【摘要】基于某省載貨汽車歷史行駛數(shù)據(jù),提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短期記憶(CNN-LSTM)網(wǎng)絡(luò)與自注意力機(jī)制的危險(xiǎn)駕駛行為預(yù)測(cè)方法。針對(duì)載貨汽車行駛數(shù)據(jù)量大、維度高、特征提取難度大、時(shí)序性強(qiáng)的特點(diǎn),首先運(yùn)用XGBoost對(duì)特征進(jìn)行篩選,接著利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行空間特征提取,再運(yùn)用長(zhǎng)短期記憶(LSTM)網(wǎng)絡(luò)捕捉駕駛行為的時(shí)序信息,最后通過自注意力機(jī)制對(duì)危險(xiǎn)駕駛行為進(jìn)行預(yù)測(cè)。試驗(yàn)結(jié)果表明,該方法相對(duì)其他長(zhǎng)時(shí)間序列預(yù)測(cè)方法在某省公路貨運(yùn)駕駛數(shù)據(jù)上表現(xiàn)優(yōu)異,識(shí)別準(zhǔn)確率達(dá)到85.05%,加權(quán)平均召回率達(dá)到83%,F(xiàn)1分?jǐn)?shù)(F1-Score)達(dá)到84%。
主題詞:公路貨運(yùn) 數(shù)據(jù)驅(qū)動(dòng) 自注意力機(jī)制 危險(xiǎn)駕駛 行為預(yù)測(cè)
中圖分類號(hào):U471.15 " 文獻(xiàn)標(biāo)志碼:A " DOI: 10.19620/j.cnki.1000-3703.20230141
Research on Intelligent Prediction Technology of Dangerous Driving Behavior in Highway Freight
Liu Pengfei1, Lu Jianguang2,3, Xu Lei1, Tang Xianghong2, Liu Fangjie4
(1. Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education, Guizhou University, Guiyang 550025; 2. State Key Laboratory of Public Big Data, Guizhou University, Guiyang 550025; 3. Chongqing Industrial Big Data Innovation Center Co., Ltd., Chongqing 400707; 4. Guizhou Xin Si Wei Technology Co., Ltd., Guiyang 550001)
【Abstract】Based on the historical driving data of trucks in a province, this paper proposed a prediction method of dangerous driving behavior based on Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) network and self-attention mechanism. For the characteristics of large amount of truck driving data, high dimension, difficult feature extraction and strong time sequence, this method first used XGBoost to filter the features, then used CNN to extract spatial features and LSTM to further capture the temporal information of driving behaviors. Finally, dangerous driving behaviors were predicted by self-attention mechanism. Experimental results show that the method presented in this paper performs better than other long time series prediction methods on highway freight driving data in a province, with recognition accuracy reaching 85.05%, the weighted average recall rate reaches 83%, and the F1-score reaches 84%.
Key words: Highway freight, Data driven, Self-attention mechanism, Dangerous driving behavior, Prediction of driving behavior
【引用格式】 柳鵬飛, 陸見光, 徐磊, 等. 公路貨運(yùn)危險(xiǎn)駕駛行為智能預(yù)測(cè)技術(shù)研究[J]. 汽車技術(shù), 2024(3): 56-62.
LIU P F, LU J G, XU L, et al. Research on Intelligent Prediction Technology of Dangerous Driving Behavior in Highway Freight[J]. Automobile Technology, 2024(3): 56-62.
