趙 瑋 徐良杰 冉 斌 汪濟(jì)洲

(1武漢理工大學(xué)交通學(xué)院, 武漢 430063)(2內(nèi)蒙古科技大學(xué)經(jīng)管學(xué)院, 包頭 014010)(3東南大學(xué)交通學(xué)院, 南京 210096)

基于深度學(xué)習(xí)DBN算法的高速公路危險(xiǎn)變道判別模型

趙 瑋1,2徐良杰1冉 斌3汪濟(jì)洲1

(1武漢理工大學(xué)交通學(xué)院, 武漢 430063)(2內(nèi)蒙古科技大學(xué)經(jīng)管學(xué)院, 包頭 014010)(3東南大學(xué)交通學(xué)院, 南京 210096)

針對(duì)危險(xiǎn)變道過(guò)程影響交通安全這一問(wèn)題,提出一種基于深度學(xué)習(xí)DBN(deep belief networks)算法與分類(lèi)分析方法的新型危險(xiǎn)變道量化判別模型,以解決現(xiàn)存車(chē)輛變道過(guò)程不可被量化分析及準(zhǔn)確判別的問(wèn)題.招募28名被試者,利用模擬器仿真平臺(tái)開(kāi)展實(shí)際場(chǎng)景下試驗(yàn),獲取詳細(xì)的車(chē)輛行駛數(shù)據(jù)及駕駛環(huán)境數(shù)據(jù)作為訓(xùn)練的模型輸入.采用SVM算法作為輸出層的分類(lèi)器,建立了DBN-SVM判別模型及基于樣本下模型的一般訓(xùn)練方法.該模型的識(shí)別精度為93.78%,較樸素貝葉斯模型和BP-ANN神經(jīng)網(wǎng)絡(luò)分別提高20.11%和14.45%,并且調(diào)整參數(shù)后判別結(jié)果穩(wěn)定.DBN-SVM模型可以根據(jù)駕駛員歷史駕駛數(shù)據(jù)對(duì)即將發(fā)生的危險(xiǎn)變道做出預(yù)測(cè)及判別,對(duì)駕駛員提出警告,從而減少交通事故的發(fā)生.此外,該研究為車(chē)聯(lián)網(wǎng)環(huán)境下變道判別及警示的研究提供了理論支持.

危險(xiǎn)變道判別;模擬車(chē)試驗(yàn);智能交通;深度信任網(wǎng)絡(luò);自動(dòng)駕駛;車(chē)聯(lián)網(wǎng)

危險(xiǎn)變道行為是造成重大高速公路交通事故的重要原因之一.全世界每年約有130萬(wàn)人在交通事故中喪生[1],其中我國(guó)約占25萬(wàn)人,美國(guó)約占3.7萬(wàn)人.這些交通事故大多發(fā)生在高速公路路段[2-3].研究證實(shí),變道行為是高速行駛過(guò)程中發(fā)生交通事故的主要安全隱患之一.

隨著車(chē)輛駕駛模擬器在交通安全研究領(lǐng)域的廣泛應(yīng)用,國(guó)內(nèi)外學(xué)者更傾向于利用模擬器研究可靠駕駛行為模型、跟車(chē)模型及車(chē)道變換模型.Hidas[4]證實(shí)在低速行駛的復(fù)雜交通環(huán)境及所有高速行駛環(huán)境下,車(chē)流實(shí)時(shí)車(chē)道變換數(shù)據(jù)采集難度較大,提出利用模擬駕駛來(lái)解決這一難題.Cassidy等[5]研究了交通事故發(fā)生區(qū)域及交通流瓶頸處的變道情況,結(jié)果表明頻繁變道對(duì)此類(lèi)路段的道路通行能力有較大的負(fù)面影響.Zheng等[6]的研究結(jié)果證明了他們提出的車(chē)道變換模型可以較為完整地揭示交通流從形成到傳播的全部演化過(guò)程.Laval等[7]針對(duì)不合理的變道行為對(duì)交通安全的影響進(jìn)行了研究,證明了危險(xiǎn)變道行為增加了交通事故率,降低了道路通行能力.Zheng[8]同樣對(duì)不妥當(dāng)?shù)淖兊佬袨閷?duì)交通安全的威脅進(jìn)行了量化分析.Moridpour等[9]著重研究重型車(chē)輛的車(chē)道變換過(guò)程及決策模型,以便提升微觀交通模擬軟件評(píng)估和預(yù)測(cè)宏觀交通流的精度.Chen等[10]以變道行為與交通安全的關(guān)系為研究基礎(chǔ),從輔助變道安全性方面提出了仿真算法并用計(jì)算機(jī)軟件實(shí)現(xiàn).

