一种基于速度预测算法的交通信息可信辨识方法技术

本发明专利技术公开了一种基于速度预测算法的交通信息可信辨识方法，使用深度学习的长短时记忆网络，通过跟驰场景的大量前后车数据，训练出可以对后车速度进行预测的神经网络，然后输入前后车相关数据，对后车速度进行预测，对比速度实际值和速度预测值，给出可信概率数值，以判断交互信息是否合法。本发明专利技术可以有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通系统的安全性与可靠性。路协同环境下智能交通系统的安全性与可靠性。路协同环境下智能交通系统的安全性与可靠性。

【技术实现步骤摘要】
一种基于速度预测算法的交通信息可信辨识方法


[0001]本专利技术涉及车路协同、信息交互、行为特征识别等
，尤其涉及一种基于速度预测算法的交通信息可信辨识方法。

技术介绍

[0002]车路协同系统及技术是新一代智能交通系统的发展趋势，基于车
‑
车、车
‑
路的实时交互，可以实现更加高效、安全的交通组织与管理效益。如何确保交通信息交互的安全可靠，对于车路协同系统的应用具有重要意义。但是，对于当前车路协同系统的应用环境而言，其对于交通信息的可靠性需求，不能只考虑传统通信层面的可靠性和安全性，还需要结合交通业务特征来甄别交互信息的可信程度。
[0003]目前，可信辨识技术中对跟驰场景下的可信辨识常通过进行运动状态角度的分实现，即通过列写跟驰对跟驰场景的后车加速度进行估计。该辨识方法考虑的特征参数较为简单，且只根据一个时刻的相关数据进行分析，准确度不足，受驾驶员主观影响大。