1 前言
隨著物流產(chǎn)業(yè)的快速發(fā)展,公路運(yùn)輸成為我國(guó)主要的貨運(yùn)物流方式之一[1]。載貨汽車數(shù)量的增加也導(dǎo)致了交通運(yùn)輸業(yè)成為我國(guó)每年事故死亡人數(shù)最多的行業(yè),載貨汽車超載、追尾、疲勞駕駛等現(xiàn)象嚴(yán)重[2],對(duì)公路交通安全造成了極大威脅。因此,如何在事故發(fā)生前利用載貨汽車車載裝置記錄的駕駛數(shù)據(jù)對(duì)危險(xiǎn)駕駛行為進(jìn)行預(yù)警顯得尤為重要。
針對(duì)上述問題,現(xiàn)有研究分為駕駛員駕駛行為識(shí)別模型和車輛預(yù)警模型兩個(gè)方面。張俊[3]等對(duì)駕駛員視頻監(jiān)控?cái)?shù)據(jù)進(jìn)行離線分析,建立駕駛員駕駛行為識(shí)別預(yù)測(cè)模型。Katare[4]等將車載雷達(dá)感知到的加速度、速度和分離距離等輸入人工神經(jīng)網(wǎng)絡(luò),向駕駛員發(fā)出可能碰撞的警報(bào)。上述研究基于車輛、駕駛員狀態(tài)信息進(jìn)行建模,為車輛行駛安全提供預(yù)警,但均未涉及利用車聯(lián)網(wǎng)下載貨汽車車載裝置記錄信息提升公路交通安全。
依賴于采集到的車輛駕駛數(shù)據(jù)量的不斷擴(kuò)充,基于行駛數(shù)據(jù)的載貨汽車駕駛行為分析成為可能。本文針對(duì)車聯(lián)網(wǎng)中載貨汽車駕駛數(shù)據(jù)集,利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[5]和長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)[6]網(wǎng)絡(luò)對(duì)具有復(fù)雜相關(guān)性的駕駛數(shù)據(jù)進(jìn)行時(shí)空特征提取,并提出一種復(fù)合高斯誤差線性單元(Gaussian Error Linear Unit,GELU)和Sigmoid損失函數(shù)與多重自注意力模塊[7],進(jìn)一步提高模型對(duì)特征的提取能力。
2 基于CNN-LSTM與MSE_GS的載貨汽車駕駛行為預(yù)測(cè)方法
公路載貨汽車行駛的歷史數(shù)據(jù)是典型的長(zhǎng)時(shí)間序列,其數(shù)據(jù)量大、維度高,且空間與時(shí)間關(guān)聯(lián)性強(qiáng),特征提取難度大。因此,本文采用CNN和LSTM相結(jié)合的方法提取空間與時(shí)間特征。首先,CNN中卷積核能有效融合多個(gè)特征并生成更高層次特征,還可以提取數(shù)據(jù)空間特征,利用全局平均池化抑制過擬合,為防止數(shù)據(jù)量堆積產(chǎn)生的數(shù)值爆炸問題,在每一個(gè)卷積層后增加1個(gè)批標(biāo)準(zhǔn)化層。其次,將CNN所提取的特征作為L(zhǎng)STM中的輸入繼續(xù)訓(xùn)練,采用多個(gè)不同記憶體捕捉其時(shí)序特征。
由于駕駛數(shù)據(jù)特征的非線性較強(qiáng),若只用CNN-LSTM對(duì)模型進(jìn)行訓(xùn)練,將導(dǎo)致網(wǎng)絡(luò)模型對(duì)非線性特征提取能力不足。針對(duì)這一問題,本文在CNN-LSTM中引入多重自注意力機(jī)制來提高非線性特征的提取能力。由于多重自注意力模塊在神經(jīng)網(wǎng)絡(luò)的全連接層之后,故不需要添加全局池化,可以減少模型欠擬合的發(fā)生[8]。同時(shí)為了抑制過擬合,在多重自注意力模塊中引入隨機(jī)正則思想,將激活函數(shù)改為高斯誤差線性單元(Gaussian Error Linear Units,GELU)。因此,為了提取數(shù)據(jù)中的非線性特征,提高網(wǎng)絡(luò)模型對(duì)非線性特征的擬合能力,進(jìn)而提高模型準(zhǔn)確性,本文提出一種基于GELU和Sigmoid損失函數(shù)的多重自注意力模塊(Multiple Squeeze-and-Excitation based on GELU and Sigmoid,MSE_GS),其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中,輸入特征維度F經(jīng)過3個(gè)全連接層先后變?yōu)镕/16、F/4和F,激活函數(shù)分別為GELU、GELU和Sigmoid。將全連接層的權(quán)重與輸入特征相乘得到最后輸出。
