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

摘要

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，由源域样本选择和LSTM模型的训练组成。源域样本选择包括筛选依据和数量选择；筛选依据是通过改进的LCSS算法求解所得到的源域样本与目标域样本之间的相似度，并考虑到驾驶员的跟驰行为在很大程度上取决于前车与后车车速差Δv、车头间距h以及本车加速度a，因此选取γ作为衡量两个样本的描述特征；数量选择是根据源域样本的相似度，选择不同数量的源域样本对LSTM模型进行训练，通过模型性能对比以选择合适的数量。本发明采用的迁移样本筛选机制能够有效减少负迁移，以利用较少的雾天环境下跟驰样本，获得性能更理想的跟驰模型。

说明书

技术领域

本发明涉及一种雾天条件下跟驰车辆加速度预测方法，利用样本之间相似度的计算方法，选择合适的迁移样本，实现通过样本迁移来提升LSTM跟驰模型在不良天气条件下的性能，属于智能交通领域。

背景技术

雾天环境下能见度低，使得驾驶员视距缩短，易产生紧张心理与疲劳感，难以对前车速度的变化做出及时反应，导致雾天环境下交通效率降低、交通事故率升高。跟驰模型对理解和刻画雾天环境下交通流的特征，进而提高雾天下的交通安全有着重要意义。

从建模方法的角度划分，跟驰模型可分为理论驱动与数据驱动两类。目前的研究中，不良天气下的跟驰模型大多属于理论驱动类。理论驱动类模型的优势是能够将跟驰过程直观的用某几个变量描述出来，其劣势是难以准确刻画驾驶人的驾驶经验和模糊感知特性。随着人工智能、深度学习的发展，以数据驱动的建模方法受到研究者的广泛关注。其中，人工神经网络方法通过对数据样本进行训练，被证明能更好的描述不同特征驾驶员的跟驰行为。长短时记忆神经网络其独特的记忆能力在跟驰行为建模中表现出了良好的性能，但其前提是需要大量的训练样本，这对于正常天气情况下是容易实现的。然而，由于雾发生的不确定性和少数，雾天环境下跟驰样本的获取相对困难。雾天环境下样本量小，会导致LSTM模型的性能变差。

鉴于此，本发明采用样本迁移来增加训练样本数，利用正常天气下的跟驰数据辅助LSTM神经网络学习雾天环境下的跟驰行为，进而提升LSTM雾天跟驰模型的性能。

发明内容

本发明提出了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，旨在解决雾天环境下跟驰样本的获取相对困难的问题。一种基于迁移学习与LSTM-NN的雾天条件下跟驰车辆加速度预测方法的流程图如图1所示。

该方法由源域样本选择和LSTM模型的训练两部分组成。源域样本选择包括筛选依据和数量选择；所述筛选依据是通过改进的LCSS算法求解所得到的源域样本与目标域样本之间的相似度，并考虑到驾驶员的跟驰行为在很大程度上取决于前车与后车车速差Δv、车头间距h以及本车加速度a，因此选取γ(式1)作为衡量两个样本的描述特征，其中θ为调整系数；所述数量选择是根据源域样本的相似度，选择不同数量的源域样本对LSTM模型进行训练，通过模型性能对比以选择合适的数量。LSTM模型的训练包括损失函数、优化器与迭代终止条件；所述损失函数选取均方误差；所述优化器选取Adam算法；所述迭代终止条件为最大训练次数为1000次，模型收敛趋势取目标值0.0001。

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，该方法的实现步骤包括如下：

步骤一，收集正常天气(源域)与雾天环境(目标域)下的跟驰样本；

步骤二，首先确定衡量两个样本的描述特征γ，将源域与目标域样本的多维时间序列转化为一维时间序列。描述特征γ按照式1计算：其中Δv为样本前车与后车车速差，h为车头间距，a为本车加速度，θ为调整系数(取0.5)；

步骤三，计算出源域与目标域样本的相似度。步骤三所述的相似度按照以下方法确定：首先，从源域与目标域中各选一个样本，将目标域样本的描述特征的每个元素在长为δ＝4和宽为ε的矩形范围搜索源域样本中的公共元素，计算得到目标域样本与源域样本的最长公共子序列,将之除以最大序列长度得到相似度S；然后，根据上述过程计算源域的样本{x

ε＝0.6×σ (2)

其中：σ为所选两样本描述特征γ的标准差的极小值。

步骤四，根据计算得到的相似度用不同数量的源域样本与目标域样本形成不同的实验组对LSTM进行协同训练，得到不同的雾天下跟驰车辆加速度预测模型。不同实验组的样本按照以下方法确定：首先将迁移样本根据相似度S

步骤五，通过比较不同实验组得到的模型性能指标(MSE、RMSE、MAE)，取性能最优的模型作为雾天环境下跟驰车辆加速度预测模型。

与现有技术相比，本发明具有以下优点：

(1)与基于理论驱动的跟驰模型相比，本发明采用数据驱动的建模方式，通过训练LSTM模型，使其能更好的描述不同特征驾驶员的跟驰行为。

(2)本发明采用的迁移样本筛选机制能够有效减少负迁移，提高跟驰模型的性能。

(3)对于实际应用，可以利用较少的雾天条件下跟驰样本，获得性能更理想的跟驰模型。

附图说明

图1为雾天条件下跟驰车辆加速度预测方法的流程图；

图2为迁移学习-LSTM雾天跟驰模型结构图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的说明。

LSTM神经网络包含一个输入层、几个隐藏层和一个输出层，本文将跟驰车辆当前时刻的速度v

本发明所述的智能车辆路口停车方法流程如图1所示，具体包括以下几个步骤：

步骤一，收集正常天气与雾天条件下的跟驰样本；

步骤二，首先确定衡量两个样本的描述特征γ，将源域与目标域样本的多维时间序列转化为一维时间序列。描述特征γ按照式1计算：其中Δv为样本前车与后车车速差，h为车头间距，a为本车加速度，θ为调整系数，取0.5；

步骤三，计算出在正常天气与雾天环境下跟驰样本的相似度。步骤三所述的相似度按照以下方法确定：首先，从源域与目标域中各选一个样本，将目标域样本的描述特征的每个元素在长为δ＝4和宽为ε的矩形范围搜索源域样本中的公共元素，计算得到目标域样本与源域样本的最长公共子序列,将之除以最大序列长度得到相似度S；然后，根据上述过程计算源域的样本{x

ε＝0.6×σ (2)

其中：σ为所选两样本描述特征γ的标准差的极小值。

步骤四，根据计算得到的相似度用不同数量的源域样本与目标域样本形成不同的实验组对LSTM进行协同训练，得到不同的雾天环境下跟驰车辆加速度预测模型。不同实验组的样本按照以下方法确定：首先将迁移样本根据相似度S

步骤五，通过比较不同实验组得到的模型性能指标(MSE、RMSE、MAE)，取性能最优的模型作为雾天环境下跟驰车辆加速度预测模型。

通过比较本发明所述的基于迁移学习与LSTM-NN的雾天条件下跟驰车辆加速度预测方法的效果，可以看出，由150个源域样本迁移到目标域训练得到的LSTM模型的精度最高，样本迁移提升了模型的性能。