綜上所述,已有研究覆蓋了變道過(guò)程的微觀和宏觀層面,但所得結(jié)論和模型多適用于城市交通條件下的變道行為,且有關(guān)變道危險(xiǎn)性的量化研究不充分.車(chē)輛完成變道的過(guò)程綜合了“人-車(chē)-路”多方面因素,是駕駛環(huán)境、駕駛?cè)诵袨榧败?chē)輛操作性等多方面因素共同作用下的車(chē)輛控制過(guò)程.本文首先通過(guò)被試者實(shí)際駕駛試驗(yàn)車(chē)模擬器獲取變道數(shù)據(jù),然后提出一種基于深度學(xué)習(xí)算法與分類(lèi)分析方法的危險(xiǎn)變道量化判別模型,進(jìn)而量化分析并準(zhǔn)確判別車(chē)輛變道過(guò)程的危險(xiǎn)性,從而實(shí)現(xiàn)可靠、快速的自動(dòng)化變道判別過(guò)程.

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 儀器

近年來(lái)，模擬駕駛器越來(lái)越多地應(yīng)用于交通安全的微觀研究，其中實(shí)驗(yàn)場(chǎng)景的真實(shí)性及模擬器的操作性成為研究的重點(diǎn)[4,6-7].現(xiàn)有模擬器技術(shù)已經(jīng)可以較為真實(shí)地對(duì)交通環(huán)境和駕駛環(huán)境進(jìn)行模擬.本文利用威斯康星交通操作與安全實(shí)驗(yàn)室(TOPS)的模擬駕駛器進(jìn)行試驗(yàn).虛擬駕駛有3個(gè)顯示屏幕,即環(huán)繞240° 2.13 m圓柱屏幕、外后視鏡及內(nèi)后視鏡屏幕，如圖1所示.

圖1 模擬器駕駛環(huán)境

1.2 場(chǎng)景設(shè)計(jì)及被試者

場(chǎng)景構(gòu)建過(guò)程分3個(gè)步驟:① 將二維CAD圖形導(dǎo)入到3D模型軟件中生成駕駛模擬場(chǎng)景;② 將道路和路面從三維CAD圖形導(dǎo)入軟件生成場(chǎng)景;③ 將移動(dòng)激光雷達(dá)數(shù)據(jù)和照片相結(jié)合創(chuàng)建出最終模擬場(chǎng)景.實(shí)驗(yàn)路段取威斯康星州聯(lián)邦高速43°02′28.7″N89°16′35.3″W至43°14′46.8″N89°22′32.8″W段(見(jiàn)圖2),全程26.2 km. 招募了28名持有駕駛執(zhí)照的被試者,實(shí)際駕齡均超過(guò)1年,平均年齡32歲,其中男性、女性各16名,被試者的精神和身體狀況良好,每名被試者被要求完成3次完整駕駛過(guò)程.

圖2 實(shí)驗(yàn)路線

1.3 實(shí)驗(yàn)數(shù)據(jù)采集

原始數(shù)據(jù)維度較大,部分原始數(shù)據(jù)為標(biāo)簽數(shù)據(jù),不計(jì)入后期數(shù)據(jù)處理,也不作為輸入數(shù)據(jù).實(shí)驗(yàn)數(shù)據(jù)采集主要分為3個(gè)模塊:① 登記駕駛員信息,記錄基本駕駛?cè)藬?shù)據(jù);② 駕駛過(guò)程中的車(chē)輛數(shù)據(jù)采集,包括眼動(dòng)儀輸出數(shù)據(jù)及車(chē)內(nèi)信息;③ 駕駛過(guò)程中的駕駛環(huán)境數(shù)據(jù)采集,包括路測(cè)標(biāo)志及路網(wǎng)內(nèi)臨近車(chē)輛信息.

2 危險(xiǎn)變道判別模型建立

2.1 數(shù)據(jù)處理

2.1.1 自變量選取及處理

通過(guò)篩選有效信息,最終選取的模型的輸入變量(自變量)如表1所示.

