CN115547047B - 一种基于注意力模型的智能网联车跟驰模型 - Google Patents
一种基于注意力模型的智能网联车跟驰模型 Download PDFInfo
- Publication number
- CN115547047B CN115547047B CN202211210700.4A CN202211210700A CN115547047B CN 115547047 B CN115547047 B CN 115547047B CN 202211210700 A CN202211210700 A CN 202211210700A CN 115547047 B CN115547047 B CN 115547047B
- Authority
- CN
- China
- Prior art keywords
- following
- vehicle
- model
- module
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract 2
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract 2
- 230000006870 function Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008029 eradication Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆跟驰技术领域，具体涉及一种基于注意力模型的智能网联车跟驰模型，数据获取模块，用于获取历史车辆跟驰数据，所述历史车辆跟驰数据包括车辆信息、车距信息；模型构建模块，用于根据获取到的历史车辆跟驰数据，利用神经网络算法，构建BP神经网络模型；还用于根据获取到的历史车辆跟驰数据，构建Gipps跟驰模型；线性组合模块，用于根据构建好的BP神经网络模型和Gipps跟驰模型，进行线性组合，生成对应的线性组合预测模型；速度预测模块，用于利用线性组合模型，根据上一时刻下的车辆跟驰数据，对跟驰车辆的当前跟驰速度进行预测。本方案能够在确保跟驰车辆安全的前提下，实现对跟驰车辆的跟驰速度的真实预测。
Description
技术领域
本发明涉及车辆跟驰技术领域，具体涉及一种基于注意力模型的智能网联车跟驰模型。
背景技术
车辆跟驰作为微观交通流理论的重要组成部分，它研究的是单一车道上行驶车辆的跟驰行为。研究发现车辆跟驰行为对交通流的特征和交通仿真结果有着重要的影响，而且在智能网联车辆和自适应巡航控制系统中，车辆跟驰也是必不可少的关键组成部分。
现有的一些基于深度学习的跟驰模型大多数都是根据当前时刻数据对下一时刻的速度进行预测，通过这种深度学习的方式对下一时刻的跟驰速度进行预测确实能够比较真实的还原跟驰车辆的下一时刻的跟驰速度，真实的反映跟驰现场的情况，但是对于跟驰这种行为，不仅仅要考虑真实性，同时也要考虑安全性，毕竟在跟驰的过程中，无法确保跟驰过程中不出现意外。
基于此，需要一种基于注意力模型的智能网联车跟驰模型，能够在兼顾跟驰车辆安全的前提下实现对跟驰车辆的跟驰速度的真实预测。
发明内容
本发明意在提供一种基于注意力模型的智能网联车跟驰模型，能够在确保跟驰车辆安全的前提下，实现对跟驰车辆的跟驰速度的真实预测。
为达到上述目的，本发明采用如下技术方案：一种基于注意力模型的智能网联车跟驰模型，包括：
数据获取模块，用于获取历史车辆跟驰数据，所述历史车辆跟驰数据包括车辆信息、车距信息；所述车辆信息包括跟驰车辆的速度，跟驰车辆的加速度，前车的速度以及前车的加速度；
模型构建模块，用于根据获取到的历史车辆跟驰数据，利用神经网络算法，构建BP神经网络模型；还用于根据获取到的历史车辆跟驰数据，构建Gipps跟驰模型；
线性组合模块，用于根据构建好的BP神经网络模型和Gipps跟驰模型，进行线性组合，生成对应的线性组合预测模型；
速度预测模块，用于利用线性组合模型，根据上一时刻下的车辆跟驰数据，对跟驰车辆的当前跟驰速度进行预测。
本方案的原理及优点是：本方案中，首先对历史车辆跟驰数据进行收集，然后利用收集到的历史车辆跟驰数据分别构建对应的BP神经网络模型以及Gipps跟驰模型，之后利用线性组合预测的方法将两个模型进行线性组合，形成新的线性组合预测模型，最后利用上一时刻的车辆跟驰数据，带入到新的线性组合预测模型中，输出对应的当前时刻的车辆跟驰速度。