綜上,本文提出一種基于CNN-LSTM與MSE_GS的載貨汽車駕駛行為預(yù)測(cè)方法,其流程如圖2所示,圖3所示為該方法的網(wǎng)絡(luò)結(jié)構(gòu)示意。
3 試驗(yàn)及結(jié)果分析
3.1 試驗(yàn)數(shù)據(jù)及試驗(yàn)環(huán)境
本文數(shù)據(jù)來源于某省車聯(lián)網(wǎng)企業(yè)提供的2021年5~6月,17 659位駕駛員共計(jì)3 241 595條駕駛數(shù)據(jù)。數(shù)據(jù)通過車載高級(jí)輔助駕駛系統(tǒng)(Advanced Driver Assistant System,ADAS)采集,觸發(fā)報(bào)警時(shí)數(shù)據(jù)將被上傳至車聯(lián)網(wǎng)公司數(shù)據(jù)庫(kù)。在30個(gè)原始字段中,剔除企業(yè)平臺(tái)業(yè)務(wù)通信數(shù)據(jù)(如頭標(biāo)識(shí)、校驗(yàn)碼等),剔除重復(fù)性數(shù)據(jù)(如報(bào)警類型與報(bào)警二進(jìn)制字符串、車牌號(hào)與車輛平臺(tái)ID、設(shè)備ID之間的重復(fù))。考慮到所需數(shù)據(jù)均為載貨汽車駕駛員的駕駛數(shù)據(jù),故剔除經(jīng)營(yíng)范圍、行業(yè)類型字段。因此,本文所使用的字段內(nèi)容如表1所示。數(shù)據(jù)選定后對(duì)空數(shù)據(jù)、異常值數(shù)據(jù)進(jìn)行處理。鑒于數(shù)據(jù)量大,故對(duì)空數(shù)據(jù)、異常值數(shù)據(jù)進(jìn)行剔除操作,剩余數(shù)據(jù)量為2 335 593條,滿足本文試驗(yàn)所需數(shù)據(jù)量。
其中,報(bào)警類型“alarm”作為駕駛數(shù)據(jù)的標(biāo)簽,能夠直接反映駕駛行為的特征。單個(gè)報(bào)警信息定義來自于我國(guó)交通運(yùn)輸部頒布的《道路運(yùn)輸車輛衛(wèi)星定位系統(tǒng)終端通信協(xié)議及數(shù)據(jù)格式》中報(bào)警預(yù)警標(biāo)志位定義。載貨汽車觸發(fā)報(bào)警時(shí)車載設(shè)備向車聯(lián)網(wǎng)公司終端發(fā)送報(bào)警信息,經(jīng)二進(jìn)制編碼后車聯(lián)網(wǎng)公司記錄其報(bào)警內(nèi)容并采取相應(yīng)對(duì)策。單個(gè)報(bào)警類信息共29種,剔除如“終端電壓欠壓報(bào)警”“終端電源掉電報(bào)警”等與道路安全相關(guān)度較小的報(bào)警信息,并從數(shù)據(jù)庫(kù)匯總篩選出報(bào)警頻率相對(duì)較高的17類復(fù)合報(bào)警信息,如表2所示。
根據(jù)報(bào)警信息危害程度不同,將駕駛行為劃分為低風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)2類。若報(bào)警信息中至少含有超速、疲勞、碰撞側(cè)翻、累計(jì)駕駛超時(shí)、右轉(zhuǎn)盲區(qū)中的一個(gè),則該駕駛行為被定義為高風(fēng)險(xiǎn),因?yàn)橐坏┌l(fā)生事故,必然會(huì)造成極大生命財(cái)產(chǎn)損失。其余報(bào)警信息所表示的駕駛行為被定義為低風(fēng)險(xiǎn)。
3.2 特征篩選