表1 輸入變量描述

定義第k個(gè)樣本的車(chē)輛駕駛狀態(tài)向量vk如下:

uk={uk1,uk2…,uk9}

(1)

相應(yīng)的車(chē)輛駕駛狀態(tài)矩陣為

Uk=[u1u2…uk]

(2)

式中,k為Uk的樣本數(shù)量;uk1,uk2,…,uk9為在樣本數(shù)量k情況下的車(chē)輛駕駛狀態(tài)自變量.經(jīng)過(guò)預(yù)處理,進(jìn)入后期模型的有效變道數(shù)據(jù)為852組,即k=1,2,…,852.

2.1.2 因變量計(jì)算模型

本文因變量值為0或1,1表示危險(xiǎn)變道,0表示非危險(xiǎn)變道,其具體取值根據(jù)Chen等[10]提出的變道模型確定,車(chē)輛之間的距離小于最小安全距離為危險(xiǎn)變道,否則為非危險(xiǎn)變道.

假定車(chē)輛M的加速度滿(mǎn)足

aM=(vR-vM(0))/tl0≤t≤tl

(3)

式中,aM為車(chē)輛M的加速度;vR為道路安全限速;vM(0)為車(chē)輛M初始速度;t為車(chē)輛M從初始速度加速到vR所用的時(shí)間;tl為車(chē)輛M加速駛?cè)肽繕?biāo)車(chē)道的時(shí)間.

考慮乘客的舒適性,車(chē)輛M的加速度aM取值范圍為0～2 m/s2,車(chē)輛之間的安全距離S(t)表達(dá)式如下:

(4)

式中,S(t)表示在t時(shí)間時(shí)車(chē)輛到車(chē)輛的安全距離;vN為車(chē)輛N的行駛速度,且vN≤vR;Lv為車(chē)輛M的車(chē)長(zhǎng).當(dāng)且僅當(dāng)S(t)≥Lv時(shí),可確保車(chē)輛M和車(chē)輛N在變道過(guò)程中不會(huì)發(fā)生碰撞,進(jìn)而推導(dǎo)出下式:

(5)

由式(5)可得出如下結(jié)論:

1) 當(dāng)vN-vM(0)≤0,車(chē)輛M在原車(chē)道加速,然后變道至目標(biāo)車(chē)道,當(dāng)滿(mǎn)足S(0)>Lv時(shí),車(chē)輛M不與車(chē)輛N碰撞.

2) 當(dāng)vN-vM(0)>0時(shí),車(chē)輛M在原車(chē)道加速,當(dāng)車(chē)輛M的速度達(dá)到vN時(shí),距離S(t)達(dá)到最小,此時(shí)車(chē)輛M從起始位置到兩車(chē)沖突點(diǎn)處所用的時(shí)間為tc=(vN-vM(0))/aM.故S(0)最小安全距離為

(6)

2.2 深度學(xué)習(xí)與深度信念網(wǎng)絡(luò)(DBN)

深度學(xué)習(xí)理論源于人工神經(jīng)網(wǎng)絡(luò)的發(fā)展,學(xué)者們對(duì)深層神經(jīng)網(wǎng)絡(luò)已進(jìn)行了很多研究[11-12].Hinton等[13]提出了深度信念網(wǎng)絡(luò)的模型和學(xué)習(xí)算法,即基于層疊的RBM深度信念網(wǎng)絡(luò)的學(xué)習(xí)算法.DBN解決了傳統(tǒng)BP算法需要訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的難題,不再需要大量含標(biāo)簽的訓(xùn)練樣本集,并且其收斂速度較快,更易找到全局最優(yōu)解.

2.3 受限玻爾茲曼機(jī)(RBM)

2.3.1 RBM模型[14]

RBM利用隨機(jī)神經(jīng)網(wǎng)絡(luò)解釋概率圖,與一般玻爾茲曼機(jī)的區(qū)別在于網(wǎng)絡(luò)中的神經(jīng)元隨機(jī)分布,且層內(nèi)神經(jīng)元之間無(wú)連接.其輸出狀態(tài)只有2種,狀態(tài)的取值依據(jù)概率統(tǒng)計(jì)法則.RBM是由神經(jīng)元、神經(jīng)元之間的連線構(gòu)成的二分圖，包含可視層和隱層，神經(jīng)元之間相互獨(dú)立，隱藏神經(jīng)元也相互獨(dú)立[15].所有的可視神經(jīng)元與隱藏神經(jīng)元都有連接，即層間全連接；所有的可視神經(jīng)元與可視神經(jīng)元、隱藏神經(jīng)元與隱藏神經(jīng)元不連接，即層內(nèi)不連接[13].可視層由顯元組成，用作訓(xùn)練數(shù)據(jù)的輸入；隱層由隱元組成，用于特征檢測(cè)器的輸入與輸出.每層都是隨機(jī)的二進(jìn)制向量，表示為

