辆运动状态数据，在车辆状态连的基础上，对目标驾驶车辆的车辆状态进行预测，得到状态预测结果的方法包括：在车辆状态链中，根据当前的车辆状态和转移矩阵，计算下一个车辆状态的概率分布；将当前的状态表示成一个概率向量，然后，通过向量乘法，计算下一个状态的概率分布；根据计算得到的下一个状态的概率分布，选择概率最大的状态作为目标驾驶车辆的下一步车辆状态，找到概率分布中概率最大的状态，然后将其作为下一个状态；重复执行上述步骤，直到预测的时间段结束；在这个过程中，记录下目标驾驶车辆每个时间点的车辆状态，从而得到车辆状态序列作为对目标驾驶车辆未来行为的预测结果。
[0020]
进一步的，所述将状态预测结果作为输入变量，输入到预设的路线预测模型，得到目标驾驶车辆的预测路线，提供给远端进行智能交通控制的方法包括：获取目标驾驶车辆的历史路线数据和对应的历史状态结果，使用机器学习的进行训练，得到路线预测模型，所述路线预测模型的输入变量为状态预测结果，输出结果为预测路线。
[0021]
进一步的，所述将行为预测结果，作为输入变量，输入到预设的行为判断模型，得到目标驾驶人员的驾驶安全指数，提供给远端进行智能交通预警的方法包括：假设行为预测结果对应的驾驶行为序列为s＝s1，s2，
…
，sn，其中si表示目标驾驶人员在时间点i的驾驶行为状态，将该序列输入到行为判断模型中，得到驾驶安全指数sc，公式如下：
[0022]
其中，n是行为序列的长度，mi是在时间点i所有可能的驾驶行为的个数，p(j|i)是在时间点i预测为第j种驾驶行为的概率，weightj是第j种驾驶行为的权重；所述判断模型首先针对每个时间点预测出可能的驾驶行为和对应的概率，然后对于每个时间点，计算所有可能的驾驶行为的权重平均值，其中，权重越大表示越危险，最后再将所有时间点的平均值作为驾驶安全指数。
[0023]
进一步的，所述远端为远程智能交通控制中心。
[0024]
本技术提供的一种基于机器学习的车辆驾驶行为预测方法，具有如下有益效果：
[0025]
首先，本发明专利提供了一种驾驶行为链的构建方法，可以利用目标驾驶人员或车辆的历史行为数据，构建出具有一定时序关系的行为链模型。这种模型能够通过马尔科夫模型进行预测，并用于路线预测和行为判断中，具有较高的准确性和可靠性。相较于传统的交通管理方法，本发明专利基于驾驶行为链构建的智能交通方法可以更好地反映目标驾驶人员或车辆的驾驶行为，从而更准确地预测未来行为，提高行驶安全性。
[0026]
其次，本发明专利提供了一种基于预测结果的路线预测方法，可以利用马尔科夫模型预测出目标驾驶车辆的未来行驶状态，并将预测结果用于路线预测。这种方法能够更准确地预测目标驾驶车辆的行驶路线，提高了交通方法的效率。同时，路线预测结果也可以作为输入变量，用于进一步的行为判断和预测，从而进一步提高行驶安全性。
[0027]
最后，本发明专利提供了一种基于驾驶行为链和路线预测的行为判断方法，可以将驾驶行为链和路线预测结果作为输入变量，运用机器学习算法对目标驾驶人员的行为进行判断。该方法可以更准确地预测目标驾驶人员的驾驶行为，并提供相应的驾驶安全指数，可以用于远端智能交通预警。该方法的实施可以更有效地减少交通事故的发生率，提高交通方法的安全性和效率。
附图说明
[0028]
下面结合附图，通过对本技术的具体实施方式详细描述，将使本技术的技术方案及其它有益效果显而易见。
[0029]
图1为本发明实施例提供的一种基于机器学习的车辆驾驶行为预测方法的方法结构示意图；
[0030]
图2为本发明实施例提供的一种基于机器学习的车辆驾驶行为预测方法的驾驶行为链或车辆状态链的结构示意图；
[0031]
图3为本发明实施例提供的一种基于机器学习的车辆驾驶行为预测方法的单一驾驶行为链在驾驶行为链或单一车辆状态链在车辆状态链中的结构示意图.