本方案中，在对车辆跟驰速度的预测所使用的是线性组合预测模型，即BP神经网络模型和Gipps跟驰模型的耦合，这样得到的最终车辆跟驰速度既能确保跟驰过程中车辆之间的安全性，同时也能尽可能还原跟驰车辆的真实的跟驰速度，与单一的模型相比，例如BP神经网络模型确实预测出来的跟驰速度更贴近现实，但是对应的安全性无法得到保障，而只使用Gipps跟驰模型预测出来的跟驰速度确实能够确保车辆之间的安全，但是对应的跟驰速度不够真实，这使得进行试验时对应的数据会比较不真实和准确，对应的试验结果也就不具有代表性，本方案通过将两种模型进行耦合，使得最终得到的跟驰数据在确保安全的前提下，尽可能的靠近真实的跟驰速度，这样得到的数据就更有说服力和可靠性。
优选的，作为一种改进，还包括BP神经网络模型更新模块，用于初始化BP神经网络模型中的权重参数和偏置参数，并将历史车辆跟驰数据输入到BP神经网络模型，经过不断训练学习，更新权重参数和偏置参数，形成新的BP神经网络模型；
模型标定模块，用于利用历史车辆跟驰数据，对Gipps跟驰模型中的参数进行标定，形成新的Gipps跟驰模型。
有益效果：通过BP神经网络模型更新模块和模型标定模块的设置实现对BP神经网络模型和Gipps跟驰模型的数据更新，使得这两个模型对应的参数都符合要求，这使得在使用这两个模型时对应的输出结果会更加的准确和可靠。
优选的，作为一种改进，还包括最优加权系数匹配模块，用于根据形成的线性组合预测模型，并结合预测要求，匹配出对应的最优加权系数；所述预测要求包括安全性和真实性。
有益效果：在本方案中，操作人员在使用线性组合预测模型的时候，不同的场景对应的不同的要求，根据预测要求，有的需要考虑安全，有的需要考虑真实，基于这两点，都进行其预测要求所对应的最优加权系数，通过这两种要求的最优加权系数的匹配，可以使得在进行速度预测时，可以在第一时间预测出满足要求的跟驰速度，大大提高跟驰速度的预测速度。
优选的，作为一种改进，还包括数据筛选模块，用于在跟驰数据库中选取符合要求的车辆跟驰数据，得到对应的历史车辆跟驰数据。
有益效果：通过对跟驰数据库中的车辆跟驰数据进行筛选，大大提高数据的有效性和可靠性，同时也是有普遍性。
优选的，作为一种改进，所述数据筛选模块包括：
第一选取模块，用于在跟驰数据库中选取具有代表性的一般道路交通环境条件下的车辆跟驰数据；
第二选取模块，用于在第一选取模块选取出来的车辆跟驰数据中，选取出在同一条车道上跟随形式的车辆跟驰数据，形成对应的历史车辆跟驰数据。
有益效果：在对车辆跟驰数据进行筛选时，首先是选取具有代表性的一般道路交通环境条件，这样选出来的数据会更具代表性和普遍性，这样在具体预测使用时整个系统的适用性更强。
附图说明
图1为本发明实施例一中基于注意力模型的智能网联车跟驰模型的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例基本如附图1所示：一种基于注意力模型的智能网联车跟驰模型，包括：
数据获取模块，用于获取历史车辆跟驰数据，所述历史车辆跟驰数据包括车辆信息、车距信息；所述车辆信息包括跟驰车辆的速度，跟驰车辆的加速度，前车的速度以及前车的加速度；在对数据进行获取时，需要对数据进行甄选。
数据筛选模块，用于在跟驰数据库中选取符合要求的车辆跟驰数据，得到对应的历史车辆跟驰数据；
所述数据筛选模块包括：
第一选取模块，用于在跟驰数据库中选取具有代表性的一般道路交通环境条件下的车辆跟驰数据；
第二选取模块，用于在第一选取模块选取出来的车辆跟驰数据中，选取出在同一条车道上跟随形式的车辆跟驰数据，形成对应的历史车辆跟驰数据。
具体包括：1)选取具有代表性的一般道路交通环境(道路、驾驶员、行驶轨迹、气候等)条件下的跟驰数据；
2)选取数据时，将跟驰车辆与被跟驰车辆作为一个整体，并将其看成一个跟驰单元；
3)每个跟驰单元中的两辆车的行驶特征为：在同一条车道上跟随行驶(跟驰车辆即不发生换道行为，又不发生超车行为)；
4)当一个跟驰单元中的跟驰车辆和被跟驰车辆之间的距离过大时，认为此条数据的跟驰特征不明显，并筛除这两辆车的行驶轨迹数据；
5)只选取跟驰车辆的跟驰行为持续时长为26秒的跟驰单元，并提取此跟驰单元中两辆车的行驶轨迹数据。在具体数据的使用时，70％的历史车辆跟驰数据用于模型的训练，其他的数据用于对模型进行测试。
