欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019108327546
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 控制;调节
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于双向内核岭回归的车辆轨迹预测方法,其特征在于,包括以下步骤:步骤1,获取训练集数据;

获取车辆行驶过程中在信号中断时间段之前的第一行驶姿态信息时间序列和之后的第二行驶姿态信息时间序列,所述第一行驶姿态信息时间序列包括按固定频率采集到的n1+l1个数据点的行驶姿态信息,所述第二行驶姿态信息时间序列包括按固定频率采集到的n2+l2个数据点的行驶姿态信息;其中每个数据点的行驶姿态信息包括GPS信息;

采用宽为n1+1、步长为1的滑动窗口,依次从第一行驶姿态信息时间序列中获取l1组后向训练数据;

采用宽为n2+1、步长为1的滑动窗口,依次从第二行驶姿态信息时间序列中获取l2组前向训练数据;

步骤2,训练模型;

以每组后向训练数据的最后1个数据点的行驶姿态信息作为输出数据、其余n1个数据点的行驶姿态信息组成输入数据,训练第一个核岭回归模型,得到轨迹后向预测模型;

以每组前向训练数据的最前1个数据点的行驶姿态信息作为输出数据、其余n2个数据点的行驶姿态信息组成输入数据,训练第二个核岭回归模型,得到轨迹前向预测模型;

步骤3,预测信号中断时间段内的行驶姿态信息时间序列;

使用轨迹后向预测模型,并从利用信号中断时间段之前最近的n1个数据点的行驶姿态信息开始,对中断时间段内的各数据点的行驶姿态信息从前向后依次进行滚动预测,得到中断时间段内的后向预测序列;

使用轨迹前向预测模型,并从利用信号中断时间段之后最近的n2个数据点的行驶姿态信息开始,对中断时间段内的各数据点的行驶姿态信息从后向前依次进行滚动预测,得到中断时间段内的前向预测序列;

整合中断时间段内的前向预测序列和后向预测序列,得到中断时间段内的行驶姿态信息时间序列。

2.根据权利要求1所述的方法,其特征在于,每个数据点的行驶姿态信息还包括速度、加速度和/或转向角度。

3.根据权利要求1所述的方法,其特征在于,步骤2中训练第一个和第二个核岭回归模型时,均采用局部收缩粒子群优化算法计算核岭回归模型的系数。

4.根据权利要求1所述的方法,其特征在于,采用局部收缩粒子群优化算法计算核岭回归模型的系数的具体过程为:步骤2.1,随机生成初始粒子群,每个粒子的位置向量代表核岭回归模型的一组系数解,第s个粒子的位置向量表示为Ts=(Ts1,Ts2,...,Tsd,...Tsg),d表示核岭回归模型的待求解的系数编号,g表示核岭回归模型的待求解的系数个数;

步骤2.2,遍历粒子群中所有粒子,计算每个粒子所代表的系数解的适应度,其中适应度函数为: Fit(s)为第s个粒子的适应度值,yd为第s个粒子中样本期望的输出值, 为第s个粒子中样本的输出值;

若当前迭代计算得到的适应度优于该粒子的个体最优解,则将该粒子的个体最优解更新为该粒子当前的位置向量;各粒子的个体最优解的初始值为其初始位置向量;

若当前迭代计算得到的适应度优于粒子群全局最优解,则将粒子群的全局最优解更新为该粒子当前的位置向量;粒子群中全局最优解的初始值为初始粒子群中的最优位置;

步骤2.3,按以下公式迭代更新粒子群中各个粒子的速度向量和位置向量:式中,k表示迭代次数, 表示惯性权重,v表示粒子的速度向量,c1和c2表示不同的学习因子,H表示最大迭代次数,pg=(pg1,pg2,...,pgd,...,pgn)表示粒子群当前的全局最优粒子,ps=(ps1,ps2,...,psd,...,psn)表示第s个粒子当前的个体最优解,rand(·)和Rand(·)表示两个介于(0,1)之间的随机数;

步骤2.4,判断是否达到最大迭代次数,若是则将粒子群的全局最优粒子的位置向量所对应的系数解作为核岭回归模型的最优系数;否则返回步骤2.2执行下一次迭代。

5.根据权利要求1所述的方法,其特征在于,根据权利要求1所述的方法,其特征在于,训练核岭回归模型的损失函数为:式中,A·A表示正则化项,γ为正则化参数,且γ>0,A=(a1,a2,...,am)为核岭回归模型的系数向量,m表示系数的个数, 表示核岭回归模型根据输入数据Xi所预测得到的预测值,yi表示与输入数据Xi对应的输出数据,n表示训练核岭回归模型的样本数量。

6.根据权利要求1所述的方法,其特征在于,n1=n2=15。