论文部分内容阅读
在现代交通运输已得到迅速发展的大背景下,人、车、路发展不平衡的问题日益显现,道路交通安全形势不容乐观。为此,政府已采取例如:禁止随意变换车道,在高峰时段设置交叉路口的信号灯等一系列措施,但改善的效果并不明显。自动驾驶技术愈发成熟,将地图数据及传感器探测的实时数据结合深度学习算法应用于无人汽车,也便于无人汽车在突发情况中迅速做出决策。因此,为减少交通事故发生的可能性并推动自动驾驶技术的进一步发展,交通事故风险预测算法研究已成为大势所趋。本文针对车联边缘网络环境,重点研究车联边缘网络中基于深度学习的交通事故风险预测算法。主要研究内容如下:首先,针对传统交通事故风险预测算法无法自动提取数据特征,且模型表达能力差等问题。本文提出一种车载自组织网络(Vehicular Ad-hoc Networks,VANETs)中基于卷积神经网络(Convolutional Neural Networks,CNNs)的交通事故风险预测算法。该算法首先针对VANET中采集到的大量实时交通数据,将交通数据预处理后得到的新特征矩阵输入CNN的卷积层自主提取多维特征。其次,通过CNN的池化层优化特征参数数量。最后,依据CNN的全连接层输出的评价指数,得到模拟预测交通事故发生的风险性。仿真结果表明,该算法较传统的机器学习算法BP神经网络、逻辑回归(Logistic Regression,LR)具有更低的预测损失率与更高的预测准确率,损失降低率分别约为6.496%与1.986%,准确度提高率分别约为1.220%与2.765%。其次,针对现有的基于CNN的交通事故风险预测算法的全连接模式冗余、低效及服务器部署选择问题。本文提出一种车联边缘网络中基于深度卷积随机森林网络的交通事故风险预测算法。该算法首先针对车联边缘网络中采集到的大量实时交通数据,将交通数据预处理后得到的新特征矩阵输入结构复杂度较低的CNN的卷积层自主提取多维特征。其次,通过CNN的池化层优化特征参数数量后,将CNN的flatten层输出转化为大小合适的特征向量直接输入随机森林(Random Forest,RF)进行分类预测。最后,依据RF输出的评价指数,得到模拟预测交通事故发生的风险性,并通过边缘服务器将实时告警消息传输至车辆单元,司机可通过及时调整行车状态来降低交通事故发生的风险性。仿真结果表明,该算法较传统的CNN算法、Adaboost算法具有更高的AUC、预测准确率与更低的预测损失率,并且在处理海量数据时,其模型的预测性能更稳定。