基于LSTM-att 的車輛異常駕駛行為識(shí)別①

杜繹如, 馬印懷, 吳建波, 惠 飛, 阮仕峰, 郭 星

1(長安大學(xué) 信息工程學(xué)院, 西安 710064)

2(河北省高速公路延崇籌建處, 張家口 075400)

隨著城市化進(jìn)程的加快和人民生活水平日益改善,車輛在全球普及迅速, 已經(jīng)成為人們出行必不可少的工具. 車輛給人們生活帶來便利的同時(shí), 也帶來了一系列安全和環(huán)境問題. 我國的交通事故率一直居高不下,造成了越來越多的經(jīng)濟(jì)損失和人員傷亡, 所以預(yù)防交通事故勢在必行. 研究表明, 大多數(shù)交通事故是由駕駛員人為因素引起的[1], 駕駛員在不良狀態(tài)下可能會(huì)無意中突然加減速和橫向駕駛[2], 從而產(chǎn)生急加速、急減速、蛇形駕駛和異常換道等異常駕駛行為, 從而導(dǎo)致交通事故的發(fā)生. 因此, 準(zhǔn)確識(shí)別車輛異常駕駛行為對(duì)于減少交通事故發(fā)生率有著重要作用.

當(dāng)前大量的研究集中于駕駛員意圖和狀態(tài)的檢測.Lee 等人[3]提出了一種基于兩層聚類的框架, 以評(píng)估大規(guī)模駕駛記錄, 識(shí)別潛在的侵略性駕駛行為. Li 等人[4]受語音識(shí)別技術(shù)啟發(fā), 使用一種結(jié)合隱馬爾可夫模型貝葉斯濾波技術(shù)的算法對(duì)駕駛員換道意圖進(jìn)行識(shí)別. 祝儷菱等人[5]建立了基于支持向量機(jī)的駕駛行為識(shí)別模型, 利用真實(shí)車輛軌跡數(shù)據(jù)進(jìn)行訓(xùn)練和測試, 取得了不錯(cuò)的效果. Suzdaleva 等人[6]利用貝葉斯方法和遞歸算法建立一種混合模型用來對(duì)駕駛員駕駛風(fēng)格進(jìn)行分類和在線估計(jì). Wu 等人[7]收集公交車的行駛數(shù)據(jù),訓(xùn)練了樸素的貝葉斯分類器用于檢測和識(shí)別異常駕駛行為. Johnson 等人[8]提出一種基于動(dòng)態(tài)時(shí)間規(guī)劃(DTW)的系統(tǒng), 該系統(tǒng)使用傳感器融合檢測、識(shí)別異常駕駛行為. 以上研究都是基于聚類或者隱馬爾可夫等方法,雖然能夠識(shí)別出異常駕駛行為, 但是很難從中甄別出不同類型的異常駕駛行為.

近年來, 神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的非線性映射能力和自學(xué)習(xí)能力為被廣泛應(yīng)用于交通領(lǐng)域. Huang 等人[9]受密集卷積網(wǎng)絡(luò)(DenseNet)的啟發(fā), 建立了3 種新的神經(jīng)網(wǎng)絡(luò)融合模型, 首次實(shí)現(xiàn)了基于視頻的異常駕駛行為檢測任務(wù). 衛(wèi)星等人[10]引入雙卷積網(wǎng)絡(luò)對(duì)監(jiān)控視頻數(shù)據(jù)關(guān)鍵幀的特征信息進(jìn)行分析, 再利用LSTM網(wǎng)絡(luò)對(duì)提取出的特性信息進(jìn)行序列建模, 通過輸出的預(yù)測得分判斷出車輛行為類別. 毛其超等人[11]針對(duì)交通視頻監(jiān)控場景復(fù)雜、視頻單幀圖像分辨率高的特點(diǎn), 提出一種基于Faster R-CNN 的車輛檢測改進(jìn)算法. 通過對(duì)比以上研究發(fā)現(xiàn)現(xiàn)有基于神經(jīng)網(wǎng)絡(luò)的研究多結(jié)合圖像視頻信息, 但是圖像視頻信息受場景天氣影響較大, 且無法捕捉駕駛行為的時(shí)間特征. 與圖像視頻數(shù)據(jù)相比, 速度、加速度等車輛軌跡數(shù)據(jù)不僅具有更好的精確性, 并且保留了前后時(shí)刻數(shù)據(jù)的時(shí)間相關(guān)性.