模型构建模块，用于根据获取到的历史车辆跟驰数据，利用神经网络算法，构建BP神经网络模型；在本实施例中，BP神经网络模型使用BP神经网络技术来对跟驰速度进行预测，具体的首先构建一个三层的BP神经网络模型，包括输入层、隐层和输出层，本实施例中，以跟驰车辆的速度，跟驰车辆的加速度，前车的速度以及前车的加速度、车距信息作为输入层的输入，因此输入层有5个节点，而输出的是对应当前时刻的车辆跟驰速度，因此共有一个节点，针对隐层，本实施例使用以下公式来确定隐层节点的数量：其中其中l为隐层的节点数，n为输入层的节点数，m为输出层的节点数，a为1至10之间的一个数，本实施例中取为6，因此隐层共有8个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本文选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。
还用于根据获取到的历史车辆跟驰数据，构建Gipps跟驰模型；
在本实施例中，Gipps车辆跟驰模型的基本表达式如下：
其中：αn+1、Vn+1、bn+1、bn为待标定的参数。αn+1表示第n+1车能采用的最大加速度；Vn+1表示第n+1车在此交通环境中期望选用的速度；bn+1、bn分别表示车辆n+1的最大减速度和车辆n的最大减速度。
还包括BP神经网络模型更新模块，用于初始化BP神经网络模型中的权重参数和偏置参数，并将历史车辆跟驰数据输入到BP神经网络模型，经过不断训练学习，更新权重参数和偏置参数，形成新的BP神经网络模型；
模型标定模块，用于利用历史车辆跟驰数据，对Gipps跟驰模型中的参数进行标定，形成新的Gipps跟驰模型。在本实施例中，利用MATLAB的工具箱和采集到的跟驰数据对Gipps中的参数Vn，αn进行标定，通过跟驰车辆的速度、加速度、与前车的距离，前车的速度和加速度确定Gipps模型中Vn和αn参数的值。
线性组合模块，用于根据构建好的BP神经网络模型和Gipps跟驰模型，进行线性组合，生成对应的线性组合预测模型；
速度预测模块，用于利用线性组合模型，根据上一时刻下的车辆跟驰数据，对跟驰车辆的当前跟驰速度进行预测。
还包括最优加权系数匹配模块，用于根据形成的线性组合预测模型，并结合预测要求，匹配出对应的最优加权系数；所述预测要求包括安全性和真实性。
实施例二
与实施例一相比，本实施例的不同的之处在于还包括工况识别模块，用于在获取到上一时刻下的车辆跟驰数据之后，识别该跟驰车辆跟驰路径的工况信息；
相似度匹配模块，用于根据识别出来的工况信息，对数据库中的历史工况信息与该工况信息的相似度进行匹配和判断，判断对应的相似度是否存在大于预设相似阈值，若存在，则调出该历史工况信息所对应的历史车辆信息和历史真实当前跟驰速度，若不存在，则通过速度预测模块对跟驰车辆的当前跟驰速度进行预测；
处理模块，用于若识别出来的历史工况信息与该跟驰车辆的工况信息相同时，则该跟驰车辆的当前跟驰速度为该历史工况信息所对应的历史真实当前跟驰速度；
若识别出来的历史工况信息与该跟驰车辆的工况信息相似但不相同，则根据该跟驰车辆的工况信息，识别出对应的工况类型，并调用该工况类型相对应的调整策略；
调整模块，用于根据对应的调整策略，对该历史工况信息所对应的历史真实当前跟驰速度进行调整，之后对应的该跟驰车辆的当前跟驰速度为调整后的历史真实当前跟驰速度；
存储模块，用于存储历史工况信息、对应的历史车辆跟驰数据、以及历史真实当前跟驰速度；还用于根据工况类型，对历史真实当前根除速度进行调整的调整策略。
在本方案中，在获取上一时刻下的车辆跟驰数据之后，就会对该跟驰车辆的路径所对应的工况信息进行识别，然后从数据库中对于该工况信息相类似的历史工况信息进行匹配，即对历史工况信息进行相似度的计算和判断，只有在对应的相似度大于预设相似阈值的时候，才会调出对应的历史工况信息所对应的历史车辆信息和历史真实当前跟驰速度，反之就会利用速度预测模块来对跟驰车辆当前跟驰速度进行预测。在本实施例中，对工况信息相似度的匹配时不仅考虑车辆行驶环境的相似程度，还会对车辆信息的相似程度进行考虑。
之后就会对相似度进行判断，如果对应的历史工况信息与本次的工况信息相同，在本实施例中，工况信息相同即对应的车辆行驶环境和车辆信息都相同。那么就会认定本次的跟驰数据应该与历史工况信息相同，即对应的该跟驰车辆的当前跟驰速度应该为该历史工况信息所对应的历史真实当前跟驰速度。