具体实施方式
[0032]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施
例，都属于本技术保护的范围。
[0033]
实施例1
[0034]
一种基于机器学习的车辆驾驶行为预测方法，所述方法包括：确定预测目标，所述预测目标包括：目标驾驶人员和目标驾驶车辆；获取目标驾驶人员的历史驾驶行为数据和目标驾驶车辆的历史车辆运动状态数据；基于历史驾驶行为数据，构建驾驶行为链；所述驾驶行为链为树状结构，由节点和连接线组成，每个节点表征一个驾驶行为，在驾驶行为链中，从根节点开始到每个末端节点结束，构成了一条完整的单一驾驶行为链，其表征了在一次完整的车辆驾驶结束时，目标驾驶人员进行的所有驾驶行为；基于历史车辆状态数据，构建车辆状态链；所述车辆状态链为树状结构，由节点和连接线组成，每个节点表征一个车辆状态，在车辆状态链中，从根节点开始到每个末端节点结束，构成了一条完整的单一车辆状态链，其表征了在一次完整的车辆驾驶结束时，目标驾驶车辆经历的所有车辆状态；获取目标驾驶人员的实时驾驶行为数据，在驾驶行为链的基础上，对驾驶人员的驾驶行为进行预测，得到行为预测结果，获取目标驾驶车辆的实时车辆运动状态数据，在车辆状态连的基础上，对目标驾驶车辆的车辆状态进行预测，得到状态预测结果；将状态预测结果作为输入变量，输入到预设的路线预测模型，得到目标驾驶车辆的预测路线，提供给远端进行智能交通控制；将行为预测结果，作为输入变量，输入到预设的行为判断模型，得到目标驾驶人员的驾驶安全指数，提供给远端进行智能交通预警。
[0035]
具体的，行为链和状态链的构建是关键步骤。通过对历史驾驶行为数据和历史车辆状态数据的分析和处理，可以构建出包含多个节点和连接线的树状结构。每个节点代表一个驾驶行为或车辆状态，而连接线代表这些节点之间的转移关系。这样，可以通过遍历树形结构，获取目标驾驶人员或驾驶车辆的完整行为或状态信息，从而更好地进行预测。
[0036]
本发明中使用了机器学习技术，将预测结果输入到预设的模型中进行处理，以获得更精确的预测结果。通过不断地反馈和学习，可以不断地优化预测模型，提高预测的准确度和可靠性。
[0037]
图2和图3中，数字编号为节点，虚线为节点的连接线。实线为一条完整的单一车辆状态链或一条完整的单一驾驶行为链。
[0038]
实施例2
[0039]
在上一实施例的基础上，所述驾驶行为数据至少包括：安全带佩戴状态、手机使用次数、饮食次数和眨眼次数；所述历史驾驶行为数据为历史的目标驾驶人员的驾驶行为数据；所述实时驾驶行为数据为实时的目标驾驶人员的驾驶行为数据。
[0040]
驾驶行为数据至少包括：安全带佩戴状态、手机使用次数、饮食次数和眨眼次数。这些驾驶行为数据是从目标驾驶人员的行为中获取的，其中安全带佩戴状态可以通过传感器等设备进行实时监测，而手机使用次数、饮食次数和眨眼次数等信息可以通过图像识别、语音识别等技术进行提取和分析。
[0041]
历史驾驶行为数据是指历史的目标驾驶人员的驾驶行为数据。这些数据可以从目标驾驶人员之前的驾驶记录中获得，例如从车辆黑匣子或其他数据记录设备中获取。历史驾驶行为数据是构建驾驶行为链的关键因素之一，通过分析历史数据，可以构建出具有丰富驾驶行为信息的驾驶行为链，为实时驾驶行为数据的预测提供参考和支持。
[0042]
实时驾驶行为数据是指实时的目标驾驶人员的驾驶行为数据。这些数据可以通过
传感器、摄像头、语音识别等技术实时获取，然后根据驾驶行为链进行分析和预测。通过实时监测和预测目标驾驶人员的驾驶行为，可以为交通控制和预警提供实时支持和反馈，从而提高交通安全和效率。
[0043]
总之，本发明规定了所述驾驶行为数据的类型和来源，并结合了历史驾驶行为数据和实时驾驶行为数据，构建了驾驶行为链，为驾驶行为的预测提供了基础。这一技术可以为智能交通控制和预警提供更加全面、准确的信息支持。
[0044]
实施例3
[0045]
在上一实施例的基础上，所述车辆运动状态数据至少包括：位置、速度、加速度和转向角度；所述历史车辆运动状态数据为历史的目标驾驶车辆的车辆运动状态数据；所述实时车辆运动状态数据为实时的目标驾驶车辆的车辆运动状态数据。
[0046]
车辆运动状态数据至少包括：位置、速度、加速度和转向角度。这些车辆运动状态数据可以通过车辆上的传感器或其他设备进行实时监测和采集，例如全球定位系统(gps)等。位置、速度、加速度和转向角度等车辆运动状态数据可以反映目标驾驶车辆的实时运动状态，为车辆状态链的构建提供基础数据。
[0047]