基于以上方法所存在的問題, 本文使用車輛軌跡信息, 建立一種拓展神經(jīng)網(wǎng)絡(luò)LSTM-att 模型對(duì)異常駕駛行為進(jìn)行識(shí)別. 該網(wǎng)絡(luò)有兩層結(jié)構(gòu): 第1 層是帶有注意力層的長短期記憶人工神經(jīng)網(wǎng)絡(luò)LSTM-att. 利用LSTM 在處理時(shí)間序列上的優(yōu)勢對(duì)車輛數(shù)據(jù)信息進(jìn)行處理, 加入attention 層突出異常行駛數(shù)據(jù)的特征, 提高識(shí)別的準(zhǔn)確率. 第2 層用全連接神經(jīng)網(wǎng)絡(luò), 將上一層的輸出當(dāng)作輸入, 用于對(duì)駕駛行為的識(shí)別和分類. 模型具體流程如圖1 所示.

圖1 系統(tǒng)模型圖

論文其余章節(jié)安排如下: 第1 節(jié)對(duì)原始數(shù)據(jù)進(jìn)行介紹和預(yù)處理, 以及對(duì)異常駕駛行為數(shù)據(jù)集的標(biāo)記與建立, 第2 節(jié)介紹了神經(jīng)網(wǎng)絡(luò)模塊的工作原理, 第3 節(jié)通過實(shí)驗(yàn)確定模型的識(shí)別率, 并與多個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比, 第4 節(jié)對(duì)全文進(jìn)行總結(jié).

1 數(shù)據(jù)處理

1.1 數(shù)據(jù)獲取與預(yù)處理

本文所使用的相關(guān)行車數(shù)據(jù)是NGSIM (next generation simulation)數(shù)據(jù)集, 它是來自美國FHWA 搜集的美國高速公路行車數(shù)據(jù)信息. NGSIM 主要包括I80、US-101、Lankershim 和Peactree 4 個(gè)路段的車輛軌跡數(shù)據(jù), 數(shù)據(jù)均是采用攝像頭獲取并記錄為軌跡點(diǎn). 作為開源的數(shù)據(jù)集, NGSIM 以10 Hz 的頻率采集路段上每個(gè)車輛的數(shù)據(jù)信息, 這樣的頻率能夠捕捉到駕駛行為發(fā)生變化的過程, 適合用于對(duì)車輛軌跡信息的研究.

本研究使用了其中位于US-101 公路南段, 時(shí)間為2005 年6 月15 日的30 輛車輛軌跡信息, 其中包含200 萬條原始數(shù)據(jù)信息, 每條信息有當(dāng)前時(shí)刻車輛的速度、加速度、車道和經(jīng)緯度等18 項(xiàng)駕駛信息, 駕駛信息數(shù)據(jù)如表1. 雖然原數(shù)據(jù)中沒有橫向加速度, 但是可以根據(jù)車輛與相鄰車道之間的距離計(jì)算出橫向加速度.由于在傳輸過程中會(huì)有外界因素影響, 所以不可避免會(huì)出現(xiàn)數(shù)據(jù)的缺失, 重復(fù)等問題, 所以對(duì)數(shù)據(jù)進(jìn)行預(yù)處理. 對(duì)缺失的數(shù)據(jù)利用缺失時(shí)刻的前后數(shù)據(jù)平均值進(jìn)行填補(bǔ), 重復(fù)數(shù)據(jù)進(jìn)行刪除.

表1 NGSIM 車輛軌跡數(shù)據(jù)類型

經(jīng)過預(yù)處理得到76 輛車的260 次出行, 表2 是隨即挑選一次出行的相關(guān)運(yùn)動(dòng)特征與車輛參數(shù)的統(tǒng)計(jì)量.

