CN115329865A - 基于多核学习支持向量机的行驶工况识别方法 - Google Patents
基于多核学习支持向量机的行驶工况识别方法 Download PDFInfo
- Publication number
- CN115329865A CN115329865A CN202210967241.8A CN202210967241A CN115329865A CN 115329865 A CN115329865 A CN 115329865A CN 202210967241 A CN202210967241 A CN 202210967241A CN 115329865 A CN115329865 A CN 115329865A
- Authority
- CN
- China
- Prior art keywords
- automobile
- running condition
- vector machine
- support vector
- vehicle
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
Abstract
本发明公开基于多核学习支持向量机的行驶工况识别方法,步骤包括:1)获取汽车行驶工况数据;2)对汽车行驶工况数据进行预处理,得到预处理后的汽车行驶工况数据;3)对预处理后的汽车行驶工况数据进行特征提取,得到汽车行驶工况特征参数;4)搭建行驶工况分析处理***;5)将汽车行驶工况特征参数输入到行驶工况分析处理***中,对汽车行驶工况进行识别,得到汽车行驶工况类型。本发明方法应用GAPSO算法对MKL‑SVM模型的进行参数寻优,能够使得粒子跳出局部最优,更易寻求全局最优解,相比于传统的SVM向量机,MKL‑SVM模型可以提升了模型的学习能力与泛化能力,具有较优的分类性能。
Description
技术领域
本发明涉及车辆行驶工况识别领域,具体是基于多核学习支持向量机的行驶工况识别方法。
背景技术
随着智能交通技术的发展,获取行驶车辆位置和当前车辆运动信息数据已成为现实,汽车的行驶工况,可以体现汽车道路行驶的运动学特征,是车辆各项性能指标标定优化和采用能量管理策略减少能耗和排放时的主要基准。
Marano等利用现有的测距***和车载传感器,获取汽车运行数据,完成工况识别并以此展开控制策略,其中汽车运行数据包括静态环境信息、准静态环境信息和实时交通信息;Unger等利用非线性预测模型完成对汽车运行数据的预测并应用于控制策略;HuangX等利用统计信息和粒子群优化的支持向量机算法(SVM)进行行驶工况识别。
上述方法中,现有的测距***和车载传感器***获取汽车工况数据时,由于传统测距仪器和传感器存在检测范围、视角的缺陷并且容易被障碍物阻挡,数据获取比较单一,复杂环境下数据获取能力较差。由于汽车行驶数据的采集设备直接记录的原始采集数据会包含一些不良数据值,在对样本进行特征提取之前,应该对样本进行预处理工作。而传统的单核支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题。因此,需要一种能提高工况样本获取精度,能够提升单核向量机模型学习能力和泛化能力的方案。
发明内容
本发明的目的是提供基于多核学习支持向量机的行驶工况识别方法,包括以下步骤:
1)获取汽车行驶工况数据;
进一步,获取汽车行驶工况数据的装置包括车载设备和车载处理器;
所述车载设备搭载有激光雷达、车载传感器;
所述车载设备监测汽车行驶工况数据,并传输至车载处理器;
所述车载处理器用于实现车与云平台、车与道路参与者的数据交互;
所述道路参与者包括车和路边基础设施;
所述路边基础设施通过无线网络获取和发布所在区域的实时信息。
2)对汽车行驶工况数据进行预处理,得到预处理后的汽车行驶工况数据;
进一步,对汽车行驶工况数据进行预处理的步骤包括:
删除车速大于120km/h、2s内车速下降超过60km/s的汽车行驶工况数据;
删除经纬度及车速未同时变化的汽车行驶工况数据;
将时间间隔大于3s、且间隔两端的速度为0的不连续数据所对应的汽车状态判断为怠速状态。
3)对预处理后的汽车行驶工况数据进行特征提取,得到汽车行驶工况特征参数;
进一步,对预处理后的汽车行驶工况数据进行特征提取的步骤包括:
