一种基于决策树模型的车辆强制换道决策方法
【专利摘要】本发明公开了一种基于决策树模型的车辆强制换道决策方法，该方法采用下列步骤：先通过传感器实时读取车辆强制并线换道时的相关数据；接着对获得的数据导入基于决策树模型的车辆强制换道决策模块中，该模块的构建步骤主要包括训练与测试数据的选取、树的分裂、属性阈值的选择、树的剪枝、基于weka平台的并线换道决策树模型建立和决策树模型的精确度验证；最后通过决策模块可形成车辆强制换道时的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。本发明减少了预警算法复杂、决策判断规则过多对判断结果的负面影响，提高了车辆强制换道时决策判断的准确度和可靠性，降低了误报率。
【专利说明】一种基于决策树模型的车辆强制换道决策方法【技术领域】
[0001]本发明涉及机动车辆驾驶安全领域，特别是涉及一种基于决策树模型的车辆强制换道决策方法。
【背景技术】
[0002]车辆换道决策失误一直是导致道路交通事故发生的重要原因之一。统计表明，在所有的换道事故中，由于驾驶人判断决策失误而引发的事故约占事故总量的75%。因此，车辆换道时，特别是车辆行驶的车道数变少需要强制换道时，给驾驶人提供快速准确的换道决策判断意义重大，对减少道路交通事故的发生，提高道路交通安全水平有着十分重要的意义。
[0003]车辆换道是一种比较复杂的驾驶行为。换道过程中驾驶人需要对自车的前方区域、后方区域以及侧向区域进行仔细观察，判断这些区域中是否存在其他车辆、周围车辆与自车的相对运动关系、以及自车与周围车辆发生冲突的可能性。然而，驾驶人通过后视镜对后方区域、侧向区域地观察通常不如对前方区域地观察那么直接，在分析换道冲突可能性的过程中容易出现失误。另一方面，后视镜的视觉盲区问题也引起较大的安全隐患。
[0004]目前，现有技术已有用于协助变换车道的车辆换道危险预警系统。目前常见的换道预警系统分为两类，第一类主要针对后视镜的视觉盲区问题，通过采用超声波传感器对自车侧向、后方临近区域内的车辆进行监控；第二类系统主要针对换道目标车道后方存在高速接近车辆的情况，通过使用测距雷达对换道过程中自车与其他车辆的相对距离、相对速度进行实时监控，分析换道过程中引发碰撞事故的风险程度，在风险程度较高情况下对驾驶人进行预警提示。然而，现有车辆换道危险预警系统运行所需装置多，预警算法复杂，可靠性不高，误报率不能控制在较低的水平，难以确保在任何条件下的换道安全，特别是车道数变少需要强制换道时的特殊情况。因此，目前需要一种车辆强制换道时预警算法简单、误报率较低的车辆强制换道决策方法。
【发明内容】
[0005]本发明的目的在于提供一种基于决策树模型的车辆强制换道决策方法，利用决策树模型给驾驶员进行车辆强制换道时提供决策判断，并在换道危险发生时及时地发出警报提醒。所述方法能够有效地为驾驶员进行车辆强制换道时提供正确可靠的决策判断，可极大地减少因换道决策失误导致的道路交通事故。
[0006]为实现上述目的，本发明采用如下技术方案:
[0007]一种基于决策树模型的车辆强制换道决策方法，包括以下步骤:
[0008]步骤1:通过多普勒测速雷达传感器获取样本数据，具体是对并线车辆与目标车道前方车辆的速度差V1、并线车辆与目标车道后方车辆的速度差V2、并线车辆与目标车道前方车辆的距离D1、并线车辆与目标车道后方车辆的距离D2、并线车辆离并线车道入口的距离S五个样本数 据实时的获取；[0009]步骤2:构建基于决策树模型的车辆强制换道决策模块，分别通过训练与测试样本数据的选取与处理、树的分裂、属性阈值的选择和树的剪枝、基于weka平台的并线换道决策树模型建立、决策树模型的精确度验证这五个环节来构建车辆强制换道决策模块；
[0010]步骤3:决策判断，将获取的五个样本数据实时地导入到车辆强制换道决策模块中，并通过基于weka平台下并线换道决策树模型中的终端节点类别形成车辆强制换道的决策判断。
[0011]进一步，所述步骤2中，训练与测试样本数据的选取与处理环节中的交通数据是由Next Generation Simulation (NGSIM)提供，NGSIM数据集中的轨迹数据提供每辆车的纵坐标、横坐标、速度、加速度和前后两车间隔时间，采样频率为IOHz ;并对数据集进行划分，所述数据集一部分用于模型训练，另一部分用于测试。
[0012]进一步，所述步骤2中的树的分裂环节，所用分裂标准选择具有最高信息增益率的属性作为给定集合S的测试属性；本方法的训练数据集为S，它包含s个数据样本，定义C1, C2分别代表并线类与不并线类这两个决策类，那么Sl，S2就是类C1, C2中的样本数目；则树的分裂步骤为:
[0013]首先，计算出给定样本分类所需的期望信息和熵值；
