CN108388947A - 适用于车载短距离通信网安全预警的改进机器学习方法 - Google Patents

Abstract

本发明提供一种适用于车载短距离通信网安全预警的改进机器学习方法，包括步骤：路侧节点对采集的各车载节点的心跳信息进行处理，生成样本数据；基于样本数据训练具有不同分类模式的多个弱分类器；根据各弱分类器的动态训练结果数据调整各弱分类器的权重；根据各弱分类器所占权重，确定强分类器；路侧节点向车载节点周期性广播确定的强分类器。本发明结合历史训练结果数据与动态训练结果数据更新各弱分类器的权重，以此确定强分类器，各车载节点利用动态更新的强分类器实现安全预警，能够获得满足实际道路状况的合理、准确的安全预测效果。

Description

适用于车载短距离通信网安全预警的改进机器学习方法

技术领域

本发明涉及一种适用于车载短距离通信网安全预警的改进机器学习方法，属于车载通信网技术领域。

背景技术

车载短距离通信(Vehicle to X：V2X)网络是通过无线通信、GPS/GIS、传感等短距离通信技术实现的车内(CAN-Controller Area Network)、车路(Vehicle-2-RSU)、车间(Vehicle-2-Vehicle)、车外(vehicle-2-Infrastructure)、人车(Vehicle-2-Person)之间的通信。

在V2X网络中，设备节点主要包括车载节点(OBU：On board Units)和路侧节点(RSU：Road-Side Units)。每个车载节点周期性广播包括车辆唯一标识、地理位置等信息的消息(以下称心跳信息)，所以，车载节点和路侧节点通过接收周围节点广播的心跳信息，可以获得周围车载节点的地理位置、信号传输特性等信息。

安全应用是V2X中车-车通信的主要应用，根据场景的不同主要分为四类：直行、转向、交叉路口、变道。典型的有：交叉路口辅助(IMA：Intersection Movement Assist)、前碰撞预警(FCW：Forward Collision Warning)、失控预警(CLW：Control Losing Warning)、紧急电子刹车灯(EEBL：Electronic Emergency Brake Light)、禁止通过预警(DNPW：Do NotPass Warning)、左转辅助(LTA：Left Turn Assist)等，上述安全应用主要通过提前预警的方式来实现的。由于道路结构与环境复杂，各车辆的相对位置和速度多变，且易受天气情况影响，如何根据车载节点的心跳信息，进行合理、准确的安全预警是一项技术难点。

随着人工智能(AI：Artificial Intelligence)技术的发展，将V2X的安全应用运用机器学习算法，通过不断学习驾驶员的实际驾驶判断行为，并根据车辆状态、道路状况、天气状况等因素实现合理的安全预警成为可能。

Boosting算法是一种常用的机器学习算法，其能够显著提高分类器的分类能力。传统boosting算法是对样本进行加权训练弱分类器，在全部样本训练结束后，获得强分类器。由于车载短距离通信网中的安全应用，既要结合历史训练结果，又要根据动态训练结果不断进行学习，因而，传统boosting算法无法实现准确、合理的安全预警。

发明内容

鉴于上述目的，本发明的目的是提供一种适用于车载短距离通信网安全预警的改进机器学习方法，结合历史训练结果数据与动态训练结果数据更新各弱分类器的权重，以此确定强分类器，各车载节点利用动态更新的强分类器实现安全预警，能够获得满足实际道路状况的合理、准确的安全预测效果。

为实现上述目的，本发明采用以下技术方案：

一种适用于车载短距离通信网安全预警的改进机器学习方法，包括以下步骤：

S1：路侧节点对采集的各车载节点的心跳信息进行处理，生成样本数据；

S2：基于样本数据训练具有不同分类模式的多个弱分类器；

S3：根据各弱分类器的动态训练结果数据调整各弱分类器的权重；

S4：根据各弱分类器所占权重，确定强分类器；

S5：路侧节点向车载节点周期性广播确定的强分类器。

进一步的，

所述样本数据包括状态样本数据e_T和结果样本数据e_R，所述弱分类器根据状态样本数据和结果样本数据得到训练结果数据。

所述步骤S3包括：

1)根据公式(1)对弱分类器h_i的动态训练结果数据进行评价；

S_W＝L₀(e_T，e_R) (1)

其中，弱分类器的数量为N，i∈{1，2，…，N}，S_W是弱分类器h_i判断错误的状态样本数据的数量；

2)计算弱分类器h_i的判断错误比例：

ε_i＝S_W/S_T (2)

