CN115273456B - 一种两轮电动车违规行驶的判定方法、***和存储介质 - Google Patents

一种两轮电动车违规行驶的判定方法、***和存储介质 Download PDF

Info

Publication number
CN115273456B
CN115273456B CN202210685350.0A CN202210685350A CN115273456B CN 115273456 B CN115273456 B CN 115273456B CN 202210685350 A CN202210685350 A CN 202210685350A CN 115273456 B CN115273456 B CN 115273456B
Authority
CN
China
Prior art keywords
electric vehicle
original
target
network model
countermeasure network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210685350.0A
Other languages
English (en)
Other versions
CN115273456A (zh
Inventor
孙宁
宋娟
姜川
孙晓琳
马梦丽
孟维宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Chewang Technology Development Co ltd
Original Assignee
Beijing Chewang Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Chewang Technology Development Co ltd filed Critical Beijing Chewang Technology Development Co ltd
Priority to CN202210685350.0A priority Critical patent/CN115273456B/zh
Publication of CN115273456A publication Critical patent/CN115273456A/zh
Application granted granted Critical
Publication of CN115273456B publication Critical patent/CN115273456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及一种两轮电动车违规行驶的判定方法、***和存储介质，包括：基于采集的多个两轮电动车的历史行车数据，对原始生成对抗网络模型进行训练，得到目标生成对抗网络模型；将待测两轮电动车的当前行车数据代入目标生成对抗网络模型，得到待测两轮电动车的当前违规指数；判断当前违规指数是否大于预设违规指数，若是，则判定待测两轮电动车存在违规行驶。本发明利用生成对抗网络模型无需构建标注训练集、且在复杂高维数据上建模的特点，并根据两轮电动车的违规行车数据在原始训练数据集中所占比例很小的特性，本发明在省去了人工筛选组合特征的过程同时，提高了对于两轮电动车违规行驶行为的识别结果的准确性。

Description

一种两轮电动车违规行驶的判定方法、***和存储介质
技术领域
本发明涉及车辆监管技术领域，尤其涉及一种两轮电动车违规行驶的判定方法、***和存储介质。
背景技术
当前，为解决两轮电动车在现实使用中存在的各种安全隐患，相关部门出台了多种规范来约束两轮电动车的行为，为保障规范的有效执行，需要引入一种监管方法，当两轮电动车进入违规状态时，及时识别出违规行为并做相应提示及记录。传统的方法是安排人工来识别违规行为，但此方法人力成本较高。另一种是基于传统有监督或无监督机器学习方法，但有监督机器学习方法需要人工对大量两轮车运行历史数据依据行车规范进行标注，成本很高，且覆盖率有限，往往不足以满足有监督机器学习模型的训练要求；而无监督机器学习方法虽可避免标注集的构建，但现有无监督方法依然存在对复杂高维数据建模表现不佳等问题；同时，违规行为在样本集中往往出现的占比很少，传统机器学习方法往往要求正负样本量相当才能达到较为理想的效果。
因此，亟需提出一种技术方案解决目前存在的问题。
发明内容
为解决上述技术问题，本发明提供了一种两轮电动车违规行驶的判定方法、***和存储介质。
本发明的一种两轮电动车违规行驶的判定方法的技术方案如下：