当然如果对应的历史工况信息与该跟驰车辆的工况信息相似但不相同，即对应的车辆行驶环境相同，对应的车辆信息不尽相同，那么就会根据该跟驰车辆的工况信息，识别出对应的工况类型，并调用该工况类型相对应的调整策略，然后根据对应的调整策略，对该历史工况信息所对应的历史真实当前跟驰速度进行调整，之后对应的该跟驰车辆的当前跟驰速度为调整后的历史真实当前跟驰速度。其中调整策略即不同的工况类型有不同的调整策略，例如在相同的路段，不同的天气下，对应的调整策略是不同的，例如晴天和下雪天，在下雪天，调整策略在对历史真实当前跟驰速度进行调整时会尽可能的减小历史真实当前跟驰速度，充分考虑雪天路面比较滑，在跟驰过程中车辆刹车距离会比较长，通过减小历史真实当前跟驰速度使得该跟驰车辆的当前跟驰速度相比历史真实当前跟驰速度会更小，而晴天的时候，就有可能会保持或者适当增加对应的历史真实当前跟驰速度，使得该跟驰车辆的当前跟驰速度相比历史真实当前跟驰速度会更大或者不变。在具体进行调整时，会根据对应的工况类型，匹配出该工况类型下该历史真实当前跟驰速度所对应的刹车距离，并计算在当前工况类型下对应的刹车距离与该工况类型的刹车距离的差值，并根据对应的差值形成对应的调整比，历史真实当前跟驰速度的调整量为对应的历史真实当前跟驰速度与调整比之间的乘积所对应的数值。将对应的历史真实当前跟驰速度的调整量与对应的刹车距离进行关联，这样大大提高了调整量的准确性，大大提高了对应的调整后的跟驰速度的安全和准确。
当然其他工况类型下对应的调整策略也是不相同的，例如雪天和雨天，同样是路面比较滑的环境，但是其对应的滑的程度是不同的，那么在对历史真实当前跟驰速度进行调整时对应的调整力度也会不一样。
本方案通过将比较相似的历史工况信息所对应的数据进行提取，并通过对工况类型的判断来进行匹配不同的调整策略，以此来得到更加符合该跟驰车辆所对应的工况信息下的当前跟驰速度，尽可能的确保对当前跟驰速度的准确判断，以及确保跟驰过程中的安全性，大大提高了跟驰的安全保障。
以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (5)
1.一种基于注意力模型的智能网联车跟驰模型，其特征在于：包括：
数据获取模块，用于获取历史车辆跟驰数据，所述历史车辆跟驰数据包括车辆信息、车距信息；所述车辆信息包括跟驰车辆的速度，跟驰车辆的加速度，前车的速度以及前车的加速度；
模型构建模块，用于根据获取到的历史车辆跟驰数据，利用神经网络算法，构建BP神经网络模型；还用于根据获取到的历史车辆跟驰数据，构建Gipps跟驰模型；
线性组合模块，用于根据构建好的BP神经网络模型和Gipps跟驰模型，进行线性组合，生成对应的线性组合预测模型；
速度预测模块，用于利用线性组合模型，根据上一时刻下的车辆跟驰数据，对跟驰车辆的当前跟驰速度进行预测；
还包括工况识别模块，用于在获取到上一时刻下的车辆跟驰数据之后，识别该跟驰车辆跟驰路径的工况信息；
相似度匹配模块，用于根据识别出来的工况信息，对数据库中的历史工况信息与该工况信息的相似度进行匹配和判断，判断对应的相似度是否存在大于预设相似阈值，若存在，则调出该历史工况信息所对应的历史车辆信息和历史真实当前跟驰速度，若不存在，则通过速度预测模块对跟驰车辆的当前跟驰速度进行预测；
处理模块，用于若识别出来的历史工况信息与该跟驰车辆的工况信息相同时，则该跟驰车辆的当前跟驰速度为该历史工况信息所对应的历史真实当前跟驰速度；
若识别出来的历史工况信息与该跟驰车辆的工况信息相似但不相同，则根据该跟驰车辆的工况信息，识别出对应的工况类型，并调用该工况类型相对应的调整策略；
调整模块，用于根据对应的调整策略，对该历史工况信息所对应的历史真实当前跟驰速度进行调整，之后对应的该跟驰车辆的当前跟驰速度为调整后的历史真实当前跟驰速度；
存储模块，用于存储历史工况信息、对应的历史车辆跟驰数据、以及历史真实当前跟驰速度；还用于根据工况类型，对历史真实当前跟驰速度进行调整的调整策略。
2.根据权利要求1所述的一种基于注意力模型的智能网联车跟驰模型，其特征在于：还包括BP神经网络模型更新模块，用于初始化BP神经网络模型中的权重参数和偏置参数，并将历史车辆跟驰数据输入到BP神经网络模型，经过不断训练学习，更新权重参数和偏置参数，形成新的BP神经网络模型；
模型标定模块，用于利用历史车辆跟驰数据，对Gipps跟驰模型中的参数进行标定，形成新的Gipps跟驰模型。
3.根据权利要求2所述的一种基于注意力模型的智能网联车跟驰模型，其特征在于：还包括最优加权系数匹配模块，用于根据形成的线性组合预测模型，并结合预测要求，匹配出对应的最优加权系数；所述预测要求包括安全性和真实性。
4.根据权利要求3所述的一种基于注意力模型的智能网联车跟驰模型，其特征在于：还包括数据筛选模块，用于在跟驰数据库中选取符合要求的车辆跟驰数据，得到对应的历史车辆跟驰数据。
5.根据权利要求4所述的一种基于注意力模型的智能网联车跟驰模型，其特征在于：所述数据筛选模块包括：
