一种基于深度学习的车辆驾驶行为预测方法及系统技术方案

本发明专利技术涉及深度学习技术领域，公开了一种基于深度学习的车辆驾驶行为预测方法，包括以下步骤：步骤S101，生成数据采集范围；步骤S102，生成数据采集范围内所有交通参与者的移动特征；步骤S103，基于移动特征构建图网络数据，并输入到轨迹预测模型中，输出当前车辆的周围最邻近的交通参与者的行驶轨迹；步骤S104，根据行驶轨迹生成驾驶行为；步骤S105，根据驾驶行为生成预警信息；本发明专利技术通过图注意力机制结合门控循环神经网络模型来预测当前车辆的周围最邻近的交通参与者的行驶轨迹，通过行驶轨迹对驾驶行为进行更细致的划分，并结合高清地图数据提高对道路环境和交通政策的语义理解，从而提高模型的预测精度。

【技术实现步骤摘要】

本专利技术涉及深度学习，更具体地说，它涉及一种基于深度学习的车辆驾驶行为预测方法及系统。

技术介绍

1、车辆驾驶行为是指驾驶员在驾驶过程中的行为特征，当前车辆的驾驶行为通常受到其他车辆的驾驶行为、道路环境和交通政策等因素影响，研究车辆驾驶行为旨在提高驾驶员在驾驶过程中的安全性。

2、公开号为cn116959260b，专利名称为一种基于图神经网络的多车辆驾驶行为预测方法的中国专利公开了：以交通参与者为节点，交通参与者之间的距离为边，每个交通参与者的横向位置、纵向位置、横向速度、纵向速度以及所在车道信息作为该节点的特征值来构建图结构数据，并输入到图神经网络模型中进行特征更新，再将每个交通参与者的更新特征输入到lstm(长短期记忆神经网络模型)中，输出连接两个softmax分类器，第一分类器的分类空间表示每个交通参与者下一个时间点发生横向驾驶行为(左转、右转、直行)的概率，第二分类器的分类空间表示每个交通参与者下一个时间点发生纵向驾驶行为(加速、减速、匀速)的概率。

3、上述方案中通过图神经网络模型结合长短期记忆神经网络模型预测了每个交通本文档来自技高网...

【技术保护点】

1.一种基于深度学习的车辆驾驶行为预测方法，其特征在于，包括以下步骤：步骤S101，以当前车辆的位置为中心，第一预设距离H为半径生成数据采集范围；

2.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，H、T、t、K和N均为自定义参数，其中第一预设距离H的默认值为100米，预设采集时间段T的默认值为3秒，预设时间间隔t的默认值为0.2秒，则时间区间的数量n为15，K的默认值为4，N的默认值为2秒，则M等于10。

3.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，交通参与者类型属于交通参与者类型集合，交通参与者类型集合...

【技术特征摘要】

1.一种基于深度学习的车辆驾驶行为预测方法，其特征在于，包括以下步骤：步骤s101，以当前车辆的位置为中心，第一预设距离h为半径生成数据采集范围；

2.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，h、t、t、k和n均为自定义参数，其中第一预设距离h的默认值为100米，预设采集时间段t的默认值为3秒，预设时间间隔t的默认值为0.2秒，则时间区间的数量n为15，k的默认值为4，n的默认值为2秒，则m等于10。

3.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，交通参与者类型属于交通参与者类型集合，交通参与者类型集合表示为：b＝{b1…b3}，其中b1…b3分别表示交通参与者类型为机动车、非机动车和行人，交通参与者类型集合的元素值通过正整数表示；交通参与者的车道线数据通过交通参与者所在车道线类型表示，车道线类型属于车道线类型集合，车道线类型集合表示为：c＝{c1…c3}，c1…c3分别表示车道线类型为左转道路线、右转道路线和直行道路线，车道线类型集合的元素值通过正整数表示；交通参与者的信号灯数据通过每个交通参与者的最前方的交通信号灯是否为绿灯来表示，其中1表示前方的交通信号灯为绿灯，0...

【专利技术属性】
技术研发人员：邓先宇，
申请(专利权)人：重庆博尼施科技有限公司，
类型：发明
国别省市：