特征選擇也稱為屬性選擇,是從原始特征中選擇一些有效特征來降低數(shù)據(jù)維度的過程[9]。本文采用的是常見特征選擇方法中的過濾式(Filter)方法。其主要思想是先進(jìn)行特征選擇,再訓(xùn)練學(xué)習(xí)器,特征選擇的過程與學(xué)習(xí)器無關(guān),對(duì)每一維特征賦予權(quán)重,代表其重要性,然后依據(jù)權(quán)重排序。運(yùn)用XGBoost算法進(jìn)行特征篩選,其主要特點(diǎn)有:具有良好的防止過擬合特性;擁有較高的計(jì)算效率;計(jì)算過程中有一定的啟發(fā)性。
根據(jù)表1中所選字段內(nèi)容,將不屬于同一量綱的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,轉(zhuǎn)化為無量綱數(shù)據(jù),對(duì)不便于分析的字段進(jìn)行獨(dú)熱編碼操作。以字段報(bào)警“alarm”為標(biāo)簽y,其他字段內(nèi)容為輸入量x,將所選特征輸入XGBoost進(jìn)行特征選擇。特征重要性排序用來衡量特征在構(gòu)建決策樹時(shí)的價(jià)值,特征價(jià)值的高低體現(xiàn)了該特征對(duì)于駕駛行為影響的重要性。對(duì)每個(gè)屬性進(jìn)行特征重要性計(jì)算,在單一決策樹中以該屬性為分裂點(diǎn)計(jì)算分裂前、后模型性能變化,性能度量一般選擇基尼(Gini)系數(shù)作為指標(biāo),將所有決策樹的結(jié)果進(jìn)行加權(quán)平均得到重要性得分。圖4所示為各特征對(duì)標(biāo)簽“alarm”的重要性,只保留對(duì)標(biāo)簽影響最大的6個(gè)特征,降低輸入神經(jīng)網(wǎng)絡(luò)的維度,可以提高神經(jīng)網(wǎng)絡(luò)的計(jì)算效率。
試驗(yàn)保留的特征為總里程數(shù)(Total Mileage)、經(jīng)緯度(Latitude, Longitude)、車籍地(Vehicle Nationality)、行駛記錄速度(Speed)、上報(bào)時(shí)間戳(GPS Time)6個(gè)特征??偫锍虜?shù)對(duì)標(biāo)簽“alarm”的重要性最強(qiáng),里程越長(zhǎng),遭遇危險(xiǎn)的可能性越高,長(zhǎng)時(shí)間行車必然會(huì)影響駕駛員的判斷,超速、疲勞、累計(jì)駕駛超時(shí)等會(huì)造成較為嚴(yán)重的生命財(cái)產(chǎn)損失;經(jīng)緯度對(duì)固定位置的報(bào)警類型影響較大,側(cè)翻、違停、視野盲區(qū)等報(bào)警常發(fā)生在固定路段;車籍地與車輛進(jìn)出區(qū)域、進(jìn)出路線、路線偏移這類報(bào)警相關(guān)性較強(qiáng);行駛記錄速度主要影響超速、車輛非法位移類報(bào)警,超速報(bào)警最直接的判斷標(biāo)準(zhǔn)是行駛記錄速度;上報(bào)時(shí)間戳為載貨汽車行駛的時(shí)間信息,長(zhǎng)時(shí)間行車與夜間行車對(duì)疲勞、累計(jì)駕駛超時(shí)、危險(xiǎn)駕駛行為等報(bào)警類型影響較大,危害較高。
在2 335 593條數(shù)據(jù)中,保留上述6個(gè)特征與標(biāo)簽,再按照7∶3分別劃分成測(cè)試集與驗(yàn)證集。以表2中的類別編號(hào)作為標(biāo)簽,取0~16共17類。
3.3 CNN-LSTM模塊參數(shù)選擇
為了研究激活函數(shù)對(duì)預(yù)測(cè)結(jié)果的影響,本文對(duì)Sigmoid、ReLU和雙曲正切函數(shù)(Tanh函數(shù))3種激活函數(shù)進(jìn)行試驗(yàn),結(jié)果如表3所示。為避免試驗(yàn)結(jié)果受到隨機(jī)因素的影響,每次測(cè)試均進(jìn)行10次試驗(yàn)取平均準(zhǔn)確率。圖5所示為10次試驗(yàn)中模型收斂穩(wěn)定時(shí)不同激活函數(shù)對(duì)比的平均結(jié)果,模型迭代次數(shù)以訓(xùn)練至網(wǎng)絡(luò)收斂為準(zhǔn)??梢钥闯觯琑eLU激活函數(shù)在準(zhǔn)確率(Accuracy)、損失率(Loss)和穩(wěn)定性方面均比Sigmoid與Tanh函數(shù)更適合。
