[发明专利]车辆行驶状态实时判别的方法

说明书

技术领域

本发明涉及车载导航领域，具体地说是一种车辆行驶状态实时判别的方法

背景技术

近年来，车载导航设备已经成功地应用在各种类型的交通车辆上，目前市场上的导航设备一般都有能够提供GPS导航，导航模式，全国地图，路径规划，语音提示，音乐欣赏，文件管理等功能，为车辆驾驶者和交通管理者提供了极大的方便。但是随着交通系统的日益壮大和各类交通车辆的日益增多，交通违规现象层出不穷，由此导致的交通事故更是屡见不鲜。为了进一步完善车载导航软件功能，从减少交通违规的角度开发一种能告知驾驶者实时行驶状态信息，能够为驾驶者的行驶状态提供实时预警的车载功能已经势在必行，因此，需要车载对交通车辆行驶状态进行判别的市场需求便应运而生。目前在智能交通系统领域，对车辆行为判别的研究受到了国内外学者的普遍关注并出现了许多有关车辆行为的判别技术方法，这些方法通常以传统的车辆运动轨迹模式聚类算法为基础，首先从车辆行驶轨迹中提取表征车辆行驶状态的特征，进而利用机器学习或者模式分类方法进行行为判别。神经网络模型是一类被广泛应用的智能判别模型，利用神经网络模型较强的数据处理能力对数据进行分类和手势状态识别，取得了很好的分类识别效果，但神经网络模型对具有时序数据的车辆轨迹的建模能力较弱，而且需要大量的样本数据进行训练才能达到准确收敛，用在车载中，则加重了车载系统的数据存储负担；为了克服神经网络模型的建模局限性，研究者又构建了动态贝叶斯网络模型进行交通场景车辆轨迹的识别分析，该模型能够很好地适应车辆轨迹数据随时间变化的特点，但却没能改进神经网络模型的对训练数据要求维度高，复杂性高的缺点，仍然会因为训练过度或不足导致低比率的车辆轨迹的识别率；隐马尔科夫模型继动态贝叶斯网络模型之后，改进了其对训练数据维度高的缺点，并能够利用其良好的数据建模能力对轨迹模式进行建模，可以很大程度上提高车辆轨迹的识别率，若将隐马尔科夫模型技术运用于车载当中无疑是一个很好的选择。

隐马尔科夫模型是一种基于参数表示的描述随机过程统计特性的概率模型，通常由马尔可夫链和一般随机过程两部分构成，前者用于描述状态的转移，后者则用以描述状态与观察值序列间的关系。隐马尔科夫模型可以定义为一个五元组λ(X，V，π，A，B)，其中五个参数的含义如下：

(1)X＝{S₁，S₂，…，S_N}代表一组马尔可夫状态的集合，其中N为状态个数，状态之间可以相互转换，可把t时刻马尔可夫链处于状态S_i表示成q_t的形式：q_t＝S_i(1≤i≤N)；

(2)V＝{V₁，V₂，…，V_T}是T个相互独立的观察值符号组成的序列，其中T表示序列中观察值的个数，也代表序列的长度。在时域范围内V可等价于按照时间先后次序排列的观察值的集合。

(3)A＝{a_ij}_N×N(1≤i，j≤N)表示从t时刻的状态S_i转向t+1时刻的状态S_j的状态转移概率分布矩阵，即：a_ij＝P{q_t+1＝S_j|q_t＝S_i}，且满足：a_ij≥0隐马尔科夫模型中利用参数A来描述马尔可夫链中状态的转移。

(4)是t时刻在状态S_i下取得相应观察值V_k的概率所构成的离散型概率分布矩阵，即：且满足：其中1≤k≤T，V_k∈V，1≤V_k≤M，M是矩阵B的列数，也是观察值序列V中所允许的最大观察值。

隐马尔科夫模型中利用参数B来描述一般随机过程中状态与观察值序列间的关系。

(5)π＝(π₁，π₂，…，π_N)表示初始状态概率分布向量，其中π_i＝P{q₁＝S_i}(1≤i≤N)表示初始时刻时马尔可夫链处于状态S_i的概率，满足：π_i≥0。