技术实现思路

[0004]本专利技术的目的是提供一种基于速度预测算法的交通信息可信辨识方法，能够有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高车路协同环境下智能交通系统的安全性与可靠性。
[0005]本专利技术采用的技术方案为：
[0006]一种基于速度预测算法的交通信息可信辨识方法，包括以下步骤：
[0007]S1、建立基于LSTM网络的后车速度预测模型，LSTM网络中网络单元数量为N；每个网络单元的输入输出关系式如下：r/>[0008]v(t)＝f(v(t
‑
τ:t
‑
Δt),Δv(t
‑
τ:t
‑
Δt),Δx(t
‑
τ:t
‑
Δt))
[0009]其中，v(t)表示后车在t时刻的速度值，τ表示选取序列的时间长度，Δt表示采样间隔，f(
·
)表示输入和输出变量之间的映射关系函数，v(t1:t2)表示时间t1到t2内的后车速度序列，即[v(t1),v(t1+Δt),
…
,v(t2)]，Δv(t1:t2)表示时间t1到t2内的后车与前车速度差序列，即[Δv(t1),Δv(t1+Δt),
…
,Δv(t2)]，Δx(t1:t2)表示时间t1到t2内的后车与前车位置差(车头间距)序列，即[Δx(t1),Δx(t1+Δt),
…
,Δx(t2)]；
[0010]S2、构建历史跟驰数据训练数据集对后车速度预测模型进行训练优化；
[0011]S3、选取N+1个时间采样点，获取后车OBU动态数据和前车OBU动态数据；后车OBU动态数据包括后车速度序列、后车位置序列、后车与前车车速差序列和后车与前车车间距序列，前车OBU动态数据包括前车速度序列和前车位置序列；
[0012]S4、将N+1个时间采样点对应的后车速度、后车与前车车速差和后车与前车车间距输入训练优化过的后车速度预测模型中，输出后车速度预测值k∈N；
[0013]S5、根据实时获取的后车速度与后车速度预测值计算可信概率值P；计
算公式为：
[0014][0015]S6、将所得可信概率值P与预设阈值α进行比较，若P>α，则可信，反之则不可信。
[0016]进一步地，所述对后车速度预测模型进行训练优化具体过程如下：
[0017]21：采集历史跟驰状态的后车OBU动态数据和前车OBU动态数据，获取训练样本数据集，训练样本数据集包括车间距样本序列[s
10k+1
,
…
,s
10k+N+1
]、后车速度样本序列和前后车速度差样本序列[Δv
10k+1
,
…
,Δv
10k+N+1
]，k表示数据组数且
[0018]22：将训练样本数据集按照7:3的比例划分为训练集和测试集；
[0019]23：设定训练过程的特征参数，包括损失函数、优化器、学习率和训练轮次
[0020]24：对后车速度预测模型进行训练和优化，直至后车速度预测模型在测试集的损失函数收敛时，即可停止训练并将模型数据保存并用于此后预测使用。
[0021]进一步地，根据权利要求1或2所述的基于速度预测算法的交通信息可信辨识方法，其特征在于：所述N为50。
[0022]进一步地，所述损失函数采用MSELoss。
[0023]进一步地，所述优化器采用Adam。
[0024]本专利技术具有以下有益效果：
[0025]通过使用深度学习的长短时记忆网络，基于跟驰场景的前后车数据训练出可以对后车速度进行预测的神经网络，然后通过输入前后车相关数据对后车速度进行预测，对比速度实际值和速度预测值，给出可信概率数值以判断交互信息是否合法，能够有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通系统的安全性与可靠性；同时，用LSTM网络处理较长历史数据的时间序列，综合一段跟驰过程的前后车作用关系来对车辆下一时刻的速度进行预测的辨识方法，比单点判断效果更加优异。
附图说明
[0026]图1为本专利技术的流程图；
[0027]图2为具体实施方式中LSTM网络结构图。
具体实施方式
[0028]如图1所示，一种基于速度预测算法的交通信息可信辨识方法，包括以下步骤：
[0029]S1、建立基于LSTM网络的后车速度预测模型；
[0030]S2、构建历史跟驰数据训练数据集对后车速度预测模型进行训练优化；
[0031]S3、选取N个时间采样点，获取后车OBU动态数据和前车OBU动态数据；后车OBU动态数据包括后车速度序列、后车位置序列、后车与前车车速差序列和后车与前车车间距序列，前车OBU动态数据包括前车速度序列和前车位置序列；
[0032]S4、将N个时间采样点对应的后车速度、后车与前车车速差和后车与前车车间距输入训练优化过的后车速度预测模型中，输出后车速度预测值k∈N；
[0033]S5、根据实时获取的后车速度与后车速度预测值计算可信概率值P；
[0034]S6、将所得可信概率值P与预设阈值α进行比较，若P>α，则可信，反之则不可信。
[0035]为了更好地理解本专利技术，下面结合具体实施例对本专利技术的技术方案做进一步说明。
[0036]传统的多车场景分析往往使用数学模型，通过对场景进行经验分析列写公式，得出车辆下一步最合理的行为或行为的范围，通过判断车辆是否超出范围来判断信息是否可信。随着近年来机器学习的发展，大量试验数据证明，以数据驱动的模型往往能取得更好的效果。
[0037]LSTM网络(Long Short
‑
Term Memory，长短时记忆神经网络)是一种特殊的RNN网络(Recurr本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于速度预测算法的交通信息可信辨识方法，其特征在于：包括以下步骤：S1、建立基于LSTM网络的后车速度预测模型，LSTM网络中网络单元数量为N；每个网络单元的输入输出关系式如下：v(t)＝f(v(t
‑
τ：t
‑
Δt)，Δv(t
‑
τ：t
‑
Δt)，Δx(t
‑
τ：t
‑
Δt))其中，v(t)表示后车在t时刻的速度值，τ表示选取序列的时间长度，Δt表示采样间隔，f(
·
)表示输入和输出变量之间的映射关系函数，v(t1：t2)表示时间t1到t2内的后车速度序列，即[v(t1)，v(t1+Δt)，...，v(t2)]，Δv(t1：t2)表示时间t1到t2内的后车与前车速度差序列，即[Δv(t1)，Δv(t1+Δt)，...，Δv(t2)]，Δx(t1：t2)表示时间t1到t2内的后车与前车位置差(车头间距)序列，即[Δx(t1)，Δx(t1+Δt)，...，Δx(t2)]；S2、构建历史跟驰数据训练数据集对后车速度预测模型进行训练优化；S3、选取N+1个时间采样点，获取后车OBU动态数据和前车OBU动态数据；后车OBU动态数据包括后车速度序列、后车位置序列、后车与前车车速差序列和后车与前车车间距序列，前车OBU动态数据包括前车速度序列和前车位置序列；S4、将N+1个时间采样点对应的后车速度、后车与前车...

【专利技术属性】
技术研发人员：张毅，晏松，史宇辰，姚丹亚，王泽众，
申请(专利权)人：清华大学，
类型：发明
国别省市：