[0014]然后，通过得到的期望信息和熵值分别计算当各属性V1, V2, D1, D2, S作为分裂属性时的信息增益率，进而比较五个属性的信息增益率，选择信息增益率最大的属性作为最好的分裂属性；
[0015]最后，根据分裂属性的取值，可以得到决策树分支，数据集将被划分为多个子集，对于每一个子树重新计算各 属性信息增益率，依次类推，直至某一子集中的样本属于同一类，决策树停止分裂。
[0016]进一步，所述步骤2中的属性阈值的选择和树的剪枝环节，确定它们的阈值首先要将连续属性进行离散化处理，将属性值划分成若干个区间；然后运用Fayyad边界点判定定理，计算相邻两类区间边界点处属性值的信息增益率，选择信息增益率最大的属性值作为最优阈值；所述树的剪枝中决策树算法采用后剪枝算法。
[0017]进一步,所述步骤2中的基于weka平台的并线换道决策树模型建立环节,决策树结构中的终端节点用方框表示，决策节点用圆圈表示，在终端节点内标记类标签，观测样本数；如果决策树根节点通过属性相对速度V1进行分裂，这就表明并线车辆相对于目标车道前方车辆的相对速度是驾驶人做出并线决策需要考虑最重要的驾驶特征；从决策树的根节点到任一个叶节点形成的一条路径就可以构成一条分类规则，所有的路径能够得到完整的分类规则，其分类规则共16条，下述每条规则中的具体数值是通过Fayyad边界点判定定理获得的阈值，具体规则如下:
[0018]I)如果V1 <= -3.WsiD1 <= 17.lm，那么车辆不进行换道；
[0019]2)如果 V1 <= -3.WsiD1 > 17.lm，且 V2 > -1.2m/s，那么车辆进行换道；
[0020]3)如果 V1 < = -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s，且 D2 < = 7.9m，且 S
>55.2m，那么车辆不进行换道；
[0021]4)如果 V1 <= -3.> 17.1111，且￥2 <= -1.2111/8，且02 <= 7.9m，且 S<=55.2111，且01 <= 30.9m，那么车辆不进行换道；
[0022]5)如果 V1 < = -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s，且 D2 < = 7.9m，且 S<=55.2m,且D1 > 30.9m,那么车辆进行换道；
[0023]6)如果 V1 <= -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s，且 D2 > 7.9m 且< =9m,那么车辆进行换道；
[0024]7)如果 V1 < = -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s，且 D2 > 9m，且 D1 < =44.6m，那么车辆不进行换道；
[0025]8)如果 V1 < = -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s，且 D2 > 9m，且 D1 >44.6m,那么车辆进行换道；
[0026]9)如果 V1 > -3.lm/s,且 D1 < = 7.6m,且 V2 > 2.5m/s，那么车辆进行换道；
[0027]10)如果 V1 > -3.lm/s,且 D1 < = 7.6m，且 V2 < = 2.5m/s，且 D2 > 13.1m,那么车辆不进行换道；
[0028]11)如果 V1 > -3.1111/8，且01 <= 7.6111，且￥2 <= 2.5111/8，且02 <= 13.lm，且 V1<=-0.3m/s，那么车辆不进行换道；
[0029]12)如果 V1 > -3.lm/s,且 D1 < = 7.6m，且 V2 < = 2.5m/s，且 D2 < = 13.1m,且 V1
>-0.3m/s，那么车辆进行换道；
[0030]13)如果V1 > -3.lm/s,且D1 > 7.6m,且D2 < = 7m,那么车辆不进行换道。
[0031]14)如果 V1 > -3.WsiD1 > 7.6m，且 D2 > 7m，且 S < = 56.4m，那么车辆进行换道。
[0032]15)如果 V1 > -3.lm/s,且 D1 > 7.6m,且 D2 > 7m，且 S > 56.4m,且 V2 < = -4.3m/s，那么车辆不进行换道。
[0033]16)如果 V1 > -3.lm/s,且 D1 > 7.6m,且 D2 > 7m，且 S > 56.4m,且 V2 > -4.3m/s,那么车辆进行换道。
[0034]最后，所述步骤2中的决策树模型的精确度验证环节，使用分类规则对测试数据进行识别，并将识别结果且实际并线换道情况进行对比，用识别的准确性来验证模型的有效性。
[0035]本发明的有益效果在于:
[0036]1、搭建了基于决策树模型的车辆强制换道决策的方法框架，为多种不同方式的车辆强制换道决策分析奠定了基础；
