基于SVM算法的驾驶行为模型的建立方法和装置制造方法及图纸

本申请公开了一种基于基于SVM算法的驾驶行为模型的建立方法和装置，所述方法包括：获取预测区间内的驾驶观测数据；将预测区间划分为K个时间窗；K为大于1的整数；对K个时间窗内的驾驶观测数据进行特征提取得到K个特征向量；对所述K个特征向量进行加权求和得到加权特征向量；根据SVM算法对加权特征向量进行训练得到准确的SVM预测模型，根据该SVM模型对驾驶行为数据进行预测，能提高识别驾驶行为类别的准确性。

The Method and Device of Building Driving Behavior Model Based on SVM Algorithms

This application discloses a method and device for establishing a driving behavior model based on SVM algorithm. The method includes: obtaining driving observation data in prediction interval; dividing prediction interval into K time windows; K is an integer larger than 1; extracting driving observation data in K time windows into K feature vectors; and weighting sum of the K feature vectors. The weighted eigenvectors are obtained; the weighted eigenvectors are trained according to the SVM algorithm to get an accurate SVM prediction model. The prediction of driving behavior data based on the SVM model can improve the accuracy of identifying driving behavior categories.

【技术实现步骤摘要】
基于SVM算法的驾驶行为模型的建立方法和装置
本申请涉及计算机领域，尤其涉及一种基于SVM算法的驾驶行为模型的建立方法和装置。
技术介绍
换道是驾驶过程中最常见同时也是危险程度较高的驾驶行为。根据美国高速公路安全管理局研究数据表明,由于换道过程引发的交通事故在所有统计的交通事故中占比高达27％。在对本车和周围车辆运行状态感知的基础上,研究危险换道驾驶行为的预测方法,有助于实现辅助驾驶系统准确、及时地换道预警或干预。现有的大量换道预警研究均是以基于车速和相对距离的碰撞时间，或基于车辆制动运动学分析的最小安全车距作为预警参数,通过确定预警参数的阈值建立不同的预警策略。而实际上,危险换道从换道开始到发生危险冲突的整个过程很难用单一的预警参数进行描述,需要采用更复杂的算法和模型进行研究。为此,本文中选取了支持向量机模型算法,建立了基于算法的危险换道驾驶行为预测模型。目前,SVM已在驾驶员意图/行为(如直行、转向、变换车道等)识别方面取得了良好的预测效果并广泛应用于车辆辅助驾驶系统中，但在换道驾驶行为危险性预测方面研究较少。
技术实现思路
本申请实施例所要解决的技术问题在于，提供一种基于SVM算法的驾驶行为模型的建立方法和装置，能训练出准确的驾驶行为模型，根据该驾驶行为模型有效预测换道驾驶行为的安全性，提高驾驶的安全性。为了解决上述技术问题，本申请提供了一种基于SVM算法的驾驶行为模型的建立方法，包括：获取预测区间内的驾驶观测数据，将预测区间划分为K个运动时间昂，对K个时间窗内的驾驶观测数据进行特征提取得到K个特征向量进行加权求和得到加权特征向量，根据SVM算法对所述加权特征向量进行训练得到SVM预测模型。实施本申请实施例，通过对预测区间进行划分为加权求和，在利用SVM算法对加权特征向量进行训练得到SVM预测模型，后续利用该SVM预测模型对观测数据进行分类，能提高驾驶行为类别判别的准确性，提高驾驶的安全性。在一种可能的设计中，特征向量包括车辆运行速度的均值和方差。在一种可能的设计中，将所述预测区间划分为K个时间窗包括：根据预设的时间窗长度或时间窗间隔将所述预测区间划分为K个运行时间窗，其中，每个时间窗的长度相等。在一种可能的设计中，K个时间窗为SW1,SW2,…,SWK，K个时间窗各自对应的特征向量为x1,x2,…,xK，K个特征向量各自对应的权重为w1,w2,…,wK，其中，w1<w2<…<wK。即时间越靠后的时间窗对应的权重越大，反之时间越靠前的时间窗对应的权重越小。在一种可能的设计中，特征向量xk的权重wk采用如下公式开表示：其中，C为权重折减系数，0≤C＜1，dk＝(1-C)K-k，k表示时间窗的序号，k＝1、2、…、K，且k为大于0的整数。在一种可能的设计中，将时间窗长度、时间窗间隔和权重折减系数输入SVM分类器对所述加权特征向量进行分类得到驾驶行为类别，例如：输入SVM分类器得到的值为+1时，表示驾驶行为类别为危险驾驶类别，得到的值为-1时，表示驾驶行为类别为正常驾驶类别。第二方面，本申请提供了一种驾驶行为模型的建立装置，包括：获取单元，用于获取预测区间内的驾驶观测数据；划分单元，用于将预测区间划分为K个时间窗；提取单元，用于对K个时间窗内的驾驶观测数据进行特征提取得到K个特征向量；加权单元，用于对所述K个特征向量进行加权求和得到加权特征向量；训练单元，用于根据SVM算法对所述加权特征向量进行训练得到SVM预测模型。在一种可能的设计中，所述特征向量包括车辆运行速度的均值和方差。在一种可能的设计中，所述划分单元具体用于：根据预设的时间窗长度和时间窗间隔将所述预测区间划分为k个时间窗。在一种可能的设计中，K个时间窗为SW1,SW2,…,SWK，K个时间窗各自对应的K个特征向量为x1,x2,…,xK，K个特征向量各自对应的K个权重为w1,w2,…,wK，其中，w1<w2<…<wK。在一种可能的设计中，特征向量xk的权重wk采用如下公式开表示：其中，C为权重折减系数，0≤C＜1，dk＝(1-C)K-k，k表示时间窗的序号，k＝1、2、…、K，且k为大于0的整数。本申请又一方面提供了一种装置，可以实现上述第一方面的驾驶行为模型的建立方法。例如所述装置可以是芯片(如基带芯片，或通信芯片等)或者处理服务器。可以通过软件、硬件、或者通过硬件执行相应的软件实现上述方法。在一种可能的实现方式中，所述装置的结构中包括处理器、存储器；所述处理器被配置为支持所述装置执行上述通信方法中相应的功能。存储器用于与处理器耦合，其保存所述装置必要的程序(指令)和/或数据。可选的，所述通信装置还可以包括通信接口用于支持所述装置与其他网元之间的通信。在另一种可能的实现方式中，所述装置，可以包括执行上述方法中相应动作的单元模块。在又一种可能的实现方式中，包括处理器和收发装置，所述处理器与所述收发装置耦合，所述处理器用于执行计算机程序或指令，以控制所述收发装置进行信息的接收和发送；当所述处理器执行所述计算机程序或指令时，所述处理器还用于实现上述方法。其中，所述收发装置可以为收发器、收发电路或输入输出接口。当所述通信装置为芯片时，所述收发装置为收发电路或输入输出接口。当所述装置为芯片时，发送单元可以是输出单元，比如输出电路或者通信接口；接收单元可以是输入单元，比如输入电路或者通信接口。当所述通信装置为网络设备时，发送单元可以是发射器或发射机；接收单元可以是接收器或接收机。本申请又一方面提供了一种装置，该装置包括：存储器和处理器；其中，所述存储器中存储一组程序代码，且所述处理器用于调用所述存储器中存储的程序代码，执行各方面所述的方法。本申请的又一方面提了供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。本申请的又一方面提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的一种基于SVM算法的驾驶行为分类方法的流程示意图；图2a是本申请实施例提供的一种基于SVM算法的驾驶行为的分类方法的另一流程示意图；图2b是本申请实施例提供的预测区间的示意图；图2c是本申请实施例提供的基于SVM算法的驾驶行为模型的建立方法的原理框图；图3是本申请实施例提供的一种装置的另一结构示意图；图4是本申请实施例提供的一种装置的另一结构示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路本文档来自技高网...

