论文部分内容阅读
通过车辆轨迹数据挖掘,建立驾驶员的行为特征模型,评估驾驶员的事故倾向性,可以为智能辅助驾驶、保险、驾驶员培训等领域带来广泛的应用价值。然而传统的基于轨迹数据分析的驾驶员分类方法存在一些局限性,如依赖基于专业经验的特征工程、没有充分利用无标注数据、卫星定位轨迹数据无法表征具体驾驶行为。近年来深度学习模型的发展,为解决这些问题开辟了新的思路。本文提出基于深度学习的轨迹挖掘方法,以解决这些不足,主要研究工作如下:(1)针对当前轨迹数据的特征提取依赖人工经验,导致缺乏客观性与全面性的问题,提出一种基于卷积神经网络进行驾驶安全特性的挖掘方法。该方法首先对原始轨迹数据进行预处理,提取出轨迹点中的车辆运动状态数据,将其作为网络的输入。然后利用卷积层自动提取特征,结合样本标签使用全连接层对提取的特征进行分类。最后将同一驾驶员的轨迹分类结果组合,获得该驾驶员的安全等级。实验结果表明,所提出的方法能够有效区分不同类型的驾驶员的驾驶行为特征,分类结果准确率达到76.4%。(2)为了解决目前研究未能充分利用无标注数据的问题,在卷积神经网络模型的基础上提出一种半监督的网络模型。该模型利用标注与无标注数据训练卷积反卷积自动编码器,以获得原始数据中共性特征,并利用标记数据训练分类器来获得标记中的信息。通过自动编码器与分类器共享卷积层,获得统一且精简的网络架构。最后,提出分两阶段的自动编码器与分类器联合训练策略,更好的训练网络模型中的监督与无监督组件。对比实验表明,本文所提的深度半监督学习方法能够在保证模型分类性能的同时减少所需标记样本的数量。在相同标记样本数量情况下,该方法将分类准确率提升到77.5%。(3)针对基于卫星定位的车辆轨迹无法与具体驾驶行为相对应,导致分析结果缺乏直观解释的问题,本文提出基于多通道深度卷积神经网络换道轨迹分析方法。首先对影响换道安全的关键因素进行分析,选择换道车辆与另外三辆车的轨迹来构建描述换道过程的换道车辆轨迹样本。然后采用3D卷积核对样本数据进行特征提取,并训练卷积神经网络分类器。在公开数据集NGSIM上的实验表明,本文所提出的多通道深度卷积神经网络换道轨迹分析方法,能够将不同安全性的换道行为加以区分,分类准确率达到82.1%。