基于采集的多个两轮电动车的历史行车数据，对原始生成对抗网络模型进行训练，得到目标生成对抗网络模型；
获取待测两轮电动车的当前行车数据，并将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数；
判断所述当前违规指数是否大于预设违规指数，得到判断结果，若所述判断结果为是，则判定所述待测两轮电动车存在违规行驶。
本发明的一种两轮电动车违规行驶的判定方法的有益效果如下：
本发明的方法利用生成对抗网络模型无需构建标注训练集、且在复杂高维数据上建模的特点，并根据两轮电动车的违规行车数据在原始训练数据集中所占比例很小的特性，本发明的方法在省去了人工筛选组合特征的过程同时，提高了对于两轮电动车违规行驶行为的识别结果的准确性。
在上述方案的基础上，本发明的一种两轮电动车违规行驶的判定方法还可以做如下改进。
进一步，所述原始生成对抗网络模型的原始生成器采用层叠的stride卷积层，所述原始生成对抗网络模型的原始判别器采用标准CNN网络结构。
进一步，所述根据所有的历史行车数据和原始生成对抗网络模型，训练得到目标生成对抗网络模型，包括：
基于训练优化函数和所有的历史行车数据，对所述原始生成器和所述原始判别器进行训练，得到目标生成器和目标判别器；
根据所述目标生成器和所述目标判别器，得到所述目标生成对抗网络模型；其中，所述训练优化函数为：
为所述训练优化函数，x为任一历史行车数据所构成的特征向量，D1为所述原始判别器，G1为所述原始生成器，z为所述原始生成对抗网络的输入变量，pdata(x)为x所服从的分布，D1(x)为x经所述原始判别器后的输出结果，/>表示当x服从pdata(x)分布时，D1(x)的对数值的期望值，pz(z)为z服从的均匀分布，表示当z服从分布pz(z)时，1-D1(G1(z))的对数值的期望值。
进一步，所述将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数，包括：
将所述当前行车数据代入所述目标生成对抗网络模型对应的目标函数进行迭代计算，直至所述目标函数值最小时，得到所述待测两轮电动车的当前违规指数；其中，所述目标函数为：L(z)＝(1-λ)∑|x1- G2(z)|+λ∑|f(x1)-f(G2(z))|；x1为所述当前行车数据，G2为所述目标生成器，G2(z)为输入变量z经所述目标生成器作用后所生成的数据，f为所述目标判别器D2的中间层，L(z)为所述目标函数，用于衡量G2(z)与x1的相似度；λ为预设权重，L(zγ)为所述当前违规指数，zγ为L(z)收敛至最小时所对应的z值。
进一步，任一两轮电动车的历史行车数据包括：行车速度、行车经度、行车纬度、航向角、行车挡位、车灯状态、纵向加速度、横向加速度、电动机输出转速、电动机扭矩、横摆角速度、前轮速、后轮速、电池剩余电量和道路方向。
进一步，还包括：当所述判断结果为是时，向所述待测两轮电动车发送违规提示信息。
本发明的一种两轮电动车违规行驶的判定***的技术方案如下：
包括：构建模块、运行模块和判定模块；
所述构建模块用于：基于采集的多个两轮电动车的历史行车数据，对原始生成对抗网络模型进行训练，得到目标生成对抗网络模型；
所述运行模块用于：获取待测两轮电动车的当前行车数据，并将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数；
所述判定模块用于：判断所述当前违规指数是否大于预设违规指数，得到判断结果，若所述判断结果为是，则判定所述待测两轮电动车存在违规行驶。
本发明的一种两轮电动车违规行驶的判定***的有益效果如下：
本发明的***利用生成对抗网络模型无需构建标注训练集、且在复杂高维数据上建模的特点，并根据两轮电动车的违规行车数据在原始训练数据集中所占比例很小的特性，本发明的***在省去了人工筛选组合特征的过程同时，提高了对于两轮电动车违规行驶行为的识别结果的准确性。
在上述方案的基础上，本发明的一种两轮电动车违规行驶的判定***还可以做如下改进。
进一步，所述原始生成对抗网络模型的原始生成器采用层叠的stride卷积层，所述原始生成对抗网络模型的原始判别器采用标准CNN网络结构。
进一步，所述构建模块具体用于：
基于训练优化函数和所有的历史行车数据，对所述原始生成器和所述原始判别器进行训练，得到目标生成器和目标判别器；
根据所述目标生成器和所述目标判别器，得到所述目标生成对抗网络模型；其中，所述训练优化函数为：
为所述训练优化函数，x为任一历史行车数据所构成的特征向量，D1为所述原始判别器，G1为所述原始生成器，z为所述原始生成对抗网络的输入变量，pdata(x)为x所服从的分布，D1(x)为x经所述原始判别器后的输出结果，/>表示当x服从 pdata(x)分布时，D1(x)的对数值的期望值，pz(z)为z服从的均匀分布，表示当z服从分布pz(z)时，1-D1(G1(z))的对数值的期望值。