(7)

式中,fi為可視節(jié)點(diǎn)i的二進(jìn)制狀態(tài);hj為隱藏節(jié)點(diǎn)j的二進(jìn)制狀態(tài);F為可視節(jié)點(diǎn)數(shù)量;H為隱藏節(jié)點(diǎn)的數(shù)量.

令矩陣W表示可視層與隱層之間的權(quán)重,wij表示fi和hj之間的權(quán)重.向量b={b1,b2,…,bi,…}T表示各可視神經(jīng)元的偏置向量,向量a={a1,a2,…,aj,…}T表示各隱藏神經(jīng)元的偏置向量.RBM中神經(jīng)元的全概率分布滿(mǎn)足玻爾茲曼分布,RBM的某一狀態(tài)(f,h)的聯(lián)合組態(tài)能量定義如下:

E(f,h;θ)=-fTWh-bTf-aTh=

(8)

式中,bi為可視節(jié)點(diǎn)i的偏置;aj為隱藏節(jié)點(diǎn)j的偏置;θ={W,b,a}為模型參數(shù).

2.3.2 RBM訓(xùn)練算法

利用對(duì)數(shù)似然概率log(p(f;θ))的梯度,可以推導(dǎo)出RBM權(quán)值更新公式如下:

Δwij=EP(fihj)-Emodel(fihj)

(9)

算法1RBM訓(xùn)練算法(CD-1)

1) for all隱藏節(jié)點(diǎn)jdo

end for

從而得到向量h1;

2) for all可見(jiàn)節(jié)點(diǎn)ido

end for

從而得到向量f2;

3) for all隱藏節(jié)點(diǎn)jdo

end for

4) 按照如下公式更新參數(shù):

W←mW+ε(h1f1-h2f2)

b←mb+ε(f1-f2)

a←ma+ε(h1-h2)

2.4 深度信念網(wǎng)絡(luò)

2.4.1 DBN模型

DBN模型[16]是由多個(gè)受限玻爾茲曼機(jī)層層堆疊而成,網(wǎng)絡(luò)構(gòu)架如圖3所示.圖中,x為DBN的輸入向量,hc為隱層的輸入與輸出向量,c為隱層數(shù)量.

圖3 DBN結(jié)構(gòu)圖

2.4.2 DBN訓(xùn)練算法

Hinton等[13]提出了針對(duì)DBN的逐層貪婪訓(xùn)練方法,并證明了非監(jiān)督逐層貪婪訓(xùn)練算法用于預(yù)先訓(xùn)練生成模型的權(quán)值是有效的.具體算法如下:

算法2 DBN逐層貪婪訓(xùn)練算法

1)x為樣本輸入,將X視為可視層,與hl構(gòu)成一個(gè)RBM,采用CD-1算法訓(xùn)練這個(gè)RBM,得到第1個(gè)隱層h1的參數(shù){W1;a1}.

3) 使用CD-1算法訓(xùn)練tl(可視層)和hl+1(隱藏節(jié)點(diǎn)層)構(gòu)成的RBM,得到hl+1層的參數(shù){Wl+1;al+1},且得到訓(xùn)練結(jié)果hl+1=al+(Wl)Ttl.

4) 自下而上逐層訓(xùn)練各個(gè)隱層,獲得DBN網(wǎng)絡(luò)的參數(shù)集{W1,W2,…,Wc;a1,a2,…,ac}.

3 基于DBN的危險(xiǎn)變道判別模型

3.1 輸出層分類(lèi)器及模型定義

本模型的y層輸出值為0-1變量,即表示是否為危險(xiǎn)變道.為了實(shí)現(xiàn)判別,本文擬在y層即輸出層添加一個(gè)或多個(gè)可以處理維數(shù)較多的非線性數(shù)據(jù)的分類(lèi)器.因此,本文對(duì)常用的分類(lèi)分析方法——支持向量機(jī)(SVM)進(jìn)行改進(jìn)作為分類(lèi)器,改進(jìn)后的SVM具有良好的泛化性能與分類(lèi)精度,并且可以處理線性回歸和非線性回歸問(wèn)題[17].本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示,因該網(wǎng)絡(luò)采用改進(jìn)后的SVM作為分類(lèi)器,故將本文所提算法命名為DBN-SVM.

