[发明专利]基于BP神经网络模型的车辆换道决策方法

权利要求书

1.一种基于BP神经网络模型的车辆换道决策方法，其特征在于，该方法包含下列步骤：

步骤1：通过多普勒测速雷达传感器获取样本数据，具体是对换道车辆与目标车道前方车辆的速度差V1、换道车辆与目标车道后方车辆的速度差V2、换道车辆与本车道前方车辆的速度差V3、换道车辆与目标车道前方车辆的距离D1、换道车辆与目标车道后方车辆的距离D2、换道车辆与本车道前方车辆的距离D3六个样本数据实时的获取；

步骤2：构建基于BP神经网络模型的车辆换道决策模块，分别通过训练与测试样本数据的选取与处理、网络结构的确定、学习算法的选取和训练参数的确定、基于weka平台的换道BP神经网络模型建立、BP神经网络模型的精确度验证这五个环节来构建车辆换道决策模块；

步骤3：决策判断，将获取的六个样本数据实时地导入到车辆换道决策模块中，并通过基于weka平台下换道BP神经网络模型中的输出节点类别形成车辆换道的决策判断。

2.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中，训练与测试样本数据的选取与处理环节中的交通数据是由美国联邦高速公路管理局Next Generation Simulation项目提供，该项目中的数据集提供了详细的车辆轨迹数据，包括每辆车的横/纵向坐标、瞬时速度、瞬时加速度、车头时距、车道号、车辆类型和车辆编号信息，采样频率为10Hz；从项目数据集中筛选得到333组观测值，其中包含142次换道事件，191次非换道事件，每一组观测值都包括了步骤1中所述的6个参数，对所有观测值进行划分，80％观测值用于模型训练，20％观测值用于模型测试。

3.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的网络结构的确定，包括以下步骤：

1)对于输入的原始数据需要进行归一化的处理，将输入数据处理成[0,1]之间无单位的数值；

2)确定隐含层层数为1；

3)选取隐含层节点数目为4个节点，BP神经网络的拓扑结构为6-4-2；

4)神经元之间的初始连接权值采用零附近的随机值；

5)BP神经网络各层的激活函数采用Sigmoid函数：

4.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的学习算法采用梯度下降法。

5.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的训练参数确定BP神经网络模型的学习速率与动量系数分别取值为0.05和0.2，收敛误差为0.001。

6.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的基于weka平台的换道BP神经网络模型建立环节，BP神经网络结构中的6个输入节点位于模型左侧，2个输出节点位于模型右侧，4个隐含层节点位于模型中间，在输出节点旁标记类标签；模型是一个三层网络，网络相邻层之间通过连接权重相连，隐含层与输出层各个节点都有相应阈值；对于不同的输入值，通过神经网络的BP学习算法都能得到相应输出节点的对应值，从而完成决策分类。

7.如权利要求1所述的基于BP神经网络模型的车辆换道决策方法，其特征在于，所述步骤2中的BP神经网络模型的精确度验证环节，使用分类模型对测试数据进行识别，并将识别结果与实际换道情况进行对比，用识别的准确性来验证模型的有效性。