网联环境下融合多源数据的弯道驾驶风险动态预测方法技术

本发明专利技术提供一种网联环境下融合多源数据的弯道驾驶风险动态预测方法，具体为：步骤1：获取车辆在弯道行驶过程中的多源数据；步骤2：将多源数据按照时间戳进行匹配，并统一记录频率；步骤3：多源数据由时间模式转换为空间模式；以x米为长度，将空间模式下多源数据分成若干个数据点；步骤4：以L为滑动窗口长度，U为滑动步长采用滑动窗口遍历步骤3中的数据点，并记临界横向加速度均值a

【技术实现步骤摘要】
网联环境下融合多源数据的弯道驾驶风险动态预测方法


[0001]本专利技术属于交通安全


技术介绍

[0002]弯道路段线形条件较差，驾驶人行车视距相对较小，这使其驾驶风险远高于普通平直路段。车辆在急弯路段行驶时，若车速较快，则会使车辆转向的向心力不足，增加车辆发生侧翻、侧滑等事故的风险，同时也容易导致车辆冲向对向车道、护栏边沟等，造成人员伤亡与财产损失。已有弯道安全措施多为静态警示标志，或以恒定速度值作为限速标准，无法结合道路实际线形特征给予驾驶人合理的行驶建议。智能网联技术的发展，使得车辆、道路与驾驶人的联系更加紧密，为辅助驾驶、主动干预提供了技术支撑。因此建立网联环境下弯道路段的驾驶风险动态预测方法，可以降低弯道路段驾驶风险，提升驾驶安全性。
[0003]目前大多数弯道风险预测与预警方法都是从弯道行车防碰撞和防侧翻侧滑展开的，关注于建立弯道安全行驶速度模型，或采用侧滑速度、横向载荷转移率、侧滑梯度角、弯道行驶轨迹偏移程度等作为弯道驾驶风险的判定指标。许多方法采取静态的评估与分析方法，通过评估弯道行驶全程中的驾驶表现来标定驾驶风险，但这种分析方法难以实现弯道驾驶风险的动态识别与预测。然而，预测驾驶风险的能力对于提高弯道路段的驾驶安全十分必要。事实上，由于弯道线形设计特性，其曲率半径与道路横坡度在弯道不同位置具有差异性。同时，车辆在进入弯道段、弯道行驶段、驶出弯道段的驾驶特性也存在差异，车辆沿曲线的运行速度并不恒定，呈现先减速后加速的整体趋势，车辆在不同转向、半径的弯道上以弯道不同位置上的行驶轨迹、横向偏移也存在差异。而现有技术多考虑弯道的整体特性，导致对驾驶风险预测并不准确。