其中，S_T是状态样本数据的总数量；

3)计算弱分类器h_i的权重：

4)计算弱分类器h_i的综合权重：

β_i＝(λα_i+(1-λ)α′_i) (4)

其中，λ为动态训练结果数据与历史训练结果数据的分配比例，0≤λ≤1。

所述步骤S4中，确定强分类器为：

所述状态样本数据e_T＝{车辆速度，行驶方向，两车间距，当前时间，天气状况，车辆类型}，所述结果样本数据e_R＝{车辆速度变化，两车距离}。

所述车载节点接收周围车载节点的心跳信息，所述车载节点配置的安全预警算法模块根据所述强分类器确定周围车载节点的安全状况。

所述安全预警算法根据所述强分类器提供的安全预警状态是危险，进行声音报警，并通过屏幕显示危险车辆的位置和危险类型。

本发明的优点是：

本发明的适用于车载短距离通信网安全预警的改进机器学习方法，路侧节点根据动态采集的各车载节点的心跳信息，训练弱分类器，根据历史训练结果数据和动态训练结果数据更新各弱分类器所占权重，以此确定出适应能力强的强分类器，并将获得的强分类器周期性地向各车载节点广播，各车载节点利用动态更新的强分类器实现安全预警，能够获得满足实际道路状况的合理、准确的安全预测效果。

附图说明

图1是本发明的方法流程示意图。

图2是本发明一具体实施例的应用场景。

具体实施方式

以下结合附图和实施例对本发明做进一步详细的描述。

如图1所示，本发明公开的适用于车载短距离通信网安全预警的改进机器学习方法，包括以下步骤：

S1：路侧节点对采集的心跳信息进行处理生成样本数据；

车载节点、路侧节点定期向周期节点广播包括车辆唯一标识、车辆位置、车辆速度、行驶方向信息的心跳信息。根据预警机制与学习算法的需要，可增加具体的信息类型。

路侧节点配置学习算法L₀，样本信号种类e＝{e₁，e₂，...，e_n}和样本算法模块。路侧节点以接受的各车载节点的心跳信息为基础数据，样本算法模块根据样本算法c＝{c₁，c₂，...，c_n}，对基础数据进行处理，生成符合样本信号种类e＝{e₁，e₂，...，e_n}要求的学习数据。

样本信号种类可以根据实际应用场景进行划分。本发明实施例中，是将样本信号种类划分为两类，一类是状态样本数据e_T＝{车辆速度，行驶方向，两车间距，当前时间，天气状况，车辆类型}，一类是结果样本数据e_R＝{车辆速度变化，两车距离}。其中，天气状况数据可根据天气预测***向路侧节点发送的天气状况信息所确定，并将天气状况数据作为基础数据中的一项。样本算法模块根据样本算法，对各项基础数据进行处理，划分出需要进行学习的状态样本数据和结果样本数据。

S2：基于样本数据训练弱分类器；

将各弱分类器按照学习算法L₀确定具体的学习模式。弱分类器根据状态样本数据和结果样本数据得到训练结果数据，训练结果数据包括历史训练结果数据与实时的动态训练结果数据。

本实施例中，一种学习模式是对于交叉路口，根据两车距离和相对位置进行学习是否分类为危险，学习结果为是或否。具体的说，是用第m个弱分类器h_m对状态样本数据e_T进行判断当前车辆在交叉路口是否有危险，用结果样本数据e_R对弱分类器h_m的判断结果进行校验，如果实际车辆临近交叉路口，两车距离小于预设的安全距离，并且驾驶员采取了制动措施使得车辆速度有明显的变化，则该弱分类器h_m的判断结果为正确，否则为错误。

弱分类器的训练情况和数量可以根据***要求进行设置，分类模式可以根据不同的因素组合进行设置，覆盖到所有可能发生的情况，可根据不同影响因素进行评测，也可以根据所有因素的不同取值的组合来进行评测。

由于驾驶员的驾驶习惯、不同车辆类型、不同天气状况等因素均会影响弱分类器的评测结果，因此需要根据各弱分类器的动态训练结果数据即时调整各个弱分类器的权重。

S3：根据各弱分类器的动态训练结果数据调整各弱分类器的权重，确定强分类器；

S31：根据各弱分类器的动态训练结果数据调整各弱分类器所占权重；

具体包括：

1)根据公式(1)所示算法对弱分类器h_i的动态训练结果数据进行评价；

S_W＝L₀(e_T，e_R) (1)

