买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利一种基于数据驱动的强制换道全过程预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116978219B 。

龙图腾网通过国家知识产权局官网在2026-02-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310721177.X，技术领域涉及：G08G1/01；该发明授权一种基于数据驱动的强制换道全过程预测方法是由过秀成;张叶平;张一鸣设计研发完成，并于2023-06-19向国家知识产权局提交的专利申请。

本一种基于数据驱动的强制换道全过程预测方法在说明书摘要公布了：本发明提出了一种基于数据驱动的强制换道全过程预测方法，属于驾驶员微观行为建模技术。该方法主要包括轨迹数据提取、构建基于Catboost算法的强制换道决策预测模型和构建基于temporalfusiontransformerTFT模型的强制换道轨迹预测模型，从轨迹数据提取、轨迹数据过滤与重构、强制换道决策预测以及强制换道轨迹预测等全过程出发，使得强制换道预测模型能够考虑道路交通状况、与周围车辆的相关关系，对车辆做出强制换道决策的时机与地点进行预测，并预测做出强制换道决策后车辆的行驶轨迹，对高速公路施工区封闭车道路段的车辆强制换道行为进行预测。

本发明授权一种基于数据驱动的强制换道全过程预测方法在权利要求书中公布了：1.一种基于数据驱动的强制换道全过程预测方法，其特征在于，包括以下步骤： S1，轨迹数据提取：在强制换道区域，拍摄车辆行为视频，利用软件对视频中车辆进行识别与跟踪，提取车辆轨迹数据，并进行车道线标记，所述车辆轨迹数据包括：时间刻度、车辆基本参数、横向及纵向坐标参数、起始车道特征与目标车道特征； S2，轨迹数据过滤与重构：根据起始车道特征，筛选出位于封闭车道的车辆强制换道轨迹数据，与强制换道轨迹数据时空相邻的车辆跟驰轨迹数据；利用小波变换与高斯回归分析异常点并重构、物理极限与三次插值取样分析加速度异常点并重构、小波变换去除速度噪声，得到可用的轨迹数据； S3，强制换道轨迹划分，从轨迹层面对强制换道的全过程进行定义； S4，强制换道决策预测建模：构建强制换道决策数据集，对所得数据集进行特征工程，将数据集划分为训练集与测试集；构建Catboost模型并优化模型参数，并评估模型结果；具体为： S4.1，构建强制换道决策数据集： 从强制换道轨迹数据中筛选出强制换道准备阶段轨迹数据，提取数据的起始点数据，标记为强制换道轨迹数据；提取与换道车辆数据点时空相邻的车辆车道保持轨迹数据点，标记为车道保持轨迹数据，构建强制换道决策预测数据集； S4.2，对所得数据集进行特征工程： 利用周围车辆轨迹数据，包括当前车道前后车、目标车道前后车，计算与当前车道前车车头间距dr1、与后车车头间距dr2、与前车相对速度vr1、与后车相对速度vr2、与目标车道前车的车头间距dr3、与目标车道后车的车头间距dr4、与目标车道前车的相对速度vr3、与目标车道后车的相对速度vr4，换道车辆距离缓冲区末端距离Dis，以及车辆横纵向速度vlat、vlon、加速度alat、alon特征； S4.3，将数据集划分为训练集与测试集： 将数据分为测试集和训练集，对于训练集，使用10倍交叉检验训练模型，10倍交叉检验，将原训练集分为十份，九份用于训练模型，一份用于验证模型，获得最优超参数；根据所得最优超参数在测试集上获得最终预测效果，将所得误差作为模型最终预测效果； S4.4，构建Catboost模型并优化模型参数： Catboost模型以对称树模型作为基模型，将强制换道决策预测问题视为一个分类问题，表达式如下： 其中，t2表示强制换道准备阶段的结束时刻，t1表示强制换道准备阶段的开始时刻； t1为各输入变量在t1时刻的取值；ydect2为0时，表示驾驶员在t2时刻将会继续保持车道；为1时，表示驾驶员在t2时刻将会决定换道； 利用Optuna对Caboost进行超参数优化，使用网格搜索，从迭代次数、节点深度、学习率三方面搜索最优超参数； S4.5，评估模型结果； S5，强制换道轨迹预测建模：构建强制换道轨迹数据集，对所得数据集进行特征工程，将数据集划分为训练集与测试集；构建TFT模型并优化模型参数，并评估模型结果，预测做出强制换道决策后车辆的行驶轨迹；具体为： S5.1，构建强制换道轨迹数据集，包括：强制换道准备阶段接近中止点的部分数据、强制换道实施阶段轨迹数据和强制换道恢复阶段轨迹数据； S5.2，对数据集进行特征工程： 利用周围车辆轨迹数据，包括当前车道前后车、目标车道前后车轨迹数据，计算与当前车道前车车头间距dr1、与后车车头间距dr2、与前车相对速度vr1、与后车相对速度vr2、与目标车道前车的车头间距dr3、与目标车道后车的车头间距dr4、与目标车道前车的相对速度vr3、与目标车道后车的相对速度vr4，利用施工区的空间结构计算换道车辆距离缓冲区末端距离Dis，以及车辆横纵向速度vlat、vlon、加速度alat、alon、车辆历史轨迹Xt、Yt特征； S5.3，将数据集划分为训练集与测试集； 将数据分为测试集和训练集，对于训练集，使用10倍交叉检验训练模型，10倍交叉检验，将原训练集分为十份，九份用于训练模型，一份用于验证模型，获得最优超参数；根据所得最优超参数在测试集上获得最终预测效果，将所得误差作为模型最终预测效果； S5.4，构建TFT模型并优化模型参数： TFT模型是基于transformer模型开发的深度学习模型，将轨迹预测问题视为时间序列的预测问题，表达式如下： Xt＝{xt,xt‑Δt,xt‑2Δt…,x…,xtt‑kΔt}； Yt＝{yt,yt‑Δt,yt‑2Δt…,yt‑kΔt}； 其中，Δt为预测步长；k为历史数据输入长度；t为车辆的当前时刻，t表示各输入变量在当前时刻即t时刻的取值；xt+Δt、yt+Δt为t+Δt时刻车辆的横纵向坐标； S5.5，评估模型结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。