历史车辆运动状态数据是指历史的目标驾驶车辆的车辆运动状态数据。这些数据可以从车辆黑匣子、车载记录仪等设备中获取，也可以从其他数据记录设备中获取。历史车辆运动状态数据是构建车辆状态链的关键因素之一，通过分析历史数据，可以构建出具有丰富车辆运动状态信息的车辆状态链，为实时车辆运动状态数据的预测提供参考和支持。
[0048]
实时车辆运动状态数据是指实时的目标驾驶车辆的车辆运动状态数据。这些数据可以通过车载传感器、摄像头等设备实时获取，然后根据车辆状态链进行分析和预测。通过实时监测和预测目标驾驶车辆的车辆运动状态，可以为交通控制和预警提供实时支持和反馈，从而提高交通安全和效率。
[0049]
实施例4
[0050]
在上一实施例的基础上，所述基于历史驾驶行为数据，构建驾驶行为链的方法包括：将驾驶行为链视为多个驾驶行为序列组成的序列集合；将历史驾驶行为数据中的每个相同时刻对应的所有历史驾驶行为数据视为一个驾驶行为序列；将所述驾驶行为序列中包含的每一项历史驾驶行为数据视为一个驾驶行为的状态，将下一时刻对应的该驾驶行为视为一个驾驶行为的观测值；将驾驶行为序列视为一个状态序列，其中每个驾驶行为的状态表示为一个隐含状态，每个驾驶行为的观测值表示为一个观测状态；使用隐马尔可夫模型推断出所有可能的隐含状态序列，作为驾驶行为链。
[0051]
基于历史驾驶行为数据构建驾驶行为链的方法采用了隐马尔可夫模型(hidden markov model，hmm)。这个方法将驾驶行为链视为多个驾驶行为序列组成的序列集合，通过将历史驾驶行为数据中的每个相同时刻对应的所有历史驾驶行为数据视为一个驾驶行为序列，将驾驶行为序列视为一个状态序列，并通过hmm模型推断出所有可能的隐含状态序列，最终作为驾驶行为链。
[0052]
具体来说，这个方法将所述驾驶行为序列中包含的每一项历史驾驶行为数据视为一个驾驶行为的状态，将下一时刻对应的该驾驶行为视为一个驾驶行为的观测值。然后，将驾驶行为序列视为一个状态序列，其中每个驾驶行为的状态表示为一个隐含状态，每个驾驶行为的观测值表示为一个观测状态。隐马尔可夫模型通过学习历史驾驶行为数据中的驾
驶行为序列，可以估计出每个驾驶行为的状态转移概率和观测状态概率，并通过这些概率计算出所有可能的隐含状态序列，从而构建出驾驶行为链。
[0053]
假设驾驶行为数据序列为s＝s1，s2，
…
，s
t
，其中每个驾驶行为s
t
可以取k个可能的状态，即s
t
∈1，2，
…
，k；设o＝o1，o2，
…
，o
t
为观测序列，其中每个观测状态o
t
可以取v个可能的取值，即0
t
∈1，2，
…
，v。转移概率矩阵为a＝[a
ij
]k
×
k，其中aij表示从状态i转移到状态j的概率；观测概率矩阵为b＝[b
jt
]k
×
v，其中bjt表示在状态j下观测到观测状态t的概率；初始状态概率向量为π＝[πi]，其中πi表示初始状态为i的概率；设定任何时刻的驾驶行为只依赖于前一时刻的驾驶行为，即：p(s
t
|s
t-1
，s
t-2
，
…
，s1)＝p(s
t
|s
t-1
)；以此使用一个k
×
k的矩阵a来表示从一个状态转移到另一个状态的概率。具体地，设a
ij
表示从状态i转移到状态j的概率，那么有：表示从状态i出发的所有转移概率之和为1。设定任何时刻的观测状态只依赖于该时刻的驾驶行为状态，而与其他时刻的状态和观测状态都是独立的，即：p(o
t
|s
t
，o
t-1
，s
t-1
，o
t-2
，s
t-2
，
…
，o1，s1)＝p(o
t
|s
t
)；使用一个k
×
v的矩阵b来表示在状态j下观测到观测状态t的概率。具体地，设b
jt
表示在状态j下观测到观测状态t的概率，则b可以表示为：b＝[b
jt
]k×v；其中，b
jt
可以根据训练数据进行估计。通常情况下，我们可以使用最大似然估计法或者贝叶斯估计法来计算b
jt
的值。例如，在最大似然估计法中，b
jt
的估计值可以计算为：其中，[o
t
＝＝v]表示观测状态o
t
是否等于v。
[0054]
在上面的公式中，我们可以看到a和b是两个重要的矩阵，分别代表了从一个状态转移到另一个状态的概率和在某个状态下观测到某个观测状态的概率。这两个矩阵的计算需要使用训练数据进行参数估计，最常用的方法是baum-welch算法或forward-backward算法。
[0055]
具体地，在baum-welch算法中，我们首先随机初始化a、b和π，然后反复执行以下两个步骤，直到收敛：
[0056]
expectation步骤：在这个步骤中，我们使用当前的模型参数a、b和π，利用训练数据计算出每个驾驶行为状态st属于每个状态i的后验概率p(s
t
＝i|o，a，b，π)。这个概率可以使用前向算法和后向算法计算得到。
[0057]
