本發(fā)明涉及交通安全，更具體地說，涉及一種基于cnn-lstm的融合多因素的自適應(yīng)霧天駕駛速度引導(dǎo)方法。

背景技術(shù)：

1、隨著人工智能、大數(shù)據(jù)和新一代信息技術(shù)的發(fā)展，以智能網(wǎng)聯(lián)汽車為基礎(chǔ)的車路云一體化技術(shù)不斷取得突破，深度賦能交通系統(tǒng)實(shí)現(xiàn)智慧安全管控和智能運(yùn)輸服務(wù)，推動(dòng)交通系統(tǒng)管理與控制的協(xié)同進(jìn)化。然而，不利天氣條件仍然是智能網(wǎng)聯(lián)汽車安全運(yùn)行面臨的“長尾”難題。其中，霧天是這一典型的“長尾”場景之一。在這一特殊環(huán)境下，感知不確定性和行車不穩(wěn)定性顯著增加，不同自動(dòng)化等級的車輛信息獲取差異凸顯，交通系統(tǒng)運(yùn)行安全風(fēng)險(xiǎn)顯著上升。如何在霧天情況下有效提升行車安全性，已經(jīng)成為亟待解決的關(guān)鍵問題。

2、目前，霧天行駛的預(yù)警方法主要采用非實(shí)時(shí)的廣播式預(yù)警信息推送策略，即通過氣象平臺(tái)獲取霧天信息，再通過路側(cè)設(shè)施或車載設(shè)備發(fā)布霧天預(yù)警和限速提醒。例如，智能交通設(shè)施(如可變情報(bào)板)在特定點(diǎn)位以文字和圖像的方式發(fā)布霧天行車提示；或依托網(wǎng)聯(lián)環(huán)境，將氣象平臺(tái)發(fā)布的不良天氣信息推送至車載終端(通常是導(dǎo)航系統(tǒng))，以輔助駕駛?cè)藳Q策。然而，傳統(tǒng)的路側(cè)設(shè)施如可變情報(bào)板的更新頻率較低，導(dǎo)致信息更新滯后，難以及時(shí)反映當(dāng)前的路況變化；而基于車載設(shè)備的預(yù)警系統(tǒng)則依賴氣象數(shù)據(jù)和監(jiān)測系統(tǒng)的準(zhǔn)確性，可能因數(shù)據(jù)偏差而導(dǎo)致信息不準(zhǔn)確。更為重要的是，現(xiàn)有的霧天預(yù)警多采用固定限速建議策略，這種預(yù)警策略無法很好地匹配霧天條件下實(shí)際的車輛運(yùn)動(dòng)狀態(tài)(如速度控制)和道路交通環(huán)境狀態(tài)(如能見度、交通流量、前后車間距等)進(jìn)行動(dòng)態(tài)調(diào)整，難以滿足駕駛?cè)说男熊嚳刂祁A(yù)期，造成預(yù)警信息難以被遵從，從而無法真正實(shí)現(xiàn)對車輛運(yùn)動(dòng)的引導(dǎo)以及對交通運(yùn)行的管控，最終影響道路通行能力。

3、現(xiàn)有的霧區(qū)速度引導(dǎo)方法通常基于簡單的線性模型，主要依賴能見度與車速之間的線性關(guān)系。然而，實(shí)際霧天駕駛環(huán)境中，影響車輛行駛速度的因素極為復(fù)雜且多變，能見度僅是其中一個(gè)變量，前車距離、交通流量等環(huán)境因素以及駕駛?cè)说牟僮餍袨榈榷喾矫嬉蛩囟紩?huì)共同影響最佳行駛速度。因此，單一基于能見度的線性模型無法充分適應(yīng)復(fù)雜的霧天駕駛環(huán)境，無法有效綜合考慮這些非線性、動(dòng)態(tài)變化的因素，導(dǎo)致車速引導(dǎo)精準(zhǔn)性和適應(yīng)性不足，進(jìn)而影響行車安全。此外，現(xiàn)有的霧區(qū)預(yù)警普遍缺乏有效的動(dòng)態(tài)人機(jī)交互反饋機(jī)制，大多數(shù)以固定警示信號(hào)、提示音或視覺警示為主，主要依賴單向信息傳遞。這種方式在動(dòng)態(tài)、變化的駕駛環(huán)境中，無法根據(jù)駕駛?cè)说膶?shí)際操作和反應(yīng)及時(shí)提供調(diào)整建議。在復(fù)雜的霧天駕駛情境中，駕駛?cè)诵枰獙?shí)時(shí)獲得基于其行為狀態(tài)和外部環(huán)境變化的安全駕駛指導(dǎo)，現(xiàn)有的霧天預(yù)警未能充分考慮這一需求，缺乏自適應(yīng)、實(shí)時(shí)反饋機(jī)制，導(dǎo)致駕駛?cè)藷o法獲得足夠的安全指導(dǎo)或及時(shí)調(diào)整駕駛行為，增加了事故發(fā)生的風(fēng)險(xiǎn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題在于，提供一種基于cnn-lstm的融合多因素的自適應(yīng)霧天駕駛速度引導(dǎo)方法，其能夠大大提高車速預(yù)測的準(zhǔn)確性和預(yù)警的及時(shí)性，確保預(yù)警信息能夠快速、準(zhǔn)確地傳達(dá)給駕駛?cè)耍嵘脩趔w驗(yàn)，有效降低交通事故的發(fā)生率。