為了研究?jī)?yōu)化器對(duì)預(yù)測(cè)結(jié)果的影響,本文對(duì)自適應(yīng)矩估計(jì)(Adaptive moment estimation,Adam)、隨機(jī)梯度下降(Stochastic Gradient Descent,SGD)和均方根傳遞(Root Mean Square prop,RMSprop)3種優(yōu)化器進(jìn)行試驗(yàn),結(jié)果如表4所示。圖6所示為3種優(yōu)化器模型收斂示意。為保證試驗(yàn)準(zhǔn)確性,取10次重復(fù)試驗(yàn)準(zhǔn)確率平均值作為最終結(jié)果。設(shè)計(jì)優(yōu)化器的激活函數(shù)均為ReLU,迭代次數(shù)以訓(xùn)練至網(wǎng)絡(luò)收斂或損失率不再下降為準(zhǔn),學(xué)習(xí)率為0.003??梢钥闯觯谙嗤せ詈瘮?shù)與學(xué)習(xí)率條件下,Adam有著相較于SGD與RMSprop更穩(wěn)定與更高的準(zhǔn)確率。故本文試驗(yàn)采用Adam作為優(yōu)化器。
綜上,設(shè)置CNN-LSTM網(wǎng)絡(luò)模塊中激活函數(shù)為ReLU,優(yōu)化器為Adam,學(xué)習(xí)率為0.003。
3.4 消融試驗(yàn)
本文消融試驗(yàn)組將提出的MSE_GS模型與不引入多重自注意力機(jī)制的CNN-LSTM模型、CNN以及LSTM模型進(jìn)行比較。在車聯(lián)網(wǎng)公司提供的數(shù)據(jù)集上,迭代倫次為1 000,計(jì)算各自的準(zhǔn)確率和損失率。各消融試驗(yàn)組的準(zhǔn)確率及損失變化曲線如圖7所示。
從圖7a中可以看出,MSE_GS相較于CNN-LSTM準(zhǔn)確率提升1.5%,相較于CNN準(zhǔn)確率提升了2%,并且沒有出現(xiàn)過擬合現(xiàn)象。而LSTM模型的準(zhǔn)確率則在訓(xùn)練初期出現(xiàn)大幅下降問題,但是LSTM模型損失率下降最快,并將損失率降至消融試驗(yàn)組最小,MSE_GS模型與CNN-LSTM模型在損失率方面的表現(xiàn)一致。在損失率相差0.026的情況下,MSE_GS準(zhǔn)確率比LSTM準(zhǔn)確率提升3%。
圖8所示為MSE_GS與普通CNN-LSTM在測(cè)試集上的混淆矩陣??梢灾庇^看出,CNN-LSTM模型在預(yù)測(cè)準(zhǔn)確率方面相較于本文提出的MSE_GS模型有待進(jìn)一步加強(qiáng)。
表5所示為消融試驗(yàn)組在測(cè)試集上的結(jié)果,其中T為訓(xùn)練時(shí)間。從表5中可以看出,MSE_GS模型在精度P、召回率R、F1分?jǐn)?shù)上整體水平均高于其他模型。在訓(xùn)練時(shí)間方面:CNN訓(xùn)練時(shí)間短,但由于其對(duì)時(shí)序不敏感,導(dǎo)致其他評(píng)價(jià)指標(biāo)低于MSE_GS模型;LSTM不僅訓(xùn)練時(shí)間長(zhǎng),而且在其他評(píng)價(jià)指標(biāo)方面整體低于MSE_GS模型。
綜上,在消融試驗(yàn)組中,本文提出的MSE_GS模型因引入多重自注意力機(jī)制,特征擬合能力得到進(jìn)一步提高,相較于傳統(tǒng)CNN-LSTM模型預(yù)測(cè)準(zhǔn)確率得到進(jìn)一步提高。
3.5 對(duì)比試驗(yàn)