maximization步骤：在这个步骤中，我们使用当前的后验概率计算出新的模型参数a、b和π，使得在这些参数下训练数据的似然度最大化。具体地，我们计算新的参数值如下：
[0058][0059][0060]
πi＝p(s1＝i|o，a，b，π)
[0061]
其中[o
t
＝＝v]表示观测状态o
t
是否等于v，表示对所有训练样本进行求和。
[0062]
最终，我们通过baum-welch算法得到的参数a、b和π就可以用来进行驾驶行为的预测和行为链的构建了。
[0063]
实施例5
[0064]
在上一实施例的基础上，所述获取目标驾驶人员的实时驾驶行为数据，在驾驶行为链的基础上，对驾驶人员的驾驶行为进行预测，得到行为预测结果的方法包括：在驾驶行为链中，根据当前的驾驶状态和转移矩阵，计算下一个驾驶状态的概率分布；将当前的状态表示成一个概率向量，然后，通过向量乘法，计算下一个状态的概率分布；根据计算得到的下一个状态的概率分布，选择概率最大的状态作为目标驾驶人员的下一步驾驶状态，找到概率分布中概率最大的状态，然后将其作为下一个状态；重复执行上述步骤，直到预测的时间段结束；在这个过程中，记录下目标驾驶人员每个时间点的驾驶状态，从而得到行为序列作为对目标驾驶人员未来行为的预测结果。
[0065]
当我们获得了模型的参数a、b和π后，我们可以使用这些参数来预测未来的驾驶行为状态，并基于这些状态来构建驾驶行为链。
[0066]
具体地，对于一组给定的观测序列o＝(o1，o2，
…
，o
t
)，我们可以使用前向-后向算法(forward-backwardalgorithm)来计算在模型参数a、b和π下，驾驶行为状态序列s＝(s1，s2，
…
，s
t
)的后验概率p(s|o，a，b，π)。这个后验概率表示了在观测序列o的情况下，驾驶行为状态序列s出现的概率。具体地，后验概率可以通过以下公式计算：
[0067][0068]
其中，p(o|s，a，b)表示在给定驾驶行为状态序列s的情况下观测序列o出现的概率，可以使用前向算法来计算；p(s|π，a)表示在给定初始状态分布π和状态转移概率矩阵a的情况下，驾驶行为状态序列s出现的概率，可以使用动态规划算法来计算；p(o|a，b，π)表示在给定模型参数a、b和π的情况下观测序列o出现的概率，可以使用前向算法来计算。
[0069]
在获得了驾驶行为状态序列的后验概率后，我们可以根据这些概率来选择最可能的驾驶行为状态序列，作为驾驶行为链的表示。具体地，我们可以使用viterbi算法来计算在模型参数a、b和π下，最可能的驾驶行为状态序列viterbi算法的核心思想是在计算驾驶行为状态序列s的同时，记录下到每个状态的最大概率和到达该状态的最大概率路径，以便在计算下一个状态时使用。最终，驾驶行为链可以表示为：c＝(c1，c2，
…
，ck)，其中ck表示驾驶行为状态k的出现次数。
[0070]
在使用baum-welch算法得到模型的参数a、b和π后，我们可以使用这些参数来进行驾驶行为预测。
[0071]
具体地，给定一个观测序列o＝(o1，o2，
…
，o
t
)，我们可以使用前向算法来计算在模型参数a、b和π下，观测序列o出现的概率p(o|a，b，π)。这个概率可以用来评估模型的拟合度，同时也可以用来对未来的驾驶行为状态进行预测。
[0072]
在进行驾驶行为预测时，我们需要预测未来t
′
个时刻的驾驶行为状态。具体地，假设当前时刻为t，我们要预测从t+1到t+t
′
时刻的驾驶行为状态。预测的过程可以分为两个步骤：
[0073]
驾驶行为状态预测：在预测过程中，我们需要根据观测序列o＝(o1，o2，
…
，o
t
)和模型参数a、b、π来预测驾驶行为状态序列s＝(s
t+1
，s
t+2
，
…
，s
t+t
′
)。这个预测过程可以使用前向算法来完成，具体地，我们可以使用前向算法计算在当前时刻t下，驾驶行为状态为s
t
的
情况下，从t+1到t+t
′
时刻的驾驶行为状态的后验概率分布p(s
t+1
，s
t+2
，
…
，s
t+t
′
|o1，o2，
…
，o
t
，a，b，π)。这个后验概率可以通过以下递推公式计算：
[0074][0075]
其中，α
t，i
表示在时刻t驾驶行为状态为i的情况下观测序列o＝(o1，o2，
…
，o
t
)出现的概率，可以使用动态规划来计算；表示在时刻t驾驶行为状态为i的情况下，从t+1到t+t
′
时刻的驾驶行为状态为k的后验概率，也可以使用动态规划来计算。
[0076]
通过计算我们可以得到从t+1到t+t
′
时刻的每个驾驶行为状态的后验概率分布，从而可以根据最大后验概率准则来确定每个时刻的驾驶行为状态，即：
[0077][0078]
其中l＝1，2，
…
，t
′
。
[0079]
