基于深度学习的车辆轨迹特征识别与分析

发布时间：2023-04-09 14:22

　　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...

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景
    1.2 国内外研究现状
    1.3 论文内容及结构安排
第二章 驾驶行为特性分析方法
    2.1 驾驶行为特性分析基础
        2.1.1 相关术语定义
        2.1.2 驾驶行为特性影响因素
        2.1.3 研究数据来源
    2.2 国内外研究分析
        2.2.1 基于规则的分类算法
        2.2.2 基于数据的分类算法
        2.2.3 国内外研究现状评述
    2.3 基于车辆轨迹的驾驶安全分析方法
        2.3.1 原始轨迹数据预处理
        2.3.2 基于K-均值聚类的轨迹分类算法
        2.3.3 基于BP神经网络轨迹分类算法
        2.3.4 方法评估
    2.4 本章小结
第三章 基于深度学习的驾驶行为特性分析方法
    3.1 引言
    3.2 基于卷积神经网络的驾驶安全特性分类方法
        3.2.1 卫星定位轨迹数据预处理
        3.2.2 卷积神经网络模型结构
        3.2.3 轨迹分类结果组合方案
    3.3 实验与结果分析
        3.3.1 评价指标
        3.3.2 训练过程
        3.3.3 实验结果分析
        3.3.4 与其他方案对比
    3.4 本章小结
第四章 基于深度半监督的驾驶安全特性分类方法
    4.1 引言
    4.2 深度半监督卷积神经网络轨迹分类方法
        4.2.1 卷积-反卷积自动编码器
        4.2.2 卷积神经网络分类器
        4.2.3 两阶段模型训练方法
    4.3 实验结果与分析
        4.3.1 模型训练过程
        4.3.2 模型验证与分析
        4.3.3 与其他方案对比
    4.4 本章小结
第五章 基于换道轨迹的驾驶行为安全性分析
    5.1 引言
    5.2 基于多通道换道轨迹的驾驶安全评估方法
        5.2.1 换道轨迹提取
        5.2.2 特征样本构造
        5.2.3 网络结构构建
    5.3 实验结果与分析
        5.3.1 模型验证与分析
        5.3.2 与其他方案对比
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间申请的专利
附录3 攻读硕士学位期间参加的科研项目
致谢



本文编号：3787166