圖4 DBN-SVM故障診斷網(wǎng)絡(luò)結(jié)構(gòu)圖

本文以SVM算法為基礎(chǔ)提出的分類(lèi)器如下所示:

s.t.yi(w·xi+b)≥1i=1,2,…,l

(10)

式中,w為優(yōu)超平面法向量;b為閾值.利用拉格朗日乘子法求解上述問(wèn)題,得到優(yōu)化目標(biāo)函數(shù):

(11)

式中,αi為拉格朗日乘子.由于SVM計(jì)算結(jié)果不全為整數(shù),因此令

(12)

式中,O為輸出結(jié)果;Ci表示判別結(jié)果,Ci=1表示危險(xiǎn)變道,Ci=0表示非危險(xiǎn)變道.

3.2 DBN-SVM模型訓(xùn)練過(guò)程

DBN-SVM模型訓(xùn)練可分為2個(gè)階段:① 使用非監(jiān)督貪婪逐層法獲取模型權(quán)值,通過(guò)可視層的向量X傳遞到第1層隱層,然后，可視神經(jīng)元激活單元向其他隱層逐步傳遞，構(gòu)成隱層向量h；② 利用BP算法對(duì)帶標(biāo)簽的數(shù)據(jù)進(jìn)行調(diào)整，并且在權(quán)值參數(shù)空間進(jìn)行局部搜尋.和其他神經(jīng)網(wǎng)絡(luò)相比,DBN-SVM模型訓(xùn)練速度快,收斂時(shí)間少.

4 結(jié)果對(duì)比及檢驗(yàn)

4.1 模型學(xué)習(xí)及結(jié)果

在模型訓(xùn)練過(guò)程中首先要選定參數(shù),DBN-SVM模型的初始參數(shù)如表2所示.DBN網(wǎng)絡(luò)含有4個(gè)隱層,每個(gè)被試者每組實(shí)驗(yàn)變道一般不超過(guò)20次,所以按照經(jīng)驗(yàn)[18]每個(gè)隱層設(shè)定有20個(gè)神經(jīng)元,可視層也就是輸入層有9個(gè)節(jié)點(diǎn),即2.1.1節(jié)中的自變量向量維度,而輸出層有2個(gè)節(jié)點(diǎn),即2.1.2節(jié)中的因變量維度.

表2 DBN-SVM默認(rèn)參數(shù)設(shè)置

對(duì)2.1節(jié)中預(yù)處理結(jié)束后得到的數(shù)據(jù)集進(jìn)行隨機(jī)選擇,為保證實(shí)驗(yàn)結(jié)果不過(guò)度擬合,分別以隨機(jī)選擇的數(shù)據(jù)集的60%,70%及80%作為訓(xùn)練集,剩余數(shù)據(jù)集的40%,30%及20%作為測(cè)試集來(lái)驗(yàn)證模型.將每個(gè)訓(xùn)練集分別代入DBN-SVM模型進(jìn)行訓(xùn)練,分別得到3個(gè)訓(xùn)練模型.然后分別將原來(lái)的3個(gè)訓(xùn)練集及對(duì)應(yīng)的測(cè)試集代入已得到的對(duì)應(yīng)模型.本文使用的計(jì)算軟件為R語(yǔ)言軟件(版本3.2.4),以程序包darch和e1071為基礎(chǔ)編寫(xiě)代碼完成計(jì)算.

4.2 模型驗(yàn)證

為了驗(yàn)證DBN-SVM模型的判別準(zhǔn)確性,選擇樸素貝葉斯模型[19](Na?ve Bayes)和人工神經(jīng)網(wǎng)絡(luò)模型[20](BP-ANN)作為對(duì)比方法,這2種方法都是分類(lèi)判別分析模型中較為常用的方法.樸素貝葉斯模型和BP-ANN模型分別以R語(yǔ)言程序包e1070和neuralnet為基礎(chǔ)編寫(xiě)代碼完成計(jì)算.

