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！

龙图腾网获悉河北交通投资集团有限公司;北京交通大学;河北高速公路开发(集团)有限公司;河北省交通规划设计研究院有限公司申请的专利一种理论-数据双驱动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：CN120781671B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202510879465.7，技术领域涉及：G06F30/27；该发明授权一种理论-数据双驱动的车辆跟驰行为建模方法是由齐树平;郑瑞君;余智鑫;高菁;杨晓波;焦彦利;彭旭光;王伟勋;赵建东;宋罡;郝建兵;高静雅;庞雪纯;王亚州;崔鑫焱;王昊设计研发完成，并于2025-06-27向国家知识产权局提交的专利申请。

本一种理论-数据双驱动的车辆跟驰行为建模方法在说明书摘要公布了：本发明提供了一种理论‑数据双驱动的车辆跟驰行为建模方法。该方法包括：采集人工驾驶车辆的跟驰轨迹数据集，利用跟驰轨迹数据集标定2D‑IDM模型，利用2D‑IDM模型预测车队的速度情况，得到仿真数据；搭建KAN4CF深度学习模型，利用仿真数据对KAN4CF深度学习模型进行预训练后用真实数据微调，得到训练好的KAN4CF深度学习模型；将车辆前设定时间内每一时间步自车与前车的速度差、位置差、自车速度和前车速度作为输入数据，利用Row‑cross注意力机制对输入数据进行特征提取后，再输入到训练好的KAN4CF深度学习模型中，训练好的KAN4CF深度学习模型输出下一时刻车辆的加速度值。本发明方法在深度学习模型中引入随机性，保证模型在具有较高短时预测精度的同时，交通流仿真结果符合实际情况。

