恭喜浙江工業大學周乾偉獲國家專利權
買專利賣專利找龍圖騰,真高效! 查專利查商標用IPTOP,全免費!專利年費監控用IP管家,真方便!
龍圖騰網恭喜浙江工業大學申請的專利一種基于博弈論的高速入口匝道強制合并決策模型的建立方法和裝置獲國家發明授權專利權,本發明授權專利權由國家知識產權局授予,授權公告號為:CN119229675B 。
龍圖騰網通過國家知識產權局官網在2025-05-09發布的發明授權授權公告中獲悉:該發明授權的專利申請號/專利號為:202411218461.6,技術領域涉及:G08G1/0967;該發明授權一種基于博弈論的高速入口匝道強制合并決策模型的建立方法和裝置是由周乾偉;成鳳敏;胡海根;李小薪設計研發完成,并于2024-09-02向國家知識產權局提交的專利申請。
本一種基于博弈論的高速入口匝道強制合并決策模型的建立方法和裝置在說明書摘要公布了:一種基于博弈論的高速入口匝道強制合并決策模型的建立方法和裝置,該方法包括以下步驟:首先進行數據處理,利用合成少數類過采樣技術進行數據增強,以解決數據不平衡導致的模型不準確問題。隨后,基于博弈論建立雙層決策模型,當上層決策模型輸出的主道車輛策略為禮貌避讓時,啟動下層博弈模型,以進一步決策是減速直行避讓還是換道避讓。接下來,對模型進行校準,確定最佳模型參數,以最小化數據集中的實際合并決策與模型預測合并決策之間的差異。最后,采用混淆矩陣對模型準確性進行驗證,評估模型性能。
本發明授權一種基于博弈論的高速入口匝道強制合并決策模型的建立方法和裝置在權利要求書中公布了:1.一種基于博弈論的高速入口匝道強制合并決策模型的建立方法,其特征在于,采用合成少數類過采樣技術SyntheticMinorityOver-samplingTechnique,SMOTE進行數據增強,采用博弈論建立雙層決策模型,并結合梯度下降優化算法校準模型參數,最后采用測試數據集對模型進行驗證;包括以下步驟:第一步,數據處理,先根據車輛的不同行為對數據進行分類提取,再采用SMOTE方法進行數據增強,70%數據用于模型校準,30%用于模型驗證;第二步,建立決策模型,設計收益函數,基于博弈論建立雙層決策模型;第三步,模型校準,采用梯度下降算法確定模型參數,以最小化數據集決策結果與模型預測決策結果之間的差異;第四步,模型驗證,基于第三步校準過程中獲得的參數估計值,采用混淆矩陣來評估模型的性能;第一步中,數據進行兩次處理,第一次處理結果用于主道車輛與匝道車輛的博弈,第二次處理結果用于主道車輛和鄰道后方車輛的博弈;第一次數據處理,提取主道車輛和匝道車輛數據,匝道車輛軌跡數據分為合并段和等待段,主道車輛數據分為加速段、保持不變段和禮貌避讓段,第二次數據處理,提取主道車輛和鄰道車輛數據,主道車輛分為減速直行段和換道段,鄰道車輛數據分為避讓段和不避讓段;數據提取與分類處理后,由于存在不同類別數據之間的不平衡問題,會影響模型最后的準確性,采用SMOTE方法進行數據增強,SMOTE方法通過合成少數類樣本來擴充少數類數據;該方法在特征空間內,通過對少數類樣本與其近鄰樣本進行插值生成新的合成樣本,從而平衡數據集中的類別分布;首先,識別數據集中的少數類樣本,并將其從數據集中分離出來;對于不平衡的數據集,少數類樣本的數量遠低于多數類樣本;使用K近鄰算法K-NearestNeighbors,KNN計算每個少數類樣本在特征空間中的K個最近鄰樣本,對于每個少數類樣本A,在其K個最接近的少數類樣本B1,B2,…,BK中隨機選擇一個近鄰樣本,在樣本A和近鄰樣本之間生成一個新的合成樣本,合成樣本的生成方式是對A和近鄰樣本Bi之間的特征差異進行線性插值:S=A+σ×Bi-A1式中,S表示合成樣本,σ是一個介于0和1之間的隨機數,用于控制插值的位置;重復這個過程,直到生成足夠數量的合成樣本,將生成的合成樣本添加到原始數據集中,形成一個新的平衡數據集,使得少數類樣本的數量達到預期的平衡目標;第二步所述的雙層決策模型中的上層博弈論模型,設計步驟如下:1確定博弈參與人:匝道合并車輛MergingVehicle,MV和主道車輛FollowingVehicle,FV;2確定博弈參與人的策略合集:SMV{等待合并,合并},SFV{加速,保持不變,禮貌避讓};3收益函數設計:MV的設計目標為在確保安全的前提下,盡快完成合并,FV的設計目標為保證安全以及保證最小的速度波動;FV的收益函數設計如下:當MV選擇合并,FV選擇禮貌避讓時,FV所需的預測加速度計算如下: 