CN114548216B 基于Encoder-Decoder注意力网络与LSTM的异常驾驶行为在线识别方法 （南京理工大学）

基于Encoder-Decoder注意力网络与LSTM的本发明公开了一种基于Encoder-Decoder注本发明采用基于LSTM的编码器-解码器、注意力模式分析的基础上，融合Encoder-Decoder深度能够以端到端的方式对异常驾驶行为进行在线21.基于Encoder-Decoder注意力网络与LSTM的异常驾驶行为在线识别方法，其特征在步骤2、构建Encoder-Decoder注意力网络与LSTM融合模型并对其进行训练，所述步骤4.2：注意力学习模块利用注意力权重对编码器中的所有隐含层状态h,",i＝1,t编码器第i个隐含层状态h,"对解码器t时刻隐含层状态的权重由解码器在t时刻的a2.根据权利要求1所述的基于Encoder-Decoder注意力网络与LSTM的异常驾驶行为在34基于Encoder-Decoder注意力网络与LST[0001]本发明属于驾驶行为识别技术，具体为一种基于Encoder-Decoder注意力网络与[0004]本发明的目的在于提供了一种基于Encoder-Decoder注意力网络与LSTM的异常驾[0005]实现本发明目的的技术方案为：一种基于Encoder-Decoder注意力网络与LSTM的5[0017]优选地，利用Encoder-Decoder注意力网络与LSTM融合模型进行异常驾驶行为识[0019]步骤4.2：注意力学习模块根据注行分类得到分类结果实现异常驾驶行为识别。[0027]优选地，注意力学习模块利用注意力权重对编码器中的所有隐含层状态h,",i=[0029]式中，at(i)表示编码器第i个隐含层状态h,"对解码器t时刻隐含层状态h"的权[0033]优选地，利用融合注意力的解码器隐含层状态st得到重构序列具体计算公式6[0042](2)本发明从数据驱动的角度出发，使用数据融合技术对多个传感器的数据进行[0051]基于Encoder-Decoder注意力网络与LSTM的异常驾驶行为在线识别方法，具体步7[0060]步骤2、构建Encoder-Decoder模型并利用训练样本对其进行训练，Encoder-Decoder模型是处理时间序列的一种框架，因此通常基于循环神经网络(RecurrentNeural]+bf)]+bi)ct-1分别为当前时刻与上一时刻的单元状态，符号"。"表示Hadamard乘[0073]隐含层状态ht为LSTM的输出，由输出门与单元状态ct共同决定8含层h,",计算方法如下所示，]+bo)[0078]注意力学习模块利用注意力权重对编码器中的所有隐含层状态hf",i＝1,2,…[0080]式中，at(i)表示编码器第i个隐含层状态h,"对解码器t时刻隐含层状态h"的权[0081]计算解码器在t时刻的隐含层状态h"与编码器在i时刻的隐含层状态之间的[0084]将t时刻的语义向量ct与解码器原隐[0089]得到重构序列后，针对各时刻的重构序列与原始序列Xorigin=输入至模型，其中X,eR",t＝1,2,…,T为时刻t的驾驶行为特征向量。利用基于LSTM的利用Attention模型计算考虑上下文信息的编码器特征权重，以此获得当前时刻的上下文9注意力的解码器隐含层状态st作为输入，利用重构模型计算当前时刻的重构特征x,获得各时刻的重构序列x-xix,…小:[0098]异常驾驶行为识别结果如表1所示。本发明提出模型的异常驾驶行为识别准确率F1-score为0.717，较传统Encoder-Decoder模型提升2.3说明Attention机制有助于提高模型注意力，提升模型学习效果；异常驾驶行为识别结果的ROC(ReceiverOperatingCharacteristicCurve)曲线与PRC(Precision-RecallCurve)曲线如图5所示在深度网络提取特征的基础上，SVM具有比Logistic与随机森林分类模型更优的异常驾驶行为识别效[0102]本发明使用的Attention机制有效提高了模型注意力及模型学习效果，使用非侵端到端的方式对异常驾驶行为进行在线识别，可