3.1)按照汽车的怠速状态将预处理后的汽车行驶工况数据划分为多个工况片段,并对这些工况片段进行组合,得到汽车行驶工况曲线;
3.2)提取每个工况片段的多个初始特征参数;
3.3)利用主成分分析法对多个初始特征参数进行降维处理,计算每个初始特征参数的累计贡献率,将累计贡献率达到预设阈值的初始特征参数作为汽车行驶工况特征参数。
进一步,所述每个工况片段的初始特征参数包括平均速度、平均行驶速度、怠速时间比、平均加速度、平均减速度、加速时间比、减速时间比、速度标准差、加速度标准差、经度、纬度、前车车距、后车车距、发动机转速比、扭矩百分比、瞬时油耗、油门踏板开度、空燃比、发动机负荷百分比和进气流量。
4)搭建行驶工况分析处理***;
进一步,所述行驶工况分析处理***采用多核学习支持向量机模型构建。
进一步,搭建行驶工况分析处理***的步骤包括:
4.1)建立多核学习支持向量机原始模型,即:
式中,xi和xj为第i和j个样本输入的特征变量,yi和yj为第i和j个样本对应的标签,αi和αj为拉格朗日乘子,K(xi,xj)为核函数,C为惩罚系数;l为样本数量;
4.2)构造多核学习支持向量机原始模型目标函数的决策函数f(x),作为行驶工况分析处理***的模型表达式;
其中,决策函数f(x)如下所示:
式中,g(x)为中间参量;
其中,偏置b如下所示:
式中,K(xi,xj)为核函数。
进一步,所述核函数K(xi,xj)如下所示:
Kpoly(xi,xj)=((xi,xj)+1)d (4)
K(xi,xj)=λKpoly(xi,xj)+(1-λ)KLaplacian(xi,xj) (6)
式中,λ为权重;g为核函数宽度;Kpoly(xi,xj)、KLaplacian(xi,xj)分别表示多项式核函数、拉普拉斯核函数。d为系数。
所述多核学习支持向量机模型的惩罚参数C、核函数宽度g通过GAPSO算法优化得到。
对多核学习支持向量机模型的惩罚参数C、核函数宽度g进行优化的步骤包括:
I)初始化粒子群,设定群体规模,随机产生粒子的位置、速度,随机产生粒子位置和速度的范围;
II)定义适应度函数,并根据适应度函数,计算每个粒子的适应度值;
III)比较粒子的适应度值与当前粒子最优值,如果当前适应度值大于当前粒子最优值,则更新当前的粒子最优值,并将适应度值大于当前粒子最优值的粒子作为当前的最优位置;
IV)对每个粒子适应度值与全局最优值进行比较,若适应度值大于全局最优值,则将该粒子适应度值作为当前的全局最优值;
V)对遗传粒子进行选择、交叉、变异;
VI)对粒子的位置和速度进行更新;
VII)判断是否满足预设终止条件,如果满足,则输出最优解c和g,若不满足,则返回步骤II)。
5)将汽车行驶工况特征参数输入到行驶工况分析处理***中,对汽车行驶工况进行识别,得到汽车行驶工况类型。汽车行驶工况类型包括起动、怠速、减速、等速、加速。
本发明的技术效果是毋庸置疑的,本发明提供一种基于多核学习支持向量机的行驶工况识别方法。基于多核学习支持向量机的行驶工况识别方法包括:车载设备和车载处理器对汽车行驶工况数据获取;车载处理器对数据进行预处理和特征参数提取:车载行驶工况分析处理***搭载基于群体智能优化的MKL-SVM模型对预处理后的工况进行识别和分类。本发明方法利用GAPSO算法优化MKL-SVM工况识别模型,对收集到的工况数据进行识别和分类,实现了工况准确识别的目的。
本发明方法对行驶工况数据获取采用车载处理器融合V2X的协作式定位方法,遵循所有的道路参与者主动提供估计的相对位置信息的策略,弥补了传统非协作式车载测距传感器检测范围、视角和设施堵塞的缺陷。
本发明方法对行驶工况样本设置预处理规则,可以剔除行驶过程中收集到的具有明显错误的的数据(如车速和经纬度异常),以消除少数数据错误对整个样本有效性的影响。将长期停车和长时间堵车,其工况状态视为怠速状态与怠速时间异常数据统一进行处理。可以提工况样本的精度以及准确性。
本发明方法应用GAPSO算法对MKL-SVM模型的进行参数寻优,能够使得粒子跳出局部最优,更易寻求全局最优解,相比于传统的SVM向量机,MKL-SVM模型可以提升了模型的学习能力与泛化能力,具有较优的分类性能。
附图说明
图1为本发明实施例的整体流程图;
图2为V2X协作式定位方法原理图;
图3为本发明实施例所述的GAPSO算法优化参数流程图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图3,基于多核学习支持向量机的行驶工况识别方法,包括以下步骤:
1)获取汽车行驶工况数据;
获取汽车行驶工况数据的装置包括车载设备和车载处理器;
所述车载设备搭载有激光雷达、车载传感器;
所述车载设备监测汽车行驶工况数据,并传输至车载处理器;
所述车载处理器用于实现车与云平台、车与道路参与者的数据交互;
所述道路参与者包括车和路边基础设施;
所述路边基础设施通过无线网络获取和发布所在区域的实时信息。
2)对汽车行驶工况数据进行预处理,得到预处理后的汽车行驶工况数据;
对汽车行驶工况数据进行预处理的步骤包括:
删除车速大于120km/h、2s内车速下降超过60km/s的汽车行驶工况数据;
删除经纬度及车速未同时变化的汽车行驶工况数据;
将时间间隔大于3s、且间隔两端的速度为0的不连续数据所对应的汽车状态判断为怠速状态。
3)对预处理后的汽车行驶工况数据进行特征提取,得到汽车行驶工况特征参数;
对预处理后的汽车行驶工况数据进行特征提取的步骤包括:
3.1)按照汽车的怠速状态将预处理后的汽车行驶工况数据划分为多个工况片段,并对这些工况片段进行组合,得到汽车行驶工况曲线;
3.2)提取每个工况片段的多个初始特征参数;
3.3)利用主成分分析法对多个初始特征参数进行降维处理,计算每个初始特征参数的累计贡献率,将累计贡献率达到预设阈值的初始特征参数作为汽车行驶工况特征参数。
所述每个工况片段的初始特征参数包括平均速度、平均行驶速度、怠速时间比、平均加速度、平均减速度、加速时间比、减速时间比、速度标准差、加速度标准差、经度、纬度、前车车距、后车车距、发动机转速比、扭矩百分比、瞬时油耗、油门踏板开度、空燃比、发动机负荷百分比和进气流量。
4)搭建行驶工况分析处理***;
所述行驶工况分析处理***采用多核学习支持向量机模型构建。
搭建行驶工况分析处理***的步骤包括:
4.1)建立多核学习支持向量机原始模型,即:
式中,xi和xj为第i和j个样本输入的特征变量,yi和yj为第i和j个样本对应的标签,αi和αj为拉格朗日乘子,K(xi,xj)为核函数,C为惩罚系数;l为样本数量;
4.2)构造多核学习支持向量机原始模型目标函数的决策函数f(x),作为行驶工况分析处理***的模型表达式;
其中,决策函数f(x)如下所示:
式中,g(x)为中间参量;
其中,偏置b如下所示:
式中,K(xi,xj)为核函数。
所述核函数K(xi,xj)如下所示:
Kpoly(xi,xj)=((xi,xj)+1)d (4)
K(xi,xj)=λKpoly(xi,xj)+(1-λ)KLaplacian(xi,xj) (6)
式中,λ为权重;g为核函数宽度;Kpoly(xi,xj)、KLaplacian(xi,xj)分别表示多项式核函数、拉普拉斯核函数。d为常数。
所述多核学习支持向量机模型的惩罚参数C、核函数宽度g通过GAPSO算法优化得到。
对多核学习支持向量机模型的惩罚参数C、核函数宽度g进行优化的步骤包括:
I)初始化粒子群,设定群体规模,随机产生粒子的位置、速度,随机产生粒子位置和速度的范围;
II)定义适应度函数,并根据适应度函数,计算每个粒子的适应度值;
III)比较粒子的适应度值与当前粒子最优值,如果当前适应度值大于当前粒子最优值,则更新当前的粒子最优值,并将适应度值大于当前粒子最优值的粒子作为当前的最优位置;
IV)对每个粒子适应度值与全局最优值进行比较,若适应度值大于全局最优值,则将该粒子适应度值作为当前的全局最优值;
V)对遗传粒子进行选择、交叉、变异;
VI)对粒子的位置和速度进行更新;
VII)判断是否满足预设终止条件,如果满足,则输出最优解c和g,若不满足,则返回步骤II)。
5)将汽车行驶工况特征参数输入到行驶工况分析处理***中,对汽车行驶工况进行识别,得到汽车行驶工况类型。汽车行驶工况类型包括起动、怠速、减速、等速、加速。
实施例2:
基于多核学习支持向量机的行驶工况识别方法,包括以下步骤:
1)获取汽车行驶工况数据;
2)对汽车行驶工况数据进行预处理,得到预处理后的汽车行驶工况数据;
3)对预处理后的汽车行驶工况数据进行特征提取,得到汽车行驶工况特征参数;
4)搭建行驶工况分析处理***;
5)将汽车行驶工况特征参数输入到行驶工况分析处理***中,对汽车行驶工况进行识别,得到汽车行驶工况类型。
实施例3:
基于多核学习支持向量机的行驶工况识别方法,主要步骤见实施例2,其中,获取汽车行驶工况数据的装置包括车载设备和车载处理器;
所述车载设备搭载有激光雷达、车载传感器;
所述车载设备监测汽车行驶工况数据,并传输至车载处理器;
所述车载处理器用于实现车与云平台的数据交互。
实施例4:
基于多核学习支持向量机的行驶工况识别方法,主要步骤见实施例2,其中,对汽车行驶工况数据进行预处理的步骤包括:
删除车速大于120km/h、2s内车速下降超过60km/s的汽车行驶工况数据;
删除经纬度及车速未同时变化的汽车行驶工况数据;
将时间间隔大于3s、且间隔两端的速度为0的不连续数据所对应的汽车状态判断为怠速状态。
实施例5:
基于多核学习支持向量机的行驶工况识别方法,主要步骤见实施例2,其中,对预处理后的汽车行驶工况数据进行特征提取的步骤包括:
1)按照汽车的怠速状态将预处理后的汽车行驶工况数据划分为多个工况片段,并对这些工况片段进行组合,得到汽车行驶工况曲线;
2)提取每个工况片段的多个初始特征参数;
3)利用主成分分析法对多个初始特征参数进行降维处理,计算每个初始特征参数的累计贡献率,将累计贡献率达到预设阈值的初始特征参数作为汽车行驶工况特征参数。
实施例6:
基于多核学***均速度、平均行驶速度、怠速时间比、平均加速度、平均减速度、加速时间比、减速时间比、速度标准差、加速度标准差、经度、纬度、前车车距、后车车距、发动机转速比、扭矩百分比、瞬时油耗、油门踏板开度、空燃比、发动机负荷百分比和进气流量。
实施例7:
基于多核学习支持向量机的行驶工况识别方法,主要步骤见实施例2,其中,所述行驶工况分析处理***采用多核学习支持向量机模型构建。
实施例8:
基于多核学习支持向量机的行驶工况识别方法,主要步骤见实施例2,其中,搭建行驶工况分析处理***的步骤包括:
1)建立多核学习支持向量机原始模型,即:
式中,xi和xj为第i和j个样本输入的特征变量,yi和yj为第i和j个样本对应的标签,αi和αj为拉格朗日乘子,K(xi,xj)为核函数,C为惩罚系数;
2)构造多核学习支持向量机原始模型目标函数的决策函数f(x),作为行驶工况分析处理***的模型表达式;
其中,决策函数f(x)如下所示:
式中,g(x)为中间参量;
其中,偏置b如下所示:
式中,K(xi,xj)为核函数。
实施例9:
基于多核学习支持向量机的行驶工况识别方法,主要步骤见实施例2,其中,所述核函数K(xi,xj)如下所示:
Kpoly(xi,xj)=((xi,xj)+1)d (4)
K(xi,xj)=λKpoly(xi,xj)+(1-λ)KLaplacian(xi,xj) (6)
式中,λ为权重;g为核函数宽度;Kpoly(xi,xj)、KLaplacian(xi,xj)分别表示多项式核函数、拉普拉斯核函数。
实施例10:
基于多核学习支持向量机的行驶工况识别方法,主要步骤见实施例2,其中,所述多核学习支持向量机模型的惩罚参数C、核函数宽度g通过GAPSO算法优化得到。
实施例11:
基于多核学习支持向量机的行驶工况识别方法,主要步骤见实施例9,其中,对多核学习支持向量机模型的惩罚参数C、核函数宽度g进行优化的步骤包括:
1)初始化粒子群,设定群体规模,随机产生粒子的位置、速度,随机产生粒子位置和速度的范围;
2)定义适应度函数,并根据适应度函数,计算每个粒子的适应度值;
3)比较粒子的适应度值与当前粒子最优值,如果当前适应度值大于当前粒子最优值,则更新当前的粒子最优值,并将适应度值大于当前粒子最优值的粒子作为当前的最优位置;
4)对每个粒子适应度值与全局最优值进行比较,若适应度值大于全局最优值,则将该粒子适应度值作为当前的全局最优值;
5)对遗传粒子进行选择、交叉、变异;
6)对粒子的位置和速度进行更新;
7)判断是否满足预设终止条件,如果满足,则输出最优解c和g,若不满足,则返回步骤2)。
实施例12:
如图1所示,一种基于多核学习支持向量机的行驶工况识别方法,包括以下步骤:
步骤一:车载设备和车载处理器***对汽车行驶工况数据获取;
考虑到行驶工况的获取依赖于准确、可靠和连续的其他道路交通参与者的相对位置信息,这些交通参与者包括:行人、自行车和其他车辆。传统解决这一问题的方案是采用车载的测距传感器、雷达、激光雷达和基于视觉的***,都属于非协作式定位。所有非协作式方法都具有视线特征,并且容易被障碍物阻挡,数据获取比较单一,复杂环境获取信息能力较差。
本发明中车载设备搭载先进的激光雷达,车载传感器等装置,车载处理器融合V2X现代通信与网络技术,实现车与X(人、车、路、云端等)智能信息交换、共享,具备复杂环境感知能力,同时采用协作式定位方法,遵循所有的道路交通参与者主动提供估计的相对位置信息的策略。
V2X主要包含车(Vehicle to Vehicle,V2V)、人(Vehicle to Pedestrian,V2P)、交通路侧基础设施(Vehicle to Infrastructure,V2I)和网络(Vehicle to Network,V2N)。V2X将“人、车、路、云”等交通参与要素有机地联系在一起,可以支撑车辆获得比单车感知更多的信息。
协作式定位遵循的策略是所有的道路参与者主动提供估计的相对位置信息,其中包括,行驶车辆通过V2X中的D2D协议实现车与车之间的通信,发送或接收以下数据:车辆的时速、相对位置、刹车、直行还是左拐等所有与行驶相关的数据,甚至包括拍摄周围事物的图片或者音视频等,分析和预判其他车辆的驾驶行为。车载处理器通过控制车载设备与路边基础设施(如红绿灯、交通摄像头、路侧单元等)进行通信,路边基础设施获取附近区域环境的信息并发布各种实时信息。车载处理器***通过内置CPU处理接收的信息,结合GPU处理通过摄像头识别的图像,再辅助高精地图和云端支持,实现汽车协同式环境感知,收集数据。
同时车载处理器通过网络与云平台连接,云平台与车辆之间进行数据交互,并对获取的数据进行存储和处理。
步骤二:车载处理器对数据预处理及特征参数提取;
由汽车行驶数据的采集设备直接记录的原始采集数据往往会包含一些不良数据值,本发明方法对行驶工况样本数据设置预处理规则,可以剔除行驶过程中收集到的具有明显错误的的数据,以消除少数数据错误对整个样本有效性的影响。规定:
(1)GNSS记录车速大于120km/h数据不计入数据统计。
(2)所有数据经纬度及车速须同时变化才可采用。
(3)对于时间间隔大于3s的不连续数据,如果间隔两端GNSS速度为0则视为长期停车处理,其工况状态视为怠速状态。
(4)2s内车速下降超过60km/s数据不计入样本。
所述的步骤二中特征参数提取方法,按照汽车的怠速状态将预处理后的数据画分成多个工况片段,将其组合得到汽车行驶工况曲线,
然后对每个片段提取相应的特征,比如平均速度、平均行驶速度、怠速时间比、平均加速度、平均减速度、加速时间比、减速时间比、速度标准差、加速度标准差、经度、纬度、前车车距、后车车距、发动机转速比、扭矩百分比、瞬时油耗、油门踏板开度、空燃比、发动机负荷百分比和进气流量,共计20个作为初始特征,最后依据一定的筛选规则进行工况片段的提取。
将20个初始特征综合成20个主成分,由20个新的主成分构成的新的特征向量空间,根据每一个新的主成分的方差贡献率进行降序排列,选取累计贡献率达到85%以上的特征作为特征参数,从而达到数据降维的目的,
所述的步骤三所述的方法,行驶工况分析处理***采用支持向量机MKL-SVM模型构建。
支持向量机(support vector machine,SVM)模型是一种二分类模型,它的基本模型是定义在特征空间上的间隔最大的线性分类器。SVM算法是一种以统计理论为基础的传统机器学习方法,可以最小化结构误差和最大化几何边缘,常用于分类任务和回归分析。SVM以结构风险最小化为准则,在经验风险最小化的同时,兼顾了期望风险最小化。
给定样本训练集
D={(x1,y1),(x2,y2),…,(xl,yl)},yi∈{-1,+1} (1)
其中,xi为第i(i=1,2,...,l)个特征向量,yi是xi的标签。训练集D的划分超平面可由如下线性方程描述:
wTx+b=0 (2)
其中,w是超平面的法向量,b是位移项。
则样本空间中任意一点X到超平面(w,b)的距离可写为
训练数据集中的样本点中与划分超平面距离最近的样本点的实例成为支持向量,两个异类支持向量到超平面的距离之和为
根据结构风险最小化原则,应该使距离之和γ最大,因此求解最优超平面的问题转化为下述优化问题
为了提升超平面的泛化能力,引入松变量和惩罚系数ξi≥0和惩罚系数C>0。相应地,划分超平面的求解问题可化为下述约束最优化问题
为了提升超平面的泛化能力,引入松变量和惩罚系数ξi≥0和惩罚系数C>0。相应地,划分超平面的求解问题可化为下述约束最优化问题
对上式的约束条件添加拉格朗日乘子αi≥0,αj≥0,构造拉格朗日数:
定义核函数:
κ(xi,xj)=<φ(xi),φ(xj)>=φ(xi)Tφ(xj) (8)
令L(w,b,α,ξ,μ)对w,b和ξi的偏导为零,带入(6),可得(6)的对偶问题
求解对偶问题,构造决策函数为
偏置b的求解如式(11)所示:
核函数的加权凸组合形式满足Mercer定理,仍为核函数,可用于SVM模型,如公式(11)(12)所示。
式中,mα是每种基本内核在多核函数中所占的权重,多核函数共采用N种基本内核函数,其权重之和取为1。
本实施例采用具有较强泛化能力的多项式核函数和具有较强学习能力的拉普拉斯核函数进行线性凸组合。如公式(13)(14)(15)所示。
Kpoly(xi,xj′)=((xi,xj′)+1)d (13)
K(xi,xj′)=λKpoly(xi,xj′)+(1-λ)KLaplacian(xi,xj′) (15)
式中,λ能够自由调节不同的内核在多核函数中的权重,范围取(0,1)。g>0,代表核函数的带宽。
MKL-SVM模型基本内核采用具有较强泛化能力的多项式核函数和具有较强学习能力的拉普拉斯核函数进行线性凸组合,可以更好地兼顾样本的全局特征与局部特征,提高学习能力与泛化能力。基于提高MKL-SVM模型的识别精度和快速寻优、准确识别行驶工况样本特征参数的目的,本文提出使用GAPSO算法作为MKL-SVM模型的惩罚参数C、核函数宽度g的寻优方法。寻找到最优的C和g,作为MKL-SVM训练分类模型的参数。
在MKL-SVM求解过程中,C和g两个参数的选取对分类效果影响大。C越大表示容错性小,可能会出现过拟合的情况,C越小则可能欠拟合;g越大表示支持向量越少,g越小则支持向量越多。
遗传算法(GA)是一种比较成熟的随机搜索算法,但遗传算法收敛速度相对较慢。粒子群优化算法(PSO)是一种随机搜索算法,其收敛速度则相对较快,但其又比较容易陷入局部最优解。本文通过GAPSO算法进行参数寻优,更易寻求全局最优解。
算法的流程:
(1)初始化粒子群,设定群体规模,随机产生粒子的位置和速度以及位置和速度的范围;
(2)定义适应度函数,并根据该函数,计算每个粒子的适应度值;
(3)比较粒子的适应度值与个体最优值,如果当前适应度值优于当前的粒子最优值,则更新当前的粒子最优值,并将其作为当前的最好位置;
(4)对每个粒子将其适应度值与全局最优值进行比较,若适应度值较好,则将其作为当前的全局最优值;
(5)对遗传粒子进行选择、交叉、变异;
(6)对粒子的位置和速度进行更新;
(7)判断是否满足终止条件,如果满足,则输出最优解c和g,若不满足,则返回步骤(2)。
Claims (10)
1.基于多核学习支持向量机的行驶工况识别方法,其特征在于,包括以下步骤:
1)获取所述汽车行驶工况数据。
2)对汽车行驶工况数据进行预处理,得到预处理后的汽车行驶工况数据;
3)对预处理后的汽车行驶工况数据进行特征提取,得到汽车行驶工况特征参数;
4)搭建行驶工况分析处理***;
5)将汽车行驶工况特征参数输入到行驶工况分析处理***中,对汽车行驶工况进行识别,得到汽车行驶工况类型。
2.根据权利要求1所述的基于多核学习支持向量机的行驶工况识别方法,其特征在于,获取汽车行驶工况数据的装置包括车载设备和车载处理器;
所述车载设备搭载有激光雷达、车载传感器;
所述车载设备监测汽车行驶工况数据,并传输至车载处理器;
所述车载处理器用于实现车与云平台、车与道路参与者的数据交互;
所述道路参与者包括车和路边基础设施;
所述路边基础设施通过无线网络获取和发布所在区域的实时信息。
3.根据权利要求1所述的基于多核学习支持向量机的行驶工况识别方法,其特征在于,对汽车行驶工况数据进行预处理的步骤包括:
删除车速大于120km/h、2s内车速下降超过60km/s的汽车行驶工况数据;
删除经纬度及车速未同时变化的汽车行驶工况数据;
将时间间隔大于3s、且间隔两端的速度为0的不连续数据所对应的汽车状态判断为怠速状态。
4.根据权利要求1所述的基于多核学习支持向量机的行驶工况识别方法,其特征在于,对预处理后的汽车行驶工况数据进行特征提取的步骤包括:
1)按照汽车的怠速状态将预处理后的汽车行驶工况数据划分为多个工况片段,并对这些工况片段进行组合,得到汽车行驶工况曲线;
2)提取每个工况片段的多个初始特征参数;
3)利用主成分分析法对多个初始特征参数进行降维处理,计算每个初始特征参数的累计贡献率,将累计贡献率达到预设阈值的初始特征参数作为汽车行驶工况特征参数。
5.根据权利要求4所述的基于多核学***均速度、平均行驶速度、怠速时间比、平均加速度、平均减速度、加速时间比、减速时间比、速度标准差、加速度标准差、经度、纬度、前车车距、后车车距、发动机转速比、扭矩百分比、瞬时油耗、油门踏板开度、空燃比、发动机负荷百分比和进气流量。
6.根据权利要求1所述的基于多核学习支持向量机的行驶工况识别方法,其特征在于,所述行驶工况分析处理***采用多核学习支持向量机模型构建。
9.根据权利要求1所述的基于多核学习支持向量机的行驶工况识别方法,其特征在于,所述多核学习支持向量机模型的惩罚参数C、核函数宽度g通过GAPSO算法优化得到。
10.根据权利要求1所述的基于多核学习支持向量机的行驶工况识别方法,其特征在于,对多核学习支持向量机模型的惩罚参数C、核函数宽度g进行优化的步骤包括:
1)初始化粒子群,设定群体规模,随机产生粒子的位置、速度,随机产生粒子位置和速度的范围;
2)定义适应度函数,并根据适应度函数,计算每个粒子的适应度值;
3)比较粒子的适应度值与当前粒子最优值,如果当前适应度值大于当前粒子最优值,则更新当前的粒子最优值,并将适应度值大于当前粒子最优值的粒子作为当前的最优位置;
4)对每个粒子适应度值与全局最优值进行比较,若适应度值大于全局最优值,则将该粒子适应度值作为当前的全局最优值;
5)对遗传粒子进行选择、交叉、变异;
6)对粒子的位置和速度进行更新;
7)判断是否满足预设终止条件,如果满足,则输出最优解c和g,若不满足,则返回步骤2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967241.8A CN115329865A (zh) | 2022-08-12 | 2022-08-12 | 基于多核学习支持向量机的行驶工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967241.8A CN115329865A (zh) | 2022-08-12 | 2022-08-12 | 基于多核学习支持向量机的行驶工况识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115329865A true CN115329865A (zh) | 2022-11-11 |
Family
ID=83924703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210967241.8A Pending CN115329865A (zh) | 2022-08-12 | 2022-08-12 | 基于多核学习支持向量机的行驶工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115329865A (zh) |
-
2022
- 2022-08-12 CN CN202210967241.8A patent/CN115329865A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11990036B2 (en) | Driver behavior monitoring | |
Yuan et al. | Machine learning for next‐generation intelligent transportation systems: A survey | |
CN114639243B (zh) | 智能交通预测与决策方法及可读存储介质 | |
US20190147372A1 (en) | Systems and Methods for Object Detection, Tracking, and Motion Prediction | |
US11195410B2 (en) | System and method for generating a traffic heat map | |
US11993291B2 (en) | Neural networks for navigation of autonomous vehicles based upon predicted human intents | |
EP3403219A1 (en) | Driver behavior monitoring | |
CN116685874A (zh) | 摄像机-激光雷达融合对象检测***和方法 | |
CN113345237A (zh) | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、***、设备及存储介质 | |
EP4149808A1 (en) | Scenario identification for validation and training of machine learning based models for autonomous vehicles | |
US11887324B2 (en) | Cross-modality active learning for object detection | |
EP4021027A1 (en) | Distributed learning to learn context-specific driving patterns | |
GB2605463A (en) | Selecting testing scenarios for evaluating the performance of autonomous vehicles | |
Benjdira et al. | TAU: A framework for video-based traffic analytics leveraging artificial intelligence and unmanned aerial systems | |
EP4126619A1 (en) | Vehicle-data analytics | |
CN114932918A (zh) | 一种智能网联车在各种路况下行驶的行为决策方法及*** | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
Hashemi et al. | A new comparison framework to survey neural networks‐based vehicle detection and classification approaches | |
Zhao | Exploring the fundamentals of using infrastructure-based LiDAR sensors to develop connected intersections | |
US20220114458A1 (en) | Multimodal automatic mapping of sensing defects to task-specific error measurement | |
CN115329865A (zh) | 基于多核学习支持向量机的行驶工况识别方法 | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警***及方法 | |
Wang et al. | Road anomaly detection with group intelligence perception | |
Chen et al. | Automatic recognition of driving events based on dashcam videos | |
Jiang et al. | Collision Risk Prediction for Vehicles with Sensor Data Fusion through a Machine Learning Pipeline |
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 |