本发明公开基于速度场的网联自主车辆位置预测和风险量化方法，属风险量化。
背景技术：
1、近年来，基于场论的车辆交互模型因其客观性、通用性、灵活性及可解释性而倍受关注。基于人工势场的简化刺激-响应汽车跟随模型利用ngsim数据集进行了验证，该模型在复杂交通环境下为兼顾行车安全性的车辆控制问题提供了新的解决方向。但现有部分研究未在智能网联环境下进行，其模型物理性质的合理性有待进一步验证。
技术实现思路
1、本发明的目的在于提供基于速度场的网联自主车辆位置预测和风险量化方法，以解决现有技术中，车辆位置预测和风险量化缺乏对车辆动力学特性以及多车间相互作用影响的考虑的问题。
2、基于速度场的网联自主车辆位置预测方法，包括模型输入、编码器、解码器、混合密度层和模型输出，编码器和解码器之间设有桥接向量，解码器和混合密度层之间设有全连接层；编码器和解码器由具有相同结构和权重的长短记忆神经网络lstm堆栈组成，编码器将历史轨迹数据转换为桥接向量用于储存交互车辆的行为特征，解码器通过桥接向量的编码特征输出车辆的和坐标向量，最后由混合密度层输出车辆的位置预测分布。
3、混合密度层中，假设与坐标是相关的且都遵循高斯混合分布，预测与坐标分布：
4、；；
5、高斯混合分布中使用的高斯分布为：
6、；
7、归一化的过程为：
8、；
9、混合密度层训练过程的损失函数为：
10、；
11、式中，为高斯混合种类总数，为第个高斯混合种类，为时刻，为每种混合物密度的权重，和分别为和的参考平均值和标准差，为和的相关系数，为时刻坐标，为时刻坐标，为模型输入，为的估值，为第个高斯混合种类，为归一化的高斯分布，和分别是和的方差，为经验函数，和分别是和的均值，为车辆数量，为总时刻，为第个车辆的第个高斯混合种类。
12、模型输入和模型输出为：
13、；；
14、式中，和分别为输入的观测时刻与输出的预测时刻；
15、；；；；
16、式中，为第个，为第个，为第个。
17、使用覆盖率计算落在置信区内的真实点数与测试集中总点数之比，量化预测分布对车辆未来真实位置的捕捉水平：
18、；
19、式中，为落在置信区内的真实点数，为测试集中总点数。
20、使用平均置信区面积对置信区二维平面进行积分，计算预测分布置信区的平均面积：
21、；
22、式中，是测试集中的一个点，表示置信区二维平面。
23、使用平均绝对误差计算真实点与预测点之间的欧几里得距离平均值，在不考虑方向误差的情况下，量化车辆预期位置与未来实际位置之间的平均误差幅度：
24、；
25、式中，和表示和的估值，和表示置信区内的真实点的和。
26、基于速度场的网联自主车辆风险量化方法，使用所述的基于速度场的网联自主车辆位置预测方法，包括获得车辆驾驶位置后，由混合密度层输出车辆的位置预测分布计算得到车辆距离；
27、车辆间平衡距离为：
28、；
29、式中，表示目标车辆与待交互车辆的速度差，表示目标车辆与交互车俩的加速度差，表示目标车辆速度，表示目标车辆加速度。
30、依次构造车辆交互风险势场、车辆交互潜在风险场、车辆交互潜在时空风险场。
31、三个风险场分别为：
32、；
33、；
34、；
35、；；
36、式中，表示车辆最大交互距离，为第一势场参数，表示车辆速度方向与道路中心线夹角，为第二势场参数，为遵循半衰期原则引入的折扣函数，为半衰期，是目标车辆的速度，是交互车辆的速度，是驾驶人响应时间，是制动系统响应时间，是目标车辆的加速度，是交互车辆的加速度，是两辆车之间的相对间距；
37、使用车辆交互潜在时空风险场进行风险量化。
38、相对比现有技术，本发明具有以下有益效果：弥补传统风险量化指标在冲突点缺失情况下量化结果中断的不足，在较为保守和较为激进间切换，动态评估不同风格驾驶人的客观驾驶风险，为智能网联混合流中的网联自主车辆提供更加安全可靠的驾驶行驶环境。
1.基于速度场的网联自主车辆位置预测方法，其特征在于，包括模型输入、编码器、解码器、混合密度层和模型输出，编码器和解码器之间设有桥接向量，解码器和混合密度层之间设有全连接层；编码器和解码器由具有相同结构和权重的长短记忆神经网络lstm堆栈组成，编码器将历史轨迹数据转换为桥接向量用于储存交互车辆的行为特征，解码器通过桥接向量的编码特征输出车辆的和坐标向量，最后由混合密度层输出车辆的位置预测分布。
2.根据权利要求1所述的基于速度场的网联自主车辆位置预测方法，其特征在于，混合密度层中，假设与坐标是相关的且都遵循高斯混合分布，预测与坐标分布：
3.根据权利要求2所述的基于速度场的网联自主车辆位置预测方法，其特征在于，模型输入和模型输出为：
4.根据权利要求3所述的基于速度场的网联自主车辆位置预测方法，其特征在于，使用覆盖率计算落在置信区内的真实点数与测试集中总点数之比，量化预测分布对车辆未来真实位置的捕捉水平：
5.根据权利要求4所述的基于速度场的网联自主车辆位置预测方法，其特征在于，使用平均置信区面积对置信区二维平面进行积分，计算预测分布置信区的平均面积：
6.根据权利要求5所述的基于速度场的网联自主车辆位置预测方法，其特征在于，使用平均绝对误差计算真实点与预测点之间的欧几里得距离平均值，在不考虑方向误差的情况下，量化车辆预期位置与未来实际位置之间的平均误差幅度：
7.基于速度场的网联自主车辆风险量化方法，其特征在于，使用权利要求3所述的基于速度场的网联自主车辆位置预测方法，包括获得车辆驾驶位置后，由混合密度层输出车辆的位置预测分布计算得到车辆距离；
8.根据权利要求7所述的基于速度场的网联自主车辆风险量化方法，其特征在于，依次构造车辆交互风险势场、车辆交互潜在风险场、车辆交互潜在时空风险场。
9.根据权利要求8所述的基于速度场的网联自主车辆风险量化方法，其特征在于，三个风险场分别为：
10.根据权利要求9所述的基于速度场的网联自主车辆风险量化方法，其特征在于，使用车辆交互潜在时空风险场进行风险量化。