一种基于聚类和神经网络的车辆速度预测方法技术

本发明专利技术涉及智能交通系统车辆速度预测技术领域，具体的说是一种基于聚类和神经网络的车辆速度预测方法，其根据车辆历史驾驶特征数据，包括行驶速度、加速度和前车距离数据，计算特征间斯皮尔曼（Spearman）系数后，确定用于聚类的各特征权重系数，并根据轮廓系数指标确定簇的数量后，采用k

【技术实现步骤摘要】
一种基于聚类和神经网络的车辆速度预测方法


[0001]本专利技术属于智能交通系统车辆速度预测
，具体涉及一种基于聚类和神经网络的车辆速度预测方法。

技术介绍

[0002]随着物联网技术的快速发展和应用，智能交通系统作为物联网应用的重要领域之一，也受到了广泛的关注。而车联网概念的兴起，标志着智能交通系统的发展更进一步，这意味着能够带来全新的机遇和应用。车速预测作为智能交通系统中的重要问题之一，对提高交通运输效率、改善路网拥堵、保障交通安全具有重要作用。进行准确，失误率低的速度预测是安全自动驾驶的前提，也是实现物联网的先决条件，车速预测可以帮助车辆驾驶者做出更加明智的决策，从而提高交通安全和效率。因此，在智能交通系统领域，许多方法被引入以提高车速预测的准确度。
[0003]传统的车速预测方法主要基于统计学和机器学习算法，但是存在着一些局限性。由于车速预测数据来源的复杂性和数据量的大量性，现有的预测方法存在一些问题，比如预测的准确度不够高，需要大量的特征工程等。
[0004]随着深度学习技术的不断发展，越来越多的研究开始将深度学习与车速预测相结合。卷积神经网络(CNN)，长短时记忆网络(LSTM)是常用的深度学习模型，已经被广泛应用于车速预测中。但由于驾驶数据来源多样，且车辆速度与驾驶员习惯以及周围环境等多种因素有关，单一的预测模型难以在所有场景下都有很好的预测精度。
[0005]中国专利CN113253739A公开了一种用于高速公路的驾驶行为决策方法。将自动驾驶车辆在高速公路上的决策过程定义为部分可观测的马尔可夫决策过程；定义了自动驾驶车辆的策略；训练自动驾驶车辆；将自动驾驶车辆神经网络模型部署于车载终端，并实现驾驶行为决策。该方法用来先进的神经网络预测方法，但没有充分考虑不同的驾驶风格对预测的影响。
[0006]中国专利CN113095558A公开了一种智能网联汽车的迭代优化多尺度融合车速预测算法。根据不同驾驶风格的司机分类，分别建立回归模型。然后分配各模型的权重，获得全局融合预测车速。通过建立局部车速预测模型，对模型概率更新，然后计算校准的全局融合预测车速，重复步骤。该方法考虑了不同驾驶风格的司机，但没有考虑不同驾驶风格的行驶段，并且没有充分利用驾驶数据。
[0007]在同一驾驶场景下，由于受驾驶员风格和交通状况等多种因素的影响，会出现多种不同的车速变化模式。采用单一的车速预测模型难以在上述多种车速变化模式下均能有很好的预测性能表现。如果能根据驾驶数据对车速变化模式进行聚类，然后针对每一类模式针对性的构建车速预测模型，则可实现对车速预测精度的提升。