本发明的一种存储介质的技术方案如下：
存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的一种两轮电动车违规行驶的判定方法的步骤。
附图说明
图1为本发明实施例的一种两轮电动车违规行驶的判定方法的流程示意图；
图2为本发明实施例的一种两轮电动车违规行驶的判定***的结构示意图。
具体实施方式
如图1所示，本发明实施例的一种两轮电动车违规行驶的判定方法，包括如下步骤：
S1、基于采集的多个两轮电动车的历史行车数据，对原始生成对抗网络模型进行训练，得到目标生成对抗网络模型。
其中，任一两轮电动车的历史行车数据均包括：行车速度X0，经度X1，纬度X2，航向角X3，挡位X4，车灯状态X5，纵向加速度X6，横向加速度X7，电动机输出转速X8，电动机扭矩X9，横摆角速度X10，前轮速X11，后轮速 X12，电池剩余电量X13，道路方向X14。
其中，原始生成对抗网络模型为生成对抗网络(GAN)。
其中，通过任一历史行车数据构造生成对抗网络的原始输入特征向量 X；X＝[X0，X1，X2，X3，X4，X5，X6，X7，X8，X9，X10，X11，X12，X13， X14]，并将构造的每个X组合成原始生成对抗网络模型的训练数据集。
其中，目标生成对抗网络模型为：经过训练数据集对原始生成对抗网络模型进行训练后，得到的生成对抗网络模型。
S2、获取待测两轮电动车的当前行车数据，并将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数。
其中，待测两轮电动车为需要判定的两轮电动车，其当前行车数据与历史行车数据所选取的数据类型相同，均包含上述14个指标特征。
其中，当前违规指数为：根据目标生成对抗网络模型对应的目标函数进行反向迭代所得到的待测两轮电动车的特征向量X与G分布中最接近的点所对应的值。
S3、判断所述当前违规指数是否大于预设违规指数，得到判断结果，若所述判断结果为是，则判定所述待测两轮电动车存在违规行驶。
其中，预设违规指数为用户预设的值，在实际使用中可根据对违规行为判定的严格程度调整。
具体地，若当前违规指数大于预设违规指数时，则判定该两轮电动车违规；否则，判定该两轮电动车为正常行驶。
较优地，所述原始生成对抗网络模型的原始生成器采用层叠的stride卷积层，所述原始生成对抗网络模型的原始判别器采用标准CNN网络结构。
其中，原始生成对抗网络模型中包含有一个生成器(对应本实施例中的原始生成器)和一个判别器(对应本实施例中的原始判别器)。
具体地，原始生成器G1用于学习从潜在的均匀分布随机变量z到x在训练数据集中的分布，本实施例中选用由跨步卷积层堆叠构建而成的卷积解码器网络作为原始生成器；其中，层叠表示被作为原始生成器的解码器网络的构建方式；跨步卷积层表示卷积层对输入数据进行映射运算时，卷积核每次移动步长大于1(即：卷积核移动具有跨步移动的特点)。原始判别器D1用于输出代表给定输入的特征向量X(如本实施例中的待测两轮电动车的当前行车数据对应的特征向量X)源于训练数据集中的训练数据或源于G(z)生成的可能性估计，本实施例中选用标准CNN网络结构作为原始判别器。其中，标准CNN网络属于神经网络范畴，具体通过堆叠一组卷积层来构成网络结构，实现从输入空间到输出空间的映射。
较优地，所述根据所有的历史行车数据和原始生成对抗网络模型，训练得到目标生成对抗网络模型，包括：
基于训练优化函数和所有的历史行车数据，对所述原始生成器和所述原始判别器进行训练，得到目标生成器和目标判别器。
根据所述目标生成器和所述目标判别器，得到所述目标生成对抗网络模型。其中，所述训练优化函数为：
为所述训练优化函数，x为任一历史行车数据所构成的特征向量，D1为所述原始判别器，G1为所述原始生成器，z为所述原始生成对抗网络的输入变量，pdata(x)为x所服从的分布，D1(x)为x经所述原始判别器后的输出结果，/>表示当x服从 pdata(x)分布时，D1(x)的对数值的期望值，pz(z)为z服从的均匀分布，表示当z服从分布pz(z)时，1-D1(G1(z))的对数值的期望值。
其中，采用训练优化函数对G1和D1的参数进行训练，得到满足用户需求的生成器G2与判别器D2。
需要说明的是，本实施例中对于原始生成器和原始判别器的训练过程为现有技术。具体地，如上述训练优化函数可知，训练过程包括以下三个步骤：
①原始判别器训练过程为：固定原始生成器G1的参数，迭代调整原始判别器D1的参数，直到V(D1，G1)值收敛至最大值；