[0037]2、为了提高模型决策判断的准确率，使用weka数据挖掘平台对决策模型进行了数据优化；
[0038]3、减少了预警算法复杂、决策判断规则过多对判断结果的影响，提高了车辆强制换道时决策判断的准确度和可靠性，降低了误报率。
【专利附图】
【附图说明】
[0039]图1为基于决策树模型的车辆强制换道决策方法流程示意图；
[0040]图2为本方法研究区域与相关参数的表示图；
[0041]图3为通过weka修剪后的并线换道决策树。
【具体实施方式】
[0042]下面结合附图进一步对本发明的【具体实施方式】进行说明。[0043]一种基于决策树模型的车辆强制换道决策方法，包括以下步骤:
[0044]步骤1:通过多普勒测速雷达传感器获取样本数据，具体是对并线车辆与目标车道前方车辆的速度差V1、并线车辆与目标车道后方车辆的速度差V2、并线车辆与目标车道前方车辆的距离D1、并线车辆与目标车道后方车辆的距离D2、并线车辆离并线车道入口的距离S五个样本数据实时的获取；
[0045]步骤2:构建基于决策树模型的车辆强制换道决策模块，分别通过训练与测试样本数据的选取与处理、树的分裂、属性阈值的选择和树的剪枝、基于weka平台的并线换道决策树模型建立、决策树模型的精确度验证这五个环节来构建车辆强制换道决策模块；
[0046]步骤3:决策判断，将获取的五个样本数据实时地导入到车辆强制换道决策模块中，并通过基于weka平台下并线换道决策树模型中的终端节点类别形成车辆强制换道的决策判断。
[0047]下面对上述三个步骤进行进一步阐述。
[0048]如图1-2所示，步骤I中所述车辆强制并线换道是指面对车道数减少强制性变道时，车辆横向坐标开始改变，向相邻目标车道方向改变并且没有发生震荡。在并线之前的其它时刻定义为非并线事件即驾驶人没有并线且保持驾驶在并线车道上。一位驾驶人可以参与很多次非并线事件，但只能参与一次并线事件。车辆并线换道实时读取的数据也就是影响驾驶人并线换道决策的主要影响因素数据，主要包括并线车辆与目标车道前方车辆的速度差V1、并线车辆与目标车道后方车辆的速度差V2、并线车辆与目标车道前方车辆的距离D1、并线车辆与目标车道后方车辆的距离D2和并线车辆离并线车道入口的距离S等数据。在上述5个数据中，两个车间距指标D1和D2反映并线换道时目标车道是否具有合适的并线换道空间，两个速度差指标V1和V2反映并线换道时的潜在危险性，距离指标S反映车辆并线换道的紧迫程度。如图 2 所不，V1 = Vmerge-Vlead ；V2 = Vmerge-Vlag !D1 = Dlead ；D2 = Dlag,并线换道影响因素数据的符号含义见表1所示。
[0049]表1并线换道影响因素数据的符号含义
【权利要求】
1.一种基于决策树模型的车辆强制换道决策方法，其特征在于，包括以下步骤: 步骤1:通过多普勒测速雷达传感器获取样本数据，具体是对并线车辆与目标车道前方车辆的速度差V1、并线车辆与目标车道后方车辆的速度差V2、并线车辆与目标车道前方车辆的距离D1、并线车辆与目标车道后方车辆的距离D2、并线车辆离并线车道入口的距离S五个样本数据实时的获取； 步骤2:构建基于决策树模型的车辆强制换道决策模块，分别通过训练与测试样本数据的选取与处理、树的分裂、属性阈值的选择和树的剪枝、基于weka平台的并线换道决策树模型建立、决策树模型的精确度验证这五个环节来构建车辆强制换道决策模块； 步骤3:决策判断，将获取的五个样本数据实时地导入到车辆强制换道决策模块中，并通过基于weka平台下并线换道决策树模型中的终端节点类别形成车辆强制换道的决策判断。
2.根据权利要求1所述的基于决策树模型的车辆强制换道决策模块构建方法，其特征在于:所述步骤2中，训练与测试样本数据的选取与处理环节中的交通数据是由NextGeneration Simulation (NGSIM)提供,NGSIM数据集中的轨迹数据提供每辆车的纵坐标、横坐标、速度、加速度和前后两车间隔时间，采样频率为IOHz ;并对数据集进行划分，所述数据集一部分用于模型训练，另一部分用于测试。
3.根据权利要求1所述的基于决策树模型的车辆强制换道决策模块构建方法，其特征在于:所述步骤2中的树的分裂环节，所用分裂标准选择具有最高信息增益率的属性作为给定集合S的测试属性；本方法的训练数据集为S，它包含s个数据样本，定义C1, C2分别代表并线类与不并线类这两个决策类，那么Sl，S2就是类C1, C2中的样本数目；则树的分裂步骤为: 首先，计算出给定样本分类所需的期望信息和熵值； 然后，通过得到的期望信息和熵值分别计算当各属性V1, V2, D1, D2, S作为分裂属性时的信息增益率，进而比较五个属性的信息增益率，选择信息增益率最大的属性作为最好的分裂属性； 最后，根据分裂属性的取值，可以得到决策树分支，数据集将被划分为多个子集，对于每一个子树重新计算各属性信息增益率，依次类推，直至某一子集中的样本属于同一类，决策树停止分裂。
