基于深度学习DBN算法的高速公路危险变道判别模型

摘要：

针对危险变道过程影响交通安全这一问题,提出一种基于深度学习DBN(deep belief networks)算法与分类分析方法的新型危险变道量化判别模型,以解决现存车辆变道过程不可被量化分析及准确判别的问题.招募28名被试者,利用模拟器仿真平台开展实际场景下试验,获取详细的车辆行驶数据及驾驶环境数据作为训练的模型输入.采用SVM算法作为输出层的分类器,建立了DBN-SVM判别模型及基于样本下模型的一般训练方法.该模型的识别精度为93.78%,较朴素贝叶斯模型和BP-ANN神经网络分别提高20.11%和14.45%,并且调整参数后判别结果稳定.DBN-SVM模型可以根据驾驶员历史驾驶数据对即将发生的危险变道做出预测及判别,对驾驶员提出警告,从而减少交通事故的发生.此外,该研究为车联网环境下变道判别及警示的研究提供了理论支持.

关键词：危险变道判别、模拟车试验、智能交通、深度信任网络、自动驾驶、车联网

所属期刊栏目：47

分类号：U491.2(交通工程与公路运输技术管理)

资助基金：教育部社科青年基金资助项目16YJCZH157;国家重点基础研究发展计划973计划资助项目2012CB725405;内蒙古科技大学创新基金资助项目2015QDL27

在线出版日期：2017-08-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：832-838