②原始生成器的训练过程为：固定原始判别器D1参数，迭代调整原始生成器G1的参数，直到V(D1，G1)值收敛至最小值；
③循环执行步骤1和2的过程，直到G1与V(D1，G1)的参数稳定收敛为止。
较优地，所述将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数，包括：
将所述当前行车数据代入所述目标生成对抗网络模型对应的目标函数进行迭代计算，直至所述目标函数值最小时，得到所述待测两轮电动车的当前违规指数；其中，所述目标函数为：L(z)＝(1-λ)∑|x1- G2(z)|+λ∑|f(x1)-f(G2(z))|；x1为所述当前行车数据，G2为所述目标生成器，G2(z)为输入变量z经所述目标生成器作用后所生成的数据，f为所述目标判别器D2的中间层，L(z)为所述目标函数，用于衡量G2(z)与x1的相似度；λ为预设权重，L(zγ)为所述当前违规指数，zγ为L(z)收敛至最小时所对应的z值。
其中，L(z)用于衡量任意z经目标生成器作用后所生成的数据G2(z)与 x1的相似程度，间接反应了x1属于正常行车数据的程度，因此L(z)越大，x1为违规行车的可能性越大。
需要说明的是，本实施例中的目标函数是通过对两个指标进行加权平均得到的。第一部分为：∑|x1-G2(z)|，用于待测两轮电动车x1与z经目标生成器G2作用的生成结果以x1所在特征空间中的距离为尺度衡量的相似度，该相似度描述的是在目标生成器视角下的相似度；第二部分为∑|f(x1)- f(G2(z))|，用于衡量待测两轮电动车x1与目标生成器G2的生成结果在目标判别器中间层f映射后的空间中的相似度，该相似度描述的是在目标判别器视角下的相似度；通过对两指标按参数λ加权平均得到融和后的目标函数 L(z)。
在本实施例中，训练好的目标生成对抗网络模型将集成至路侧设备中，当路测设备通过PC5接口实时接收周边两轮电动车通过V2X BSM消息广播的当前行车数据时，能够通过路测设备对于道路两侧的两轮电动车的违规行驶行为进行监测。
较优地，任一两轮电动车的历史行车数据包括：行车速度、行车经度、行车纬度、航向角、行车挡位、车灯状态、纵向加速度、横向加速度、电动机输出转速、电动机扭矩、横摆角速度、前轮速、后轮速、电池剩余电量和道路方向。
较优地，还包括：当所述判断结果为是时，向所述待测两轮电动车发送违规提示信息。
具体地，当判定待测两轮电动车违规行驶时，向待测两轮电动车发送违规提示信息，提示信息可以是：通知驾使员注意安全等。例如，当路测设备判定某两轮电动车违规行驶时，通过路测设备将PC5接口将提示信息发回给违规的两轮电动车并通过人机交互接口HMI以通知驾使员注意安全。
需要说明的是，除向待测两轮电动车发送违规提示信息以外，还可以对违规车辆进行登记或通过人工审核进一步确认是否违规行驶等操作。
本实施例的技术方案利用生成对抗网络模型无需构建标注训练集、且在复杂高维数据上建模的特点，并根据两轮电动车的违规行车数据在原始训练数据集中所占比例很小的特性，本实施例的技术方案在省去了人工筛选组合特征的过程同时，提高了对于两轮电动车违规行驶行为的识别结果的准确性。
图2为本发明实施例的一种两轮电动车违规行驶判定***200，包括：构建模块210、运行模块220和判定模块230；
所述构建模块210用于：基于采集的多个两轮电动车的历史行车数据，对原始生成对抗网络模型进行训练，得到目标生成对抗网络模型；
所述运行模块220用于：获取待测两轮电动车的当前行车数据，并将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数；
所述判定模块230用于：判断所述当前违规指数是否大于预设违规指数，得到判断结果，若所述判断结果为是，则判定所述待测两轮电动车存在违规行驶。
较优地，所述原始生成对抗网络模型的原始生成器采用层叠的stride卷积层，所述原始生成对抗网络模型的原始判别器采用标准CNN网络结构。
较优地，所述构建模块具体用于：
基于训练优化函数和所有的历史行车数据，对所述原始生成器和所述原始判别器进行训练，得到目标生成器和目标判别器；
根据所述目标生成器和所述目标判别器，得到所述目标生成对抗网络模型；其中，所述训练优化函数为：
为所述训练优化函数，x为任一历史行车数据所构成的特征向量，D1为所述原始判别器，G1为所述原始生成器，z为所述原始生成对抗网络的输入变量，pdata(x)为x所服从的分布，D1(x)为x经所述原始判别器后的输出结果，/>表示当x服从 pdata(x)分布时，D1(x)的对数值的期望值，pz(z)为z服从的均匀分布，表示当z服从分布pz(z)时，1-D1(G1(z))的对数值的期望值。