表2 數(shù)據(jù)運(yùn)動(dòng)特征與車輛參數(shù)統(tǒng)計(jì)量

1.2 異常駕駛行為分析

駕駛員在駕駛過程中, 由于自身駕駛風(fēng)格和外部環(huán)境影響可能會(huì)產(chǎn)生異常駕駛行為. 不加制止的異常駕駛行為極易引發(fā)交通事故, 甚至預(yù)示著某些交通事故的發(fā)生. 因此從大量軌跡信息中提取出異常駕駛行為是有必要的. 現(xiàn)有的研究多利用手機(jī)傳感器判定或者人工判定的方法[12,13]來尋找異常駕駛行為, 但前者受傳感器性能影響, 后者主觀性過強(qiáng). 針對(duì)這些問題,本文提取駕駛數(shù)據(jù)異常點(diǎn), 再依據(jù)不同異常駕駛行為的特征提取出數(shù)據(jù)段作為異常駕駛行為, 可以有效提取出可靠的異常駕駛行為.

在正常的駕駛過程中車輛處于穩(wěn)定狀態(tài), 車輛的行駛數(shù)據(jù)不會(huì)在短時(shí)間內(nèi)出現(xiàn)大幅度的變化. 當(dāng)駕駛員出現(xiàn)一些錯(cuò)誤操作時(shí)會(huì)導(dǎo)致車輛異常行駛, 行駛數(shù)據(jù)在較短的時(shí)間內(nèi)有突變的過程. 根據(jù)這一規(guī)律, 利用數(shù)據(jù)信息中的異常點(diǎn)分割出駕駛員的異常駕駛行為.

文獻(xiàn)[14-16]利用大量軌跡數(shù)據(jù)的統(tǒng)計(jì)量, 通過反復(fù)實(shí)驗(yàn)和研究后發(fā)現(xiàn), 駕駛員的加速減速行為特性是與車速相關(guān)的, 在給定的速度下, 選15%的比例可以有效的從所有加速度中分割出異常加速度點(diǎn). 結(jié)合這一分布和實(shí)際情況, 對(duì)在這一概率內(nèi)的縱向加速度、橫向加速度等數(shù)據(jù)標(biāo)記為異常點(diǎn). 如圖2 所示為隨機(jī)選取10 輛車在整個(gè)行駛過程中的加速度沿速度的分布情況, 圖2(a)和圖2(b)中, 橫坐標(biāo)為速度, 縱坐標(biāo)分別為縱向加速度與橫向加速度, 藍(lán)點(diǎn)為正常加速度, 紅點(diǎn)為異常加速度.

圖2 不同速度下加速度分布

零星異常點(diǎn)的出現(xiàn)有可能是車輛搖晃或者傳輸異常導(dǎo)致的, 而駕駛行為通常會(huì)持續(xù)一段時(shí)間, 因此將車輛行程數(shù)據(jù)按照采集時(shí)間進(jìn)行排序, 在已排序的數(shù)據(jù)中添加一個(gè)時(shí)間窗口, 并根據(jù)時(shí)間順序移動(dòng)截取合適大小的數(shù)據(jù)段作為異常駕駛行為. 本文采集數(shù)據(jù)的頻率是10 Hz, 大多數(shù)駕駛動(dòng)作完成時(shí)間小于3 s[17], 故時(shí)間窗口大小為30. 根據(jù)對(duì)不同異常駕駛行為特征的分析, 找到擁有符合特征的異常點(diǎn)的數(shù)據(jù)段后, 滑動(dòng)窗口截取數(shù)據(jù)段構(gòu)成異常駕駛數(shù)據(jù)集.

1.2.1 急加速駕駛

車輛在正常駕駛過程中, 通常需要靈活的加速去應(yīng)對(duì)復(fù)雜的交通狀況.正常加速的過程平穩(wěn)且不會(huì)產(chǎn)生危險(xiǎn). 然而在實(shí)際的交通行駛過程中, 有時(shí)會(huì)出現(xiàn)短時(shí)間內(nèi)縱向加速度明顯異常的增大[18], 根據(jù)這一特征截取時(shí)間窗口內(nèi)縱向加速度全為異常點(diǎn)且為正的片段作為急加速行為, 急加速行為如圖3(a)所示. 隨機(jī)截取20段正常加速行駛數(shù)據(jù)與急加速行駛進(jìn)行對(duì)比, 如圖3(b)可以明顯觀察到正常加速過程中, 加速度曲線增長趨勢較平緩, 急加速時(shí)車輛的縱向加速度急劇上升且值域明顯大于正常值.