4.2.1 樸素貝葉斯模型

(13)

式中,P(ck)為某特征在分類(lèi)中發(fā)生的先驗(yàn)概率.由訓(xùn)練數(shù)據(jù)估計(jì)得到P(tick)和P(ck).

4.2.2 BP-ANN模型

BP-ANN模型[20]結(jié)構(gòu)相對(duì)簡(jiǎn)單,被廣泛應(yīng)用于擬合非線性連續(xù)函數(shù)和模式識(shí)別中,其原理是利用誤差反向傳播來(lái)訓(xùn)練每個(gè)神經(jīng)元的權(quán)重.BP-ANN模型包含輸入層、隱層和輸出層.如果BP-ANN網(wǎng)絡(luò)的輸出結(jié)果不能滿(mǎn)足預(yù)先期望,那么反向調(diào)節(jié)參數(shù),即調(diào)節(jié)每一神經(jīng)元的權(quán)重來(lái)減少訓(xùn)練錯(cuò)誤.本文采用的BP-ANN模型含有1個(gè)輸入層、2個(gè)隱層和1個(gè)輸出層,根據(jù)現(xiàn)有成熟算法經(jīng)驗(yàn),每層隱層默認(rèn)的節(jié)點(diǎn)數(shù)量都為20.

4.2.3 對(duì)比驗(yàn)證結(jié)果

將訓(xùn)練集數(shù)據(jù)代入樸素貝葉斯模型,BP-ANN和DBN-SVM分別進(jìn)行驗(yàn)證.由于因變量為0-1變量,若模型判別結(jié)果與實(shí)際因變量值相同則視作正確判別,驗(yàn)證結(jié)果如表3所示.由表3可看出:① 3種模型在不同情況下的最低判別精度都在可接受范圍內(nèi).② 本文提出的DBN-SVM模型的判別準(zhǔn)確性最優(yōu),其次是BP-ANN模型,最后是樸素貝葉斯模型.③ 同一訓(xùn)練集下,均是DBN-SVM模型的判別準(zhǔn)確性最高,其中選取80%的整體樣本數(shù)據(jù)訓(xùn)練出來(lái)的模型判別效果最好,高達(dá)95.11%.綜上所述,利用訓(xùn)練集數(shù)據(jù)驗(yàn)證判別效果時(shí),DBN-SVM模型體現(xiàn)出了較好的性能.

表3 訓(xùn)練集模型判別結(jié)果

為了避免訓(xùn)練過(guò)程中模型過(guò)度擬合問(wèn)題,本文用各個(gè)訓(xùn)練集對(duì)應(yīng)的測(cè)試集數(shù)據(jù)進(jìn)行判別準(zhǔn)確性驗(yàn)證,結(jié)果如表4所示.可以看出:① DBN-SVM模型的優(yōu)越性更加明顯,其最低判別準(zhǔn)確性都好于其他2種方法的最優(yōu)判別準(zhǔn)確性,并且平均正確率90.66%遠(yuǎn)遠(yuǎn)高于樸素貝葉斯模型的72.67%和BP-ANN的76.82%.② 選取80%的樣本數(shù)據(jù)作為訓(xùn)練集仍然得到了最好的判別準(zhǔn)確性,正確率為93.78%，較樸素貝葉斯模型和BP-ANN神經(jīng)網(wǎng)絡(luò)分別提高了20.11%和14.45%.③ 訓(xùn)練集數(shù)據(jù)越多,模型的準(zhǔn)確性越高,可見(jiàn)增加樣本容量有助于提高模型的正確率,這就要求進(jìn)一步采集更全面的樣本數(shù)據(jù)來(lái)進(jìn)行分析.綜上所述,DBN-SVM模型在實(shí)際數(shù)據(jù)驗(yàn)證及對(duì)比過(guò)程中被證實(shí)具有較強(qiáng)的準(zhǔn)確性和可靠性.