本实施例的技术方案利用生成对抗网络模型无需构建标注训练集、且在复杂高维数据上建模的特点，并根据两轮电动车的违规行车数据在原始训练数据集中所占比例很小的特性，本实施例的技术方案在省去了人工筛选组合特征的过程同时，提高了对于两轮电动车违规行驶行为的识别结果的准确性。
上述关于本发明的一种两轮电动车违规行驶判定***200中的各参数和各个模块实现相应功能的步骤，可参考上文中关于一种两轮电动车违规行驶判定方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上文中的一种两轮电动车违规行驶判定方法的步骤，具体可参考上文中一种两轮电动车违规行驶判定方法的实施例中的各参数和步骤，在此不做赘述。
计算机存储介质例如：优盘、移动硬盘等。
所属技术领域的技术人员知道，本发明可以实现为方法、***和存储介质。
因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“***”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)，只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种两轮电动车违规行驶判定方法，其特征在于，包括：
基于采集的多个两轮电动车的历史行车数据，对原始生成对抗网络模型进行训练，得到目标生成对抗网络模型；
获取待测两轮电动车的当前行车数据，并将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数；
判断所述当前违规指数是否大于预设违规指数，得到判断结果，若所述判断结果为是，则判定所述待测两轮电动车存在违规行驶；
所述原始生成对抗网络模型的原始生成器采用层叠的stride卷积层，所述原始生成对抗网络模型的原始判别器采用标准CNN网络结构；
根据所有的历史行车数据和原始生成对抗网络模型，训练得到目标生成对抗网络模型，包括：
基于训练优化函数和所有的历史行车数据，对所述原始生成器和所述原始判别器进行训练，得到目标生成器和目标判别器；
根据所述目标生成器和所述目标判别器，得到所述目标生成对抗网络模型；其中，所述训练优化函数为：
为所述训练优化函数，x为任一历史行车数据所构成的特征向量，D1为所述原始判别器，G1为所述原始生成器，z为所述原始生成对抗网络的输入变量，pdata(x)为x所服从的分布，D1(x)为x经所述原始判别器后的输出结果，/>表示当x服从pdata(x)分布时，D1(x)的对数值的期望值，pz(z)为z服从的均匀分布，表示当z服从分布pz(z)时，1-D1(G1(z))的对数值的期望值；
所述将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数，包括：
将所述当前行车数据代入所述目标生成对抗网络模型对应的目标函数进行迭代计算，直至目标函数值最小时，得到所述待测两轮电动车的当前违规指数；其中，所述目标函数为：L(z)＝(1-λ)∑|x1-G2(z)|+λ∑|f(x1)-f(G2(z))|；x1为所述当前行车数据，G2为所述目标生成器，G2(z)为输入变量z经所述目标生成器作用后所生成的数据，f为目标判别器D2的中间层，L(z)为所述目标函数，用于衡量G2(z)与x1的相似度；λ为预设权重，L(zγ)为所述当前违规指数，zγ为L(z)收敛至最小时所对应的z值。
2.根据权利要求1所述的一种两轮电动车违规行驶判定方法，其特征在于，任一两轮电动车的历史行车数据包括：行车速度、行车经度、行车纬度、航向角、行车挡位、车灯状态、纵向加速度、横向加速度、电动机输出转速、电动机扭矩、横摆角速度、前轮速、后轮速、电池剩余电量和道路方向。
3.根据权利要求1或2所述的一种两轮电动车违规行驶判定方法，其特征在于，还包括：当所述判断结果为是时，向所述待测两轮电动车发送违规提示信息。
4.一种两轮电动车违规行驶判定***，其特征在于，包括：构建模块、运行模块和判定模块；
所述构建模块用于：基于采集的多个两轮电动车的历史行车数据，对原始生成对抗网络模型进行训练，得到目标生成对抗网络模型；
所述运行模块用于：获取待测两轮电动车的当前行车数据，并将所述当前行车数据代入所述目标生成对抗网络模型，得到所述待测两轮电动车的当前违规指数；
所述判定模块用于：判断所述当前违规指数是否大于预设违规指数，得到判断结果，若所述判断结果为是，则判定所述待测两轮电动车存在违规行驶；
所述原始生成对抗网络模型的原始生成器采用层叠的stride卷积层，所述原始生成对抗网络模型的原始判别器采用标准CNN网络结构；