圖3 急加速駕駛

1.2.2 急減速駕駛

駕駛員駕駛過程中緊急制動(dòng)常常會(huì)引起急減速,急減速發(fā)生時(shí), 車輛縱向速度急速減小甚至降至零[18],根據(jù)這一特征截取時(shí)間窗口內(nèi)縱向加速度全為異常點(diǎn)且為負(fù)的片段作為急減速行為, 急減速行行駛?cè)鐖D4(a)所示. 隨機(jī)截取20 段正常減速行駛數(shù)據(jù)與急減速行駛進(jìn)行對(duì)比, 如圖4(b)可以觀察到正常減速過程中縱向加速度曲線下降緩慢, 急加速時(shí)車輛的縱向加速度變化較快且值域變大.

圖4 急減速駕駛

1.2.3 蛇形駕駛

蛇形駕駛是指車輛在行駛過程中不正常的橫向擺動(dòng). 在實(shí)際生活中, 車輛的蛇形駕駛不僅會(huì)對(duì)本車的安全駕駛產(chǎn)生影響, 也有可能會(huì)影響到其他車道的車輛, 導(dǎo)致相鄰車道車輛相撞. 蛇形駕駛行為如圖5(a)所示, 當(dāng)蛇形駕駛發(fā)生時(shí), 車輛橫向加速度出現(xiàn)較大波動(dòng), 值域變大, 并且由于車輛的左右晃動(dòng), 橫向加速度交替出現(xiàn)正負(fù)值, 加速度的均值近于零[19]. 根據(jù)這一規(guī)律截取相應(yīng)的數(shù)據(jù)段作為蛇形駕駛行為. 隨機(jī)截取20 段正常行駛數(shù)據(jù)與蛇形行駛進(jìn)行對(duì)比, 如圖5(b)可以明顯觀察到正常行駛過程中橫向加速度基本接近于零, 只有小范圍的波動(dòng). 蛇形駕駛過程中橫向加速度值域變大且波動(dòng)明顯.

圖5 蛇形駕駛

1.2.4 異常換道駕駛

由于前方車輛的行駛狀態(tài)無法符合駕駛員的期望導(dǎo)致的換道在日常中是很常見行為. 正常的換道行為時(shí)橫向加速度會(huì)發(fā)生變化, 但一般持續(xù)時(shí)間比較長, 且值域不會(huì)很大. 而如圖6(a)所示的異常換道是一種短時(shí)間的突然和瞬間的換道行為. 發(fā)生異常換道時(shí), 車輛橫向加速度會(huì)突然變化[20]. 利用這一特征截取時(shí)間窗口內(nèi)橫向加速度全為異常點(diǎn)的數(shù)據(jù)段作為異常換道行為.隨機(jī)截取20 段正常換道數(shù)據(jù)與異常換道進(jìn)行對(duì)比, 如圖6(b)可以觀察到正常換道時(shí)橫向加速度變換緩慢而異常換道時(shí)橫向加速度變化值域變大且變化快速.

圖6 異常換道

1.3 異常駕駛行為數(shù)據(jù)的建立

根據(jù)對(duì)異常駕駛行為數(shù)據(jù)特征的分析, 找到符合特征的異常點(diǎn)后, 利用滑動(dòng)窗口截取30 個(gè)數(shù)據(jù), 每條數(shù)據(jù)擁有18 個(gè)特征, 將其記錄為30×18 的矩陣作為異常駕駛數(shù)據(jù)集. 少量的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)難以得到精確的識(shí)別率, 因此本文截取2 000 個(gè)數(shù)據(jù)段, 其中正常駕駛800 段, 急加速300 段, 急減速300 段, 蛇形駕駛300 段以及異常換道300 段. 選取2 000 個(gè)數(shù)據(jù)段中80%作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集, 剩下20%作為測試集,其中各駕駛行為在訓(xùn)練集和測試集中所占的比例相同.