其中，弱分类器的数量为N，且i∈{1，2，…，N}，S_W是弱分类器h_i判断错误的状态样本数据e_T的数量。

2)计算弱分类器h_i的判断错误比例：

ε_i＝S_W/S_T (2)

其中，S_T是状态样本数据e_T的总数量。

3)基于动态训练结果数据，计算弱分类器h_i的权重：

4)计算弱分类器h_i的综合权重：

β_i＝(λα_i+(1-λ)α′_i) (4)

其中，0≤λ≤1，λ为动态训练结果数据与历史训练结果数据的分配比例，用于平衡动态训练结果和历史训练结果的比例。

S32：确定强分类器。

根据确定的各弱分类器所占权重，确定强分类器为：

S4：路侧节点周期性广播强分类器，提供安全预警功能。

路侧节点根据动态采集的心跳信息，训练弱分类器，根据历史训练结果数据和动态训练结果数据确定各弱分类器所占权重，确定强分类器，并将获得的强分类器H周期性地向各车载节点广播。

车载节点配置有安全预警算法模块L₁，车载节点接收周围车载节点的心跳信息，安全预警算法模块L₁根据强分类器H确定周围车载节点的安全状况：如果安全预警算法L₁根据强分类器H提供的安全预警状态是危险，则进行声音报警，并通过屏幕显示危险车辆的位置和危险类型，提醒驾驶员提前采取相应的措施避免危险。

如图2所示，本发明实施例中，所配置的安全预警算法模块L₁及强分类器H可用于评测交叉路口处的车辆的安全状况。然而，本发明不限于此，可根据实际道路情况、天气情况、车辆类型、车辆状况等多项因素，根据本发明的方法原理，确定出适于实际应用需求的算法及强分类器，从而为车载节点提供合理、准确的安全预警功能。

以上所述是本发明的较佳实施例及其所运用的技术原理，对于本领域的技术人员来说，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变，均属于本发明保护范围之内。

Claims (7)

1.一种适用于车载短距离通信网安全预警的改进机器学习方法，其特征在于，包括以下步骤：

S1：路侧节点对采集的各车载节点的心跳信息进行处理，生成样本数据；

S2：基于样本数据训练具有不同分类模式的多个弱分类器；

S3：根据各弱分类器的动态训练结果数据调整各弱分类器的权重；

S4：根据各弱分类器所占权重，确定强分类器；

S5：路侧节点向车载节点周期性广播确定的强分类器。

2.根据权利要求1所述的适用于车载短距离通信网安全预警的改进机器学习方法，其特征在于，所述样本数据包括状态样本数据e_T和结果样本数据e_R，所述弱分类器根据状态样本数据和结果样本数据得到训练结果数据。

3.根据权利要求2所述的适用于车载短距离通信网安全预警的改进机器学习方法，其特征在于，所述步骤S3包括：

1)根据公式(1)对弱分类器h_i的动态训练结果数据进行评价；

S_W＝L₀(e_T，e_R) (1)

其中，弱分类器的数量为N，i∈{1，2，…，N}，S_W是弱分类器h_i判断错误的状态样本数据的数量；

2)计算弱分类器h_i的判断错误比例：

ε_i＝S_W/S_T (2)

其中，S_T是状态样本数据的总数量；

3)计算弱分类器h_i的权重：

4)计算弱分类器h_i的综合权重：

β_i＝(λα_i+(1-λ)a′_i) (4)

其中，λ为动态训练结果数据与历史训练结果数据的分配比例，0≤λ≤1。

4.根据权利要求3所述的适用于车载短距离通信网安全预警的改进机器学习方法，其特征在于，所述步骤S4中，确定强分类器为：

5.根据权利要求4所述的适用于车载短距离通信网安全预警的改进机器学习方法，其特征在于，所述状态样本数据e_T＝{车辆速度，行驶方向，两车间距，当前时间，天气状况，车辆类型}，所述结果样本数据e_R＝{车辆速度变化，两车距离}。

6.根据权利要求4所述的适用于车载短距离通信网安全预警的改进机器学习方法，其特征在于，所述车载节点接收周围车载节点的心跳信息，所述车载节点配置的安全预警算法模块根据所述强分类器确定周围车载节点的安全状况。

7.根据权利要求6所述的适用于车载短距离通信网安全预警的改进机器学习方法，其特征在于，所述安全预警算法根据所述强分类器提供的安全预警状态是危险，进行声音报警，并通过屏幕显示危险车辆的位置和危险类型。