驾驶行为链构建：在预测出未来t
′
个时刻的驾驶行为状态后，我们可以将这些状态连接起来，构建一个从当前时刻到未来时刻的驾驶行为链。具体地，我们可以使用以下规则将连续的相同的驾驶行为状态合并成一个驾驶行为节点：
[0080]
如果相邻的两个驾驶行为状态相同，则它们可以合并成一个驾驶行为节点；
[0081]
如果相邻的两个驾驶行为状态不同，则它们不能合并成一个驾驶行为节点，需要分别作为不同的驾驶行为节点。使用以上规则，我们就可以构建出从当前时刻到未来时刻的驾驶行为链，该链描述了未来时刻驾驶行为的演变过程。
[0082]
实施例6
[0083]
在上一实施例的基础上，所述基于历史车辆运动状态数据，构建车辆状态链的方法包括：将历史车辆运动状态数据转化为离散化的状态；具体地，将车辆位置、速度、加速度和转向角度等连续的实数值转化为对应的离散状态；将车辆状态序列看作一个隐马尔可夫模型，假设车辆状态序列s1，s2，
…
，s
t
是一个长度为t的一阶马尔可夫链，其中s
t
表示时刻t的车辆状态；估计模型参数a、b和π，其中a是状态转移矩阵，b是观测概率矩阵，π是初始状态概率向量；利用历史车辆运动状态数据来估计模型参数，使得模型在观测状态序列上的似然值最大；利用模型参数和实时车辆运动状态数据，进行车辆状态的预测；利用前向算法计算出在当前时刻观测状态为o1，o2，
…
，o
t
的条件下，驾驶人员状态为i的后验概率p(s
t
＝i|o1，o2，
…
，o
t
，a，b，π)，然后根据最大后验概率准则来确定当前时刻的车辆状态，即：
[0084][0085]
利用预测出的车辆状态序列，将连续的相同状态合并成一个状态节点，从而构建出车辆状态链。
[0086]
基于之前讲解的驾驶行为链的构建过程，我们可以类比地来构建车辆状态链。具体步骤如下：
[0087]
预处理：将历史车辆运动状态数据转化为离散化的状态。具体地，我们可以将车辆
位置、速度、加速度和转向角度等连续的实数值转化为对应的离散状态，例如将速度划分为慢、中等和快三种状态，将转向角度划分为左转、右转和直行三种状态等。
[0088]
马尔可夫模型的建立：类比驾驶行为链的建立过程，我们可以将车辆状态序列看作一个隐马尔可夫模型，假设车辆状态序列s1，s2，
…
，s
t
是一个长度为t的一阶马尔可夫链，其中s
t
表示时刻t的车辆状态。
[0089]
参数估计：利用baum-welch算法估计模型参数a、b和π，其中a是状态转移矩阵，b是观测概率矩阵，π是初始状态概率向量。具体地，我们可以利用历史车辆运动状态数据来估计模型参数，使得模型在观测状态序列上的似然值最大。
[0090]
车辆状态预测：利用模型参数和实时车辆运动状态数据，可以进行车辆状态的预测。具体地，我们可以利用前向算法计算出在当前时刻观测状态为o1，o2，
…
，o
t
的条件下，驾驶人员状态为i的后验概率
[0091]
p(s
t
＝i|o1，o2，
…
，o
t
，a，b，π)，然后根据最大后验概率准则来确定当前时刻的车辆状态，即：
[0092][0093]
车辆状态链构建：利用预测出的车辆状态序列，可以将连续的相同状态合并成一个状态节点，从而构建出一个完整的车辆状态链，描述了车辆状态的演变过程。
[0094]
实施例7
[0095]
在上一实施例的基础上，所述获取目标驾驶车辆的实时车辆运动状态数据，在车辆状态连的基础上，对目标驾驶车辆的车辆状态进行预测，得到状态预测结果的方法包括：在车辆状态链中，根据当前的车辆状态和转移矩阵，计算下一个车辆状态的概率分布；将当前的状态表示成一个概率向量，然后，通过向量乘法，计算下一个状态的概率分布；根据计算得到的下一个状态的概率分布，选择概率最大的状态作为目标驾驶车辆的下一步车辆状态，找到概率分布中概率最大的状态，然后将其作为下一个状态；重复执行上述步骤，直到预测的时间段结束；在这个过程中，记录下目标驾驶车辆每个时间点的车辆状态，从而得到车辆状态序列作为对目标驾驶车辆未来行为的预测结果。
[0096]
具体来说，我们可以使用以下公式来进行参数估计：初始状态概率向量πi：πi＝p(s1＝i)；
[0097]
状态转移概率矩阵a
ij
：
[0098]
观测概率矩阵b
jt
：
[0099]
其中，p(s
t
＝i，s
t+1
＝j|o1，o2，
…
，o
t
，a，b，π)是在已知模型参数和观测状态序列的情况下，时刻t的状态为i，时刻t+1的状态为j的条件概率；
[0100]
p(s
t
＝i|o1，o2，
…
，o
t
，a，b，π)是在已知模型参数和观测状态序列的情况下，时刻t的状态为i的后验概率；p(s
t
＝j，o
t
＝t|o1，o2，
…
，o
t