所述构建模块具体用于：
基于训练优化函数和所有的历史行车数据，对所述原始生成器和所述原始判别器进行训练，得到目标生成器和目标判别器；
根据所述目标生成器和所述目标判别器，得到所述目标生成对抗网络模型；其中，所述训练优化函数为：
为所述训练优化函数，x为任一历史行车数据所构成的特征向量，D1为所述原始判别器，G1为所述原始生成器，z为所述原始生成对抗网络的输入变量，pdata(x)为x所服从的分布，D1(x)为x经所述原始判别器后的输出结果，/>表示当x服从pdata(x)分布时，D1(x)的对数值的期望值，pz(z)为z服从的均匀分布，表示当z服从分布pz(z)时，1-D1(G1(z))的对数值的期望值；
所述运行模块具体用于：
将所述当前行车数据代入所述目标生成对抗网络模型对应的目标函数进行迭代计算，直至目标函数值最小时，得到所述待测两轮电动车的当前违规指数；其中，所述目标函数为：L(z)＝(1-λ)∑|x1-G2(z)|+λ∑|f(x1)-f(G2(z))|；x1为所述当前行车数据，G2为所述目标生成器，G2(z)为输入变量z经所述目标生成器作用后所生成的数据，f为目标判别器D2的中间层，L(z)为所述目标函数，用于衡量G2(z)与x1的相似度；λ为预设权重，L(zγ)为所述当前违规指数，zγ为L(z)收敛至最小时所对应的z值。
5.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至3中任一项所述的一种两轮电动车违规行驶判定方法。
CN202210685350.0A 2022-06-14 2022-06-14 一种两轮电动车违规行驶的判定方法、***和存储介质 Active CN115273456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210685350.0A CN115273456B (zh) 2022-06-14 2022-06-14 一种两轮电动车违规行驶的判定方法、***和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210685350.0A CN115273456B (zh) 2022-06-14 2022-06-14 一种两轮电动车违规行驶的判定方法、***和存储介质

Publications (2)

Publication Number Publication Date
CN115273456A CN115273456A (zh) 2022-11-01
CN115273456B true CN115273456B (zh) 2023-08-29

Family

ID=83762090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210685350.0A Active CN115273456B (zh) 2022-06-14 2022-06-14 一种两轮电动车违规行驶的判定方法、***和存储介质

Country Status (1)

Country Link
CN (1) CN115273456B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093624A (zh) * 2013-01-09 2013-05-08 东南大学 一种信号交叉口非机动车违规过街行为自动判别方法
AU2014218477A1 (en) * 2008-01-07 2014-09-18 Chargepoint, Inc. Network-controlled charging system for electric vehicles
CN108875766A (zh) * 2017-11-29 2018-11-23 北京旷视科技有限公司 图像处理的方法、装置、***及计算机存储介质
CN110225446A (zh) * 2018-03-01 2019-09-10 北京嘀嘀无限科技发展有限公司 一种识别驾驶行为的***、方法、装置和存储介质
CN110717433A (zh) * 2019-09-30 2020-01-21 华中科技大学 一种基于深度学习的交通违规分析方法及装置
WO2020029356A1 (zh) * 2018-08-08 2020-02-13 杰创智能科技股份有限公司 一种基于生成对抗网络的脸部变化预测方法
CN112017447A (zh) * 2020-08-20 2020-12-01 北京赛博星通科技有限公司 一种基于gps位置信息判定车辆逆行违规的方法及***