第一选取模块，用于在跟驰数据库中选取具有代表性的一般道路交通环境条件下的车辆跟驰数据；
第二选取模块，用于在第一选取模块选取出来的车辆跟驰数据中，选取出在同一条车道上跟随形式的车辆跟驰数据，形成对应的历史车辆跟驰数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211210700.4A CN115547047B (zh) | 2022-09-30 | 2022-09-30 | 一种基于注意力模型的智能网联车跟驰模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211210700.4A CN115547047B (zh) | 2022-09-30 | 2022-09-30 | 一种基于注意力模型的智能网联车跟驰模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115547047A CN115547047A (zh) | 2022-12-30 |
| CN115547047B true CN115547047B (zh) | 2024-08-20 |
Family
ID=84732003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211210700.4A Active CN115547047B (zh) | 2022-09-30 | 2022-09-30 | 一种基于注意力模型的智能网联车跟驰模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115547047B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE2350643A1 (en) * | 2023-05-26 | 2024-11-27 | Scania Cv Ab | Following distance based on historic brake events |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111338385A (zh) * | 2020-01-22 | 2020-06-26 | 北京工业大学 | 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 |
| CN111445015A (zh) * | 2020-06-15 | 2020-07-24 | 之江实验室 | 一种智能网联环境下非网联车位置估计方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8948995B2 (en) * | 2012-06-28 | 2015-02-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Preceding vehicle state prediction |
| CN110362910B (zh) * | 2019-07-05 | 2021-07-16 | 西南交通大学 | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 |
| CN110298131B (zh) * | 2019-07-05 | 2021-07-13 | 西南交通大学 | 一种混合驾驶环境下自动驾驶换道决策模型建立方法 |
| EP3878706A1 (en) * | 2020-03-09 | 2021-09-15 | Avl Powertrain Uk Ltd | Method for controlling a hybrid electric vehicle |
| CN112389436B (zh) * | 2020-11-25 | 2022-11-15 | 中汽院智能网联科技有限公司 | 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法 |
| CN112907967B (zh) * | 2021-01-29 | 2022-06-10 | 吉林大学 | 一种基于不完全信息博弈的智能车换道决策方法 |
| CN113033902B (zh) * | 2021-03-31 | 2024-03-19 | 中汽院智能网联科技有限公司 | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 |