，a，b，π)是在已知模型参数和观测状态序列的情况下，时刻t的状态为j，观测状态为t的联合概率；p(s
t
＝j|o1，o2，
…
，o
t
，a，b，π)是在已知模型参数和观测状态序列的情况下，时刻t的状态为j的后验概率。
[0101]
车辆状态预测：类比驾驶行为的预测过程，我们可以利用预测算法来预测未来的
车辆状态。具体地，给定当前时刻t的观测状态o
t
，我们可以利用已有的模型参数a、b和π，以及前面观测状态的历史信息，来预测未来k个时刻的车辆状态。这个过程可以使用前向算法进行，具体的递推公式为：
[0102][0103]
其中，α
k，i
表示时刻k车辆状态为i，观测状态为o1，o2，
…
，ok的前向概率，p(ok|sk＝i，a，b)是在状态为i，观测状态为ok的条件下，观测状态为ok的概率，p(sk＝i|s
k-1
＝j，a)是在状态为j的情况下，状态从j转移到状态i的概率。
[0104]
车辆状态连的构建：类比驾驶行为链的构建过程，我们可以将预测的车辆状态序列连接起来，形成车辆状态链。具体地，我们可以将预测的每个时刻的车辆状态sk视为状态链的一个节点，将状态之间的转移关系视为状态链的连接线，最终构建出一个树状结构的车辆状态连。
[0105]
总的来说，基于历史车辆运动状态数据，构建车辆状态连的过程与构建驾驶行为链的过程类似，都是利用隐马尔可夫模型来进行预测和链的构建。不同之处在于，驾驶行为链是基于驾驶人员的历史驾驶行为数据来构建的，而车辆状态连是基于车辆的历史运动状态数据来构建的。
[0106]
在具体实现时，我们需要先对车辆运动状态数据进行预处理，如去除噪声、进行滤波等，以确保数据的准确性。然后，我们可以使用前面提到的算法和公式，通过训练模型来获取模型参数，进而进行车辆状态的预测和连的构建。
[0107]
在预测车辆状态时，我们可以通过设置预测时刻$k$的不同值，来预测不同时间段内的车辆状态。同时，在实际应用中，我们还可以结合实时获取的车辆运动状态数据，不断地更新模型参数，以提高预测的准确性。
[0108]
需要注意的是，车辆状态连中的状态节点和连接线并不是直接对应车辆的运动状态和状态之间的转移关系，而是基于模型对这些信息的预测结果进行构建的。
[0109]
实施例8
[0110]
在上一实施例的基础上，所述将状态预测结果作为输入变量，输入到预设的路线预测模型，得到目标驾驶车辆的预测路线，提供给远端进行智能交通控制的方法包括：获取目标驾驶车辆的历史路线数据和对应的历史状态结果，使用机器学习的进行训练，得到路线预测模型，所述路线预测模型的输入变量为状态预测结果，输出结果为预测路线。
[0111]
将状态预测结果作为输入变量，输入到预设的路线预测模型，得到目标驾驶车辆的预测路线，提供给远端进行智能交通控制的方法采用了机器学习的方法进行路线预测。
[0112]
具体来说，该方法首先获取目标驾驶车辆的历史路线数据和对应的历史状态结果。然后，使用机器学习的方法对这些数据进行训练，得到路线预测模型。所述路线预测模型的输入变量为状态预测结果，输出结果为预测路线。
[0113]
在实际应用中，当获取到目标驾驶车辆的实时车辆状态数据，并对车辆状态进行预测后，就可以将预测结果作为输入变量，输入到预设的路线预测模型中，得到预测路线。然后，将预测路线提供给远端进行智能交通控制，以便实现更加智能化、高效化的交通控
制。
[0114]
总之，该方法采用了机器学习的方法进行路线预测，通过训练历史路线数据和对应的历史状态结果，得到路线预测模型。在实际应用中，将状态预测结果作为输入变量，输入到预设的路线预测模型中，就可以得到预测路线，从而为智能交通控制提供更加全面、准确的信息支持。
[0115]
当将状态预测结果作为输入变量，输入到预设的路线预测模型中时，可采用如下方法进行路线预测：
[0116]
数据准备
[0117]
首先，需要准备目标驾驶车辆的历史路线数据和对应的历史状态结果。这些数据可视为训练数据集，用于训练路线预测模型。
[0118]
模型训练
[0119]
利用机器学习的方法，对历史路线数据和对应的历史状态结果进行训练，得到路线预测模型。
[0120]
在具体实现时，可使用各种机器学习算法，如决策树、神经网络、支持向量机等，来训练路线预测模型。
[0121]
预测路线
[0122]
当获取到目标驾驶车辆的实时车辆状态数据，并对车辆状态进行预测后，就可以将预测结果作为输入变量，输入到预设的路线预测模型中，得到预测路线。
[0123]
将预测路线提供给远端进行智能交通控制，以便实现更加智能化、高效化的交通控制。
[0124]
在具体实现时，可使用各种远端控制算法，如智能红绿灯控制、动态路线规划等，来根据预测路线来实现更加高效的交通控制。
[0125]