CN112149511A (zh) * 2020-08-27 2020-12-29 深圳市点创科技有限公司 基于神经网络的驾驶员违规行为检测方法、终端、装置
CN112466003A (zh) * 2019-09-06 2021-03-09 顺丰科技有限公司 车辆状态检测方法、装置、服务器及存储介质
CN112464749A (zh) * 2020-11-11 2021-03-09 鹏城实验室 一种基于规则与学习的交通场景异常目标检测方法
CN113160575A (zh) * 2021-03-15 2021-07-23 超级视线科技有限公司 一种非机动车辆及驾驶人的交通违法行为检测方法及***
CN113380021A (zh) * 2020-03-10 2021-09-10 深圳市丰驰顺行信息技术有限公司 车辆状态检测方法、装置、服务器及计算机可读存储介质
CN113450571A (zh) * 2021-09-01 2021-09-28 深圳市鼎粤科技有限公司 基于交通路口的行驶方向提醒方法、装置及存储介质
CN113936465A (zh) * 2021-10-26 2022-01-14 公安部道路交通安全研究中心 交通事件检测方法及装置
CN114548298A (zh) * 2022-02-25 2022-05-27 阿波罗智联(北京)科技有限公司 模型训练、交通信息处理方法、装置、设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3027283A1 (en) * 2017-04-27 2018-11-01 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for route planning
US10705531B2 (en) * 2017-09-28 2020-07-07 Nec Corporation Generative adversarial inverse trajectory optimization for probabilistic vehicle forecasting

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014218477A1 (en) * 2008-01-07 2014-09-18 Chargepoint, Inc. Network-controlled charging system for electric vehicles
CN103093624A (zh) * 2013-01-09 2013-05-08 东南大学 一种信号交叉口非机动车违规过街行为自动判别方法
CN108875766A (zh) * 2017-11-29 2018-11-23 北京旷视科技有限公司 图像处理的方法、装置、***及计算机存储介质
CN110225446A (zh) * 2018-03-01 2019-09-10 北京嘀嘀无限科技发展有限公司 一种识别驾驶行为的***、方法、装置和存储介质
WO2020029356A1 (zh) * 2018-08-08 2020-02-13 杰创智能科技股份有限公司 一种基于生成对抗网络的脸部变化预测方法
CN112466003A (zh) * 2019-09-06 2021-03-09 顺丰科技有限公司 车辆状态检测方法、装置、服务器及存储介质
CN110717433A (zh) * 2019-09-30 2020-01-21 华中科技大学 一种基于深度学习的交通违规分析方法及装置
CN113380021A (zh) * 2020-03-10 2021-09-10 深圳市丰驰顺行信息技术有限公司 车辆状态检测方法、装置、服务器及计算机可读存储介质
CN112017447A (zh) * 2020-08-20 2020-12-01 北京赛博星通科技有限公司 一种基于gps位置信息判定车辆逆行违规的方法及***
CN112149511A (zh) * 2020-08-27 2020-12-29 深圳市点创科技有限公司 基于神经网络的驾驶员违规行为检测方法、终端、装置
CN112464749A (zh) * 2020-11-11 2021-03-09 鹏城实验室 一种基于规则与学习的交通场景异常目标检测方法
CN113160575A (zh) * 2021-03-15 2021-07-23 超级视线科技有限公司 一种非机动车辆及驾驶人的交通违法行为检测方法及***
CN113450571A (zh) * 2021-09-01 2021-09-28 深圳市鼎粤科技有限公司 基于交通路口的行驶方向提醒方法、装置及存储介质