2、本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：構(gòu)造一種基于cnn-lstm的融合多因素的自適應(yīng)霧天駕駛速度引導(dǎo)方法，包括以下步驟：

3、s1、收集高速公路網(wǎng)聯(lián)環(huán)境下的交通流運(yùn)行數(shù)據(jù)；

4、s2、預(yù)測高速公路霧區(qū)安全通行的限速值，基于cnn-lstm深度學(xué)習(xí)模型，結(jié)合高速公路霧天環(huán)境數(shù)據(jù)及當(dāng)前車輛狀態(tài)，實(shí)時(shí)預(yù)測車輛的最優(yōu)限速值；

5、s3、制定預(yù)警信息內(nèi)容；

6、s4、使用車載hmi與語音提示功能向駕駛?cè)藗鬟_(dá)預(yù)警信息；

7、s5、確定霧區(qū)信息發(fā)布的位置，依據(jù)警告信息發(fā)布標(biāo)準(zhǔn)確定發(fā)布節(jié)點(diǎn)，確保駕駛?cè)嗽谧罴褧r(shí)機(jī)接收到預(yù)警信息并做出反應(yīng)；

8、s6、面向智能網(wǎng)聯(lián)車端進(jìn)行預(yù)警信息推送，車載設(shè)備實(shí)時(shí)推送車速建議、前方霧區(qū)距離提示和當(dāng)前速度提示，并根據(jù)駕駛?cè)藢σ龑?dǎo)速度的反饋動(dòng)態(tài)調(diào)整提示頻率和強(qiáng)度。

9、按上述方案，所述步驟s1中，交通流運(yùn)行數(shù)據(jù)包括圖像數(shù)據(jù)、時(shí)序數(shù)據(jù)和交通密度數(shù)；

10、所述圖像數(shù)據(jù)通過靠近霧區(qū)的前車通過車載攝像頭拍攝霧區(qū)圖像，并通過網(wǎng)絡(luò)將圖像傳輸?shù)胶笈_(tái)，所述圖像數(shù)據(jù)包括道路場景、能見度、車道線的基本路況信息；

11、所述時(shí)序數(shù)據(jù)通過gps模塊進(jìn)行采集，包括時(shí)間戳、車輛速度、加速度、與前車的車距；

12、所述交通密度數(shù)據(jù)通過交通管理后天獲取。

13、按上述方案，所述步驟s2中，cnn-lstm模型中圖像數(shù)據(jù)和時(shí)序數(shù)據(jù)在相同時(shí)間尺度下進(jìn)行融合，針對不同采樣頻率的數(shù)據(jù)，采用線性插值方法對時(shí)序數(shù)據(jù)的時(shí)間戳進(jìn)行擴(kuò)展；

14、對于每個(gè)圖像數(shù)據(jù)點(diǎn)，使用所述線性插值公式將激光雷達(dá)數(shù)據(jù)和gps/obd-ii數(shù)據(jù)的時(shí)間戳插值到所述圖像數(shù)據(jù)的時(shí)間戳上且重復(fù)插值步驟，確保激光雷達(dá)和gps/obd-ii數(shù)據(jù)在每個(gè)圖像時(shí)間戳上都有對應(yīng)的插值。

15、按上述方案，所述步驟s2中，在使用插值法處理數(shù)據(jù)后，數(shù)據(jù)清洗和預(yù)處理在將數(shù)據(jù)輸入到cnn-lstm模型之前，使用卡爾曼濾波算法進(jìn)行數(shù)據(jù)清洗和預(yù)處理。

16、按上述方案，所述步驟s2中，對圖像數(shù)據(jù)進(jìn)行歸一化處理。

17、按上述方案，所述步驟s3中，預(yù)警信息內(nèi)容包括限速建議、前方霧區(qū)距離提示和前車車距警示。

18、按上述方案，所述步驟s4中具體包括以下步驟：

19、s401、通過導(dǎo)航軟件的路徑規(guī)劃功能為駕駛?cè)颂峁?shí)時(shí)的最優(yōu)行駛路線；

20、s402、通過javascript進(jìn)行二次開發(fā)，將基于cnn-lstm模型的預(yù)測結(jié)果嵌入到高德地圖中，采用多模態(tài)信息發(fā)布方式，結(jié)合車載hmi與語音提示功能，向駕駛?cè)税l(fā)布限速建議、霧區(qū)距離提示、前車車距警示的信息，實(shí)現(xiàn)個(gè)性化的預(yù)警信息推送。

