✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知,求助可私信。
🔥 内容介绍
摘要: 智能交通系统(ITS)的安全性与可靠性高度依赖于对车辆行驶行为的准确感知和异常事件的及时识别。本文提出一种基于扩展卡尔曼滤波(EKF)和支持向量机(SVM)的异常检测算法,用于监控基于智能驾驶模型(例如,智能驾驶模型(IDM))的车辆跟驰行为。该算法首先利用EKF对IDM模型参数进行实时估计,并提取反映车辆驾驶行为的关键特征;然后,利用SVM建立异常检测模型,对提取的特征进行分类,实现对车辆跟驰行为异常的有效识别。通过仿真实验验证了该算法的有效性和鲁棒性,并分析了算法参数对检测性能的影响。
关键词: 状态估计;扩展卡尔曼滤波;支持向量机;IDM跟驰模型;异常检测
1 引言
随着自动驾驶技术和智能交通系统的快速发展,车辆行驶行为的监测和异常事件的识别变得越来越重要。准确识别车辆跟驰行为中的异常事件,例如突发刹车、超速跟驰以及驾驶员操作失误等,对于保障交通安全、提高交通效率具有关键意义。传统的异常检测方法通常依赖于人工设定的阈值,难以适应复杂的交通环境和多样化的驾驶行为。因此,开发一种能够自适应地识别车辆跟驰行为异常的算法至关重要。
智能驾驶模型(IDM, Intelligent Driver Model)作为一种能够描述车辆跟驰行为的动力学模型,被广泛应用于交通流模拟和预测中。然而,基于IDM模型的车辆跟驰行为预测容易受到各种噪声和干扰的影响,导致预测精度下降,进而影响异常检测的准确性。因此,需要一种能够有效滤除噪声,提高模型参数估计精度的算法。
扩展卡尔曼滤波(EKF)是一种非线性滤波算法,能够有效地估计非线性系统的状态变量。与传统的卡尔曼滤波相比,EKF能够处理非线性系统的状态方程和观测方程,具有更强的适应性。支持向量机(SVM)是一种基于结构风险最小化原则的机器学习算法,具有良好的泛化能力和抗噪能力,适用于处理高维数据和非线性问题。
本文提出一种基于EKF和SVM的异常检测算法,用于监控基于IDM模型的车辆跟驰行为。该算法首先利用EKF对IDM模型参数进行实时估计,并提取反映车辆驾驶行为的关键特征,例如加速度、车速、车距等;然后,利用SVM建立异常检测模型,对提取的特征进行分类,实现对车辆跟驰行为异常的有效识别。
2 IDM跟驰模型及参数估计
3 基于SVM的异常检测
利用EKF估计得到的IDM模型参数以及车辆的运行状态参数(例如车速,加速度,车距,与前车距离变化率等),可以提取一系列特征向量来表征车辆的驾驶行为。这些特征向量可以包括:
-
IDM模型参数的估计值及其变化率
-
车辆的加速度及其变化率
-
车辆与前车的距离及其变化率
-
车速与期望车速的差值
这些提取的特征向量构成了SVM的输入。采用支持向量机(SVM)构建异常检测模型,训练样本包括正常驾驶行为数据和异常驾驶行为数据。通过训练,SVM可以学习到正常驾驶行为和异常驾驶行为之间的决策边界,从而实现对车辆跟驰行为异常的有效识别。为了提高SVM的分类精度,可以采用不同的核函数,例如径向基核函数(RBF)。
4 仿真实验与结果分析
为了验证算法的有效性,本文进行了仿真实验。在模拟的交通环境中,通过生成不同类型的驾驶行为数据,包括正常驾驶行为和不同类型的异常驾驶行为(例如突发刹车、超速跟驰等),对提出的算法进行测试。实验结果表明,该算法能够有效地识别不同类型的异常驾驶行为,且具有较高的准确率和鲁棒性。此外,本文还分析了EKF和SVM算法参数对检测性能的影响,并探讨了算法的改进方向。
5 结论
本文提出了一种基于EKF和SVM的IDM跟驰模型异常检测算法。该算法利用EKF对IDM模型参数进行实时估计,并提取关键特征,利用SVM进行异常检测。仿真实验结果验证了该算法的有效性和鲁棒性。未来研究方向将集中于:1) 考虑更复杂的交通环境和驾驶行为模型;2) 提高算法的实时性;3) 探索更有效的特征提取方法;4) 结合其他传感器数据,提高异常检测的准确性和可靠性。
📣 部分代码
of platoon lead
% alpha: vector of weights, e.g. [0.7, 0.2, 0.1]
% get leading vehicle location x_l, speed v_l and acceleration a_l for training
[x_0, v_0] = data_process(s_0);
% number of samples
N_sample = length(x_0);
% number of cooperative vehicles
N_coop = length(alpha);
% offset of initial location of platoon lead
headway = 10;
gap = (N - 1) * headway;
if x_0(1) < gap
x_0 = x_0 + gap - x_0(1);
end
% Generate following vehicle location x_f, speed v_f and acceleration a_l based on a
% car-following model
tau = config.tau; % human/sensor reaction time delay with unit "s"
delta_t = config.delta_t; % sampling time interval with unit "s"
t = ceil(tau/delta_t); % time delay in discrete state-transition model
X = zeros(N, N_sample);
X(1, :) = x_0;
V = zeros(N, N_sample);
V(1, :) = v_0;
X_syn = zeros(N, N_sample);
V_syn = zeros(N, N_sample);
for i = 2 : N
x_init = (N - i) * headway;
v_init = 7.94;
if i - 1 < N_coop
% scale up weight vector
alpha_t = alpha(1 : i - 1) / sum(alpha(1 : i - 1));
x_l_syn = alpha_t * X(i - 1: -1: 1, :);
v_l_syn = alpha_t * V(i - 1: -1: 1, :);
else
x_l_syn = alpha * X(i - 1 : -1 : i - N_coop, :);
v_l_syn = alpha * V(i - 1 : -1 : i - N_coop, :);
end
s_f = cf_model(x_l_syn, v_l_syn, x_init, v_init, delta_t, t, tau, idm_para);
X(i, :) = squeeze(s_f(:, 1));
V(i, :) = squeeze(s_f(:, 2));
X_syn(i, :) = x_l_syn;
V_syn(i, :) = v_l_syn;
end
⛳️ 运行结果
🔗 参考文献
[1] Wang Y , Masoud N , Khojandi A .Real-Time Sensor Anomaly Detection and Recovery in Connected Automated Vehicle Sensors[J].IEEE transactions on intelligent transportation systems, 2021(3):22.DOI:10.1109/TITS.2020.2970295.
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🎁 私信完整代码和数据获取及论文数模仿真定制
擅长领域:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