本发明授权一种理论-数据双驱动的车辆跟驰行为建模方法在权利要求书中公布了：1.一种理论-数据双驱动的车辆跟驰行为建模方法，其特征在于，包括： 采集人工驾驶车辆的跟驰轨迹数据集，该跟驰轨迹数据集包括：车辆的经纬度、车辆速度和时间戳，利用所述跟驰轨迹数据集标定2D-IDM模型，利用2D-IDM模型预测车队的速度情况，得到仿真数据； 搭建跟驰科尔莫格罗夫-阿诺德网络KAN4CF深度学习模型，该KAN4CF深度学习模型包含Row-cross注意力机制层、三层二维卷积KAN、一层Flatten层和三层全连接KAN，利用所述仿真数据对所述KAN4CF深度学习模型进行预训练后用真实数据微调，得到训练好的KAN4CF深度学习模型； 将车辆前设定时间内每一时间步自车与前车的速度差、位置差、自车速度和前车速度作为输入数据，利用Row-cross注意力机制对输入数据进行特征提取后，再输入到训练好的KAN4CF深度学习模型中，训练好的KAN4CF深度学习模型输出下一时刻车辆的加速度值； 所述的利用所述跟驰轨迹数据集标定2D-IDM模型，利用2D-IDM模型预测车队的速度情况，得到仿真数据，包括： 设置2D-IDM模型的计算公式如下所示： Δvit＝vit-vi-1t △dit＝|xit―xi―1t|―lveh vit＝vit-1+ait*Δt xit＝xit-1+vit*Δt 其中，Tit表示第i辆车t时刻时变的期望车头时距，T1和T2分别是Tit的上下界；r1是一个在0到1之间均匀分布的随机变量；Δvit表示t时刻车辆i和车辆i-1的速度差；Δdit表示车辆i和车辆i-1的位置差；lveh表示车辆的长度；amax表示车辆的最大加速度，vmax表示车辆的最大速度；δ为加速度指数，δ＞0；d0为拥堵时的时距；b为舒适的减速度；p1表示Tit的变化概率，amax、T1、T2、δ、p1、d0是需要人为确定的参数； 利用所述跟驰轨迹数据集标定2D-IDM模型，构建目标函数如下所示： 式中，MP表示车队的车辆数，ND表示数据总量，QT表示车队运行总时间，si,true和si,sim分别表示第i个数据实际和仿真的车辆车头间距，stdj,true和stdj,sim前j辆车实际和仿真的速度标准差，plq,true和plq,sim分别表示q时刻真实和仿真的车队长度； 以各参数的取值范围为约束，采用灰狼算法迭代求解所述目标函数，输出求解的2D-IDM模型中需要自定义的参数值，利用2D-IDM模型反复迭代，达到最大迭代次数后，预测车队的速度情况，得到车队中每辆车在每一时刻的速度、位置信息的仿真数据； 所述的搭建跟驰科尔莫格罗夫-阿诺德网络KAN4CF深度学习模型，该KAN4CF深度学习模型包含Row-cross注意力机制层、三层二维卷积KAN、一层Flatten层和三层KAN，利用所述仿真数据对所述KAN4CF深度学习模型进行预训练后用真实数据微调，得到训练好的KAN4CF深度学习模型，包括： 结合卷积科尔莫格罗夫-阿诺德网络ConvKAN和全连接科尔莫格罗夫-阿诺德网络DenseKAN搭建KAN4CF深度学习模型，该KAN4CF深度学习模型包含Row-cross注意力机制层、三层二维卷积KAN、一层Flatten层和三层全连接KAN，最后一层KAN输出包含两个值：下一时刻加速度概率分布的均值和方差； 利用2D-IDM模型生成的仿真数据对所述KAN4CF深度学习模型中所有参数进行预训练，预训练过程中的损失函数构建如下： 式中，LGaussian表示预训练阶段模型的损失函数，yt表示t时刻车辆加速度的真实值，μt表示预测的车辆加速度分布的均值，σt表示预测的加速度分布的标准差； 预训练完成后，冻结注意力机制层和ConvKAN的权重，利用真实数据对KAN4CF深度学习模型进行微调，在微调过程中基于内嵌物理知识的神经网络构建了如下损失函数： 式中，ωreal和ωphysics分别表示数据驱动部分和理论驱动部分的权重； 微调过程结束后，得到训练好的KAN4CF深度学习模型； 所述的将车辆前设定时间内每一时间步自车与前车的速度差、位置差、自车速度和前车速度作为输入数据，利用Row-cross注意力机制对输入数据进行特征提取后，再输入到训练好的KAN4CF深度学习模型中，训练好的KAN4CF深度学习模型输出下一时刻车辆的加速度值，包括：将车辆前设定时间内每一时间步自车与前车的速度差、位置差、自车速度和前车速度作为输入数据，利用Row-cross注意力机制将所述输入数据转换成矩阵形式，假设输入数据的时间步长为T，输入数据的特征维度为4*T，构建一个M*N的矩阵，其中N为4的倍数，且M*N＝4*T，M和N在数值上需要尽可能地接近，将输入数据的所有特征转化为以下输入特征矩阵： 式中，表示原始输入特征矩阵，Δvt表示t时刻自车与前车的速度差，Δst表示t时刻自车与前车的位置差，表示t时刻自车的速度，表示t时刻前车的速度，N表示矩阵的列数，M表示矩阵的行数； 根据所述原始输入特征矩阵中每一位置的时间步信息构建对应的时间特征矩阵，如下所示： 式中，表示时间特征矩阵； 基于所述时间特征矩阵构建位置特征矩阵，如下所示： 式中，表示位置特征矩阵； 通过Row-cross注意力机制中的第一分支将时间特征矩阵和空间特征矩阵拼接后，通过二维卷积、层归一化和sigmoid激活函数，和一个可训练的权重矩阵相乘，得到查询矩阵Q矩阵；通过Row-cross注意力机制中的第二分支将时间特征矩阵、空间特征矩阵和原始特征矩阵通过通道池化、二维卷积、层归一化和sigmod激活函数，和两个可训练的权重矩阵相乘，分别得到键K矩阵和值V矩阵，之后对Q、K和V矩阵进行交叉注意力机制计算，得到和原始输入矩阵相同格式的三个矩阵； 将上述三个矩阵输入到训练好的KAN4CF深度学习模型，KAN4CF深度学习模型预测得到下一时刻车辆可能的加速度分布，通过采样器算法从加速度分布中采样得到下一时刻车辆的加速度值。

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河北交通投资集团有限公司;北京交通大学;河北高速公路开发(集团)有限公司;河北省交通规划设计研究院有限公司，其通讯地址为：050091 河北省石家庄市桥西区新石北路52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。