2 LSTM-att+FC 模型構(gòu)建

本文用作模型訓(xùn)練的軌跡信息是時(shí)間序列, 每一刻的數(shù)據(jù)前后互相關(guān)聯(lián). 在處理時(shí)間序列過程中如果保留它們的時(shí)間連續(xù)性, 可以更好的保存重要的數(shù)據(jù)信息. 長短記憶網(wǎng)絡(luò)(LSTM)自發(fā)明以來就在時(shí)間序列數(shù)據(jù)的識(shí)別和預(yù)測方面表現(xiàn)出了優(yōu)異性能, 因此本文將訓(xùn)練集輸入到LSTM 網(wǎng)絡(luò)中進(jìn)行特征提取, 將歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)聯(lián)系起來. 同時(shí)LSTM 中的遺忘門可以選擇性的遺忘對(duì)結(jié)果不重要的數(shù)據(jù).

為了更加突出數(shù)據(jù)的特征信息, 在LSTM 中加入attention 層. Attention 能夠突出有用信息, 對(duì)于更重要的信息給與更高的權(quán)重. 當(dāng)識(shí)別急加速時(shí), 加速度數(shù)據(jù)比車道數(shù)據(jù)重要性高, 加入attention 層可以減少對(duì)車道數(shù)據(jù)的權(quán)重, 提高加速度數(shù)據(jù)的權(quán)重. 從關(guān)鍵部分進(jìn)行特征提取, 得到重要的信息, 可以有效的提高識(shí)別率.

LSTM-att 神經(jīng)網(wǎng)絡(luò)獲取原始數(shù)據(jù)中的駕駛行為特征, 將其中有用的數(shù)據(jù)信息進(jìn)行記憶保存, 沒用的信息進(jìn)行遺忘, 所得的輸出作為下一層全連接神經(jīng)網(wǎng)絡(luò)的輸入, 全連接神經(jīng)網(wǎng)絡(luò)對(duì)駕駛行為進(jìn)行處理識(shí)別, 得到最終結(jié)果.

整個(gè)識(shí)別模型和數(shù)據(jù)流的架構(gòu)如圖7 所示. 首先檢測車輛行駛過程中的數(shù)據(jù)異常點(diǎn), 根據(jù)不同類型異常駕駛特征將行駛數(shù)據(jù)分割為訓(xùn)練樣本集. 處理好的訓(xùn)練集長度為30, 每一條數(shù)據(jù)包含速度、加速度、經(jīng)緯度等18 個(gè)特征值, 將數(shù)據(jù)集整理為30×18 的矩陣,輸入到擁有一層隱藏層且加入一層attention 層的LSTMatt 網(wǎng)絡(luò)中進(jìn)行特征提取, LSTM-att 的輸出再次作為全連接神經(jīng)網(wǎng)絡(luò)的輸入, 最后使用全連接神經(jīng)網(wǎng)絡(luò)識(shí)別異常駕駛行為. 過于復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可能會(huì)導(dǎo)致造成梯度消失或者梯度爆炸, 所以本文中全連接神經(jīng)網(wǎng)絡(luò)加入兩層隱藏層以保證模型效果.

2.1 LSTM-att 模塊

LSTM 是一類以序列數(shù)據(jù)為輸入, 并且隨著序列的不斷推進(jìn), 前面的隱層將會(huì)影響后面的隱層的遞歸神經(jīng)網(wǎng)絡(luò). 相較于RNN, LSTM 通過細(xì)胞狀態(tài)記憶信息, 不僅能處理長期依賴問題, 并且在長期神經(jīng)元中仍能保存有效信息的特性, 不會(huì)失去學(xué)習(xí)連接過遠(yuǎn)的信息的能力, 非常適合用于處理本文所用到的駕駛數(shù)據(jù)信息. 基本的LSTM 如圖8 所示, 可以看到LSTM 利用細(xì)胞狀態(tài)傳輸, 使用輸入門、遺忘門、輸出門3 種門來保持和控制信息, 不僅承載了之前狀態(tài)的信息, 儲(chǔ)存當(dāng)前的狀態(tài)的信息, 還決定丟棄上一個(gè)時(shí)刻中的哪一部分的信息. 通過3 個(gè)門對(duì)信息進(jìn)行添加和刪除操作, 信息特性會(huì)被儲(chǔ)存利用. 本文利用LSTM 處理預(yù)處理過后的時(shí)間序列, 可以最大限度地考慮序列中數(shù)據(jù)的時(shí)間相關(guān)性. 本文中的輸入為分割好的大小為30×18異常駕駛行為數(shù)據(jù)矩陣.