实施例9
[0126]
在上一实施例的基础上，所述将行为预测结果，作为输入变量，输入到预设的行为判断模型，得到目标驾驶人员的驾驶安全指数，提供给远端进行智能交通预警的方法包括：假设行为预测结果对应的驾驶行为序列为s＝s1，s2，
…
，sn，其中si表示目标驾驶人员在时间点i的驾驶行为状态，将该序列输入到行为判断模型中，得到驾驶安全指数sc，公式如下：
[0127]
其中，n是行为序列的长度，mi是在时间点i所有可能的驾驶行为的个数，p(j|i)是在时间点i预测为第j种驾驶行为的概率，weightj是第j种驾驶行为的权重；所述判断模型首先针对每个时间点预测出可能的驾驶行为和对应的概率，然后对于每个时间点，计算所有可能的驾驶行为的权重平均值，其中，权重越大表示越危险，最后再将所有时间点的平均值作为驾驶安全指数。
[0128]
实施例10
[0129]
在上一实施例的基础上，所述远端为远程智能交通控制中心。
[0130]
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存
储介质中，并由处理器进行加载和执行。
[0131]
为此，本发明实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种购物信息的生成方法中的步骤。其中，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
[0132]
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种购物信息的生成方法中的步骤，因此，可以实现本发明实施例所提供的任一种购物信息的生成方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
[0133]
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
[0134]
以上对本发明实施例所提供的一种基于机器学习的车辆驾驶行为预测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上该，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于机器学习的车辆驾驶行为预测方法，其特征在于，所述方法包括：确定预测目标，所述预测目标包括：目标驾驶人员和目标驾驶车辆；获取目标驾驶人员的历史驾驶行为数据和目标驾驶车辆的历史车辆运动状态数据；基于历史驾驶行为数据，构建驾驶行为链；所述驾驶行为链为树状结构，由节点和连接线组成，每个节点表征一个驾驶行为，在驾驶行为链中，从根节点开始到每个末端节点结束，构成了一条完整的单一驾驶行为链，其表征了在一次完整的车辆驾驶结束时，目标驾驶人员进行的所有驾驶行为；基于历史车辆状态数据，构建车辆状态链；所述车辆状态链为树状结构，由节点和连接线组成，每个节点表征一个车辆状态，在车辆状态链中，从根节点开始到每个末端节点结束，构成了一条完整的单一车辆状态链，其表征了在一次完整的车辆驾驶结束时，目标驾驶车辆经历的所有车辆状态；获取目标驾驶人员的实时驾驶行为数据，在驾驶行为链的基础上，对驾驶人员的驾驶行为进行预测，得到行为预测结果，获取目标驾驶车辆的实时车辆运动状态数据，在车辆状态连的基础上，对目标驾驶车辆的车辆状态进行预测，得到状态预测结果；将状态预测结果作为输入变量，输入到预设的路线预测模型，得到目标驾驶车辆的预测路线，提供给远端进行智能交通控制；将行为预测结果，作为输入变量，输入到预设的行为判断模型，得到目标驾驶人员的驾驶安全指数，提供给远端进行智能交通预警。2.如权利要求1所述的方法，其特征在于，所述驾驶行为数据至少包括：安全带佩戴状态、手机使用次数、饮食次数和眨眼次数；所述历史驾驶行为数据为历史的目标驾驶人员的驾驶行为数据；所述实时驾驶行为数据为实时的目标驾驶人员的驾驶行为数据。3.如权利要求1所述的方法，其特征在于，所述车辆运动状态数据至少包括：位置、速度、加速度和转向角度；所述历史车辆运动状态数据为历史的目标驾驶车辆的车辆运动状态数据；所述实时车辆运动状态数据为实时的目标驾驶车辆的车辆运动状态数据。4.如权利要求2或3所述的方法，其特征在于，所述基于历史驾驶行为数据，构建驾驶行为链的方法包括：将驾驶行为链视为多个驾驶行为序列组成的序列集合；将历史驾驶行为数据中的每个相同时刻对应的所有历史驾驶行为数据视为一个驾驶行为序列；将所述驾驶行为序列中包含的每一项历史驾驶行为数据视为一个驾驶行为的状态，将下一时刻对应的该驾驶行为视为一个驾驶行为的观测值；将驾驶行为序列视为一个状态序列，其中每个驾驶行为的状态表示为一个隐含状态，每个驾驶行为的观测值表示为一个观测状态；使用隐马尔可夫模型推断出所有可能的隐含状态序列，作为驾驶行为链。