ICV中联合驾驶风格的交通流数据有效性分析

作者：高家豪; 胡创业; 丁男^*; 刘战东

来源：计算机工程, 2023, 1-13.

DOI：10.19678/j.issn.1000-3428.0067946

• 智能网联汽车
• 驾驶风格
• 交通流理论
• 粒子群算法
• 强化学习
• 数据有效性分析

在智能网联汽车(ICV)中，提高驾驶数据的有效性是提升车辆安全性的基石。只有准确的、可靠的驾驶数据才能为车辆的安全性提供可靠的依据和支持。与传统的异常分析相比，ICV数据有效性分析面临着数据异常的多样性(传感器异常、驾驶行为、恶意篡改等)。如何将车辆自身数据特征、驾驶风格和交通流特征相结合，提供有效的数据异常检测方法，已成为智能网联汽车中新的问题。针对ICV系统，采用结合驾驶风格和交通流理论的方法，设计基于粒子群优化的TE-PSO-SVM数据有效性检算法，实现驾驶数据的有效检测。首先，定义驾驶风格识别系数Rad，设计驾驶风格量化模型；其次，建立交通流模型，由车辆状态数据融合驾驶风格和交通流理论通过LSTM网络对车辆速度预测；最后通过TE-PSO-SVM算法进行数据有效性检测。由于ICV数据的多样性，单一模型对多类型异常混合并存的场景中检测精度仍有局限问题，利用多个模型的优势构建模型池，并提出基于强化学习的模型选择算法(RLBMS)。通过对真实数据集highD的实验证明在不同噪声环境下TE-PSO-SVM算法模型的F1度量值相比于传统SVM模型平均提升约8.1个百分点；RLBMS算法模型在不同噪声环境下的F1度量值相比于模型池中检测率最高算法平均提高约1.7个百分点，进一步提高了数据有效性检测的准确率。

• 单位
  新疆师范大学; 大连理工大学