圖8 LSTM 模塊

LSTM 可以看作是一個(gè)數(shù)據(jù)編碼和解碼的過程,如圖9 所示, 輸入通過隱藏層的編碼轉(zhuǎn)化為一個(gè)固定長度的向量c, 固定向量c再通過解碼處理轉(zhuǎn)化成輸出序列. 這種編碼-解碼的框架在處理序列信息時(shí)有著強(qiáng)大的優(yōu)勢, 但是也有一定的弊端, 由于隱藏向量的長度是一定的, 這就意味先輸入的內(nèi)容攜帶的信息會(huì)被后輸入的信息稀釋掉, 解碼的準(zhǔn)確度就會(huì)降低. 當(dāng)輸入序列越長時(shí), 這種弊端就越明顯. 在LSTM 中加入attention層對(duì)該問題做出改善.Attention 的原理是模仿人類的注意力, 人在觀察一幅人物畫像時(shí), 大腦會(huì)將更多的注意力放在人臉上而不是旁邊無用的信息上. Attention 原理如圖10 所示,隱藏層不再生成一個(gè)固定長度的向量, 而是將信息按照不同的權(quán)重儲(chǔ)存到多個(gè)向量再進(jìn)行解碼. 語義向量c不只是對(duì)輸入序列的簡單編碼, 而是各個(gè)元素按照重要程度的加權(quán)和. 隨著深度學(xué)習(xí)的發(fā)展, 注意力機(jī)制因其優(yōu)異的表現(xiàn)而得到廣泛應(yīng)用, 最早是用于圖像處理領(lǐng)域[21], 隨后以時(shí)序序列為代表的領(lǐng)域也開始引入注意力機(jī)制進(jìn)行相關(guān)的研究[22,23]. 本研究在LSTM 中加入attention 層, 給予重要的數(shù)據(jù)信息更大的權(quán)重, 提高識(shí)別精度.

圖9 編碼器-解碼器

圖10 加入attention 機(jī)制的編碼器-解碼器

帶注意層的LSTM (LSTM-att)是LSTM 和注意層的組合. LSTM-att 不會(huì)像LSTM 那樣集中于所有的信息, 而是給予了不同隱藏層不同的權(quán)重, 可以將更多的注意力集中在一些有用特征上, 以增加有用部分的權(quán)重, 提高有用部分對(duì)整體的影響, 而非重要部分可以被忽略. 對(duì)更重要的數(shù)據(jù)分配更大的權(quán)重, 識(shí)別精度和準(zhǔn)確度都會(huì)上升. LSTM-attention 的模型如圖11 所示, 其中,xi為輸入,hi是LSTM 的隱藏層, 引入attention,attention 通過自動(dòng)學(xué)習(xí)更新計(jì)算每個(gè)隱藏層的權(quán)重aii,aii計(jì)算公式如下:

圖11 LSTM-att 模塊

2.2 全連接神經(jīng)網(wǎng)絡(luò)

全連接神經(jīng)網(wǎng)絡(luò)是一種較為簡單的神經(jīng)網(wǎng)絡(luò), 強(qiáng)大的非線性擬合能力使它在多參數(shù)融合時(shí)表現(xiàn)良好,因此本文利用它進(jìn)行駕駛行為的分類. 全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖12 所示, 網(wǎng)絡(luò)分為3 層, 分別是輸入層,隱含層, 輸出層. 經(jīng)過特征提取的駕駛數(shù)據(jù)矩陣信息通過LSTM-att 模塊輸出, 作為全連接神經(jīng)網(wǎng)絡(luò)的輸入X輸入層視為第0 層, 其輸出為:

圖12 全連接神經(jīng)網(wǎng)絡(luò)

其中,W2是隱藏層映射到輸出層的權(quán)重矩陣,B2是偏置向量,Softmax為激活函數(shù). 利用Softmax進(jìn)行分類.結(jié)果分為急加速、急減速、蛇形行駛、異常換道和正常行駛, 輸出維度為5.