為驗(yàn)證本文提出的方法在準(zhǔn)確預(yù)測(cè)載貨汽車公路運(yùn)輸時(shí)報(bào)警類型的有效性,基于本文試驗(yàn)中數(shù)據(jù)規(guī)模大且數(shù)據(jù)為長(zhǎng)時(shí)間序列的特點(diǎn),選取文獻(xiàn)[10]、文獻(xiàn)[11]、文獻(xiàn)[12]和文獻(xiàn)[13]的方法作為對(duì)比試驗(yàn)組,這些方法均采用CNN-LSTM及其改進(jìn)模型。為了避免試驗(yàn)結(jié)果受到隨機(jī)因素的影響,每次測(cè)試均進(jìn)行10次重復(fù)性試驗(yàn),計(jì)算出模型的平均準(zhǔn)確率及其標(biāo)準(zhǔn)差,試驗(yàn)結(jié)果如表6所示。
由表6可以看出,本文所提出的模型相較于其他4種算法具有明顯優(yōu)勢(shì),平均預(yù)測(cè)準(zhǔn)確率達(dá)到85.05%,標(biāo)準(zhǔn)差達(dá)到0.000 977,為對(duì)比試驗(yàn)中最小,說明其在長(zhǎng)時(shí)間大規(guī)模數(shù)據(jù)集的應(yīng)用中具有較好的穩(wěn)定性。
圖9所示為上述對(duì)比模型在測(cè)試集上的準(zhǔn)確率及損失變化曲線。從圖9中可以直觀地看出,本文所提出的算法在準(zhǔn)確率與損失率變化中均具有較好表現(xiàn)。這是因?yàn)樵陂L(zhǎng)時(shí)間序列數(shù)據(jù)預(yù)測(cè)中,若只針對(duì)時(shí)空特征的提取使用CNN-LSTM模型將會(huì)導(dǎo)致模型對(duì)非線性特征學(xué)習(xí)不足,丟失原數(shù)據(jù)中的部分特征,導(dǎo)致預(yù)測(cè)率下降,本文利用改進(jìn)注意力機(jī)制,提高了模型對(duì)非線性特征的學(xué)習(xí)能力。
4 結(jié)束語(yǔ)
本文面向車聯(lián)網(wǎng)公路貨運(yùn)駕駛數(shù)據(jù),使用基于CNN-LSTM與MSE_GS的貨車駕駛行為識(shí)別方法,實(shí)現(xiàn)了公路貨車報(bào)警類型預(yù)測(cè)。試驗(yàn)結(jié)果表明,通過引入復(fù)合GELU和Sigmoid損失函數(shù)下多重自注意力的深度學(xué)習(xí)模型,能夠提高模型對(duì)長(zhǎng)時(shí)間序列數(shù)據(jù)的特征提取能力。通過消融試驗(yàn)對(duì)比,相比傳統(tǒng)CNN-LSTM、CNN、LSTM深度學(xué)習(xí)算法,本文所提出的算法在2 335 593條數(shù)據(jù)上平均準(zhǔn)確率更高,達(dá)到85.05%,加權(quán)平均召回率、F1分?jǐn)?shù)分別為83%、84%。通過對(duì)比試驗(yàn),與現(xiàn)有長(zhǎng)時(shí)間序列模型算法相比,準(zhǔn)確率至少提高1.4%,表現(xiàn)出了最優(yōu)的綜合性能。
但是當(dāng)前所利用模型的超參數(shù)依然需要通過大量試驗(yàn)手動(dòng)調(diào)整,此外,因?yàn)閿?shù)據(jù)規(guī)模大等問題導(dǎo)致模型訓(xùn)練時(shí)間依舊較長(zhǎng),后續(xù)工作是研究如何在大規(guī)模長(zhǎng)時(shí)間序列數(shù)據(jù)條件下,在提高預(yù)測(cè)準(zhǔn)確率的同時(shí)利用算法實(shí)現(xiàn)超參數(shù)自適應(yīng)尋優(yōu),縮短模型訓(xùn)練時(shí)間。
參 考 文 獻(xiàn)
[1] 甘蜜, 卿三東, 劉曉波, 等. 貨車軌跡數(shù)據(jù)在公路貨運(yùn)系統(tǒng)中應(yīng)用研究綜述[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2021, 21(5): 91-101.
GAN M, QING S D, LIU X B, et al. Review on Application of Truck Trajectory Data in Highway Freight System[J]. " " Journal of Transportation Systems Engineering and " " " " " " Information Technology, 2021, 21(5): 91-101.