表4 測(cè)試集模型判別結(jié)果

4.3 DBN-SVM模型參數(shù)優(yōu)化

為了進(jìn)一步研究DBN-SVM模型的準(zhǔn)確性和穩(wěn)定性,得到相對(duì)最優(yōu)的判別模型和結(jié)果,本文又通過(guò)改變隱層數(shù)量及隱層中節(jié)點(diǎn)數(shù)量來(lái)檢驗(yàn)和比較判別結(jié)果的準(zhǔn)確性.為了進(jìn)一步優(yōu)化模型參數(shù),本研究進(jìn)行了大量的測(cè)試,圖5展示了部分較優(yōu)結(jié)果,這些結(jié)果是在選取80%的總體樣本數(shù)據(jù)作為訓(xùn)練集,20%總體樣本作為測(cè)試集下得出的.可以看出,3條準(zhǔn)確率曲線在多數(shù)情況下變化趨勢(shì)有相似性,但整體準(zhǔn)確率變化范圍較小(90.56%～94.11%),表明本方法判定的穩(wěn)定性較強(qiáng),波動(dòng)范圍較小.

圖5 可變參數(shù)下判別準(zhǔn)確率的變化

5 結(jié)論

1) 本文提出的DBN-SVM模型可以對(duì)危險(xiǎn)變道駕駛過(guò)程進(jìn)行可靠、準(zhǔn)確的判別.

2) 為了驗(yàn)證模型的準(zhǔn)確性，本文還同時(shí)訓(xùn)練了常用于分類(lèi)判斷的BP-ANN模型和樸素貝葉斯模型與DBN-SVM模型進(jìn)行比較，結(jié)果證實(shí)DBN-SVM模型有效地提高了判別精度.

3) 對(duì)DBN-SVM模型的參數(shù)進(jìn)行優(yōu)化，并進(jìn)行了大量的驗(yàn)證，發(fā)現(xiàn)該訓(xùn)練模型判別結(jié)果較為穩(wěn)定，可靠性高.

4) DBN-SVM模型有助于實(shí)現(xiàn)危險(xiǎn)變道的自動(dòng)識(shí)別并在變道發(fā)生前給予駕駛員警示信息，給車(chē)聯(lián)網(wǎng)的發(fā)展提供有效的理論基礎(chǔ).未來(lái)將進(jìn)一步擴(kuò)大模型的判別內(nèi)容，從自變量中量化分析導(dǎo)致危險(xiǎn)變道產(chǎn)生的原因，以更有效地保證變道過(guò)程的安全性.

References)

[1]Jewett A, Shults R A, Banerjee T, et al. Alcohol-impaired driving among adults—United States, 2012[J].MMWRMorbidity&MortalityWeeklyReport, 2015, 64(30): 814-817. DOI:10.15585/mmwr.mm6430a2.

[2]Dharmaratne S D, Jayatilleke A U, Jayatilleke A C. Road traffic crashes, injury and fatality trends in Sri Lanka: 1938—2013[J].BulletinoftheWorldHealthOrganization, 2015, 93(9): 640-647. DOI:10.2471/BLT.14.150193.

[3]World Health Organization.Globalstatusreportonroadsafety-2013:Supportingadecadeofaction[M]. World Health Organization, 2013: 286.

[4]Hidas P. Modelling lane changing and merging in microscopic traffic simulation[J].TransportationResearchPartC:EmergingTechnologies, 2002, 10(5): 351-371. DOI:10.1016/s0968-090x(02)00026-8.

[5]Cassidy M J, Rudjanakanoknad J. Increasing the capacity of an isolated merge by metering its on-ramp[J].TransportationResearchPartB:Methodological, 2005(10): 896-913. DOI:10.1016/j.trb.2004.12.001.

[6]Zheng Z, Ahn S, Chen D, et al. Freeway traffic oscillations: Microscopic analysis of formations and propagations using wavelet transform[J].TransportationResearchPartB:Methodological, 2011, 45(9): 1378-1388.

[7]Laval J A, Daganzo C F. Lane-changing in traffic streams[J].TransportationResearchPartB:Methodological, 2006, 40(3): 251-264. DOI:10.1016/j.trb.2005.04.003.

[8]Zheng Z. Recent developments and research needs in modeling lane changing[J].TransportationResearchPartB:Methodological, 2014, 60: 16-32. DOI:10.1016/j.trb.2013.11.009.

[9]Moridpour S, Sarvi M, Rose G, et al. Lane-changing decision model for heavy vehicle drivers[J].JournalofIntelligentTransportationSystems, 2012, 16(1): 24-35. DOI:10.1080/15472450.2012.639640.

[10]Chen S W, Fang C Y, Tien C T. Driving behaviour modelling system based on graph construction[J].TransportationResearchPartC:EmergingTechnologies, 2013, 26: 314-330. DOI:10.1016/j.trc.2012.10.004.

