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！

龙图腾网获悉浙江工业大学申请的专利一种基于Transformer-WGAN的车辆跟驰行为建模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：CN115630683B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202211113362.2，技术领域涉及：G06N3/0455；该发明授权一种基于Transformer-WGAN的车辆跟驰行为建模方法是由徐东伟;高光燕;李呈斌;厉江鹏设计研发完成，并于2022-09-14向国家知识产权局提交的专利申请。

本一种基于Transformer-WGAN的车辆跟驰行为建模方法在说明书摘要公布了：一种基于Transformer‑WGAN的车辆跟驰行为建模方法，包括：获取跟驰场景中多组跟驰车和其前车的状态序列数据，将数据进行预处理使其符合模型输入的数据格式的步骤；建立Transformer网络模型，利用多头自注意力机制学习跟驰场景中车辆状态序列数据中复杂的时序依赖关系，提取驾驶数据中潜在时间特征的步骤；构建生成对抗网络WGAN，使用时间特征数据实现跟驰场景中车辆未来状态预测；将预测结果和真实结果作为由全连接网络构成的判别器的输入，判别器的目的是将预测结果和真实结果区分开，将预测的结果判断为假；通过生成器与判别器的对抗训练后，使判别器难以判定预测的结果为假，使得最小化预测结果和真实结果之间的误差，实现模型准确预测跟驰场景中车辆未来状态。

本发明授权一种基于Transformer-WGAN的车辆跟驰行为建模方法在权利要求书中公布了：1.一种基于Transformer-WGAN的车辆跟驰行为建模方法，其特征在于含有以下步骤： 步骤1：获取跟驰场景中多组跟驰车和其前车的状态序列数据，数据包括：跟驰车的速度，跟驰车的加速度，前车的加速度，前车和跟驰车的速度差，将数据进行预处理使其符合模型输入的数据格式的步骤； 步骤2：建立Transformer网络模型，利用Transformer网络模型中多头自注意力机制学习跟驰场景中车辆状态序列数据中复杂的时序依赖关系，提取驾驶数据中潜在时间特征的步骤； 步骤3：构建生成对抗网络WGAN，使用时间特征数据实现跟驰场景中车辆未来状态预测的步骤：生成对抗网络WGAN主要包含两部分：生成器和判别器；将Seq2Seq网络模型作为WGAN的生成器，将Transformer网络输出的时间特征数据作为Seq2Seq网络的输入，并根据当前输入计算对应的预测结果；将预测结果和真实结果作为由全连接网络构成的判别器的输入，判别器的目的是将预测结果和真实结果区分开，将预测的结果判断为假；通过生成器与判别器的对抗训练后，使判别器难以判定预测的结果为假，使得最小化预测结果和真实结果之间的误差，实现模型准确预测跟驰场景中车辆未来状态的步骤； 所述步骤1具体包括： 步骤1.1：获取跟驰场景中第j组跟驰车的驾驶状态序列数据； 其中j∈[1:N]，N是获取的总的跟驰行为车辆组数；s表示跟驰车；Xjst表示在跟驰场景中获取的第j组跟驰车的驾驶状态序列数据；T表示采样的第j组跟驰行为车辆数据总时长；vjst+i是t+i时刻第j组跟驰车的速度；ajst+i是t+i时刻第j组跟驰车的加速度；pjst+i是t+i时刻第j组跟驰车的纵向位置，其中i∈[0:T]； 步骤1.2：获取跟驰场景中第j组前车的驾驶状态序列数据； 其中j∈[1:N]，N是获取的总的跟驰行为车辆组数；l表示前车；Xjlt表示在跟驰场景中获取的第j组前车的驾驶状态序列数据；T表示采样的第j组跟驰行为车辆数据总时长；vjlt+i是t+i时刻第j组前车的速度；ajlt+i是t+i时刻第j组前车的加速度；pjlt+i是t+i时刻第j组前车的纵向位置；其中i∈[0:T]； 为表征由于传感器损坏造成采集的前车数据缺失的情况，创建0-1掩膜矩阵Mjlt＝{mjlt+i}i＝[0：T]，其中mjlt+i表示在t+i时刻采集的第j组前车数据值是否缺失，即 掩膜矩阵Mjlt中随机分布连续的|Mjlt|×k个0，表示数据随机缺失的位置，其中|Mjlt|为掩膜矩阵的行数，k表示数据随机连续缺失的比例；因此实际获取的第j组前车状态序列数据为： Xjl′t＝Xjlt⊙Mjlt4 其中⊙表示矩阵点乘； 步骤1.3：对获取的跟驰场景中N组跟驰车和其前车的驾驶数据进行预处理使其符合模型输入的数据格式； 融合获取的跟驰场景中每组跟驰车驾驶数据Xjst和其前车的驾驶数据X′jlt： 其中j∈[1:N]，N是获取的总的跟驰行为车辆组数；Xmergejt表示第j组跟驰车和其前车融合的驾驶数据；T表示采样的第j组跟驰行为车辆数据总时长；vjst+i是t+i时刻第j组跟驰车的速度；ajst+i是t+i时刻第j组跟驰车的加速度；ajlt+i是t+i时刻第j组前车的加速度；Δvjt+i＝vjlt+i-vjst+i，表示t+i时刻第j组前车速度和其跟驰车速度的差值，其中i∈[0:T]； 对于获取的N组跟驰行为车辆，每组跟驰车和其前车融合的驾驶数据构成的总集合为Xmerge＝[Xmerge1t,Xmerge2t,…Xmergejt,…XmergeNt]； 步骤1.4：将融合的驾驶数据总集合Xmerge构建成符合模型输入的数据样本形式，由于驾驶员的决策通常依赖于历史驾驶行为和过去的交通状态，将驾驶记忆融入到跟驰模型中能够更好的描述交通流特性，因此考虑a秒的历史驾驶时长信息来预测未来b秒车辆的状态；其中基于Xmergejt构建的模型单个输入样本xit形式如下： 其中xit∈Rax4； 与单个输入样本xit对应的标签即未来b秒车辆的状态yit形式如下： 其中yt∈Rbx4 因此基于Xmerge构成的模型输入样本总集合X＝[xt,xt,…,xt,…,xt]，与之对应的标签总集合为Y＝[yt,yt,…,yt,…,yt]，其中n是样本总数；基于构成的输入样本总集合X和对应的标签总集合Y，划分训练集和测试集，划分比例为c:d，即X和Y中c％的样本用于模型训练，d％的样本用于测试模型性能；为保证模型能够充分训练，在模型训练的过程中与每个输入样本对应的标签是完整的。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。