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！

申请/专利权人：长春汽车工业高等专科学校

摘要：本发明公开了一种基于车联网的行车安全预警系统及方法，涉及智能交通系统技术领域，包括，实时采集车辆周围环境数据，通过车载车联网通信架构，进行车与车及车与基础设施之间的通讯，生成车辆自身感知数据；利用边缘计算技术，对车联网边缘数据节点上执行预警决策算法，依据最优风险应对措施即时产生预警信号，通过车联网平台进行精准定位即时传达给距离风险区域最近车辆和负责调控交通流的基础设施节点。本发明通过优化时间戳匹配和深化多模态数据融合，结合创新的量子计算应用，构建了更实时、准确的车联网行车安全预警系统，显著提升对复杂交通环境下风险的自适应评估与应对能力，推动交通安全智能化管理水平的进步。

主权项：1.一种基于车联网的行车安全预警方法，其特征在于：包括，实时采集车辆周围环境数据，通过车载车联网通信架构，进行车与车及车与基础设施之间的通讯，生成车辆自身感知数据；对实时采集到的车辆周围环境数据，进行时间戳匹配优化，构建量子增强高精度数字孪生模型；运用深度学习驱动数据融合算法，将车辆自身感知数据与通过车载车联网接收的多元外部信息进行时空多模态数据融合，生成自适应性动态风险评估结果；通过量子增强高精度数字孪生模型，对自适应性动态风险评估结果进行风险情境模拟，形成最优风险应对措施；利用边缘计算技术，对车联网边缘数据节点上执行预警决策算法，依据最优风险应对措施即时产生预警信号，通过车联网平台进行精准定位即时传达给距离风险区域最近车辆和负责调控交通流的基础设施节点；所述对实时采集到的车辆周围环境数据进行时间戳匹配优化，构建量子增强高精度数字孪生模型，具体步骤为：基于行车传感器数据，通过量子纠缠态来进行预处理与时间戳匹配优化，表达式为： ；其中，为量子纠缠态，和分别表示第一个和第二个量子比特的状态；基于量子纠缠态中的交换机制来匹配时间戳，得到同步后的数据表示为量子态；利用量子特征映射将同步后的量子态映射到特征空间，得到特征提取后的量子态表达式为： ；其中，为特征提取后的量子态，Uft为特征映射的量子运算；根据特征提取后的量子态对支持向量机的一组量子态进行训练表达式为： ；其中，为第i个训练样本的量子态，M为训练集中的样本数量；基于训练后的量子态，通过量子内积计算相似度表达式为： ；其中，为测试态与第i个训练样本的量子态之间的相似度，为特征映射量子运算Uft的转置共轭；将通过量子内积计算相似度的值代入到量子支持向量机的决策规则中，通过量子版本的拉格朗日乘子法和内核技巧来进行量子支持向量机的预测表达式为： ；其中，表示基于量子支持向量机对测试态的分类决策结果，sign为决定分类结果正负的符号函数，αi为第i个训练样本的拉格朗日乘子，yi为第i个训练样本的标签，b为调整分类超平面位置的偏置项；将基于量子支持向量机对测试态的分类决策结果，作为当前车辆环境状态的一个分类指示，融入到量子数字孪生模型的动态更新机制中构建量子增强高精度数字孪生模型，表达式为： ；其中，t表示时间步，为在时间t时刻的车辆环境量子状态，Uee为量子支持向量分类结果直接反应的演化算子，U为算子；所述运用深度学习驱动数据融合算法，将车辆自身感知数据与通过车载车联网接收的多元外部信息进行时空多模态数据融合，生成自适应性动态风险评估结果，具体步骤为：通过车载车联网接收交通信号状态、天气预报、道路施工信息、车辆位置与速度的多元外部信息；基于车辆自身感知数据与车载车联网接收的多元外部信息，结合GPS定位数据与时间戳匹配方法进行时间同步和空间配准，整合形成融合数据；对车辆自身感知数据中的图像数据和雷达数据，分别利用深度卷积神经网络和点云处理算法提取高级语义、对象的运动轨迹的多模态特征；采用时空注意力机制STAM对提取出的多模态特征进行融合表达式为： ；其中，Ffn为融合后的特征向量，Fie，Frr，...，Fel分别代表图像、雷达、外部信息各自提取的特征向量；基于融合后的特征向量，构建一个深度神经网络模型；深度神经网络模型的输入层接受融合特征向量表达式为： ； ；其中，al为第l层的激活输出，fl为第l层使用的ReLU激活函数，zl为第l层的加权输入，Wl为第l−1层到第l层的权重矩阵，bl为第l层的偏置向量；对于深度神经网络模型的输出层，通过softmax函数来得到风险等级表达式为： ；其中，Py=k|Ffn为在融合后的特征向量Ffn的条件下，真实风险等级标签y属于类别标签k的概率，ezk为对于类别k的输出节点的线性加权输入值z，C为总类别数，j为类别索引；选用交叉熵损失函数作为深度神经网络模型监督学习的目标，使用Adam优化器进行模型参数更新，损失函数模型Ly，表达式为： ；其中，yo,c为真实风险等级标签y在样本o和类别c下的值，为损失函数模型预测的概率分布；在进行完交叉熵损失函数后完成对深度神经网络模型的优化拟合，通过接收实时输入的车辆自身感知数据与车载车联网接收的多元外部信息，生成自适应性动态风险评估结果；所述通过量子增强高精度数字孪生模型，对自适应性动态风险评估结果进行风险情境模拟，形成最优风险应对措施，具体步骤为：将自适应性动态风险评估结果中的每个风险等级映射为量子态，利用二进制转变为量子比特序列构建量子风险情境空间表达式为： ；其中，表示第i种风险等级的状态，为量子基态，n表示编码风险等级信息的量子资源量，a为振幅系数，i和j分别为风险等级和量子基态的下标；设计量子风险演化算子Uel，模拟风险情境空间随时间的变化表达式为： ；其中，Uel为控制风险态势演化的量子算子，△t为时间步长，θ为环境变量控制参数；利用量子计算机的并行处理能力，通过量子演化模拟多种风险情境下的车辆行为响应，形成超级位置态表达式为： ；其中，R为风险等级的总数；基于形成一系列量子态的超级位置态，通过量子测量从超级位置态中抽取信息，量化不同风险应对策略的效果表达式为： ；其中，E（O）为期望值函数，O为评价风险应对策略效益的物理量的观测算子；综合量子演化模拟与量子测量结果，选择具有最高期望效益的风险应对措施，表达式为： ；其中，syol为经过优化过程选择出的最优风险应对策略，是指在所有风险应对策略中寻找期望值函数达到最大值的s值。

全文数据：

权利要求：

百度查询： 长春汽车工业高等专科学校 一种基于车联网的行车安全预警系统及方法