一种基于时空交互图注意力网络的车辆变道检测方法技术

一种基于时空交互图注意力网络的车辆变道检测方法，首先对车辆轨迹进行预处理，然后通过引入社会价值导向理论以及k

【技术实现步骤摘要】
一种基于时空交互图注意力网络的车辆变道检测方法


[0001]本专利技术涉及智能交通系统安全领域，尤其涉及一种车辆变道检测方法，在建设智慧交通，保障出行安全方面具有重要意义。

技术介绍

[0002]随着工业化进程的加快、道路运输网的完善和汽车制造业的快速发展，人均汽车拥有量逐年上升，随之带来的交通安全问题也成为社会群体关注的焦点。根据世界卫生组织的统计，每年的道路交通死亡人数已达到135万人，道路交通伤害现在是青少年死亡的主要原因。其中车辆变道行为是一种最基本的高风险驾驶行为之一。与保持车道行为相比，车辆的变道行为对驾驶员的判断能力和操作能力有更高的要求。在人机混合的交通场景中，如果自动驾驶车辆无法正确识别周围车辆的变道意图，则很有可能发生交通事故。因此，如何准确快速的识别周围驾驶车辆的变道行为，对于缓解道路拥堵、确保车辆安全以及提高车辆出行效率具有重要意义。
[0003]近年来，许多研究者提出了一系列不同结构的模型来研究车辆变道行为。先前的方法主要按照规则对车辆变道行为进行划分。最早的换道规则模型是Gipps模型，其将换道过程定义为一系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空交互图注意力网络的车辆变道检测方法，其特征在于，包括以下步骤：S1：对原始数据集中的数据进行预处理；S2：对步骤S1处理后的数据进行特征提取，分析不同车辆的驾驶风格；S3：将步骤S2分析后的数据嵌入到空间交互构造模块中，并使用GAT提取车辆间的空间依赖性；S4：在时序预测模块，采用基于注意力机制的LSTM以捕获车辆特征信息中的动态时序依赖性，并将步骤S3中车辆之间的空间依赖性与时序依赖信息结合，预测周围车辆的变道意图；S5：采用准确性(Accuracy)、精确度(Precision)、查全率(Recall)和F1分数体现模型的预测精度，以分析不同模型参数对结果的影响。2.如权利要求1所述的一种基于时空交互图注意力网络的车辆变道检测方法，其特征在于：所述步骤S1包含如下步骤：S1.1：对车辆轨迹数据进行预处理；通过Savizkg
‑
Golag滤波算法对车辆的坐标、速度进行降噪预处理；S1.2：对车辆轨迹数据进行清洗；包括清除缺失值，删除明显的异常数据；S1.3：选择特征参数；为模型选择车辆坐标、速度以及碰撞时间的特征参数。3.如权利要求1所述的一种基于时空交互图注意力网络的车辆变道检测方法，其特征在于：步骤S2包含如下步骤：S2.1：对车辆对象随机划分并聚集；将一组车辆对象随机划分为k个簇，每个簇中心用相应类别中所有对象的平均值表示；其中k个平均值称为质心，剩下的每个对象都围绕最近的质心聚集；S2.2：动态计算聚类中心；根据每个集群中数据点的平均值重新计算改变后的簇的中心，计算的新质心后将数据点重新分配给最近的集群；通过对聚类中心的连续迭代和再分配，直到分配稳定，聚类过程结束，并返回聚类结果；最终输出是一组具有质心的簇，它使得下面定义的误差函数最小化：其中y1,y2,...,y
k
为k个簇，μ(y
i
)为簇y
i
的质心，d(x,μ(y
i
))表示对象x和质心μ(y
i
)之间的距离；S2.3：选择聚类距离计算方法；距离的计算方法有基于欧式距离、基于马氏距离等；在文中采用欧式距离；如果x＝{x1,x2,...,x
n
}和μ＝{μ1,μ2,...,μ
n
}分别是一个簇的一个点和一个质心，则x到μ的欧氏距离计算如下：4.如权利要求1所述的一种基于时空交互图注意力网络的车辆变道检测方法，其特征在于：所述步骤S3包含如下步骤：S3.1：车辆网络拓扑图构造并计算车辆间注意力系数；首先将某一时间段中的所有车辆作为节点集V，其中V
i
表示第i个车辆节点，由于输入到GAT层的图结构是由上述所有车辆
节点所组成的图结构，因此节点的连接关系在不同的时间间隔是不同的；基于此，进一步将表示为时间片t中的节点v
i
；然后，将节点在l层处的特征表示为其中d(l)表示为节点在l层中特征的长度；节点与其相邻节点在时间片t是的注意力系数则可表示为：其中是一个共享线性变换的权重矩阵(F是的维度，F
′
是输出维度)，a(
·
)是计算节点和之间相关性的函数；在本文中采用的是一个单层前馈神经网络并进行训练，由权重向量参数化，可表示为：其中
·
T
表示转置操作，||为连接操作，LeakyReLU作为激活函数；S3.2：对注意力系数标准化；为了明显地比较不同相邻节点的注意系数，将获得的注意系数采用softmax函数进行标准化：其中表示节点v
i
所有相邻节点的集合；S3.3：计算车辆节点的新特征向量；通过注意力机制的加权求和，计算出节点v
i
t在时间片t时的新特征向量：其中，σ(
·
)是一个非线性函数，上述等式描述了单个图注意力层是如何工作的；在本文中，采用了两个图注意力层，加强了节点间的感知范围；随后，考虑将时间片t时刻所有节点更新后的特征向量进行聚合，作为GAT模块的输出；S3.4：转换输出向量；为了能够更加便于输入至时序预测模块，将输出向量转换为一个特征向量整个输出表示通过空间模块从输入需求序列中提取的所有空间特征，可记为：O
t+1
＝[β
n
|n＝t,t
‑
1,t
‑
2,...,t
‑
L+1]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)5.如权利要求1所述的一种基于时空交互图注意力网络的车辆变道检测方法，其特征在于：所述步骤S4包含如下步骤：S4.1：时序预测模块介绍；在长期序列预测中，递归...

【专利技术属性】
技术研发人员：沈国江，郦鹏飞，孔祥杰，潘企弘，刘志，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：