基于注意力机制的车辆行为预测

为了解决智能驾驶场景中对周边车辆未来行为的预测问题,研究了基于注意力机制的长短时记忆网络(LSTM)模型的车辆行为预测方法.首先提出了一种非均匀步长的时间序列数据划分方法,将属于特定行为的车辆时序信息进行分类;以LSTM为基本的神经网络框架,用注意力机制判断输入时序信息中各个时间步信息的重要程度,分配不同的权重值;以目标车辆及其周边车辆的历史轨迹信息作为算法输入,用来预测目标车辆将来的运动行为.结果表明:该算法可以解决固定步长的时序分类方法导致的信息遗漏或计算资源负担增加的问题,同时能够有效提高行为预测准确性,减少车辆行为预测时间.

基于随机图模型的车辆行为预测模型研究

为了有效地监控交通运输车辆和分析车辆轨迹行为,从实际微观交通流数据中对驾驶行为进行识别与预测,对目前现有的车辆轨迹识别技术进行了改进,提出基于随机图模型的驾驶行为预测方法。为提高模型的准确率,采用HMM的Baum⁃Welch算法与前向⁃后向算法实时预测轨迹下一时刻的状态,根据当前道路视频场景中车辆行驶的不同状态对轨迹进行模式划分,在优化轨迹曲线后提取每条轨迹的状态量、观测量序列。根据道路监控视频场景中车辆轨迹间的相对独立特性,采用多观察值序列下的Baum⁃Welch算法与前向⁃后向算法对轨迹进行模式类训练,获得HMM模型参数。结果表明,模型能够很好地预测车辆的行驶状态,可为驾驶行为的研究提供支持。

EGCN-CeDML:一种面向车辆驾驶行为预测的分布式机器学习框架

在大规模动态变化的交通场景下,快速准确地预测车辆驾驶行为是智能交通领域极具挑战的问题之一。车辆驾驶行为的预测不仅要考虑通信的有效性,而且要考虑车辆历史行驶轨迹以及车辆之间的相互影响。文中综合考虑了上述因素,提出了一种新的基于边-增强图卷神经网络的通信有效的分布式机器学习框架EGCN-CeDML(Edge-enhanced Graph Convolutional Neural Network-Communication-efficient Distributed Machine Learning)。相比面向单一设备的集中式预测框架,EGCN-CeDML是通信有效的分布式机器学习框架,该框架无需将所有原始数据发送到云服务器,而是直接将用户数据在本地边缘设备存储、处理和计算。这种在多个边缘设备训练神经网络的方式缓解了集中训练神经网络的压力,降低了传输数据量和通信延迟,提升了数据处理效率,在一定程度上也保护了用户隐私。各个边缘设备部署的复合图卷积网络(EGCN-LSTM)利用边-增强注意力机制和图卷积神经网络的特征传递机制,当周围车辆数量增长至十几辆时仍能快速提取和传递车辆间的交互信息,保证了较准确的预测性能和较低的时间复杂度。不限于车辆驾驶行为预测,各边缘设备可以根据自身的计算能能力和存储能力,在保证神经网络性能的前提下灵活控制神经网络的类型和规模以适用于不同的应用场景。EGCN-CeDML在公开数据集NGSIM上的实验结果表明:无论交通复杂程度如何,EGCN-CeDML的计算时间和预测性能都优于以往模型,精准率可达0.9391,召回率可达0.9557,F1分数可达0.9473;预测时长为1 s时,预测准确率达到了91.21%;即使车辆数目增加,算法也能保持较低的时间复杂度,且稳定在0.1 s以内。

基于深度学习多网络融合的网联车辆驾驶行为预测

智能网联车在复杂道路场景中安全行驶需要对周围车辆驾驶意图和行驶轨迹的准确预测。将双向长短期记忆网络(Bi-directional Long Short-Term Memory)、卷积生成对抗网络(Deep Convolutional Generative Adversarial)和注意力机制(Attention Mechanism)相融合,提出一种基于BLSTM-DCG-ATT的网联车辆驾驶意图和行为预测模型。通过正反双向LSTM链路和注意力机制得到具有双重特征的数据,通过卷积生成对抗网络对特征数据进行卷积处理,迭代生成网联车辆及周围车辆的未来时刻变道意图和行驶信息。仿真结果表明:该模型能够在复杂路网、交通流密集的情况下,对网联车辆及其周围车辆的变道意图和行驶轨迹进行准确预测,预测精度达94%。

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization,PSO)的长短期记忆(long short term memory,LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习支持向量回归(support vector regression,SVR)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标平均绝对百分比误差(mean absolute percentage error,MAPE)较SVR和LSTM分别降低了60.02%和1.52%。PSO算法进行超参数优化后的PSO-LSTM模型能更好地模拟车辆的跟驰行为。

高速公路车辆换道行为预测

车辆换道与交通安全息息相关,尤其在高速公路场景下更是一种具有潜在风险的驾驶行为。对车辆换道行为进行有效预测,将为自动驾驶车辆的决策规划提供重要依据。目前车辆换道预测所使用的数据大都来源于多个传感器,其中某一传感器失灵会造成预测错误。本文提出基于视觉的高速道路车辆换道行为预测,消除了多个传感间的数据依赖影响;同时,针对单一LSTM结构预测方法的不足,提出了一种级联LSTM结构预测方法,将车辆轨迹信息以序列的方式输入级联LSTM,通过连续的轨迹信息预测车辆换道行为。实验结果表明级联LSTM的准确率比LSTM结构最优时高出6.4%。