技术实现思路

[0008]为了克服现有技术中存在的上述问题，本专利技术基于聚类和深度学习网络，利用车
速、加速度和与前车距离等驾驶数据，提取历史数据样本段的特征向量，对样本数据段进行聚类用以区分不同的车速变化模式，然后根据不同的簇建立不同的深度学习车速预测模型，从而设计出提出一种基于聚类和神经网络的车辆速度预测方法，实现对车辆速度预测精度的提升。
[0009]为实现上述技术效果，本申请的技术方案如下：
[0010]一种基于聚类和神经网络的车辆速度预测方法，基于车辆历史驾驶数据，对历史驾驶数据进行预处理后，将历史驾驶数据切分为多个样本数据段；计算所有样本数据段中被预测车辆与前车间距和车辆速度之间斯皮尔曼(Spearman)系数后，确定用于聚类的各特征权重系数并计算每个样本数据段的特征向量，进一步根据轮廓系数指标确定簇的数量后，采用k
‑
means聚类方法对样本数据段特征向量进行聚类；根据特征向量聚类结果将对应的样本数据段进行分簇；针对每一个簇中的样本数据段构建基于深度学习的速度预测模型，用于对车辆速度的预测。
[0011]具体包括以下步骤：
[0012]步骤1，将获取到的数据库做清洗预处理后，切分为多个样本数据段；
[0013]步骤2，计算整个数据库中车辆速度和与前车间距之间的Spearman系数；
[0014]步骤3，提取各样本数据段的特征值，确定用于聚类的各特征权重系数并计算每个样本数据段的特征向量；
[0015]步骤4，根据轮廓系数指标确定聚类簇的数量；
[0016]步骤5，采用k
‑
means聚类方法对样本数据段特征向量进行聚类；根据特征向量聚类结果将对应的样本数据段进行分簇；
[0017]步骤6：针对每一个簇中的样本数据段构建基于深度学习的速度预测模型。
[0018]具体的，步骤1中在对历史驾驶数据进行预处理时，首先去除重复数值，然后将与前车距离超出预设阈值M米的数据修正为M米；阈值M根据应用场景进行设置，在高速场景下取相对较大的数值，在低速场景下选取相对较小的值；对于缺失的数据采用的是三次样条插值法进行补齐，采用缺失部分前后各两帧数据作为提供插值参考数据的点；然后对车速、加速度和与前车距离数据分别进行归一化，具体归一化方法为：将速度和与前车间距等比例缩放到区间[0,1]，加速度等比例缩放到区间[
‑
0.5,0.5]；数值区间左端对应该特征最小值，右端对应该特征最大值。
[0019]进一步地，在完成数据的预处理后，将数据集中持续时间较长的历史驾驶数据切分为多个样本数据段。具体方法为：将数据划分为每连续t秒(共包含T帧数据)划为一段，末尾不足t秒的部分数据舍弃；参数t的值根据应用场景进行设定：针对频繁变化的驾驶场景选取较小的值，针对相对稳定的驾驶场景选取较大的值。
[0020]进一步地，步骤2中计算车辆速度和与前车间距之间的Spearman系数ρ的公式为：其中，N为数据集中所有样本数据段的总数量，R(v
i
)和R(d
i
)分别表示第i个样本数据段中的速度值和与前车车距值在对应特征中按照升序排列的位次，和分别速
度和与前车车距的平均位次。
[0021]进一步地，步骤3中提取各样本数据段的特征值的具体方法为：提取第j段样本数据的特征值包括车辆平均速度平均加速度与前车平均间距计算方法为：；第j个样本数据段的特征向量由该段数据中T帧数据的平均速度平均加速度与前车平均间距三个指标加权后构成，即向量即向量其中，w
v
，w
a
和w
d
的取值分别为max{0,(1
‑
4ρ2)}，3ρ2和ρ2。
[0022]进一步地，步骤4中根据轮廓系数指标确定聚类簇的数量的具体方法为：分别设置不同的簇数指标K，并分别采用k
‑
means方法进行聚类，聚类完成后针对轮廓系数指标来确定簇的数量。其中指标K的取值为整数，最小值为2，最大值的取值不小于使对应的轮廓系数出现峰值所需阈值。
[0023]进一步地，给定指标K时，采用k
‑
means方法进行聚类的具体方法为：根据输簇数K，随机初始化K个聚类中心；针对第i个聚类，其聚类中心标记为并定义空集合S...

【技术保护点】

【技术特征摘要】
1.一种基于聚类和神经网络的车辆速度预测方法，其特征在于基于车辆历史驾驶数据，对历史驾驶数据进行预处理后，将历史驾驶数据切分为多个样本数据段；计算所有样本数据段的车辆速度和与前车间距两类数据之间斯皮尔曼(Spearman)系数后，确定用于聚类的各特征权重系数并计算每个样本数据段的特征向量，进一步根据轮廓系数指标确定簇的数量后，采用k
‑
means聚类方法对样本数据段特征向量进行聚类；根据特征向量聚类情况将对应的样本数据段进行分簇；针对每一个簇中的样本数据段构建基于深度学习的速度预测模型，用于对车辆速度的预测。2.根据权利要求1所述的一种基于聚类和神经网络的车辆速度预测方法，其特征在于：历史驾驶数据包括历史时间点的时间戳，对应的车辆速度、车辆加速度以及车辆与前车之间的距离。3.根据权利要求1所述的一种基于聚类和神经网络的车辆速度预测方法，其特征在于：在对历史驾驶数据进行预处理时，首先去除重复数值，然后将与前车距离超出预设阈值M米的数据修正为M米；阈值M根据应用场景进行设置，在高速场景下取相对较大的数值，在低速场景下选取相对较小的值；对于缺失的数据采用的是三次样条插值法进行补齐，采用缺失部分前后各两帧数据作为提供插值参考数据的点；然后对车速、加速度和与前车距离数据分别进行归一化，具体归一化方法为：将速度和与前车间距等比例缩放到区间[0,1]，加速度等比例缩放到区间[
‑
0.5,0.5]；数值区间左端对应该特征最小值，右端对应该特征最大值。4.根据权利要求1所述的一种基于聚类和神经网络的车辆速度预测方法，其特征在于：在将持续时间较长的历史驾驶数据切分为多个样本数据段时，将数据划分为每连续t秒(共包含T帧数据)划为一段，末尾不足t秒的部分数据舍弃；参数t的值根据应用场景进行设定：针对频繁变化的驾驶场景选取较小的值，针对相对稳定的驾驶场景选取较大的值。5.根据权利要求1
‑
4任意一项所述的一种基于聚类和神经网络的车辆速度预测方法，其特征在于：确定用于聚类的各特征权重系数和计算样本段特征向量方法如下：首先计算车辆速度和与前车间...

【专利技术属性】
技术研发人员：罗浩轩，胡潇，黄霖宇，
申请(专利权)人：四川大学，
类型：发明
国别省市：