1.一种考虑驾驶风格的车辆轨迹预测与行为决策方法,其特征在于,包括以下步骤:S1、获取驾驶行为数据集,对所述驾驶行为数据集进行数据处理,得到用于车辆轨迹预测的平衡化数据集;
所述平衡化数据集中还包含基于驾驶风格分类器对所述驾驶行为数据集进行分类得到的驾驶风格向量标签;
S2、构建基于贝叶斯优化融合离散余弦变换注意力机制的长短时记忆网络,用于进行车辆轨迹预测;
其中,利用所述平衡化数据集对所述长短时记忆网络进行训练和测试;
S3、结合多车道变道场景的安全因子、舒适因子、效率因子、增益因子,以及驾驶风格向量标签和车辆轨迹预测信息,采用深度学习模型实现车道变更行为决策。
2.根据权利要求1所述的车辆轨迹预测与行为决策方法,其特征在于,所述步骤S1中,对所述驾驶行为数据集进行数据处理,具体包括:基于小波变换去噪算法对所述驾驶行为数据集进行滤波;
对滤波后的驾驶行为数据集进行筛选,剔除无用特征;
添加新特征,包括:车辆行驶航向角,左车道标签和右车道标签,车道变更标签,车辆速度和加速度,驾驶风格分类器得到的驾驶风格向量标签;
采用滑动窗口法对添加新特征后的驾驶行为数据集进行数据对齐处理;
将数据对齐后的驾驶行为数据集划分为训练集和测试集,其中80%的数据分配给训练集,20%的数据分配给测试集,得到所述平衡化数据集。
3.根据权利要求1所述的车辆轨迹预测与行为决策方法,其特征在于,所述步骤S1中,基于驾驶风格分类器对所述驾驶行为数据集进行分类得到驾驶风格向量标签,具体包括:从所述驾驶行为数据集中选取多个驾驶行为特征参数,包括:最大速度、平均速度、速度标准差、横向速度最大值、横向速度均值、横向速度标准差、加速度绝对值最大值、加速度绝对值均值、加速度标准差、最大绝对横向加速度、平均绝对横向加速度、横向加速度标准差、最小跟车距离、平均跟车距离、跟车距离标准差、最小车头时距、车头时距均值、车头时距标准差、行驶距离;
采用主成分分析法降低所述驾驶行为特征参数的维度;
基于K均值聚类算法对降维后的驾驶行为特征参数进行聚类分析,将驾驶风格聚类为两类,分别用向量1和向量2进行标注,得到驾驶风格向量标签;其中,向量1和向量2分别对应激进型驾驶风格和保守型驾驶风格。
4.根据权利要求1所述的车辆轨迹预测与行为决策方法,其特征在于,所述步骤S2中,构建基于贝叶斯优化融合离散余弦变换注意力机制的长短时记忆网络,具体包括:采用单层卷积神经网络对输入的目标车辆状态观测特征向量进行潜在特征提取;
将提取的潜在特征输入长短时记忆网络,并引入基于离散余弦变换的频率增强通道注意力机制;
利用贝叶斯优化算法对模型的超参数进行优化,并定义均方误差函数为贝叶斯优化算法最小化的目标函数。
5.根据权利要求4所述的车辆轨迹预测与行为决策方法,其特征在于,利用单层卷积神经网络进行潜在特征提取,所述目标车辆状态观测特征向量InputInput
其中,X
6.根据权利要求4所述的车辆轨迹预测与行为决策方法,其特征在于,利用贝叶斯优化算法优化模型的超参数,所述目标函数为:其中,N
7.根据权利要求1所述的车辆轨迹预测与行为决策方法,其特征在于,所述步骤S3中,采用深度学习模型实现车道变更行为决策,具体包括:结合多车道变道场景,综合考虑以下因素:安全因子SF=f
其中,F是一个三元素的车道变更决策向量,对应于车道保持、左车道变更和右车道变更的概率,f
8.根据权利要求7所述的车辆轨迹预测与行为决策方法,其特征在于,所述安全因子S
S
其中,d
所述舒适因子C
式中,x(t)和y(t)分别表示当前车辆行驶时刻t对应的横向坐标和纵向坐标,a所述效率因子E
E
式中,s(t)和v(t)分别表示当前车辆行驶时刻t对应的行驶距离及行驶速度;
所述增益因子G
G
其中,v
将驾驶风格向量标签T
9.一种考虑驾驶风格的车辆轨迹预测与行为决策系统,所述系统用于实现如权利要求1至8中任一项所述的方法,其特征在于,所述系统包括:环境感知模块,用于获取驾驶行为数据集,对所述驾驶行为数据集进行数据处理,得到用于车辆轨迹预测的平衡化数据集;
所述平衡化数据集中还包含基于驾驶风格分类器对所述驾驶行为数据集进行分类得到的驾驶风格向量标签;
轨迹预测模块,用于构建基于贝叶斯优化融合离散余弦变换注意力机制的长短时记忆网络,进行车辆轨迹预测;
其中,利用所述平衡化数据集对所述长短时记忆网络进行训练和测试;
行为决策模块,用于结合多车道变道场景的安全因子、舒适因子、效率因子、增益因子,以及驾驶风格向量标签和车辆轨迹预测信息,采用深度学习模型实现车道变更行为决策。
10.一种电子设备,其特征在于,所述电子设备包括:处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器加载并执行时,实现如权利要求1至8中任一项所述的方法。