【技术保护点】
1.一种基于SVM算法的驾驶行为模型的建立方法，其特征在于，包括：获取预测区间内的驾驶观测数据；将预测区间划分为K个时间窗；K为大于1的整数；对K个时间窗内的驾驶观测数据进行特征提取得到K个特征向量；对所述K个特征向量进行加权求和得到加权特征向量；根据SVM算法对所述加权特征向量进行训练得到SVM预测模型。

【技术特征摘要】
1.一种基于SVM算法的驾驶行为模型的建立方法，其特征在于，包括：获取预测区间内的驾驶观测数据；将预测区间划分为K个时间窗；K为大于1的整数；对K个时间窗内的驾驶观测数据进行特征提取得到K个特征向量；对所述K个特征向量进行加权求和得到加权特征向量；根据SVM算法对所述加权特征向量进行训练得到SVM预测模型。2.根据权利要求1所述的方法，其特征在于，所述特征向量中的参数包括相邻的两车之间的横向速度差平均值、相邻两车之间的纵向速度差平均值、相邻两车之间的横向速度差方差、相邻两车的纵向速度差方差、相邻两车之间的质心距离平均值、相邻两车之间的质心距离方差。3.根据权利要求1所述的方法，其特征在于，所述将所述预测区间划分为K个时间窗包括：根据预设的时间窗长度和时间窗间隔将所述预测区间划分为K个时间窗。4.根据权利要求1至3任意一项所述的方法，其特征在于，所述K个时间窗为SW1,SW2,…,SWK，所述K个时间窗各自对应的特征向量为x1,x2,…,xK，K个特征向量各自对应的权重为w1,w,…,wK，其中，w1<w2<…<wK。5.根据权利要求4所述的方法，其特征在于，特征向量xk的权重wk采用如下公式来表示：其中，C为权重折减系数，0≤C＜1，dk＝(1-C)K-k，k表示时间窗的序号，k＝1、2、…、K，且k为大于0的整数。6.一种基于SVM算法的驾驶行为模型的建立装置，其特征在于，包括：获取...

【专利技术属性】
技术研发人员：刘均，于海悦，
申请(专利权)人：深圳市元征科技股份有限公司，
类型：发明
国别省市：广东,44