-
2022
- 2022-09-30 CN CN202211210700.4A patent/CN115547047B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111338385A (zh) * | 2020-01-22 | 2020-06-26 | 北京工业大学 | 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 |
| CN111445015A (zh) * | 2020-06-15 | 2020-07-24 | 之江实验室 | 一种智能网联环境下非网联车位置估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115547047A (zh) | 2022-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111930110B (zh) | 一种结合社会生成对抗网络的意图轨迹预测方法 | |
| CN110386145B (zh) | 一种目标驾驶员驾驶行为实时预测系统 | |
| CN112289034A (zh) | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 | |
| CN110490275B (zh) | 一种基于迁移学习的驾驶行为预测方法 | |
| CN112668779B (zh) | 基于自适应高斯过程的前车运动状态预测方法 | |
| CN114170789A (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
| CN115547047B (zh) | 一种基于注意力模型的智能网联车跟驰模型 | |
| CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
| CN114179830A (zh) | 一种自动驾驶车辆的自主超车方法和系统 | |
| CN118004220A (zh) | 一种智能汽车个性化避障控制方法及系统 | |
| CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
| CN113761715A (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
| CN113378479A (zh) | 基于自动驾驶测试智能平台车的智能化标准方法和系统 | |
| CN116151472A (zh) | 一种基于车联网数据挖掘的电动汽车短期能耗预测方法 | |
| CN114248780B (zh) | 考虑驾驶员风格的idm-lstm组合型跟车模型建立方法 | |
| CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
| CN118439034B (zh) | 驾驶风格识别方法、装置、计算机设备和存储介质 | |
| CN118722712A (zh) | 基于Transformer和改进DQN算法的自动驾驶车辆换道决策方法 | |
| CN114881200B (zh) | 一种基于迁移学习与lstm-nn的雾天环境下跟驰车辆加速度预测方法 | |
| CN112052905A (zh) | 一种基于循环神经网络的驾驶人多操作疲劳特征提取方法 | |
| CN113255725B (zh) | 基于两阶段lstm的汽车传感器攻击检测与修复方法 | |
| Zhang et al. | Personalized Adaptive Cruise Control Based on Passenger's Subjective Risk Evaluation and Model Predictive Control | |
| CN119160138B (zh) | 一种基于电液制动阀的车辆姿态控制优化系统 | |
| CN118372818B (zh) | 一种基于个性化驾驶习惯的智能汽车纵向避障方法 | |
| CN112215520B (zh) | 一种多目标融合通行方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |