CN104867329A - 一种车联网车辆状态预测方法 - Google Patents

Abstract

本发明涉及一种车联网车辆状态预测方法，包括：1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为；3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态。与现有技术相比，本发明基于车辆环境信息、以及车辆历史状态对车辆的车辆行为进行预测，再通过车辆行为对车辆的未来状态进行预测，基于车辆行为的预测更加准确，并且具有良好地扩展性，简单高效，适用大规模网络情况。

Description

一种车联网车辆状态预测方法

技术领域

本发明涉及一种车辆状态预测技术，尤其是涉及一种车联网车辆状态预测方法。

背景技术

车辆状态包括车辆的位置、速度和加速度，这三个车辆的运动属性对于车联网中车辆与车辆之间的通信，车辆与基础设施之间的通信至关重要，研究这三个运行属性是研究车联网中网络连通性的重要基础。位置关系到两个通信节点是否在互相的无限网络覆盖范围内，即两个通信节点是否可以进行通信。通信节点可以为车辆或者静止的路边基础设施。速度和加速度影响到两个通信节点在通信范围内的时长，即通信保持时长。因此车辆的位置、速度和加速度是影响车联网网络连通性的重要因素。传统的网络路由协议没有考虑到车联网中车辆位置、速度和加速度属性，难以适应车联网中车辆高度运行的特点，包括DSDV路由、DSR路由和AODV路由等经典移动Ad-hoc网络协议，Karp等人首次提出基于位置的路由协议贪婪边界的无状态路由GPSR，所有车辆节点都定期向位置服务器更新其位置信息，当源节点需要给目的节点发送数据时，向位置服务器请求目的节点位置，然后以贪婪转发模式每次选择距离目的节点最近的下一跳节点。由于其寻找下一跳时仅仅根据直线距离，没有考虑到路口障碍物的问题，GPCR对此做了一个改进，即发现路口存在节点时则直接转发给该节点，但是对路口是否存在节点难以判断，借助地图轻易判断路口是否存在节点，所以目前的主要研究热点集中在基于地图的路由协议。地理源路由GSR是一个典型的基于地图的路由协议，其也需要从位置服务器获得目的节点的位置，然后利用电子地图和位置信息通过Dijkstra算法计算源节点到目的的节点的最短路径。以上基于位置和地图的路由协议很好地利用了车辆位置进行数据转发，然而没有考虑到车辆高速移动的特性，由于车辆的位置频繁变化，转发节点和目的节点位置变动很大，使得数据转发很可能失效。GPSR协议中单跳节点的转发可能因为相邻节点的位置变动而失败，Alsaqour R等人的研究表明不准确的位置将明显降低基于位置的协议的效率，并针对该问题提出了一种NWLBP(Neignborwireless link break prediction，相邻节点失效预测)来预测相邻节点的位置，然而该方法仅能解决单条相邻节点位置变动问题，不能解决目的节点变动的问题，而GPSR协议以目的节点的位置为路由导向，因此目的节点的位置至关重要。

现有车辆状态预测技术主要应用于车辆免撞***中，根据周围车辆的轨迹和速度预测其位置，Hermes C等人利用车辆的历史位置信息使用轨迹预测技术预测车辆1-2s后位置。并使用轨迹分类技术，对大量车辆运行轨迹进行提取训练，将不同的轨迹划分为左转、右转等多种行为特征，然后对现有轨迹进行模式识别分类进行预测。Dagdelen M,Reymond G,Kemeny A,et al.Model-based predictive motioncueing strategy for vehicle driving simulators[J].Control Engineering Practice,2009,17(9):995-1003和Sorstedt J,Svensson L,Sandblom F,et al.A new vehicle motionmodel for improved predictions and situation assessment[J].Intelligent TransportationSystems,IEEE Transactions on,2011,12(4):1209-1219将驾驶员左转、右转和变车道等驾驶主观意向加入预测模型。andita R,Caveney D S.Preceding vehicle stateprediction:U.S.Patent Application 13/535,513[P].2012-6-28提出若干辆车组成的车队的车辆状态预测技术，使用了智能驾驶员模型来模拟跟车行为。Houenou A,Bonnifait P,Cherfaoui V,et al.Vehicle trajectory prediction based on motion model andmaneuver recognition[C]//Intelligent Robots and Systems(IROS),2013IEEE/RSJInternational Conference on.IEEE,2013:4363-4369结合轨迹预测技术和车辆行为识别技术来实现车辆轨迹预测技术，车辆行为识别技术包括保持车道、变换车道和转向等，可使用有限自动状态自动机模型或驾驶上下文识别技术。此类预测技术仅考虑四周的车辆，数量小，要求更高的精确度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种车联网车辆状态预测方法。

本发明的目的可以通过以下技术方案来实现：

一种车联网车辆状态预测方法，包括：

1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；

2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为；

3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态。

所述车辆所处的车辆环境信息具体为：

Road＝(long_c,inserction,vehicles)

其中：Road为车辆环境信息，long_c为目标车辆与前方路口之间的距离，inserction为目标车辆的前方路口信息，vehicles为目标车辆的前方车辆信息；

所述前方路口信息具体为：

inserction＝(locations,lanes)

其中：locations为前方路口的位置信息，lanes为前方路口处各交汇道路的车道数据，

所述前方路口的位置信息具体为：

locations＝[(x₁,y₁,θ₁),(x₂,y₂.θ₂),(x₃,y₃,θ₃),(x₄,y₄,θ₄)]

其中：x_i为前方路口第i个顶点的经度，y_i为前方路口第i个顶点的纬度，θ_i为前方路口第i个顶点处两条交汇道路的夹角，此处的i表示路口顶点的序号，

所述前方路口处各交汇道路的车道数据具体为：

lanes＝[(forw₁,rev₁),(forw₂,rev₂),(forw₃,rev₃),(forw₄,rev₄)]

其中：forw_i为前方路口第i条道路的正向车道信息，rev_i为前方路口第i条道路的反向车道信息，此处的i表示道路的序号；

所述前方车辆信息具体为：

vehicles＝[(S₁,lane_S1),(S₂,lane_S2),...(S_i,lane_Si),...(S_n,lane_Sn)]

其中：S_i为前方车辆中第i辆车辆的当前状态，lane_Si为前方车辆中第i辆车辆所处的车道信息；

所述交通灯信息具体为：

Light＝(sequence,long_L)

其中：Light为交通灯信息，long_L为交通灯与目标车辆之间的距离，sequence为之后设定时间Δt内的交通灯序列，具体为：

sequence＝[(color₁,time₁),...(color_i，time_i),...(color_m，time_m)]

其中：time_i为color_i的持续时间，color_i为交通灯的颜色状态，

color_i∈{red,green,yellow}。

所述步骤2)具体包括步骤：

201)判断目标车辆行至前方路口的时间是否大于设定时间Δt，若为是，则执行步骤202)，若为否，则执行步骤205)；

202)判断目标车辆所在车道前方车辆的密度是否大于设定密度阈值ρ*，若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤203)；

203)判断目标车辆与其前方车辆中最近车辆的速度差是否大于设定速度差阈值δv，若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤204)；

204)根据目标车辆与前后车辆的距离预测车辆的加减速行为，并执行步骤3)；

205)根据目标车辆的历史状态信息判断车辆在路口处的转弯行为。

所述步骤204)具体包括步骤：

241)判断目标车辆与前方车辆中最近车辆之间的距离是否大于安全距离，若为是，则执行步骤243)，若为否，则执行步骤242)；

242)判断目标车辆的速度是否大于前方车辆中最近车辆的速度，若为是，则目标车辆的车辆行为的预测结果为减速，并执行步骤3)，若为否，则执行步骤243)；

243)判断目标车辆与后方车辆中最近车辆之间的距离是否大于安全距离，若为是，则目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则执行步骤244)；

244)判断目标车辆的速度是否大于后方车辆中最近车辆的速度，若为是，则目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则目标车辆的车辆行为的预测结果为加速，并执行步骤3)；

所述步骤242)中车辆行为的预测结果为减速时的加速度大小为：

$a_1=\mathrm{\σ}\frac{1}{d_{\mathrm{ij}}(v_i-v_j)}$

其中：a₁为预测结果为减速时的加速度大小，d_ij为目标车辆与前方车辆中最近车辆之间的距离，σ为常数，v_i为目标车辆的当前速度大小，v_j为前方车辆中最近车辆的当前速度大小。

所述步骤244)中车辆行为的预测结果为加速时的加速度大小为：

$a_2=-a\frac{1}{d_{\mathrm{ij}}(v_i-v_j)}+\mathrm{\β}\frac{(v_t-v_i)}{d_{\mathrm{it}}}$

其中：a₂为预测结果为加速时的加速度大小，d_ij为目标车辆与前方车辆中最近车辆之间的距离，α、β为常数，v_i为目标车辆的当前速度大小，v_j为前方车辆中最近车辆的当前速度大小，v_t为后方车辆中最近车辆的当前速度大小。

所述步骤205)具体包括步骤：

251)自目标车辆的当前状态往前遍历目标车辆的历史状态信息，并确定起始偏移状态TurnPoint，具体为：

TurnPoint＝min({g|Offset_k＞T&Offset_k-1＞T&,...,Offset_g＞T})

其中：

Offset_i＝(OffsetP_i,OffsetV_i,OffsetA_i)

T＝(TP,TV,TA)

其中：

OffsetP_i,OffsetV_i,OffsetA_i分别为第i-1个状态至第i个状态中位置、速度和加速度的偏移量，TP,TV,TA均为常数；

252)判断持续偏移次数是否超过设定次数：且加速度方向偏移夹角是否满足圆周运动特性，具体为判断公式：

k-TurnPoint＞TK

w(OffsetA_k)＜TW&w(OffsetA_k-1)＜TW,...,w(OffsetA_TurnPoint+1)＜TW

其中：k-TurnPoint为持续偏移次数，TK为设定次数，TW为偏移角度可容忍误差，

若判断结果为是，则预测目标车辆发生转弯，且转弯方向为目标车辆当前状态位置的偏移方向，若判断结果为否，则预测目标车辆不发生转弯。

与现有技术相比，本发明具有以下优点：

1)本发明基于车辆环境信息、以及车辆历史状态对车辆的车辆行为进行预测，再通过车辆行为对车辆的未来状态进行预测，基于车辆行为的预测更加准确，并且具有良好地扩展性，简单高效，适用大规模网络情况。

2)车辆行为决策，通过条件决策判断车辆的加速、减速、匀速、换车道和转弯等行为，结合当前车辆状态信息和道路信息达到预测城市复杂道路下车辆状态的预测的目的。

3)车辆行为决策区分直道和路口处理，直道考虑周围车辆的影响，借鉴人工鱼群算法中对鱼群行为模拟的方法，对车辆行为进行模拟，对车辆当前状态和周围车辆环境进行建模，推导出有效的条件决策表达式。路口情况通过对车辆历史位置、速度和加速度的偏移进行建模，推导出车辆是否转弯和转弯方向的条件决策。

附图说明

图1为本发明的主要步骤流程示意图；

图2为路口处示意图；

图3为路口转弯时间计算示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种车联网车辆状态预测方法，如图1所示，包括：

1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；

车辆所处的车辆环境信息具体为：

Road＝(long_c,inserction,vehicles)

其中：Road为车辆环境信息，long_c为目标车辆与前方路口之间的距离，inserction为目标车辆的前方路口信息，vehicles为目标车辆的前方车辆信息；

如图2所示，本实施例中，前方路口被建模为平行四边形，前方路口信息具体为：

inserction＝(locations,lanes)

其中：locations为前方路口的位置信息，lanes为前方路口处各交汇道路的车道数据，

前方路口的位置信息具体为：

locations＝[(x₁,y₁,θ₁),(x₂,y₂.θ₂),(x₃,y₃,θ₃),(x₄,y₄,θ₄)]

其中：x_i为前方路口第i个顶点的经度，y_i为前方路口第i个顶点的纬度，θ_i为前方路口第i个顶点处两条交汇道路的夹角，i∈{1,2,3,4}，其中θ₁如图2所示，

前方路口处各交汇道路的车道数据具体为：

lanes＝[(forw₁,rev₁),(forw₂,rev₂),(forw₃,rev₃),(forw₄,rev₄)]

其中：forw_i为前方路口第i条道路的正向车道信息，rev_i为前方路口第i条道路的反向车道信息，i∈{1,2,3,4}，若为三岔路口，可以通过设定四条道路中的一条道路的正向车道和反向车道数目均为0，其中的车道的正向和反向可以是根据目标车辆的行驶方向设定，也可以根据道路的走向设定；

前方车辆信息具体为：

vehicles＝[(S₁,lane_S1),(S₂,lane_S2),...(S_i,lane_Si),...(S_n,lane_Sn)]

其中：S_i为前方车辆中第i辆车辆的当前状态，lane_Si为前方车辆中第i辆车辆所处的车道信息，i为取值范围为1～n的整数；

交通灯信息具体为：

Light＝(sequence,long_L)

其中：Light为交通灯信息，long_L为交通灯与目标车辆之间的距离，sequence为之后设定时间Δt内的交通灯序列，具体为：

sequence＝[(color₁,time₁),...(color_i，time_i),...(color_m，time_m)]

其中：time_i为color_i的持续时间，color_i为交通灯的颜色状态，

color_i∈{red,green,yellow}，i为取值范围为1～m的整数。

2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为，具体包括步骤：

201)判断目标车辆行至前方路口的时间是否大于设定时间Δt，若为是，则判断车辆行驶于知道，并执行步骤202)，若为否，则判断车辆行驶于路口，并执行步骤205)；

202)判断目标车辆所在车道可视范围内的前方车辆的密度是否大于设定密度阈值ρ*(ρ*具体为根据需要设定，可以为经验值)，若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤203)；

203)判断目标车辆与其前方车辆中最近车辆的速度差是否大于设定速度差阈值δv，若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤204)；

204)根据目标车辆与前后车辆的距离预测车辆的加减速行为，本实施例中，为了简化预测过程，当无需进行加减速时，目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，步骤204)具体包括步骤：

241)判断目标车辆与前方车辆中最近车辆之间的距离是否大于安全距离，若为是，则执行步骤243)，若为否，则执行步骤242)；

242)判断目标车辆的速度是否大于前方车辆中最近车辆的速度，若为是，则目标车辆的车辆行为的预测结果为减速，并执行步骤3)，若为否，则执行步骤243)；

其中车辆行为的预测结果为减速时的加速度大小为：

$a_1=\mathrm{\σ}\frac{1}{d_{\mathrm{ij}}(v_i-v_j)}$

其中：a₁为预测结果为减速时的加速度大小，d_ij为目标车辆与前方车辆中最近车辆之间的距离，σ为常数，v_i为目标车辆的当前速度大小，v_j为前方车辆中最近车辆的当前速度大小。

243)判断目标车辆与后方车辆中最近车辆之间的距离是否大于安全距离，若为是，则目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则执行步骤244)；

244)判断目标车辆的速度是否大于后方车辆中最近车辆的速度，若为是，则目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则目标车辆的车辆行为的预测结果为加速，并执行步骤3)；

其中车辆行为的预测结果为加速时的加速度大小为：

$a_2=-a\frac{1}{d_{\mathrm{ij}}(v_i-v_j)}+\mathrm{\β}\frac{(v_t-v_i)}{d_{\mathrm{it}}}$

其中：a₂为预测结果为加速时的加速度大小，d_ij为目标车辆与前方车辆中最近车辆之间的距离，α、β为常数，v_i为目标车辆的当前速度大小，v_j为前方车辆中最近车辆的当前速度大小，v_t为后方车辆中最近车辆的当前速度大小。

205)根据目标车辆的历史状态信息判断车辆在路口处的转弯行为，具体包括步骤，具体包括步骤：

251)自目标车辆的当前状态往前遍历目标车辆的历史状态信息，并确定起始偏移状态TurnPoint，具体为：

TurnPoint＝min({g|Offset_k＞T&Offset_k-1＞T&,...,Offset_g＞T})

其中：

Offset_i＝(OffsetP_i,OffsetV_i,OffsetA_i)

T＝(TP,TV,TA)

其中：

OffsetP_i,OffsetV_i,OffsetA_i分别为第i-1个状态至第i个状态中位置、速度和加速度的偏移量，TP,TV,TA均为常数；

252)判断持续偏移次数是否超过设定次数：且加速度方向偏移夹角是否满足圆周运动特性，具体为判断公式：

k-TurnPoint＞TK

w(OffsetA_k)＜TW&w(OffsetA_k-1)＜TW,...,w(OffsetA_TurnPoint+1)＜TW

其中：k-TurnPoint为持续偏移次数，TK为设定次数，TW为偏移角度可容忍误差，k表示目标车辆当前状态的序号，

若判断结果为是，则预测目标车辆发生转弯，且转弯方向为目标车辆当前状态位置的偏移方向，若判断结果为否，则预测目标车辆不发生转弯。

253)预测转弯发生时间t_turn。通过加速度角度偏移，计算转弯角速度ω，通过路口夹角计算偏移角度，从而估算转弯发生的时间。如图3所示，当从路口转弯时发生的角度偏移为180度减去路口夹角，即

ω＝(w(OffsetA_k)+w(OffsetA_k-1)+,....,w(OffsetA_TurnPoint+1))/(k-TurnPoint)Δt

t_turn＝(180°-θ)/ω

254)在转弯发生时间t_turn内的加速度、速度和位置变化，按照圆周运动规律计算即可，加速度大小不变，方向匀速偏移，速度由加速度和时间计算得到，位置由速度和时间计算得到。

3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态，具体为：

s_k+1＝g(s_k,Road,Light,Behavior)

其中：s_k+1为预测得到的车辆状态，s_k为目标车辆当前的车辆状态，Behavior为预测得到的车辆行为。

Claims (8)

1.一种车联网车辆状态预测方法，其特征在于，包括：

1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；

2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为；

3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态。

2.根据权利要求1所述的一种车联网车辆状态预测方法，其特征在于，所述车辆所处的车辆环境信息具体为：

Road＝(long_c,inserction,vehicles)

其中：Road为车辆环境信息，long_c为目标车辆与前方路口之间的距离，inserction为目标车辆的前方路口信息，vehicles为目标车辆的前方车辆信息；

所述前方路口信息具体为：

inserction＝(locations,lanes)

其中：locations为前方路口的位置信息，lanes为前方路口处各交汇道路的车道数据，

所述前方路口的位置信息具体为：

locations＝[(x₁,y₁,θ₁),(x₂,y₂.θ₂),(x₃,y₃,θ₃),(x₄,y₄,θ₄)]

其中：x_i为前方路口第i个顶点的经度，y_i为前方路口第i个顶点的纬度，θ_i为前方路口第i个顶点处两条交汇道路的夹角，

所述前方路口处各交汇道路的车道数据具体为：

lanes＝[(forw₁,rev₁),(forw₂,rev₂),(forw₃,rev₃),(forw₄,rev₄)]

其中：forw_i为前方路口第i条道路的正向车道信息，rev_i为前方路口第i条道路的反向车道信息；

所述前方车辆信息具体为：

vehicles＝[(S₁,lane_S1),(S₂,lane_S2),…(S_i,lane_Si),…(S_n,lane_Sn)]

其中：S_i为前方车辆中第i辆车辆的当前状态，lane_Si为前方车辆中第i辆车辆所处的车道信息。

3.根据权利要求2所述的一种车联网车辆状态预测方法，其特征在于，所述交通灯信息具体为：

Light＝(sequence,long_L)

其中：Light为交通灯信息，long_L为交通灯与目标车辆之间的距离，sequence为之后设定时间Δt内的交通灯序列，具体为：

sequence＝[(color₁,time₁),…(color_i，time_i),…(color_m，time_m)]

其中：time_i为color_i的持续时间，color_i为交通灯的颜色状态，

color_i∈{red,green,yellow}。

4.根据权利要求3所述的一种车联网车辆状态预测方法，其特征在于，所述步骤2)具体包括步骤：

201)判断目标车辆行至前方路口的时间是否大于设定时间Δt，若为是，则执行步骤202)，若为否，则执行步骤205)；

202)判断目标车辆所在车道前方车辆的密度是否大于设定密度阈值ρ*，若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤203)；

203)判断目标车辆与其前方车辆中最近车辆的速度差是否大于设定速度差阈值δv，若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤204)；

204)根据目标车辆与前后车辆的距离预测车辆的加减速行为，并执行步骤3)；

205)根据目标车辆的历史状态信息判断车辆在路口处的转弯行为。

5.根据权利要求4所述的一种车联网车辆状态预测方法，其特征在于，所述步骤204)具体包括步骤：

241)判断目标车辆与前方车辆中最近车辆之间的距离是否大于安全距离，若为是，则执行步骤243)，若为否，则执行步骤242)；

242)判断目标车辆的速度是否大于前方车辆中最近车辆的速度，若为是，则目标车辆的车辆行为的预测结果为减速，并执行步骤3)，若为否，则执行步骤243)；

243)判断目标车辆与后方车辆中最近车辆之间的距离是否大于安全距离，若为是，则目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则执行步骤244)；

244)判断目标车辆的速度是否大于后方车辆中最近车辆的速度，若为是，则目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则目标车辆的车辆行为的预测结果为加速，并执行步骤3)。

6.根据权利要求5所述的一种车联网车辆状态预测方法，其特征在于，所述步骤242)中车辆行为的预测结果为减速时的加速度大小为：

$a_1=\mathrm{\σ}\frac{1}{d_{\mathrm{ij}}(v_i-v_j)}$

其中：a₁为预测结果为减速时的加速度大小，d_ij为目标车辆与前方车辆中最近车辆之间的距离，σ为常数，v_i为目标车辆的当前速度大小，v_j为前方车辆中最近车辆的当前速度大小。

7.根据权利要求5所述的一种车联网车辆状态预测方法，其特征在于，所述步骤244)中车辆行为的预测结果为加速时的加速度大小为：

$a_2=-\mathrm{\α}\frac{1}{d_{\mathrm{ij}}(v_i-v_j)}+\mathrm{\β}\frac{(v_t-v_i)}{d_{\mathrm{it}}}$

其中：a₂为预测结果为加速时的加速度大小，d_ij为目标车辆与前方车辆中最近车辆之间的距离，α、β为常数，v_i为目标车辆的当前速度大小，v_j为前方车辆中最近车辆的当前速度大小，v_t为后方车辆中最近车辆的当前速度大小。

8.根据权利要求4所述的一种车联网车辆状态预测方法，其特征在于，所述步骤205)具体包括步骤：

251)自目标车辆的当前状态往前遍历目标车辆的历史状态信息，并确定起始偏移状态TurnPoint，具体为：

TurnPoint＝min({g|Offset_k＞T&Offset_k-1＞T&,…,Offset_g＞T})

其中：

Offset_i＝(OffsetP_i,OffsetV_i,OffsetA_i)

T＝(TP,TV,TA)

其中：

OffsetP_i,OffsetV_i,OffsetA_i分别为第i-1个状态至第i个状态中位置、速度和加速度的偏移量，TP,TV,TA均为常数；

252)判断持续偏移次数是否超过设定次数：且加速度方向偏移夹角是否满足圆周运动特性，具体为判断公式：

k-TurnPoint＞TK

w(OffsetA_k)＜TW&w(OffsetA_k-1)＜TW,…,w(OffsetA_TurnPoint+1)＜TW

其中：k-TurnPoint为持续偏移次数，TK为设定次数，TW为偏移角度可容忍误差，

若判断结果为是，则预测目标车辆发生转弯，且转弯方向为目标车辆当前状态位置的偏移方向，若判断结果为否，则预测目标车辆不发生转弯。