14、深度学习序列模型在驾驶员行为估计中的应用

深度学习序列模型在驾驶员行为估计中的应用

1. 估计驾驶员行为序列的方法

若要估计长度为 N 的驾驶员行为序列，有以下三种可选方法：
- 运行前馈模型 N 次；
- 运行 LSTM 注意力模型 N 次；
- 使用序列到序列模型。

前馈模型无记忆功能，会丢失样本间的依赖关系，每个输出独立计算。LSTM 注意力模型因具备记忆和注意力机制，对每个驾驶员行为的估计更准确，但会丢失输出序列的依赖关系。而序列到序列学习能考虑输入和输出序列中的依赖关系与信息，其中编码器 - 解码器模型将输入序列编码为上下文向量，解码器利用该向量生成输出序列。这里选择了输入和输出序列长度相等的编码器 - 解码器注意力模型，该模型将每个任务期间驾驶数据的均值作为输入，将相关的驾驶员行为作为输出。

2. 模型构建

• 多层神经网络模型（MLP） ：使用缩放和未缩放的数据构建并训练了无记忆的多层（MLP）神经网络，将其作为基线模型，用于与具有注意力和记忆功能的 LSTM 注意力网络以及编码器 - 解码器注意力模型进行比较。
• 带注意力层的双向 LSTM 网络 ：注意力是人类认知和智能的基本组成部分，在神经网络领域，注意力主要用作一种记忆机制，用于确定输入序列的哪一部分对最终输出影响更大。使用注意力机制，通过包含 10 个特征的驾驶数据向量序列来估计驾驶员行为，并考虑每个输入驾驶数据对驾驶员行为的加权影响。
• 编码器 - 解码器注意力模型 ：该模型是一种多输入 - 多输出的神经网络架构。在带注意力的编