5.如权利要求4所述的方法，其特征在于，所述获取目标驾驶人员的实时驾驶行为数据，在驾驶行为链的基础上，对驾驶人员的驾驶行为进行预测，得到行为预测结果的方法包括：在驾驶行为链中，根据当前的驾驶状态和转移矩阵，计算下一个驾驶状态的概率分布；将当前的状态表示成一个概率向量，然后，通过向量乘法，计算下一个状态的概率分布；根据计算得到的下一个状态的概率分布，选择概率最大的状态作为目标驾驶人员的下一步驾驶状态，找到概率分布中概率最大的状态，然后将其作为下一个状态；重复执行上述步骤，直到预测的时间段结束；在这个过程中，记录下目标驾驶人员每个时间点的驾驶状态，从而得到行为序列作为对目标驾驶人员未来行为的预测结果。6.如权利要求2或3所述的方法，其特征在于，所述基于历史车辆运动状态数据，构建车辆状态链的方法包括：将历史车辆运动状态数据转化为离散化的状态；具体地，将车辆位置、速度、加速度和转向角度等连续的实数值转化为对应的离散状态；将车辆状态序列看作
一个隐马尔可夫模型，假设车辆状态序列s1，s2，...，s
t
是一个长度为t的一阶马尔可夫链，其中s
t
表示时刻t的车辆状态；估计模型参数a、b和π，其中a是状态转移矩阵，b是观测概率矩阵，π是初始状态概率向量；利用历史车辆运动状态数据来估计模型参数，使得模型在观测状态序列上的似然值最大；利用模型参数和实时车辆运动状态数据，进行车辆状态的预测；利用前向算法计算出在当前时刻观测状态为o1，o2，...，o
t
的条件下，驾驶人员状态为i的后验概率p(s
t
＝i|o1，o2，...，o
t
，a，b，π)，然后根据最大后验概率准则来确定当前时刻的车辆状态，即：利用预测出的车辆状态序列，将连续的相同状态合并成一个状态节点，从而构建出车辆状态链。7.如权利要求6所述的方法，其特征在于，所述获取目标驾驶车辆的实时车辆运动状态数据，在车辆状态连的基础上，对目标驾驶车辆的车辆状态进行预测，得到状态预测结果的方法包括：在车辆状态链中，根据当前的车辆状态和转移矩阵，计算下一个车辆状态的概率分布；将当前的状态表示成一个概率向量，然后，通过向量乘法，计算下一个状态的概率分布；根据计算得到的下一个状态的概率分布，选择概率最大的状态作为目标驾驶车辆的下一步车辆状态，找到概率分布中概率最大的状态，然后将其作为下一个状态；重复执行上述步骤，直到预测的时间段结束；在这个过程中，记录下目标驾驶车辆每个时间点的车辆状态，从而得到车辆状态序列作为对目标驾驶车辆未来行为的预测结果。8.如权利要求7所述的方法，其特征在于，所述将状态预测结果作为输入变量，输入到预设的路线预测模型，得到目标驾驶车辆的预测路线，提供给远端进行智能交通控制的方法包括：获取目标驾驶车辆的历史路线数据和对应的历史状态结果，使用机器学习的进行训练，得到路线预测模型，所述路线预测模型的输入变量为状态预测结果，输出结果为预测路线。9.如权利要求5所述的方法，其特征在于，所述将行为预测结果，作为输入变量，输入到预设的行为判断模型，得到目标驾驶人员的驾驶安全指数，提供给远端进行智能交通预警的方法包括：假设行为预测结果对应的驾驶行为序列为s＝s1，s2，...，s
n
，其中s
i
表示目标驾驶人员在时间点i的驾驶行为状态，将该序列输入到行为判断模型中，得到驾驶安全指数s
c
，公式如下：其中，n是行为序列的长度，m
i
是在时间点i所有可能的驾驶行为的个数，p(j|i)是在时间点i预测为第j种驾驶行为的概率，weight
j
是第j种驾驶行为的权重；所述判断模型首先针对每个时间点预测出可能的驾驶行为和对应的概率，然后对于每个时间点，计算所有可能的驾驶行为的权重平均值，其中，权重越大表示越危险，最后再将所有时间点的平均值作为驾驶安全指数。10.如权利要求8或9所述的方法，其特征在于，所述远端为远程智能交通控制中心。

技术总结
本申请公开了一种基于机器学习的车辆驾驶行为预测方法，该方法通过获取目标驾驶人员和目标驾驶车辆的历史驾驶行为数据和历史车辆运动状态数据，分别构建了驾驶行为链和车辆状态链，并通过隐马尔可夫模型进行状态预测，进而预测目标驾驶人员的行为和目标驾驶车辆的状态。通过将状态预测结果输入到预设的路线预测模型中，得到目标驾驶车辆的预测路线，提供给远程智能交通控制中心进行交通控制。该方法可以有效提高驾驶安全性，降低交通事故率。降低交通事故率。降低交通事故率。


技术研发人员：李娟 翟广辉 海泳 宋运隆
受保护的技术使用者：许昌学院
技术研发日：2023.04.10
技术公布日：2023/7/21