3 實(shí)驗(yàn)結(jié)果

本文所使用的算法是在Keras 框架中使用Python 3.7構(gòu)建的. 建立好模型后, 輸入訓(xùn)練集進(jìn)行訓(xùn)練模型, 再輸入測試集進(jìn)行驗(yàn)證. 為了驗(yàn)證本模型的先進(jìn)性, 利用相同的數(shù)據(jù)分別對(duì)LSTM 和BiLSTM 進(jìn)行訓(xùn)練驗(yàn)證, 用識(shí)別率和損失函數(shù)作為鑒別模型好壞的重要參數(shù). 識(shí)別率越高, 損失函數(shù)越低, 模型識(shí)別異常越準(zhǔn)確, 模型越優(yōu)越.

如圖13 所示為LSTM-att 的識(shí)別率圖和損失函數(shù)圖, 其中藍(lán)色線段是訓(xùn)練集的結(jié)果, 紅色線段是測試集的結(jié)果, 可以看出經(jīng)過500 次迭代后, 識(shí)別率和損失函數(shù)都趨于穩(wěn)定且效果理想. 如圖14 所示為其他模型的識(shí)別率圖和損失函數(shù)圖, 圖14(a)為LSTM 模型, 圖14(b)為BiLSTM 模型, 其中藍(lán)色線段是訓(xùn)練集的結(jié)果, 紅色線段是測試集的結(jié)果, 可以看到, LSTM 模型結(jié)果雖然隨著訓(xùn)練次數(shù)的增加結(jié)果逐漸收斂, 但是識(shí)別效果一般, 識(shí)別率沒有LSTM-att 高. BiLSTM 相較于LSTM識(shí)別率更好, 但是結(jié)果會(huì)出現(xiàn)明顯的波動(dòng)且效果不如LSTM-att. 對(duì)模型進(jìn)行5 次實(shí)驗(yàn), 取平均識(shí)別率進(jìn)行對(duì)比, 對(duì)比結(jié)果如表3 所示, LSTM 的平均識(shí)別率為95.2%,BiLSTM 的平均識(shí)別率為96.1%, LSTM-att 識(shí)別率達(dá)到98.4%. 可以看出, 本文所介紹的模型有一定的優(yōu)越性.

表3 網(wǎng)絡(luò)識(shí)別結(jié)果

圖13 LSTM-att 模型識(shí)別率與損失函數(shù)

圖14 LSTM 模型和BiLSTM 模型識(shí)別率

4 結(jié)論

識(shí)別異常行為駕駛在現(xiàn)實(shí)中有著實(shí)際意義, 是保證交通安全的重要措施之一. 以往研究中注重對(duì)駕駛視頻和駕駛員狀態(tài)的研究. 本文提出了一個(gè)拓展神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)異常駕駛行為的準(zhǔn)確識(shí)別. 首先將經(jīng)過預(yù)處理的車輛軌跡信息中的異常點(diǎn)標(biāo)記, 根據(jù)分析不同類型異常駕駛行為特征截取相應(yīng)的數(shù)據(jù)段作為異常駕駛,建立異常駕駛行為數(shù)據(jù)集. 再建立識(shí)別神經(jīng)網(wǎng)絡(luò). 網(wǎng)絡(luò)分為兩層. 第1 層是LSTM-att 神經(jīng)網(wǎng)絡(luò), 對(duì)時(shí)間序列的數(shù)據(jù)進(jìn)行處理, 提取不同行為的特征. 第2 層利用全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分類. 最后, 5 種異常駕駛行為的識(shí)別率達(dá)到98%. 并設(shè)置多個(gè)對(duì)比模型, 實(shí)驗(yàn)結(jié)果表明本文提出的網(wǎng)絡(luò)均優(yōu)于LSTM 和BiLSTM, 說明能夠有效的識(shí)別異常駕駛行為, 對(duì)有可能發(fā)生的交通事故進(jìn)行預(yù)警.