[发明专利]一种考虑驾驶员模糊感知的深度学习跟驰预测方法

说明书

本发明涉及一种考虑驾驶员模糊感知的深度学习跟驰预测方法，包括如下步骤：S1、训练用于根据跟驰特征数据预测本车速度深度学习跟驰模型；S2、获取真实跟驰特征时序数据，输入至深度学习跟驰模型得到本车速度预测时序数据；S3、提取待预测时刻前N个时刻的真实跟驰特征时序数据以及本车速度预测时序数据作为第一数据集和第二数据集；S4、确定模糊感知时间窗，将第一数据集中位于模糊感知时间窗内的本车速度替换为第二数据集中对应时刻的本车速度预测值形成预测输入数据；S5、将预测输入数据输入至深度学习跟驰模型得到待预测时刻的本车速度预测值。与现有技术相比，本发明设置不同的模糊感知时间窗可对同一跟驰场景生成异质跟驰行为。

技术领域

本发明涉及微观交通流建模预测领域，尤其是涉及一种考虑驾驶员模糊感知的深度学习跟驰预测方法。

背景技术

跟驰行为是后车驾驶员根据自身及前车运动状态不断调整本车运动状态的驾驶行为。跟驰行为的建模与仿真对交通安全及通行效率有很大意义。从建模方法角度划分，跟驰模型可分为理论驱动与数据驱动两类。理论驱动模型优点是可以描述跟驰过程中的某几个显性因素，但对驾驶人的驾驶经验以及模糊感知特性，难以准确刻画。随着大数据技术、人工智能及深度学习的迅速发展，从数据驱动的角度，基于人工神经网络方法，直接对数据样本进行学习并预测，被证明能够更为准确地模拟人的行为特性。

当前，基于数据驱动的跟驰模型在数据获取方式和精度方面依然存在一定的不足，用于训练神经网络的跟驰数据获取方式主要分为：

1)在车上安装各类传感器，获取前车与本车位置、速度以及间距等数据。

2)通过驾驶模拟器获取相应数据。

3)通过摄像机在高处对某路段进行视频录制，并随后通过视频图像处理技术，提取视频中车辆原始轨迹数据。

车载传感器方式可能会对驾驶员以及道路周边用户行为造成影响，导致收集的数据无法准确反映自然驾驶行为，而通过高空安装摄像头或无人机航拍获取路段视频数据，并通过图像处理技术得到路段监控区域所有车辆轨迹信息可以避免对交通参与者的干扰，基于该方法使用最广泛的数据为NGSIM(Next Generation Simulation)数据。然而NGSIM数据集存在许多相邻轨迹间重合、速度-加速度矛盾，低分辨率带来的车辆位置标识误差等问题，且无法严格清洗或插补数据。由于基于深度学习类的人工智能算法，直接通过各种类型跟驰数据进行学习，因此，数据来源的缺陷必然会对预测结果产生不良影响。

驾驶员在跟驰过程中有很多独特特性，其中驾驶员过往驾驶记忆会帮助其更好的进行跟驰决策。此外，由于人工驾驶常无法精准感知当前时段的本车速度、车头时距等跟驰状态，在行驶过程中，需要依靠之前的驾驶记忆，并对即将出现的跟驰场景不断进行预估，从而进行相应操作。而目前，已有研究在上述方面还存在较大的不足。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑驾驶员模糊感知的深度学习跟驰预测方法。

本发明的目的可以通过以下技术方案来实现：

一种考虑驾驶员模糊感知的深度学习跟驰预测方法，该方法包括如下步骤：

S1、训练深度学习跟驰模型，所述的深度学习跟驰模型的输入为连续N个时刻的跟驰特征时序数据，所述的跟驰特征包括本车速度、本车和前车车速差、本车和前车车头间距，深度学习跟驰模型的输出为第N+1时刻的本车速度预测值，N为常数；

S2、获取真实跟驰特征时序数据，并输入至深度学习跟驰模型得到本车速度预测时序数据；

S3、选取待预测时刻，提取待预测时刻前连续N个时刻的真实跟驰特征时序数据作为第一数据集，提取本车速度预测时序数据作为第二数据集；