技术实现思路

[0004]专利技术目的：为了解决上述现有技术存在的问题，本专利技术提供了一种网联环境下融合多源数据的弯道驾驶风险动态预测方法。
[0005]技术方案：本专利技术提供一种网联环境下融合多源数据的弯道驾驶风险动态预测方法，该方法包括如下步骤：
[0006]步骤1：获取车辆在弯道行驶过程中的多源数据，所述多源数据包括车辆动力学数据、驾驶人操纵行为、驾驶人生理数据与道路几何线形特征；
[0007]步骤2：将多源数据按照时间戳进行匹配，并统一记录频率；
[0008]步骤3：将步骤2中按照时间戳进行匹配后的多源数据由时间模式转换为空间模式；以x米为长度，将空间模式下的多源数据分成若干个数据点；
[0009]步骤4：以L为滑动窗口长度，U为滑动步长采用滑动窗口遍历步骤3中的数据点；并记录临界横向加速度均值a
e
；
[0010]步骤5：以临界横向加速度均值a
e
为聚类指标，使用K
‑
means聚类方法，将对弯道驾驶风险进行划分；
[0011]步骤6：基于K
‑
means聚类得到的驾驶风险等级结果，使用长短期记忆网络算法对车辆的驾驶风险等级进行预测。
[0012]进一步的，所述步骤4采用如下公式计算临界横向加速度均值a
e
：
[0013][0014]其中，n代表滑动窗口中的数据点的数量；a
j
为车辆在滑动窗口中的第j个数据点的横向加速度，β为调节参数，a
t
为加速度，a
t
的表达式如下所示：
[0015]a
t
＝(i
h
+μ)g
[0016]其中，i
h
为道路横坡度值，μ为道路横向力系数，g为重力加速度。
[0017]进一步的，所述步骤5中，K
‑
means的损失函数为：
[0018][0019]其中，x
i
代表第i个样本，c
i
是样本x
i
所属的簇，是簇的中心点，N为样本总数。进一步的，所述步骤6中长短期记忆网络算法的结构如下所示：
[0020]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0021]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0022][0023][0024]o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)
[0025]h
t
＝o
t
·
tanh(C
t
)
[0026]其中，f
t
,i
t
,o
t
分别为t时刻遗忘门、输入门和输出门通过激活函数后的值；C
t
‑1和C
t
分别为上一时刻和当前时刻的单元状态；为C
t
的候选取值；h
t
‑1为隐藏层上一时刻的输出；x
t
为当前时刻长短期记忆网络算法的输入；W
f
，W
i
，W
C
，W
o
为权重矩阵；b
f
,b
i
,b
C
,b
o
为偏置向量；σ为sigmoid函数。
[0027]进一步的，所述车辆动力学数据包括车辆切向速度，切向加速度，横向速度，横向加速度，纵向速度，纵向加速度，偏航速度，偏航加速度，俯仰速度，俯仰加速度，翻滚速度，翻滚加速度以及车道偏移，驾驶人操纵行为包括油门与刹车踏板的力度、方向盘的转角和转速，驾驶人生理数据包括驾驶人心率与皮肤电活动，道路线形特征包括道路半径与横坡度。
[0028]有益效果：本专利技术结合弯道道路线形特征与驾驶行为特征设计弯道风险评估指标，并将行驶过程进行空间动态分段，使其具备风险可预测性；本专利技术提出的方法通过比较不同观测窗口与间隔窗口组合的模型预测性能，来确定最优模型窗口组合，可以避免主观确定模型窗口长度对模型精度的影响；相较于通过车辆动力学这一单一数据源进行驾驶风险预测，本专利技术提出的融合驾驶人操纵行为、驾驶人生理特征和道路线形特征的模型预测性能得到显著提升。相较于使用机器学习算法，本专利技术提出的基于长短期记忆网络算法的驾驶风险预测方法，使用了完整连续的时序数据对驾驶风险进行预测，可以保留数据的波动性，可以提升模型的预测精度。
附图说明
[0029]图1为本专利技术的流程图；
[0030]图2本专利技术采用的弯道路段道路线形示意图；
[0031]图3是本专利技术基于长短期记忆网络算法的驾驶风险预测模型的模型结构特征；
[0032]图4是本专利技术提出的基于长短期记忆网络算法的驾驶风险预测模型的数据输入格式；
[0033]图5是不同观测窗口与间隔窗口的模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，包括如下步骤：步骤1：获取车辆在弯道行驶过程中的多源数据，所述多源数据包括车辆动力学数据、驾驶人操纵行为、驾驶人生理数据与道路几何线形特征；步骤2：将多源数据按照时间戳进行匹配，并统一记录频率；步骤3：将步骤2中按照时间戳进行匹配后的多源数据由时间模式转换为空间模式；以x米为长度，将空间模式下的多源数据分成若干个数据点；步骤4：以L为滑动窗口长度，U为滑动步长采用滑动窗口遍历步骤3中的数据点；并记录临界横向加速度均值a
e
；步骤5：以临界横向加速度均值a
e
为聚类指标，使用K
‑
means聚类方法，将对弯道驾驶风险进行划分；步骤6：基于K
‑
means聚类得到的驾驶风险等级结果，使用长短期记忆网络算法对车辆的驾驶风险等级进行预测。2.根据权利要求1所述的网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，所述步骤4采用如下公式计算临界横向加速度均值a
e
：其中，n代表滑动窗口中的数据点的数量；a
j
为车辆在滑动窗口中的第j个数据点的横向加速度，β为调节参数，a
t
为加速度，a
t
的表达式如下所示：a
t
＝(i
h
+μ)g其中，i
h
为道路横坡度值，μ为道路横向力系数，g为重力加速度。3.根据权利要求1所述的网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，所述步骤5中，K
‑
means的损失函数为：其中，x
i
代表第i个样本，c
i
是样本x
i
所属的簇，是簇的中心点，N为样本总数。4.根据权利要求1所述的网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，所述步骤6中长短期记忆网络算法的结构如下所示：f
t
＝σ(W...

【专利技术属性】
技术研发人员：马永锋，王帆，邢冠仰，陈淑燕，陆建，胡晓健，
申请(专利权)人：东南大学，
类型：发明
国别省市：