4.根据权利要求1所述的基于决策树模型的车辆强制换道决策模块构建方法，其特征在于:所述步骤2中的属性阈值的选择和树的剪枝环节，确定它们的阈值首先要将连续属性进行离散化处理，将属性值划分成若干个区间；然后运用Fayyad边界点判定定理，计算相邻两类区间边界点处属性值的信息增益率，选择信息增益率最大的属性值作为最优阈值；所述树的剪枝中决策树算法采用后剪枝算法。
5.根据权利要求1所述的基于决策树模型的车辆强制换道决策模块构建方法，其特征在于:所述步骤2中的基于weka平台的并线换道决策树模型建立环节，决策树结构中的终端节点用方框表示，决策节点用圆圈表示，在终端节点内标记类标签，观测样本数；如果决策树根节点通过属性相对速度V1进行分裂，这就表明并线车辆相对于目标车道前方车辆的相对速度是驾驶人做出并线决策需要考虑最重要的驾驶特征；从决策树的根节点到任一个叶节点形成的一条路径就可以构成一条分类规则，所有的路径能够得到完整的分类规则，其分类规则共16条，下述每条规则中的具体数值是通过Fayyad边界点判定定理获得的阈值，具体规则如下: . 1)如果V1<= -3.WsiD1 <= 17.lm，那么车辆不进行换道； . 2)如果V1< = -3.lm/s,且D1 > 17.1m,且V2 > -.1.2m/s，那么车辆进行换道； . 3)如果V1 < = -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s，且 D2 < = 7.9m，且 S >..55.2m，那么车辆不进行换道； . 4)如果V1 < = -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s，且 D2 < = 7.9m，且 S < =.55.2m,且D1 < = 30.9m,那么车辆不进行换道； . 5)如果V1 < = -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s，且 D2 < = 7.9m，且 S < =.55.2m,且D1 > 30.9m,那么车辆进行换道； . 6)如果V1 < = -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s,且 D2 > 7.9m 且< =9m,那么车辆进行换道； . 7)如果V1 < = -3.WsiD1 >17.1111，且￥2< = -.1.2111/8，且02>9111，且01< = 44.6m,那么车辆不进行换道； . 8)如果V1 <= -3.lm/s,且 D1 > 17.1m,且 V2 < = -1.2m/s,且 D2 > 9m,且 D1 > 44.6m,那么车辆进行换道；. 9)如果V1> -3.lm/s,且D1 < = 7.6m，且V2 > 2.5m/s，那么车辆进行换道； . 10)如果V1 > -3.lm/s,且 D1 < = 7.6m，且 V2 < = 2.5m/s，且 D2 > 13.1m,那么车辆不进行换道； . 11)如果V1 > -3.lm/s,且 D1 < = 7.6m，且 V2 < = 2.5m/s，且 D2 < = 13.1m,且 V1<=-0.3m/s，那么车辆不进行换道； . 12)如果V1 > -3.lm/s,且 D1 < = 7.6m，且 V2 < = 2.5m/s，且 D2 < = 13.1m,且 V1>-0.3m/s，那么车辆进行换道； . 13)如果V1> -3.lm/s,且D1 > 7.6m,且D2 < = 7m,那么车辆不进行换道； . 14)如果V1> -3.lm/s,且D1 > 7.6m,且D2 > 7m，且S < = 56.4m,那么车辆进行换道； . 15)如果V1 > -3.lm/s,且 D1 > 7.6m,且 D2 > 7m，且 S > 56.4m,且 V2 < = -4.3m/s，那么车辆不进行换道； . 16)如果V1 > -3.lm/s,且 D1 > 7.6m，且 D2 > 7m，且 S > 56.4m，且 V2 > -4.3m/s，那么车辆进行换道。
6.根据权利要求1所述的基于决策树模型的车辆强制换道决策模块构建方法，其特征在于:所述步骤2中的决策树模型的精确度验证环节，使用分类规则对测试数据进行识别，并将识别结果且实际并线换道情况进行对比，用识别的准确性来验证模型的有效性。
【文档编号】G06F17/30GK103996287SQ201410225987
【公开日】2014年8月20日 申请日期:2014年5月26日 优先权日:2014年5月26日
【发明者】刘志强, 周桂良, 汪澎, 王俊彦 申请人:江苏大学