[2] HELAI H, CHOR C H, HOCK H A H. Effect of Red Light Cameras on Accident Risk at Intersections[J]. Transportation Research Record: Journal of the Transportation Research Board, 2006, 1969(1): 18-26.
[3] 張俊. 基于車聯(lián)網(wǎng)數(shù)據(jù)的駕駛行為識(shí)別與風(fēng)險(xiǎn)評(píng)估方法研究[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2020.
ZHANG J. Study on Driving Behavior Recognition and Risk Assessment Based on Internet of Vehicle Data[D]. Hefei: University of Science and Technology of China, 2020.
[4] KATARE D, EL-SHARKAWY M. Embedded System " " " Enabled Vehicle Collision Detection: An ANN Classifier[C]// 2019 IEEE 9th Annual Computing and Communication Workshop and Conference (CCWC). Las Vegas, NV, USA: IEEE, 2019: 284-289.
[5] 孫浩, 陳進(jìn), 雷琳, 等. 深度卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別模型對(duì)抗魯棒性技術(shù)綜述[J]. 雷達(dá)學(xué)報(bào), 2021, 10(4): 571-594.
SUN H, CHEN J, LEI L, et al. Adversarial Robustness of Deep Convolutional Neural Network-Based Image " " " " " Recognition Models: A Review[J]. Journal of Radars, 2021, 10(4): 571-594.
[6] CHRISTOPHE F. Learning Algorithm Recommendation Framework for IS and CPS Security: Analysis of the RNN, LSTM, and GRU Contributions[J]. International Journal of Systems and Software Security and Protection (IJSSSP), 2022, 13(1): 1-23.
[7] 張宸嘉, 朱磊, 俞璐. 卷積神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制綜述[J]. 計(jì)算機(jī)工程與應(yīng)用, 2021, 57(20): 64-72.
ZHANG C J, ZHU L, YU L. Review of Attention Mechanism in Convolutional Neural Networks[J]. Computer Engineering and Applications, 2021, 57(20): 64-72.
[8] HENDRYCKS D, GIMPEL K. Gaussian Error Linear Units (GELUs)[EB/OL]. (2020-07-08)[2023-04-07]. https://arxiv.org/abs/1606.08415v4.
[9] 李占山, 劉兆賡. 基于XGBoost的特征選擇算法[J]. 通信學(xué)報(bào), 2019, 40(10): 101-108.
LI Z S, LIU Z G. Feature Selection Algorithm Based on " XGBoost[J]. Journal on Communications, 2019, 40(10): 101-108.
[10] BOGAERTS T, MASEGOSA A D, ANGARITA-ZAPATA J S, et al. A Graph CNN-LSTM Neural Network for Short and Long-Term Traffic Forecasting Based on Trajectory Data[J]. Transportation Research Part C, 2020, 112: 62-77.
[11] YUSUF S A, ALSHDADI A A, ALASSAFI M O, et al. " " Predicting Catastrophic Temperature Changes Based on Past Events via a CNN-LSTM Regression Mechanism[J]. Neural Computing and Applications, 2021.
[12] 付加勝, 劉偉, 韓霄松, 等. 基于CNN-LSTM融合網(wǎng)絡(luò)的溢流早期預(yù)測(cè)深度學(xué)習(xí)方法[J]. 石油機(jī)械, 2021, 49(6): 16-22.
FU J S, LIU W, HAN X S, et al. CNN-LSTM Fusion " " "Network Based Deep Learning Method for Early Prediction of Overflow[J]. China Petroleum Machinery, 2021, 49(6): 16-22.
[13] 張鵬, 楊濤, 劉亞楠, 等. 基于CNN-LSTM的QAR數(shù)據(jù)特征提取與預(yù)測(cè)[J]. 計(jì)算機(jī)應(yīng)用研究, 2019, 36(10): 2958-2961.
ZHANG P, YANG T, LIU Y N, et al. Feature Extraction and Prediction of QAR Data Based on CNN-LSTM[J]. " "Application Research of Computers, 2021, 49(6): 16-22.
(責(zé)任編輯 斛 畔)
修改稿收到日期為2023年4月7日。