关键词：智能网联汽车;驾驶风格;交通流理论;粒子群优化算法;强化学习;有效性分析
摘 要：在智能网联汽车（ICV）中,提高驾驶数据的有效性是提升车辆安全性的基石。只有准确的、可靠的驾驶数据才能为车辆的安全性提供可靠的依据和支持。与传统的异常分析相比,ICV数据有效性分析面临数据异常的多样性（传感器异常、驾驶行为、恶意篡改等）。如何将车辆自身数据特征、驾驶风格和交通流特征相结合,提供有效的数据异常检测方法,已成为智能网联汽车中新的问题。针对ICV系统,采用结合驾驶风格和交通流理论的方法,设计基于粒子群优化的TE-PSO-SVM数据有效性检测算法,实现驾驶数据的有效检测。首先定义驾驶风格识别系数R_ad,设计驾驶风格量化模型;其次建立交通流模型,将车辆状态数据与驾驶风格和交通流理论相结合,通过长短期记忆（LSTM）网络对车辆速度预测;最后通过TE-PSO-SVM算法进行数据有效性检测。由于ICV数据的多样性,单一模型在多类型异常混合并存的场景中检测精度仍有局限,利用多个模型的优势构建模型池,并提出基于强化学习的模型选择（RLBMS）算法。在真实数据集high D上的实验结果表明,在不同噪声环境下,TE-PSO-SVM算法模型的F1值相比于传统SVM模型平均提升约8.1个百分点;RLBMS算法模型在不同噪声环境下的F1值相比于模型池中检测率最高的算法平均提高约1.7个百分点,明显提高了数据有效性检测的准确率。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取