21、按上述方案，所述步驟s5中，在車輛進(jìn)入霧區(qū)前1-2公里的范圍內(nèi)，提前發(fā)布速度引導(dǎo)信息，駕駛?cè)嗽谝暰嗌形词芟迺r(shí)為其提供足夠的時(shí)間進(jìn)行減速和調(diào)整駕駛策略，并根據(jù)當(dāng)前駕駛?cè)说牟僮髡{(diào)整提醒頻率。

22、按上述方案，所述步驟s5中，若駕駛?cè)宋窗凑仗嵝褱p速，則提高提示頻率；若按照提醒進(jìn)行了減速操作則降低提醒頻率；

23、在霧區(qū)的邊緣入口處，發(fā)布清晰的信息提示駕駛?cè)遂F區(qū)的特殊駕駛條件，并再次強(qiáng)調(diào)減速、保持安全車距，明確的提醒告知駕駛?cè)思磳⑦M(jìn)入低能見度區(qū)域；

24、在霧區(qū)內(nèi)部，為確保駕駛?cè)顺掷m(xù)獲得有效的行車指導(dǎo)，間隔500米至1公里設(shè)置多個(gè)信息發(fā)布點(diǎn)，持續(xù)推送車速與車距預(yù)警信息，幫助駕駛?cè)吮３诌m當(dāng)?shù)男旭偹俣群桶踩嚲啵?/p>

25、在霧區(qū)出口前500米至1公里范圍內(nèi)，設(shè)置發(fā)布點(diǎn)提醒駕駛?cè)思磳Ⅰ偝鲮F區(qū)，逐步恢復(fù)正常行駛狀態(tài)。

26、按上述方案，所述步驟s6中，預(yù)警信息通過車載hmi和語音提示的多模態(tài)方式傳達(dá)。

27、實(shí)施本發(fā)明的基于cnn-lstm的融合多因素的自適應(yīng)霧天駕駛速度引導(dǎo)方法，具有以下有益效果：

28、1、本發(fā)明有效解決了當(dāng)前霧天預(yù)警未能充分考慮多因素影響的問題，除了傳統(tǒng)的速度、加速度等時(shí)序數(shù)據(jù)外，引入了道路交通環(huán)境數(shù)據(jù)(如與前車車距、交通流量)和圖像數(shù)據(jù)，使模型能夠更加全面地反映實(shí)際路況，從而提高限速建議的精準(zhǔn)度，通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(cnn)與長短期記憶網(wǎng)絡(luò)，充分發(fā)揮兩者在空間特征提取和時(shí)間序列建模方面的優(yōu)勢；cnn在圖像數(shù)據(jù)中提取能見度特征，而lstm則捕捉了能見度、車速、加速度、與前車車距和交通流量這些因素在時(shí)間維度上的變化，精準(zhǔn)預(yù)測了多個(gè)因素之間復(fù)雜的非線性交互關(guān)系，從而顯著提升了霧天駕駛中的最優(yōu)車速預(yù)測和預(yù)警能力；

29、2、本發(fā)明的速度引導(dǎo)方法實(shí)現(xiàn)了自適應(yīng)調(diào)節(jié)，提出的速度引導(dǎo)策略能夠根據(jù)實(shí)時(shí)駕駛?cè)藢︻A(yù)警信息的反饋(如未及時(shí)減速或未減速到引導(dǎo)速度)以及環(huán)境條件變化(如能見度、車距變化)動(dòng)態(tài)調(diào)整預(yù)警內(nèi)容和頻率；該自適應(yīng)機(jī)制確保駕駛?cè)四軌蛟诟鞣N復(fù)雜情境下，接收到及時(shí)且精準(zhǔn)的安全提示，避免了固定模式預(yù)警所帶來的低效性和冗余信息；

30、3、本發(fā)明填補(bǔ)了現(xiàn)有大多數(shù)導(dǎo)航在霧天條件下缺乏專門預(yù)警功能的空白，通過與高德地圖的二次開發(fā)，結(jié)合路徑規(guī)劃、霧天速度引導(dǎo)和導(dǎo)航服務(wù)，提供了一種創(chuàng)新的超視距風(fēng)險(xiǎn)預(yù)警方案；不僅能夠提供霧區(qū)限速、前車車距及駛出霧區(qū)提示，還能實(shí)時(shí)優(yōu)化路徑規(guī)劃；在霧天這一復(fù)雜環(huán)境下，駕駛?cè)丝商崆矮@得安全警示，從而提高行駛安全性，并增強(qiáng)對復(fù)雜路況的適應(yīng)能力。