[11]Dahl G E, Yu D, Deng L, et al. Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition[J].IEEETransactionsonAudioSpeech&LanguageProcessing, 2012, 20(1): 30-42.

[12]Zhang Y, Zhang E, Chen W. Deep neural network for halftone image classification based on sparse auto-encoder[J].EngineeringApplicationsofArtificialIntelligence, 2016, 50: 245-255. DOI:10.1016/j.engappai.2016.01.032.

[13]Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J].NeuralComputation, 2006, 18(7): 1527-1554. DOI:10.1162/neco.2006.18.7.1527.

[14]Fischer A, Igel C. Training restricted Boltzmann machines: An introduction[J].PatternRecognition, 2014, 47(1): 25-39. DOI:10.1016/j.patcog.2013.05.025.

[15]Kollar T, Tellex S, Roy D, et al. Toward understanding natural language directions[C]//2010 5thACM/IEEEInternationalConferenceonHuman-RobotInteraction(HRI). Osaka, Japan,2010. DOI:10.1109/hri.2010.5453186.

[17]Yu R, Abdel-Aty M. Utilizing support vector machine in real-time crash risk evaluation[J].AccidentAnalysis&Prevention, 2013, 51: 252-259. DOI:10.1016/j.aap.2012.11.027.

[18]Bengio Y. Learning deep architectures for AI[J].FoundationsandTrends?inMachineLearning, 2009, 2(1): 1-127. DOI:10.1561/2200000006.

[19]Chen J, Huang H, Tian S, et al. Feature selection for text classification with Na?ve Bayes[J].ExpertSystemswithApplications, 2009, 36(3): 5432-5435. DOI:10.1016/j.eswa.2008.06.054.

[20]Saravanan N, Ramachandran K I. Incipient gear box fault diagnosis using discrete wavelet transform (DWT) for feature extraction and classification using artificial neural network (ANN)[J].ExpertSystemswithApplications, 2010, 37(6): 4168-4181. DOI:10.1016/j.eswa.2009.11.006.

Dangerous lane-change detecting model on highway based on deep learning DBN algorithm

Zhao Wei1,2Xu Liangjie1Ran Bin3Wang Jizhou1

(1School of Transportation, Wuhan University of Technology, Wuhan 430063, China) (2School of Economics and Management, Inner Mongolia University of Science and Technology, Baotou 014010, China) (3School of Transportation, Southeast University, Nanjing 210096, China)

Aiming at the problem that the vehicle lane-changing process cannot be quantitatively analyzed and accurately discriminated, a new quantitative discriminant model based on the DBN (deep belief networks) algorithm and the classification analysis method is presented. Twenty-eight participants were recruited. The participators took part in real-scene simulation experiments using the simulation driving platform. The detailed data of vehicle traveling and driving environment was required and used as the input of the model. With the SVM (support vector machine) algorithm as the classifier of the output layer, the discriminant model DBN-SVM and corresponding training method are set up. The discriminant accuracy of the DBN-SVM is 93.78%, increasing by 20.11% and 14.45% compared with the Na?ve Bayes model and BP-ANN (back propagation-artificial neural networks), respectively. And, the results are stable with adjusted parameters. The DBN-SVM model can predict and discriminate coming dangerous lane-changing according to drivers’ driving history data, and warn drivers. As a result, it can reduce the chance of traffic accidents. This study provides theoretical support for lane-changing discrimination and warning under the connected vehicle environment.

dangerous lane-changing discriminant; vehicle simulation experiments; intelligent transportation; deep belief network; automatic driving; connected vehicle

10.3969/j.issn.1001-0505.2017.04.031

2016-11-06. 作者簡(jiǎn)介: 趙瑋(1988—)，男，博士生，講師；徐良杰(聯(lián)系人)，女，博士，教授，博士生導(dǎo)師,laurrie119@163.com.

教育部社科青年基金資助項(xiàng)目(16YJCZH157)、國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)資助項(xiàng)目(2012CB725405)、內(nèi)蒙古科技大學(xué)創(chuàng)新基金資助項(xiàng)目(2015QDL27).

趙瑋,徐良杰,冉斌,等.基于深度學(xué)習(xí)DBN算法的高速公路危險(xiǎn)變道判別模型[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,47(4):832-838.

10.3969/j.issn.1001-0505.2017.04.031.

U491.2

A

1001-0505(2017)04-0832-07