一种基于支持向量机模型的车辆换道决策方法与流程

本发明涉及机动车辆驾驶安全领域，特别涉及一种基于支持向量机模型的车辆换道决策方法。

背景技术：

车辆换道失误一直是导致交通事故发生的重要原因之一，统计数据表明，每年由于不正确的车道变换驾驶行为导致了大量交通事故。在多种驾驶行为中，换道驾驶因涉及变更车道而风险系数较高，因此成功的换道行为不仅能够保障车辆驾驶的安全性，还能确保交通流的通畅性。

在换道过程中，驾驶员一般只通过左、右后视镜来获得有关信息，经综合判断后做出是否换道的决定，然而由于信息的不完整和人为因素的原因，驾驶员不可能考虑自车与原始车道的前车、后车及目标车道的前车、后车之间的距离和相对速度，因此驾驶员分析换道可能性的过程中容易发生失误。另一方面，后视镜的视野盲区也容易引起较大的安全引患。

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。因此，目前需要一种车辆换道时预警算法简单、误报率转低的车辆换道决策方法。

技术实现要素：

本发明的目的在于提供一种基于支持向量机模型的车辆换道决策方法，利用支持向量机模型为驾驶员在车辆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在进行车辆换道时提供正确可靠的决策判断，从而降低换道过程中发生交通事故的可能性。

为实现上述目的，本发明采用如下技术方案：

一种基于决策树模型的车辆换道决策方法，包括以下步骤：

步骤1通过毫米波测速雷达传感器获取样本数据，具体是原始车道上换道车辆与前车的距离G_PO、目标车道上换道车辆与前车的距离G_PT、目标车道上换道车辆与后车的距离G_FT、目标车道上前车与后车的距离D、换道车辆的速度V五个样本数据实时的获取；

步骤2构建基于支持向量机的车辆换道决策模块，分别通过训练与测试样本的采集与处理、基于Matlab平台的支持向量机的模型的建立、模型精确度验证这几个环节来构建车辆换道决策模块；

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换道决策模块中，得到是否进行换道的决策判断。

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，采样间隔为0.1秒;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。

本发明的优点主要有：

1、搭建了基于支持向量机模型的车辆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；

2、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。

附图说明

图1为本方法适用范围和所涉及相关参数的表示图。

图2为基于支持向量机模型的车辆换道决策方法流程示意图。

具体实施方式

下面结合附图进一步对本发明的具体实施方式进行说明：

步骤1 通过毫米波测速雷达传感器获取样本数据，具体是原始车道上换道车辆与前车的距离G_PO、目标车道上换道车辆与前车的距离G_PT、目标车道上换道车辆与后车的距离G_FT、目标车道上前车与后车的距离D、换道车辆的速度V五个样本数据实时的获取；

步骤2 构建基于支持向量机的车辆换道决策模块，分别通过训练与测试样本的采集与处理、基于Matlab平台的支持向量机的模型的建立、模型精确度验证这几个环节来构建车辆换道决策模块；

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换道决策模块中，得到是否进行换道的决策判断。

下面对上述三个步骤进行如下阐述。

如图1所示, 高速公路上的换道行为根据驾驶员动机不同一般可分为两类：强制性换道和主动性换道。强制性换道是指按照交通规则和驾驶员的出行计划，为了完成其正常行驶目的驾驶员不得不时进行的换道行为；主动性换道是指驾驶员为了避免撞车，车速减慢，道路瓶颈等而进行的换道行为，其根本目的是为了减少延误，获取速度优势，增加驾驶的舒服性。主动性换道与强制性换道的主要区别是即使车辆不变换车道也能在原车道上完成其行驶任务，它是驾驶员为了达到更加自由、更加理想的行驶状态而实施的。本方法的适用范围是主动性换道。

车辆换道行为涉及到多车之间的相互作用，参与的车辆将会对驾驶员的换道决策产生影响，经研究调查发现，在车辆换道过程中，对换道决策影响最大的因素有：原始车道上换道车辆与前车的距离G_PO、目标车道上换道车辆与前车的距离G_PT、目标车道上换道车辆与后车的距离G_FT、目标车道上前车与后车的距离D、换道车辆的速度V，换道影响因素数据的符号含义如表1所示。

表1换道影响因素数据的符号含义

步骤2中所述基于支持向量机模型的车辆换道决策模型的构建，分为三个环节，其中具体步骤如下。

第一步：训练和测试样本的选取

本方法中的训练与测试样本交通数据由Next Generation Simulation(NGSIM)提供，用于决策树模型的学习与验证。NGSIM是由美国联邦公路局以研究微观交通仿真为目的而发起的研究计划，数据通过使用多台高空照相机拍照得到，拍照频率为每 0.1 秒一次，得到了每辆车间隔 0.1秒的精确轨迹数据，再通过专为 NGSIM开发的数据处理软件从车辆轨迹数据中提取相关变量：车辆横向纵向位置、速度、加速度、车头间距、车头时距、车型、宽度、长度等。

本方法所用的是NGSIM于2005年6月15日在美国洛杉矶101高速路上，位于Ventura和Cahuenga两个匝道囗之间约650米的直线道路上采集的车载数据，为了检验SVM模型在时间上的通用性，本文选取7：50－8：05和8：05－8：20两个时间段的数据集进行分析，一个作为训练集，一个作为检测集。

第二步：样本数据的处理

研究车辆运行轨迹数据共获得5281组观测值，其中包括279组换道数据和5002组非换道数据。对数据集进行进一步划分，将发生在8：05－8：20时间段的数据集用于模型训练，发生在7：50－8：05时间段的数据集用于模型测试。

在具体实例的数据集中，不同维度参数之间的数据差异性较大，容易引起部分数据被淹没。同时，数据变化范围大会使计算过程较为复杂，导致训练模型的时间较长，会对模型识别精度造成负面影响。因此在样本数据的处理过程中，采用数据归一化方法降低数据复杂程度。

第三步：模型的训练与检测

本方法基于Matlab平台进行支持向量机模型的构建，Matlab有自带的svmtrain函数进行支持向量机建模，将训练集样本导入，使用系统默认参数进行训练，得到模型后用svmclassify函数对测试集样本进行检测，模型的精确度情况如表2所示。

表2 支持向量机模型的精确度情况

结果显示，测试集中115个换道的样本，支持向量机模型对其中95个样本给出了换道的预测，正确率82.6%；测试集中2591个没有换道的样本，模型对其中1854个样本给出了不换道的预测，正确率71.6%。表明该模型用于在高速公路上的车辆换道行为决策时可以获得较好的预测结果。

以上所述，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。