式中,w表示MV的寬度,d1、d2分別表示FV到MV左后方和右后方的距離,se為中間變量,s*表示FV跟隨前車時的理想間距,s0表示FV和前車的最小間距,T表示理想的車頭時距,vF、vM分別表示當前時刻FV與MV的速度,amax表示FV的最大加速度,dcomfort表示FV的舒適減速度,v0表示FV的理想速度,AccFV_md即為FV所需的預測加速度;此時FV的收益函數即為:UFV_md=α1+λ1AccFV_md5式中α1和λ1為待校準的參數;當MV選擇合并,FV選擇加速時,FV所需的預測加速度計算如下:根據當前時刻MV的速度和加速度,以及在加速車道上的剩余行駛距離計算出預測合并時刻MV的速度: 式中,aM表示當前決策時刻MV的加速度,RD表示MV在加速車道上的剩余行駛距離;由此計算出MV在加速通道上的剩余時間: FV所需的預測加速度計算如下:v'F=vF+aFt'M8 式中v'F表示預測FV的速度,aF表示當前決策時刻FV的加速度,X和X'分別表示當前決策時刻和預測時刻FV和MV的間距,tb為反應時間;此時FV的收益函數即為:UFV_ma=α2+λ2AccFV_ma11式中α2和λ2為待校準的參數;當MV選擇合并,FV選擇保持不變時,FV所需的預測加速度計算如下: 如式12所示,如果當前MV的速度大于FV的速度,MV將在不干擾FV的情況下完成合并,如果MV的速度低于FV的速度,MV將迫使FV減速;此時FV的收益函數即為:UFV_mdn=α3+λ3AccFV_mdn13式中α3和λ3為待校準的參數;當MV選擇等待,FV的收益函數計算類似;MV的收益函數設計如下:當MV選擇合并,FV選擇禮貌避讓時,MV以一個舒適的加速度進行合并,此時MV所需的預測加速度為:AccMV_md=Acccomfort14式中Acccomfort是MV的舒適合并加速度;MV的收益函數為:UMV_md=β1+η1AccMV_md15式中β1和η1為待校準的參數;當MV選擇合并,FV選擇加速或者保持不變策略,此時MV需要以最大加速度行駛,以保證在FV之前到達合并點,此時MV所需加速度如下:AccMV_ma=AccMV_mdn=Accmax16式中,Accmax表示MV的最大加速度;此時MV對應的收益函數分別為:UMV_ma=β2+η2AccMV_ma17UMV_mdn=β3+η3AccMV_mdn18式中β2、β3、η2、η3為待校準的參數;當MV選擇等待,FV選擇禮貌避讓,此時MV在確定FV避讓策略后,以一個舒適的加速度進行合并,MV所需的預測加速度為:AccMV_wd=Acccomfort19此時MV的收益函數即為:UMV_wd=β4+η4AccMV_wd20式中β4和η4即為待校準的參數;當MV選擇等待,FV選擇加速或者保持現狀,此時MV需要等待FV超車后,再進行合并,MV的等待時間計算如下: 此時MV所需的預測加速度計算如下: MV的收益函數即為:UMV_wa=β5+η5AccMV_wa23UMV_wdn=β6+η6AccMV_wdn24式中β5、β6、η5、η6為待校準的參數;雙層決策模型中的下層博弈論模型,設計步驟如下:1確定博弈參與人:主道車輛FV和鄰道后方車輛Lag;2確定博弈參與人的策略合集:SFV{換道,直行},SLag{減速避讓,不避讓};3收益函數設計:FV和Lag的設計目標為保證安全以及保證最小的速度波動;FV和Lag的收益函數設計如下:車輛避免碰撞的減速度為: 上式中,vB表示前方車輛的速度,vA表示后方車輛的速度,sB表示前方車輛的位置,sA表示后方車輛的位置,lA表示后方車輛的車長;FV和Lag的收益函數計算如下: 式中,i表示FV的決策,j表示Lag的決策,aFV,ij表示當FV做出i決策,Lag做出j決策時FV的加速度,aLag,ij表示當FV做出i決策,Lag做出j決策時Lag的加速度,μ1、μ2、μ3、μ4、ψ1、ψ2和ψ3為待優化的參數;上層博弈論模型和下層博弈論模型構成一個雙層決策模型,當MV進入加速通道時,開始構建上層博弈論矩陣,當FV與MV博弈后選擇禮貌避讓時,FV再與Lag進行博弈決策是換道避讓還是減速直行避讓。
如需購買、轉讓、實施、許可或投資類似專利技術,可聯系本專利的申請人或專利權人浙江工業大學,其通訊地址為:310014 浙江省杭州市拱墅區潮王路18號;或者聯系龍圖騰網官方客服,聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。
1、本報告根據公開、合法渠道獲得相關數據和信息,力求客觀、公正,但并不保證數據的最終完整性和準確性。
2、報告中的分析和結論僅反映本公司于發布本報告當日的職業理解,僅供參考使用,不能作為本公司承擔任何法律責任的依據或者憑證。