CN113936465A (zh) * 2021-10-26 2022-01-14 公安部道路交通安全研究中心 交通事件检测方法及装置
CN114548298A (zh) * 2022-02-25 2022-05-27 阿波罗智联(北京)科技有限公司 模型训练、交通信息处理方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
温惠英 ; 张伟罡 ; 赵胜 ; .基于生成对抗网络的车辆换道轨迹预测模型.华南理工大学学报(自然科学版).2020,(第05期),全文. *

Also Published As

Publication number Publication date
CN115273456A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN110091751B (zh) 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN107169567B (zh) 一种用于车辆自动驾驶的决策网络模型的生成方法及装置
CN110949398A (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN116108717B (zh) 一种基于数字孪生的交通运输设备运行预测方法及装置
Hou et al. Machine learning and whale optimization algorithm based design of energy management strategy for plug‐in hybrid electric vehicle
CN113568416B (zh) 无人车轨迹规划方法、装置和计算机可读存储介质
CN112327168A (zh) 一种基于XGBoost的电动汽车电池消耗预测方法
US20190339707A1 (en) Automobile Image Processing Method and Apparatus, and Readable Storage Medium
Kim et al. Vision-based uncertainty-aware lane keeping strategy using deep reinforcement learning
CN114021840A (zh) 换道策略生成方法和装置、计算机存储介质、电子设备
CN116490858A (zh) 自主交通工具关键场景的自适应生成和评估
CN115080391A (zh) 一种确定自动驾驶关键场景方法及装置
Koenig et al. Bridging the gap between open loop tests and statistical validation for highly automated driving
CN116861370B (zh) 用于井下防爆胶轮车的运动数据处理方法
CN115273456B (zh) 一种两轮电动车违规行驶的判定方法、***和存储介质
Gao et al. Performance limit evaluation by evolution test with application to automatic parking system
CN116461507A (zh) 一种车辆驾驶决策方法、装置、设备和存储介质
Xing et al. Recognizing driver braking intention with vehicle data using unsupervised learning methods
CN116564346A (zh) 模型训练及声音品质评价方法、装置、电子设备
CN113276860B (zh) 车辆控制方法、装置、电子设备以及存储介质
JP2024506108A (ja) 未知の安全でないシナリオの生成、自動運転車の改善、コンピュータシステム
CN113771884A (zh) 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法
Wang et al. Driving Style Identification Strategy Based on DS Evidence Theory
CN116680517B (zh) 一种自动驾驶仿真测试中失败概率的确定方法及装置
CN115979679B (zh) 自动驾驶***实际道路测试方法、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant