[发明专利]基于SVM算法的驾驶行为模型的建立方法和装置

说明书

本申请公开了一种基于基于SVM算法的驾驶行为模型的建立方法和装置，所述方法包括：获取预测区间内的驾驶观测数据；将预测区间划分为K个时间窗；K为大于1的整数；对K个时间窗内的驾驶观测数据进行特征提取得到K个特征向量；对所述K个特征向量进行加权求和得到加权特征向量；根据SVM算法对加权特征向量进行训练得到准确的SVM预测模型，根据该SVM模型对驾驶行为数据进行预测，能提高识别驾驶行为类别的准确性。

技术领域

本申请涉及计算机领域，尤其涉及一种基于SVM算法的驾驶行为模型的建立方法和装置。

背景技术

换道是驾驶过程中最常见同时也是危险程度较高的驾驶行为。根据美国高速公路安全管理局研究数据表明,由于换道过程引发的交通事故在所有统计的交通事故中占比高达27％。在对本车和周围车辆运行状态感知的基础上,研究危险换道驾驶行为的预测方法,有助于实现辅助驾驶系统准确、及时地换道预警或干预。现有的大量换道预警研究均是以基于车速和相对距离的碰撞时间，或基于车辆制动运动学分析的最小安全车距作为预警参数,通过确定预警参数的阈值建立不同的预警策略。而实际上,危险换道从换道开始到发生危险冲突的整个过程很难用单一的预警参数进行描述,需要采用更复杂的算法和模型进行研究。为此,本文中选取了支持向量机模型算法,建立了基于算法的危险换道驾驶行为预测模型。目前,SVM已在驾驶员意图/行为(如直行、转向、变换车道等)识别方面取得了良好的预测效果并广泛应用于车辆辅助驾驶系统中，但在换道驾驶行为危险性预测方面研究较少。

发明内容

本申请实施例所要解决的技术问题在于，提供一种基于SVM算法的驾驶行为模型的建立方法和装置，能训练出准确的驾驶行为模型，根据该驾驶行为模型有效预测换道驾驶行为的安全性，提高驾驶的安全性。

为了解决上述技术问题，本申请提供了一种基于SVM算法的驾驶行为模型的建立方法，包括：获取预测区间内的驾驶观测数据，将预测区间划分为K个运动时间昂，对K个时间窗内的驾驶观测数据进行特征提取得到K个特征向量进行加权求和得到加权特征向量，根据 SVM算法对所述加权特征向量进行训练得到SVM预测模型。

实施本申请实施例，通过对预测区间进行划分为加权求和，在利用SVM算法对加权特征向量进行训练得到SVM预测模型，后续利用该SVM预测模型对观测数据进行分类，能提高驾驶行为类别判别的准确性，提高驾驶的安全性。

在一种可能的设计中，特征向量包括车辆运行速度的均值和方差。

在一种可能的设计中，将所述预测区间划分为K个时间窗包括：根据预设的时间窗长度或时间窗间隔将所述预测区间划分为K个运行时间窗，其中，每个时间窗的长度相等。

在一种可能的设计中，K个时间窗为SW₁,SW₂,…,SW_K，K个时间窗各自对应的特征向量为x₁,x₂,…,x_K，K个特征向量各自对应的权重为w₁,w₂,…,w_K，其中，w₁<w₂<…<w_K。即时间越靠后的时间窗对应的权重越大，反之时间越靠前的时间窗对应的权重越小。

在一种可能的设计中，特征向量x_k的权重w_k采用如下公式开表示：

其中，C为权重折减系数，0≤C＜1，d_k＝(1-C)^K-k，k表示时间窗的序号，k＝1、2、…、K，且k为大于0的整数。