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！

龙图腾网获悉重庆邮电大学申请的专利一种基于用户画像的多维协同车辆变道决策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：CN119107795B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202411122066.8，技术领域涉及：B60W60/00；该发明授权一种基于用户画像的多维协同车辆变道决策方法是由黄晓舸;李佳;陈名;陈前斌设计研发完成，并于2024-08-15向国家知识产权局提交的专利申请。

本一种基于用户画像的多维协同车辆变道决策方法在说明书摘要公布了：本发明涉及一种基于用户画像的多维协同车辆变道决策方法，属于移动通信技术领域。在自动驾驶技术中，神经网络在车辆变道决策中的传统方法主要依赖单车数据，导致准确性和实时性差。为解决上述问题，首先，车辆基于传感器数据生成驾驶特征图和车辆轨迹流图，并共享给周围车辆和路侧单元，实现数据协同；其次，车辆从路侧单元下载初始决策模型，结合自身及周围车辆数据进行变道决策；然后，路侧单元基于这些数据及交通因素，使用深度神经网络更新模型并重新下发至车辆，确保决策的实时性和安全性。本发明通过整合历史驾驶特征和车辆轨迹预测生成用户画像，再应用深度神经网络，实现更精准的变道决策，提升交通系统的安全性和运行效率。

本发明授权一种基于用户画像的多维协同车辆变道决策方法在权利要求书中公布了：1.一种基于用户画像的多维协同车辆变道决策方法，其特征在于：该方法包括以下步骤： S1：建立基于CAV-SVs-RSU的数据共享模型；SVs指周围车辆； S2：CAV基于历史驾驶数据的DFP生成；DFP指驾驶特征图； S3：基于CAV和SVs的DFP和TFD的变道决策；TFD指轨迹流图； S4：CAV基于变道动作的TFD生成； S5：CAV的DFP和TFD共享； S6：基于ResNet和Transformer的模型训练；结合ResNet的Transformer网络步骤如下： 1DFP特征提取：RSU接收到CAV和SVs的DFP后，图像通过双线性插值法调整尺寸以适配ResNet-50的输入；调整后的图像首先经过ResNet-50的初始卷积层进行特征提取，随后通过批归一化层进行标准化处理，并应用ReLU激活函数引入非线性特性，增强特征表示能力；接着，图像进入残差块堆叠部分，每个残差块包含多个卷积层、批归一化层和ReLU激活函数，通过跳跃连接保留输入特征，并加速训练；通过多个残差块逐步提取高层次特征；在经过全局平均池化层后，特征图被展平成一维向量； 在Transformer网络中，首先将ResNet-50提取的特征向量通过线性变换映射到Transformer所需的特征维度，同时添加位置编码以融入序列的位置信息，使用以下公式对位置进行编码： 其中pos表示将DFP展平后每个元素的位置索引，i表示每个元素的维度索引，dmod表示模型的维度；特征向量进入多头自注意力机制，生成查询向量Q、键向量K和具有维度的值向量V，并计算它们之间的相似性，以捕捉特征间的关系： 通过加权求和这些值向量，得到每个注意力头的输出，然后将所有头的输出通过线性变换，生成最终的多头自注意力输出；接着，将其输入前馈神经网络FFN，它由两个线性变换层和其中的一个非线性激活函数组成，表示为： FFNX＝W2σW1X4 其中，W1和W2是两个线性变换层的两个参数矩阵，σ表示非线性激活函数；再通过层归一化稳定训练，最后输出： LayerNormX+AttentionX5 其中，X为自注意层的输入，并且查询、键和值矩阵Q、K和V都从相同的输入矩阵X导出；最后，Transformer网络的输出特征向量与ResNet-50提取的特征向量进行连接，然后送入全连接层与其他特征进行融合； 2TFD特征提取：当RSU接收到CAV和SVs的TFD后将其输入到CNN中，首先通过一层包含16个3×3卷积核的卷积层，对输入图像进行卷积操作，提取低维特征；然后通过2×2的最大池化层，减少特征图的尺寸，同时保留最重要的信息；接下来，经过一层包含32个3×3卷积核的卷积层，对池化后的特征图进行进一步的卷积操作，提取高维特征；再次通过2×2的最大池化层，进一步减少特征图的尺寸；随后，将池化层的输出展平成一维向量，并输入到包含64个神经元的全连接层，通过ReLU激活函数进行处理，最终输出一个包含32个神经元的特征向量；这个特征向量输入全连接层与DFP经过神经网络处理后的向量进行连接，最后一起作用于变道决策； 3交通因素设置：CAV变道的动机是获得更快的速度和更好的驾驶条件，同时安全性是变道决策的前提，这些因素是由相邻车辆共同决定；将交通因素设置为激励因素、安全因素和容忍因素的加权和；将vj,vk分别表示为CAV和SVs的速度，djk表示为车辆j到周围车辆k的距离，如果车辆j周围不存在这样的车辆，即，则vk和djk将被设置为0；其中，k∈{B,P,PL,PR,FL,FR,ASL,ASR}，dmax为当前道路上的最大安全距离；B，P，PL，PR，FL，FR，ASL和ASR分别表示当前车道跟随车辆、当前车道先行车辆、左相邻车道先行车辆、右相邻车道先行车辆、左相邻车道跟随车辆、右相邻车道跟随车辆，左相邻车道并排车辆和右相邻车道并排车辆； 激励因素：激励因素包括速度增益因素和车头时距增益因素；车辆获得的速度增益通过当前车道的最大可达速度与目标车道最大可达速度相对于当前速度的差来表示；车头时距增益通过当前车头时距与目标车道中的车头时距之间的差来表示，目标车道是左相邻车道、右相邻车道或当前车道，激励因素表示为： Fi＝fIvj-vP,vPL-vP,vPR-vP,djPL-djP,djPR-djP6 安全因素：评估与目标车道上的后车的碰撞风险，它依赖于当前车辆和后车之间的距离和速度差；当目标车道中的后车距离足够大以使本车辆完成车道变换动作，并且车辆j速度比后车速度快时，碰撞风险将较低；安全因素表示为： Fs＝fSdjFL,djFR,vj-vFL,vj-vFR7 容忍因素：容忍因素是用来判断当前车道是否适合继续行驶的一个标准；它考虑了车辆j与前方车辆的距离和安全时间间隔th；容忍因素帮助车辆决定是否应该继续在当前车道行驶，还是变道到更合适的车道，表示为： Fr＝fRdjP-vj·th8 4决策模型：为制定变道决策模型，考虑车道改变的激励因素、安全因素、容忍因素、从DFP中提取的历史驾驶特征和从TFD中提取的轨迹预测信息，如下所示： 其中y是包含三个元素的变道决策向量，对应于车道保持、左侧车道变换和右侧车道变换的概率，fDSD是从DFP中提取的驾驶风格，fDTT是从TFD中提取的轨迹信息，fθ的作用是找到该决策模型的解；通过轨迹数据集，车辆逐帧提取输入变量进行决策，然后将其建模为监督学习问题；学习目标是找到fθ·最小化长期平均损失，定义如下： 其中，N是用于训练的输入输出对的数量，是从数据集获得的车辆j的真实决策向量，这里使用交叉熵函数作为损失函数L；其中，如果实际决策是c，则否则

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路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”。